从通用磨坊年省1400万到直播月增2亿曝光，FDE已经有落地样本了

随着AI在企业业务层的落地，FDE这个词在私域和AI落地圈被讨论得越来越多，但多数讨论仍停留在概念层面。

实际情况是，已经有公司把这套方法跑通了：帕兰提尔为通用磨坊做的供应链AI优化，每年带来约1400万美元回报；网易智企内部团队为游戏直播做的AI高光切片，上线后每月新增数亿次曝光。

这两个案例值得分析的共同点在于，他们都不是先有一个明确的AI需求再去找技术方案，而是有人深入业务现场，先把真实问题定义清楚，再把问题翻译成可执行的AI落地方案。这个角色，就是FDE。

在这一背景下，见实发起了FDE系列主题直播（详见）。直播第一场，网易智企·云商Agent业务负责人赵胜海，总结了FDE的定义、核心能力、需求识别方法论，并拆解了两个完整落地案例，以及AI项目推进中最容易卡住的两个环节。

对了，他也是9.4-9.5杭州用户运营实战课的主讲导师之一，在两天一夜的课程里，将带领大家跑完FDE从理念到落地的一个小场景。感兴趣的朋友，可以联系见实小boss（微信号：jskj44）报名，品牌会员首次可免费参加。

关于见实9月4-5日杭州AI私域实践营：课程设置50%时间为案例实操，学员拿着预设客户教案做需求分析练习，覆盖FDE完整方法论、人机边界划分、AI私域落地等核心内容。

课程落点选在AI私域，原因有三：一是AI私域已做了部分平台化工作，不需要全部工程交付；二是私域对很多组织是相对独立的部门，改造成本低，可作为内部AI改造的切口再向其他部门复制。

本文即是直播对话梳理，如下，enjoy:

01FDE是什么从一个岗位到一套工作方法

见实：FDE究竟是什么？从理念到落地的距离在哪？

赵胜海：先说狭义定义，FDE是前端部署工程师的缩写。过去的软件交付是一套软件解决一类公司的一类问题，适配性已经不高了。随着AI发展，每个公司各个业务流程里都存在大量可以用AI重做、新做的项目，这就需要一部分人，既懂业务方的需求，又懂AI的最新技术，还具备一定的coding和实施能力，把需求、AI和客户的实际业务串联起来。

但发展到现在，FDE不应该只是一个岗位定义，而是一种工作方法，可以抽象成五个步骤：进入客户真实业务现场；基于问题、数据和业务目标定义问题；推导成可执行的落地方案；通过coding或连接原有系统落地；拿到验证结果后做PDCA循环，没有解决就重新走一遍。

见实：这个岗位应该内部选拔还是外部引入？核心能力是什么？

赵胜海：FDE有四层核心能力，从底层到顶层依次是：

技术能力（理解AI应用、上下文工程、知识库搭建、agent开发等，最不重要，可复制培养）；

业务能力（深度理解对应行业的业务流程和专业术语）；

交付能力（能用现有框架和AI平台把业务和技术融合，输出可运行方案）；

软技能（最重要，包括沟通能力、owner意识、判断力和学习能力）。

如果内部有符合这些能力的人，自己懂业务，培养起来更容易。如果没有，可以把FDE拆分成多个岗位。帕兰提尔的做法是拆成三个角色：Echo负责深入业务现场做需求调研和确认；Delta负责把Echo输出的需求落地到客户业务系统；Dev是后端角色，把Delta的输出做产品化和平台化。对企业来说，前两个角色更重要，可以优先从内部物色培养。

见实：您提到FDE要有判断力，这个判断力具体指什么？付费方式和组织方式会有什么变化？

赵胜海：判断力的核心标准就是一句话：这个东西交给AI处理，如果AI犯了错误，这个错误会不会致命？

比如在一次业务调研中，团队曾讨论是否把审批环节交给AI。由于这类任务涉及资金、效果核验和多项事实确认，最终保留人工决策，只让AI承担信息整理和辅助判断。判断标准很简单，AI一旦出错会造成重大后果的环节，就必须保留人工审核。

付费方式上，传统软件外包按人天计费，算账不清楚，激励也弱。比较前沿的做法是FDE团队改造流程后，产生的ROI和业务增量收益拿出来直接给团队分享，帕兰提尔就是这么做的。但这个在国内还是很有挑战，目前通常还是按人天方式放到系统实施费里。

组织方式上，岗位重复度高的公司可以专门抽象出FDE岗位。比如100多人的客户成功团队，每个人工作都一样，最开始做AI提效时每个人都在弄，同样场景几十个人都在做，目标完全重复，这是混乱的提效。如果有一个FDE角色把这几十人的工作做抽象提取，做需求分析再开发，效率会有很大提升。

02需求识别FDE的灵魂，也是最容易断的环节

见实：需求分析具体怎么做？有没有一套可复制的方法？

赵胜海：我们沉淀了一套相对科学的方法论，分三步。

第一步是广泛的需求调研，做问卷发放和回收，问每天处理什么工作、分别花多少时间、什么事情让你头疼、哪些是每周必须做且耗时很长的、如果想让AI帮你提效你有什么诉求。

第二步是1V1深度访谈，类似咨询公司的做法，一个人大概聊一个小时。问卷里回答特别有需求的人，约深访，让他讲每天8小时来到公司后分别在干什么，每个阶段怎么处理任务，具体卡在哪里——是等审批、写方案、算数，还是拉数。

第三步是把调研数据和深访数据做综合分析，输出一个可以计算ROI和效果的需求优先级表。

见实：为什么说需求分析是FDE的灵魂？它比AI coding更重要吗？

赵胜海：这套方法论在我看来是FDE的灵魂，就是Echo角色去发现需求。我们在9.4-9.5的课程里为它设置了非常重的内容讲解和两个完整的案例练习，用了两个半天做案例教学。因为有句话说得好：当你定义问题的时候，你的问题就解决了。

反而AI coding和实施并不是目前FDE的核心门槛，当前组织内部通常不缺具备实施能力的工程人员。真正稀缺的是进入业务现场、定义真实问题，并把问题翻译成可执行方案的能力。前端需求定义完成后，工程团队才能更高效地完成后续验证。

而且我觉得这套方法论不只是对FDE岗位有帮助，对企业越高层越好，乃至于老板和创始人必须要掌握。这几年很多老板说要做AI提效，把任务丢给CIO或CTO，但只有朦胧的FOMO焦虑，没有方向，最后草率上了几个AI项目。没有FDE的思考方式，就很难找到公司内部真正的提效点。

见实：从FDE方法论到实操，最容易断在哪个环节？最后输出是什么样？

赵胜海：最容易断在需求分析和收集环节。很多企业启动AI项目时，容易直接从某项功能出发，但调研后可能发现，真正值得解决的是另外一个业务问题。方向一旦判断错误，后续投入再多资源，也很难产生业务价值。

调研完成后，需要形成一张需求优先级表，对任务频率、投入时间、影响范围、业务价值、数据条件和实施风险进行比较，帮助管理层判断哪些场景优先验证，哪些场景暂缓推进。

03一个公开案例FDE如何把模糊问题转化为可执行方案

见实：能不能结合案例，讲一下FDE怎么把模糊需求变成可执行的方案？

赵胜海：先看帕兰提尔服务通用磨坊的公开案例。通用磨坊是一家全球食品企业，供应链涉及大量商品、订单、物流和生产约束。客户最开始给出的问题叫"供应链太复杂"，非常抽象、难以落地。F

DE通过调研把这个问题变形了，变成"为运营人员提供可执行的供应链决策建议"。做了这个变种之后，后端工作就很清晰了：把通用磨坊全部的供应链数据和采购商数据做成关系表，用AI系统接入供应链产能、实时约束、运输成本、订单和物流信息，每时每刻用AI全面扫描几千个订单，识别哪些供应链组合有提升效率和降低成本的机会。

其实模糊需求变可执行方案，核心就是回到每日工作本身，做科学的调研与访谈分析，需求自然会呈现出来。

比如我们在某游戏集团市场中心做需求调研时，拿到的原始问题是这样的：有人说MCP审核需要机器协助，后来这个没做，因为涉及报销、涉及钱，我们认为需要人来判断；还有"营销主视觉需要适配大量渠道规格"——翻译过来就是一张图通过AI扩图适配所有渠道；"公众号内容要按不同账号重新排版分发"——翻译过来就是一篇文章同时分发20个渠道。

见实：通用磨坊案例中，AI和人的边界怎么划？人工审核具体看什么？

赵胜海：关键在于人机边界。机会发现之后，机器不会直接去改，而是做成业务建议提交给人审核，运营人员审核后选择是否采取行动，采取行动后结果才会修正。AI也会学习，人这次选择了切换，下次类似策略会更积极地提报给审核员。

涉及钱和供应链的决策交给人来处理，这是边界。做完之后，通用磨坊每年通过这套AI供应链提效方案，大概带来1400万美元回报。

04落地的两个卡点与工程交付方法

见实：老板把AI提效的任务往下丢之后，真正卡住项目落地的关键是什么？

赵胜海：我觉得有两个卡点。第一是组织的惯性与反弹。人有习惯性和惰性，会按相似的方式做事。所以推AI组织变革时，第一步更多是以改变岗位工作舒适度、降低工作痛苦程度来展开，这样大家不那么抵触。不要一上来就说要裁人、要颠覆，先帮大家把最痛苦的那部分工作解决掉。

第二是落地时要画好AI能力的边界。业务owner比外部人士更能判断哪部分必须人来做、哪部分必须人审核。边界划好，才不会产生翻车和重大事故。具体做法是，AI只做到给人出建议，不危险的操作可以替你处理，危险操作只提供support和suggestion，让人来决策。边界画好之后，推进起来会比较顺利，在推进过程中逐步摸索人机边界，最后达到融合效果。

见实：人机边界具体怎么划？有没有通用的参考标准？

赵胜海：我们做智能客服一直强调人机协同的重要性。在智能客服等生产场景中，如果完全取消人工判断和兜底，容易放大错误带来的业务风险。例如退换货、支付、赔付和投诉处理等环节，AI可以辅助识别意图、整理信息和提供建议，但最终动作通常需要根据企业规则设置人工审核。

如果没有这两点——不搞清楚痛点和需求就推，又不划边界——项目很可能直接失败。

见实：工程交付环节，怎么保证AI输出既个性化又不跑偏？这套方法对不同行业通用吗？

赵胜海：工程交付阶段还需要建立回归测试机制。首先把个性化程度、信息连续性、建议可执行性和风险边界转化为具体评测项，再使用脱敏模拟样本建立测试集。

测试集需要覆盖主流场景、特殊场景、信息不足场景，以及必须转人工的风险场景。每次调整知识、提示词或流程后，都重新运行原有测试，检查问题是否得到解决，同时确认没有产生新的错误。

这套方法可以迁移到不同业务领域。核心是找到值得AI化的业务问题，明确人机边界，并通过持续测试验证方案是否真正有效。

「品牌AI用户运营实战营」已开启报名

PS：

9-10月见实首批线下活动公布，其中，，届时将有多位品牌私域负责人分享；以及，4-5日，还有，专门解决 AI 私域/用户运营从 Demo 到落地的问题。

两场活动，都支持见实的品牌会员免费参与。欢迎一起。