AI落地的真正难题，藏在模型之外。

文 | 崔牛会

一个AI项目做到什么程度，才算真正落地？

不是Demo能够运行，也不只是系统通过验收，而是它能否进入产线、门店和组织流程，持续产生可以验证的业务结果。模型能力不断提升之后，如何完成从“能做”到“做成”的跨越，成为企业与AI服务商必须回答的问题。

9月16日至17日，由崔牛会主办的中国FDE实践大会在上海举行。

大会没有停留在模型和技术趋势层面，而是从真实项目出发，讨论一系列更具体的问题：工业AI为什么做到90分仍然不能上线？AI进入业务现场后，为什么会卡在人员意愿和组织机制上？服务商对结果负责，责任边界应当划在哪里？客户越做越深，交付公司又该如何控制成本？

来自工业AI、零售、协同办公、企业智能及IT服务等领域的实践者，围绕场景选择、组织协同、结果责任和交付复用等议题展开交流。

相较于讨论AI还能做什么，这场大会更关注AI项目怎样走过“最后一公里”，以及企业如何建立将模型能力转化为业务结果的有效机制。

01 模型能力只是起点,复杂现场决定项目能否真正上线

随着模型能力持续提升，企业AI项目面临的主要问题正在发生变化。

模型能否完成任务，已经不再是唯一标准；在真实业务环境中，项目还要面对精度、稳定性、数据条件、人员意愿和组织机制等多重约束。从“可以演示”到“能够上线并持续产生结果”，中间仍有大量具体工作需要完成。

崔牛会创始人兼CEO崔强指出，模型决定能力上限，部署决定业务结果，而产品回流决定下一次部署能否更快。过去的软件项目往往以上线和验收为终点，AI项目则需要继续追踪业务结果，并将客户现场形成的经验和能力回流到产品中。因此，FDE解决的不只是技术部署问题，更涉及项目选择、客户共责、结果衡量和组织协同。

崔强 崔牛会创始人兼CEO

识渊科技联合创始人兼CTO茹彬鑫以工业质检设备为例表示，工业AI产品做到“90分”仍可能无法进入核心产线。

高端制造场景对精度、速度、可靠性和可控性都有很高要求，只有围绕模型架构、软硬件系统、数据链路和人机协同进行整体设计，才能接近批量交付所需的标准。识渊科技选择以一套高泛化模型支撑不同客户，避免现场反复训练定制模型，以前期更重的产品投入换取后续规模化交付。

茹彬鑫 识渊科技联合创始人兼CTO

Rolling AI 创始合伙人甘艺凡则从零售现场出发，提出AI落地的难点往往不在模型本身，而在于新的工作方式能否被组织接受。

在连锁餐饮项目中，团队利用 AI 优化门店预测和排班后发现，技术效果并不会自然转化为经营结果，还需要同步调整算薪方式、店长绩效和区域管理职责。

在该项目中，团队约三分之一的时间用于构建AI方案，其余时间主要用于推动制度调整和人员协同。只有让相关人员愿意采用并执行新的工作方式，AI才能真正进入业务现场。

甘艺凡 Rolling AI创始合伙人

综合来看，AI项目的“最后一公里”并非单一的技术问题，而是由产品成熟度、业务机制和组织采用共同决定。模型能力只有经过真实场景的持续打磨，并由相应的部署体系承接，才可能转化为稳定、可持续的业务结果。

02 AI 进入组织,需要打通数据、流程与责任边界

企业部署了模型或智能体，并不意味着AI已经进入组织。

真正的落地需要连接企业内部的数据和系统，理解业务概念与经验，并嵌入实际工作流程。同时，服务商与客户之间也要建立清晰的责任边界，避免将“对结果负责”演变为一方承担全部经营责任。

金山办公解决方案总监喻蓓黎将AI进入组织归纳为三个判断维度：

• 能否连接企业核心数据系统；
• 能否理解组织内部的概念、规则与经验；
• 能否与真实业务流程融合。

她以某大型制造企业的良率提升项目为例说明，企业需要先完成数据定义、逻辑关联和流程梳理，才能让AI分析进一步转化为行动。FDE的价值就在于围绕具体场景，把平台能力、业务知识和组织资源连接起来，推动结果在流程中落地。

喻蓓黎 金山办公解决方案总监

句子互动创始人兼CEO李佳芮认为，对结果负责首先需要明确“对什么结果负责”，收费口径和指标设计就是责任边界。服务商需要对AI完成工作的结果负责，但客户仍需对自身收益、组织执行以及必要的数据、人员和权限投入负责。

句子互动通过过程指标、结果指标和AB测试衡量AI效果，同时要求客户投入必要资源，防止客户把自身经营责任全部转移给交付团队。结果付费并非无限兜底，而是建立在业务理解、清晰分工和共同投入之上的合作方式。

李佳芮 句子互动创始人兼CEO

这也意味着，企业AI落地不能止于接入模型或部署工具，而要同步处理数据、流程、人员与责任问题。服务商与客户越早明确目标、投入和责任边界，越能减少项目推进中的责任错位，让双方围绕同一组业务指标协同。

03 从项目交付走向能力复用,深度服务不能依赖人力堆叠

FDE需要深入客户业务，但做深客户并不等于无限增加人力和定制范围。

交付公司能否保持效率与利润，取决于项目中形成的方法、数据结构、评测体系和通用组件，能否沉淀为下一次可以直接调用的能力。每个项目既要解决当下问题，也要成为产品演进的输入。

数巅智能交付团队负责人张磊认为，FDE不应只被理解为一个岗位，而应成为贯穿商业化、产品研发和交付环节的协同机制。项目需要先拆解业务流程，识别模型、平台和数据资产，再判断哪些能力可以复用、哪些需要定制。

衡量复用不能只看代码复用率，还要看自动化组件、业务资产和工作量能否被后续项目直接使用。能否将复杂业务抽象为通用能力，决定了深度交付的效率。

张磊 数巅智能交付团队负责人

神州数码AIBG行业本部技术总经理杨晶磊提出，交付成本不是简单“省”出来的，而是通过交付体系重构获得的。

神州数码将需求诊断、场景筛选、最小验证、生产交付、评测和运营反馈纳入统一流程，项目结束后，还要沉淀项目过程记录、可复用Skill、评测集、知识和业务规则，为后续类似项目提供基础。随着这些资产持续进入交付平台，后续团队能够在已有能力上开展项目，减少等待、重复沟通和重复建设。

杨晶磊 神州数码AIBG行业本部技术总经理

Dataelem联合创始人、BISHENG及Clawith负责人覃睿分享了一个“范围控制失败、客户结果成功”的集团项目。项目执行中，大量需求超出了最初约定的工作范围，但也让团队看到，完成SOW（Statement of Work 工作说明书）并不等于客户已经真正使用并认可系统。

AI 降低了快速调整和响应需求的成本，项目中形成的共性能力还需要经过抽象，沉淀为标准产品、平台能力和稳定的企业知识资产。

覃睿 Dataelem联合创始人、BISHENG及Clawith负责人

因此，FDE深入客户现场的同时，也需要保持产品化和规模化视角。

一个项目的价值不仅在于解决当前客户的问题，还在于能否将其中的共性方法、评测标准和业务资产沉淀下来，降低下一次交付的成本，这也是深度服务能否形成持续商业模式的关键。

04 闭门共创：用真实案例检验场景价值

9月17日，大会设置FDE闭门会，参会者围绕正在推进的AI项目展开两轮分组讨论。

第一轮聚焦高价值场景识别，从痛点强度、业务价值、AI 能够发挥的作用、落地条件、结果可验证性及能力复制潜力六个维度，对库存补货、订单查询、测试文档、金融资料审核等案例进行分析。

讨论没有将“是否使用大模型”作为主要判断标准，而是回到项目是否解决真实问题、客户是否具备必要的数据与流程条件，以及业务结果能否被清晰验证。

第二轮进一步要求各组收敛项目范围，明确90天内希望实现的业务成果及相应验证指标。多组案例显示，AI 项目不必一开始追求大而全，可以先选择边界清晰、标准相对明确的小切口，在客户业务人员共同参与下验证局部效果，再逐步扩大应用范围。

闭门讨论也将FDE的实践价值进一步落到了具体动作上：与客户共同选择场景、厘清目标与责任、推动组织采用，并将项目经验沉淀为后续可复用的能力。

两轮闭门讨论进一步将前一天的分享转化为具体的案例判断与行动设计。

通过同时检验场景价值、阶段结果、组织条件和复制可能，FDE不再只是一个岗位概念，而成为连接场景选择、客户共创、结果验证与能力沉淀的一套实践方法。

05 写在最后

从嘉宾分享中的项目复盘，到闭门会里的案例筛选与结果设计，中国FDE实践大会呈现了一条更具体的AI落地路径：先找到痛点真实、价值清晰且具备落地条件的场景，再通过数据、流程、人员和责任协同，将模型能力转化为可以验证的业务结果；项目完成后，还要把现场经验回流到产品与交付体系，形成可复用的能力。

这也表明，FDE的价值不只是完成技术部署的“最后一公里”，还在于连接客户业务、组织变化与产品演进。

在AI产品形态仍在快速变化的阶段，能否选对场景、与客户共同承担责任，并在一次次交付中持续沉淀能力，将成为企业推动AI落地的重要基础。

关注公众号：拾黑（shiheibook）了解更多

[广告]赞助链接：

四季很好，只要有你，文娱排行榜：https://www.yaopaiming.com/
让资讯触达的更精准有趣：https://www.0xu.cn/