fde

最近半年,有两件事放在一起看很有意思。

第一件:模型越来越强,也越来越便宜。写文档、查资料、生成代码,这些事 AI 已经做得比大多数人更快。

第二件:最懂模型的那批公司,正在花钱做一件看起来很”重”的事——把工程师派到客户现场去。

据公开报道,OpenAI 投入约 40 亿美元,拿下一支 150 人的团队,主体不是 AI 科学家,是工程师。Anthropic 联合华尔街机构投入约 15 亿美元成立合资公司,做法是把工程师”埋”进客户现场。一个叫 FDE(Forward Deployed Engineer,前沿部署工程师)的岗位,成了硅谷最难招、也最贵的岗位之一。

造模型的人,为什么开始抢着去客户现场?答案不太好听:因为模型已经不是瓶颈了,客户的业务现场才是。

这一点我们非常赞成——遇到非标问题,就得有个能站在车间里当场解决的人。

但有个绕不开的现实:风险全押在人身上,是扛不住的。 资深工程师本来就稀缺,一个人同时只能盯一两个客户;人一流动,交付就断;做过的项目沉淀在他个人经验里,下一单还得从头再来。

所以我们在”派人”这层之外,又加了一层流程,叫 LDM(Lean Deployment Model,精益部署模式),把风险拆进阶段里,每一步都能刹车。

下面四个判断,来自我们做过的项目,也来自那些最终没有立项的场景。

 

01

先想清楚一件事:你要的是”提效”,还是”增长”

麦肯锡 2026 年发布的《The State of AI》报告里有一组数字,值得每个老板停下来看看:

  • 约 80% 的受访企业表示,AI 提升了个人工作效率
  • 但只有约 6% 的企业,实现了超过 5% 的收益增长
FDE

放在制造企业的语境里,这句话可以翻译得更具体:

一个工程师查一份历史工艺,从 20 分钟缩短到 2 分钟,他很开心,AI 提效的 KPI 也完成了。但企业因此多接了订单吗?报价更准了吗?因为工艺风险被提前识别,少了一次返工吗?

如果省下来的时间没有被转化成”过去做不到的生意”,那它只是让员工工作更轻松了一点。

我们自己也会把话说清楚。在部分特定测试场景下,AI 辅助把可制造性分析初稿的生成压缩到 120 秒左右,成本分析初稿 60 秒左右。

但这个数字本身不是价值,它打开了什么可能性才是。

过去,一份图纸的 DFX 分析(可制造性、可装配性、成本等)要等工程师排期;现在,它可以在报价阶段就先跑一遍。报价响应速度、报价命中率——这才是老板该盯的指标,而不是”省了多少工时”。

 

02

场景要选”值钱的”,不要选”容易的”

我们调研过精密机械、汽车零部件、船舶等各类企业,听到最多的八类问题:经验不可复用、数据不可关联、决策不可加速、变更不可推演、质量不可预测、成本不可测算、协同不可追溯、知识不可进化。

八个问题,本质上是三件事没被解决:知识没沉淀、数据没被理解、决策没被辅助。

但很多 AI 项目的立项逻辑是反过来的——先找最容易做的场景。最容易做的是知识库问答。它确实能跑通,但通常不是最值钱的。

fde

我给老板的判断标准只有三条,三条都过得去的场景才值得立项:

  • 这个决策发生的频率有多高?
 一年做两次的决策,AI 帮不上太大忙。
  • 单次决策错了,代价有多大?
 报价报错、工艺风险漏判、工程变更影响没推演——这类错误的代价是可以直接算出来的。
  • 这个决策依赖的数据,现在拿得到吗?
 图纸、BOM、历史工艺、成本库,有多少是干净的、可结构化的。

我们在非标零部件制造里优先做的是图纸理解与 DFX 分析、工艺规划辅助、成本分析辅助。不是因为它们简单,恰恰是因为它们同时满足这三条:高频、错了很贵、数据就在企业自己的系统里。

选场景的标准不是”能不能做”,是”做成了,哪个数字会变”。

 

03

Demo 便宜,生产系统贵,中间隔着六件事

一个 AI Demo,可能几天就能做出来。但是把同一个东西变成能进生产系统的东西,要好几个月。很多项目真正的问题在于:Demo 太容易做出来了,让所有人低估了后面的难度。

中间隔着什么?

  • 图纸和文档解析得准不准、稳不稳
  • 企业知识怎么组织成 AI 能理解的语义,而不是一堆 PDF
  • 检索召回达不到要求怎么办,不同部门的权限怎么隔离
  • 模型升级之后,历史结论会不会跟着变
  • 怎么评测——没有客观评测,就不知道系统到底好在哪、差在哪,更谈不上持续优化
  • 人和 AI 怎么分工
fde

最后一条最容易被忽略,也最重要。我们在所有方案里坚持一条主线:

AI 输出 → 知识调用 → 人工审核。AI 不替代工程师。

这不是保守。制造业的决策是有后果的,一条工艺路线、一个报价,错了要付出真金白银。AI 的价值是把工程师从”找资料、搭初稿”里解放出来,把判断留给人。

所以我们的建议一直是:先聚焦一个真实场景,用自己的图纸和历史数据跑一遍,看结果到底能不能用,再决定要不要投。让企业”先看见、再决定”,把 AI 投入从盲猜变成可评估。

 

04

风险扛在人身上,还是拆进阶段里

制造业的 AI 项目有个和别的行业不一样的地方:最关键的知识和规则,不在系统里,在老师傅脑子里,在 Excel 里,在几轮会签的口头经验里。

这些东西,坐在办公室调 API 是拿不到的。

所以 FDE 那套”把人放到现场”的做法,我们完全认同——遇到真正的非标问题,就得有个能当场把它啃下来的人。

但 FDE 有个绕不开的结构性短板:风险集中在人身上。

资深复合型工程师本来就稀缺、成本高,一个人同时只能服务一两个客户;人一旦流动,交付就断;项目沉淀在这个人的经验里,换一批人做下一单,还得从头再来。

所以我们在”派人”这层之外,加了一层流程,叫 LDM(Lean Deployment Model,精益部署模式):

以”小范围试点 → 效果验证 → 分阶段扩量”为节奏,用机制化的检查点控制风险的交付方法论。

一句话概括:小步快跑试错——先验证再投入,不用赌。 它回答的是”怎么用最小代价跑通业务闭环”,而不是”派谁去”。

fde

一句话概括:小步快跑试错——先验证再投入,不赌一把。 它回答的是”怎么用最小代价跑通业务闭环”,而不是”派谁去”。

我们的工程师进场之后做的第一件事,不是部署模型,是跟工艺、报价、生产的业务人员坐在一起,把输入输出和评估标准定清楚。这一步省不掉。

AI 落地制造业,最贵的成本不是算力,是让懂技术的人走进车间、坐下来的那段时间。

FDE 深度贴身模式 LDM 精益部署模式
驱动引擎 人(稀缺的复合型工程师) 流程(分阶段、可复制的节奏)
风险承担 集中在人:人员流动 = 交付断裂 分散在阶段:每步可刹车,失败成本可控
前期投入 较高(派驻资深人力) 较低(小范围试点起步)
规模化能力 低(一个人同时只能服务

1~2 个客户)

高(方法论可批量复制)
知识沉淀 沉淀在人的经验里 沉淀在流程资产里(模板 / 检查点 / 行业包)
客户心态 “我也不知道具体要什么,你们来帮我搞” “我想先小范围试试,看到效果再决定投多少”

这两种模式不是二选一,而是组合着用:LDM 控节奏,FDE 式的现场能力解决非标问题。

流程保证不盲目投入,每一步都能刹车;现场的人保证遇到硬骨头时有人顶上。既有确定性,也有灵活性。

验证下来,这套组合最适合这样的企业:痛点相对清晰、能明确试点边界、希望低风险启动。判断标准还是那两个问题:

这个人到底对什么结果负责?

做完这一单,他给你的企业留下了什么?

回答是”按时交付代码””完成合同约定的工作量”——那是高级外包。

回答是”让某项业务指标真正发生变化”、”把知识沉淀成可复用的资产”——才是在做落地。

模式的名字可以包装,能力能不能复利,没法包装。

AI 落地制造业,最贵的成本不是算力,是让懂技术的人走进车间、坐下来的那段时间——正因为它贵,才更要花在刀刃上。

 

05

给老板们的四条建议

1. 认知很重要,不必懂技术,但要懂边界。知道 AI 现在能干什么、干不了什么,比知道它怎么实现重要得多。

2. 以业务指标定场景,不以技术热度定场景。立项书上写清楚:做成之后,哪个数字会变,变多少算成功。

3. 老板亲自参与关键决策。定完 KPI 交给 IT,是 AI 项目最常见的走法,也是最危险的走法。跨部门的资源协调,只有你能推得动。

4. 选能把能力沉淀给你的伙伴。系统上线即固化的项目,三年后还得重新买一次。真正有价值的,是你的知识库、历史案例、工艺经验,能不能随着使用持续进化。

企业做 AI,不应该是采购一套软件,或者完成一个 AI KPI。对老板来说,重要的不是有没有用 AI,而是 AI 有没有改变你的生意——多接了订单、报价更准了、返工更少了、老师傅的经验留下来了。

对做 AI 的人来说,重要的不是交付了多少功能,而是留下了多少可持续的能力。

当模型变得越来越像水电一样的基础资源,能在车间里把业务跑通的人,才是这个时代最稀缺的资产。

Comments are closed.