AI时代，FDE应该升级为FDC

最近，在辅导企业AI 落地的过程中，我越来越强烈地感受到：

在新的AI时代，FDE或许应该升级为FDC。

传统的FDE，是 Forward Deployed Engineer，通常翻译为“前线部署工程师”。

它强调的是让工程师走出技术部门，深入客户现场，理解真实需求，把模型、数据和系统部署到具体业务中。

这个岗位的出现，本身就说明了一件事：

AI不能只待在实验室里，必须进入真实的业务现场。

但真正进入企业之后会发现，AI落地现场最稀缺的能力，可能并不是单纯的工程能力，而是咨询能力。

因此，我更愿意把FDE重新定义为：

FDC——Forward Deployed Consultant，前线部署顾问。

一、AI落地最难的，不是技术，而是业务逻辑没有梳理清楚

很多企业谈AI落地，第一反应是：

要不要搭一个知识库？

能不能开发几个智能体？

能不能做一批数字员工？

能不能接入大模型，把某些岗位替代掉？

这些问题不能说错，但大多数都问早了。

因为在讨论工具和技术之前，企业还有几个更基础的问题没有回答：

企业当前的业务目标到底是什么？

业绩增长被什么因素制约？

客户为什么购买，又为什么不购买？

企业通过什么流程创造价值？

哪些环节真正推动了结果？

哪些环节正在产生浪费、返工和内耗？

组织当前最大的卡点，究竟在市场、产品、销售、交付，还是管理机制？

如果这些业务逻辑没有梳理清楚，企业就不可能提出真正有价值的AI问题。

所以，问题的本质并不是：

企业不会向AI提问。

而是：

企业没有把自己的业务想清楚。

业务没有想清楚，问题就不可能被准确描述。

问题没有被准确描述，技术团队也就不可能给出正确答案。

这时候，技术能力越强，风险反而越大。

因为技术团队可能会用非常高效的方法，把一个错误的问题看起来解决得特别漂亮。

二、企业提不出好问题，是结果，不是原因

现在大家经常说，AI时代最重要的能力是“提问能力”。

这句话只说对了一半。

提问能力当然重要，但高质量的问题并不是靠学习几个提示词框架就能产生的。

真正有价值的问题，来自对业务的深度理解。

只有看清楚目标、流程、角色、矛盾和约束，才能提出真正值得解决的问题。

因此，企业提出不好AI问题，通常不是因为员工不会写提示词，而是前面的业务分析根本没有完成。

它背后的因果链是：

业务逻辑没有梳理清楚
→ 不知道真正的目标是什么
→ 不知道制约目标的关键卡点在哪里
→ 只能根据表面现象提出问题
→ AI解决了局部任务，却没有改变业务结果

例如，一家企业发现内容团队效率很低，于是决定引入AI，批量生产内容。

表面问题是“内容生产太慢”。

但继续往下追问，可能会发现：

内容生产慢，是因为每次都要反复修改；

反复修改，是因为需求和标准不清晰；

需求不清晰，是因为品牌定位和目标用户没有共识；

品牌定位没有共识，是因为企业没有完成业务战略和品牌逻辑的梳理。

这时候，即使AI能够一天生成一千条内容，也只是在加速生产大量方向不明的内容。

所以，真正的问题不是：

怎样让AI多写内容？

而是：

企业究竟要影响谁，在什么场景下建立什么认知，最终推动什么业务结果？

这已经不是一个单纯的技术问题，而是一个咨询问题。

三、正确的AI落地逻辑：先梳理业务，再找到卡点

AI落地不能从工具清单开始，也不能从“别的公司做了什么”开始。

正确的顺序应该是：

先梳理业务逻辑，再找到最大卡点，最后用AI层层击穿。

第一步，是把业务讲清楚。

企业靠什么赚钱？

核心客户是谁？

价值是如何创造出来的？

从用户需求到产品、营销、销售、交付和复购，完整链路是什么？

不同部门之间如何协同？

哪些动作真正创造价值？

哪些动作只是历史遗留下来的惯性动作？

第二步，是找到制约业务增长的最大卡点。

一个系统的产出，往往不是由平均能力决定的，而是由最关键的瓶颈决定的（高拉特的 TOC 理论）。

如果企业最大的卡点是经销商不愿意推货，那么用AI批量生成公众号文章，意义有限。

如果最大的卡点是销售人员不会判断客户需求，那么先做一个自动生成周报的智能体，也不会产生核心价值。

如果最大的卡点是产品卖点不清晰，那么内容生产效率越高，反而越容易放大错误表达。

AI不是平均分配给每个部门的“数字福利”。

AI应该优先进入最影响业务结果的地方。

第三步，才是设计AI解决方案。

而且不是做一个孤立的工具，而是围绕关键卡点，逐层推进业务改造。

四、用AI“点、线、面、体”地层层击穿

我把企业AI落地分成四个层次。

1. 点：解决一个具体任务

“点”是最基础的AI应用。

例如：

生成一份营销Brief；

分析一批用户评论；

整理一次会议纪要；

撰写一份销售拜访方案；

自动回复常见客户问题。

点状应用的价值，是让员工快速感受到AI带来的效率提升。

但它的问题也很明显：

依赖个人使用，容易零散、重复，很难形成组织能力。

所以，“点”只是起点，不是AI落地的终点。

2. 线：重构一条完整业务流程

“线”是把多个点连接起来，形成一条完整工作流。

例如，品牌内容生产不只是让AI写一篇文章，而是打通：

用户洞察
→ 内容选题
→ 营销Brief
→ 初稿生成
→ 品牌审核
→ 多平台适配
→ 发布跟踪
→ 效果复盘
→ 资产沉淀。

当AI进入整条流程后，改变的就不只是一个人的工作效率，而是整个业务链路的运行方式。

这时候，AI开始从“工具”变成“流程基础设施”。

3. 面：击穿一个部门或业务闭环

“面”是把多条流程连接起来，形成一个相对完整的业务系统。

例如，品牌营销部门不只是有内容生产工作流，还应当包括：

品牌知识库与智能问答；

消费者与市场洞察雷达；

营销Brief与Campaign方案；

品牌内容生产与多平台适配；

营销效果复盘与资产沉淀。

这些工作流彼此连接，共用知识、数据和标准，才能真正形成一个AI驱动的品牌营销体系。

到了这一层，AI改变的不再只是某几个任务，而是一个部门的能力结构。

4. 体：重构企业经营系统

“体”是更高层级的AI落地。

它不是简单地让各部门分别安装几个智能体，而是围绕企业经营目标，把战略、流程、组织、数据、知识和AI连接起来。

市场端的用户洞察，能够进入产品创新；

销售端的客户反馈，能够进入品牌和研发；

经营数据的变化，能够触发管理动作；

一线经验能够沉淀进企业知识库；

AI应用产生的结果，又可以持续反哺业务决策。

到这个阶段，AI不再是企业中的某个专项项目，而是逐渐成为企业新的经营操作系统。

因此，真正有效的AI落地路径应该是：

找到业务卡点，从一个高价值的点切入，打通一条业务线，形成一个业务面，最终推动整个经营体系的重构。

这就是“点、线、面、体”地层层击穿。

五、为什么咨询能力比单纯的技术能力更重要？

技术解决的是“怎么做”。咨询首先解决的是：

为什么做？

做什么？

先做什么？

做到什么程度？

如何判断有没有价值？

这两种能力都重要，但顺序不能颠倒。

如果方向错了，技术越强，浪费越大。

如果卡点找错了，系统做得越完整，企业被错误方案锁定得越深。

如果组织和流程不改变，再先进的AI工具，最后也可能成为一套没人真正使用的系统。

所以，AI落地顾问必须具备几种复合能力：

既要理解战略目标，也要能够进入具体业务；

既要会分析问题，也要能够推动执行；

既要理解AI的能力边界，也要知道什么时候不该使用AI；

既能搭建工具和工作流，也能处理组织协同、利益关系和变革阻力。

他不是站在会议室里写一份报告，然后把执行留给客户。

他必须进入现场，和企业一起诊断、设计、测试、迭代，并最终对业务结果负责。

这就是FDC与传统咨询顾问最大的区别。

传统顾问可能止步于“给出答案”。

FDC必须继续向前一步：

把答案部署到业务里。

六、未来最稀缺的，不是更懂模型的人

模型会越来越强。技术门槛会持续降低。工具会越来越标准化。

今天需要专业工程师完成的事情，明天可能通过自然语言就能搭建。

但企业业务不会因此自动变清晰。

组织不会因为模型升级就自动形成共识。

部门之间的利益冲突，也不会因为接入大模型自然消失。

越是在AI能力普及之后，真正稀缺的越不是“会不会使用AI”，而是：

能不能看懂一家企业是如何运转的；

能不能找到制约增长的关键卡点；

能不能把复杂问题拆成可以推进的行动；

能不能把AI嵌入业务，而不是浮在业务表面；

能不能让AI应用最终转化为收入、利润、效率和组织能力。

所以，我越来越相信：

未来企业真正需要的，不只是一群会搭系统的工程师，也不是一群只会出方案的传统顾问。

而是这样一类人：

既懂业务，又懂AI；
既能诊断问题，又能部署解决方案；
既进入经营现场，也对最终结果负责。

他们就是新时代的FDC：

Forward Deployed Consultant，前线部署顾问。

AI时代真正危险的，从来不是企业没有使用AI。

而是业务逻辑还没有理清，就急着上系统；关键卡点还没有找到，就开始大规模建设智能体。

真正的AI落地，不是把AI装进企业。

而是先看清企业如何运转，再找到那个最关键的制约点，用AI从点到线、从线到面、从面到体，一层一层地把它击穿。