做了5个月FDE，这位前COO对AI落地改口了(做了5个月被厂里裁员能赔多少钱)|科技 |企业 |机制 |能力 |公司 |Michael

做了5个月FDE，这位前COO对AI落地改口了(做了5个月被厂里裁员能赔多少钱) ypxx.net

在Cherry Studio做商业化和FDE负责人的第五个月，俞昊晟（以下称Michael）推翻了自己五个月前的判断。

五个月前，他和当时大多数人一样乐观：模型能力在持续变强，主流模型已经被广泛使用，那么只要在某一个行业+岗位职能的坐标下做成一两个标杆场景客户，投入产出就会相对快速收敛，也就能快速复制。

五个月后，他说，“围绕企业AI落地这件事，我们做得越深，越感觉到水很深。”

企业AI落地，确实没有那么容易。让他改口的不是模型不够强，而是两件模型解决不了的事。

一是中国企业市场的割裂程度。从地域角度看，一二线城市是一个市场，三四线是一个市场，五六线又是另一个市场。从行业角度看，以电商为代表的行业基础设施完善、数据反馈充足、资产轻；制造业是另一个极端，数据沉淀不足、企业运营历史长、路径依赖重，连足够长期且干净的数据都凑不齐，AI 提效的抓手很有限。

二是人。在他自己的客户和用户盘子里，有一个反复被验证的分布：5%的头部客户和头部用户，消耗了整个盘子里95%的 token；剩下95%的客户和用户，只使用了5%。这个分布在过去几个月里没有出现明显改善。他认为背后的原因是人的认知演进是非线性的、离散的，很难预测，也很难被主动改变。

Michael并不是到了AI时代才开始琢磨“落地”这件事。做教育创业时，他想解决的是信息不对称，他想让能考上清北复交的学生，避免因为不了解自主招生考试的具体形态而错失机会；做供应链公司时，他扎进 ERP、WMS这些系统里，理解一家企业的核心指标是怎么被具体的运营手段推动；到了某上市公司，他带队把OCR技术往学校里落，发现真正打动学校的不是批改本身，而是一个几乎被忽略的小功能——把批改痕迹重新打印回纸面上。这个改动让产品在几个月内进入了 100 多所学校。

几段经历看似毫不相关，指向的却是同一件事：一项新技术要在一个组织里真正长出来，靠的从来不只是技术本身有多领先。

在他这里，FDE不是一个具象的岗位，而是一种机制：让一项新技术、一种新能力，在一个组织里被真正用起来。而这套机制要做的事，可以压缩成三个字——找交集。

所谓落地，就是把漂浮在水面之下的模糊一点点打捞上来，翻译成 AI 能执行的规则。

以下是我们对话的主要内容。

FDE的本质，是一套新能力在组织里落地的机制

AI提效引擎：您的主页资料显示您做过COO、投资人，只看title不太容易理解您为什么把自己定义成FDE。

Michael：这取决于我们怎么定义FDE。如果从广义上看，FDE有点像是让一个新技术或新能力在一个组织里能被广泛使用、能落地的一种机制或方法。它没办法被局限成某个岗位，也没办法被局限为只跟AI直接相关。

举个不太恰当的例子，上一个时代讲组织变革，讲“三板斧”，这其实也有点像一个具备先进认知的人，把一套机制在相对落后的组织里，按照头部、腰部、腿部的方式层层落下去。这在某种程度上，也是一种组织层面的FDE。

AI提效引擎：那FDE最看重的是哪方面的能力？

Michael：如果一定要凝练成一件事、一个词，我觉得它类似于找PMF（Product-Market Fit，产品市场契合）、找匹配、找合适。

如果要找两个词，我觉得应该是咨询和交付。我们要通过咨询手段，理解企业当下面临的经营目标和挑战是什么，哪些问题是上一个时代的老方法解决不好、这个时代希望用新方法解决的，哪些新方法适合落地，并最终交付出来。

我们如果把企业所处的行业，领域，业务形态比作大圈，FDE落地的环节/工作流比作小圈。两家公司大圈可能相似，但因为基建不同，能被AI适配的场景（小圈）就不一样；脱离事情看，就是看人，人的问题也可以比作一个圈。两家公司如果员工平均年龄一个40岁、一个20岁，人对AI工具的拥抱程度又是一重差异。

把这几个圈叠在一起，就是要找到技术跟需求碰撞出的交集，再叠加人的交集——哪些组织适合用这样的方式落地，三个圈一画，中间那块小交集，就是FDE要找的东西。

AI提效引擎：您有没有自己的方法论去找到这个小交集？

Michael：我们从时间序列上去看，进入企业之后，第一步是访谈。咨询的本质是先做大量基础调研，了解公司现状、踩过的坑，浓缩成一句话就是找到这个企业面向经营目标的上下文，而且要覆盖不同层级：一号位、一号位减一、一直到最一线的员工。

这需要很强的访谈能力，因为人跟人沟通得到的信息天然是片面的，好的采访技巧能让被采访者的画像变得足够完整，采访的人足够多，拼在一起才会是一幅相对完整的图景。

后半段是基于手上已有的工具，可能是AI工具，也可能不是，去找到最适配这个上下文的场景。这个过程必然要经过反复试错和调优，有点像我们讨论的贝叶斯公式的先验、中验、后验。跟组织聊之前有个先验，聊完拿到上下文，变成新的先验；工具落地之后又变成后验，成为下一轮循环的先验。

这个正反馈滚大的过程，最理想的是观察到经营目标或北极星指标的改善，退而求其次是支撑性指标的改善，也可以是相对抽象的组织向心力、凝聚力的提升。

AI提效引擎：AI 项目容易被理解成“老板想要、FDE来做、一线员工来用”，不同层级的需求会不会出现矛盾？如果出现矛盾，会选择优先满足谁的需求？

Michael：会。老板存在上下文的断档，他想要的东西和一线员工的上下文不完全重叠，一部分信息他没被完全告知，或者被过滤掉了。即便假设所有人都没有私心、都面向商业目标做改进，上下文错位也会导致大家想要的东西不一样。

另一方面，不得不谈到人是复杂的，组织里必然有一部分人的诉求不直接跟商业目标挂钩。我这里说的“复杂”是中性词，没有好坏之分。可以这么理解：每个人都能看到一些自己已知的未知和已知的已知，但看不到未知的已知和未知的未知，这种认知偏差一部分是上下文造成的，一部分是人生经验、逻辑能力、判断力的局限造成的，这种复杂度，不是纯AI能解决的问题。

AI提效引擎：还有哪些不太容易被注意到的隐性模糊地带？

Michael：我举个例子。有些同事报销会攒两个月再去报销。表面上看这件事完全没有问题，公司的报销制度运行得非常健康，没有错报、漏报，财务做账清晰，员工也没有直接吐槽。

但我们落项目时观察企业数据发现，员工的平均报销周期里，两个月以上的票占比可能超过 90%。这个信息其实就漂在水面上，它背后反映的事实是员工其实是对报销有心理门槛的，否则他会立刻去报。作为一个理性人，谁愿意长期为公司垫钱？如果报销这件事跟喝水一样简单，他一定会很快就报。所以必然是这件事有成本，而且这个成本大到他两个月以上才愿意去付，才会出现这个现象。

当然，这个例子跟经营目标的关联好像差得有点远，它更直接关联的正反馈是员工在这家公司的归属感和个体感受，我举这个例子，是想说要多从人的“小圈”里，找一找隐性模糊地带，挖掘隐藏起来的上下文。

水面上风平浪静，没有问题；水面之下需要你洞察出它潜在是存在问题的。做FDE很考验对企业内部组织的理解、对人的理解。这些往往是我们做了一轮FDE、两轮FDE，陪着企业跑到一个月、两个月甚至更久之后，才会慢慢发现。因为最早被发现的一定是最显性的矛盾，一定是奔着最激烈的商业目标不达成去的。在这些背后，那些没那么显性的问题，确实很容易被忽略。

AI提效引擎：一家企业大概要经过几轮FDE才可能达到最初的目标？这跟企业的目标、体量差异有关吗？

Michael：达成速度跟两头都有关系。一头是技术实现的稳定性、鲁棒性、各项指标的难度；另一头是企业自己的目标。

我举几个例子。一个是我之前分享过的做线下对账的例子。它的技术难度并不高，实现难度也不高，跑起来也容易，可能一个半月就能取得第一阶段的一定成果。还有一些问题在技术上先天存在困难，比如国内货架电商的竞品监控。

有一些问题是企业目标不够明确需要持续挖掘，比如给某个学校做一个学生的综合评价手册，综合评价的数据来源，第一期想的是要有学生考勤数据，第二期可能又想要加入老师对学生的评价数据，后面可能又想要别的。这会随着对这件事想清楚的程度、各个科室和学校部门的配合程度而变化。它的影响因子非常多，很难一蹴而就。

除去技术能力，除去企业目标，回到人的小圈，一个容易被忽略的隐性变量。节约的时间、保障的质量、老板和管理者直接的业绩提升，这些都是非常显性的正反馈。但假设这家公司的IT部门心态没有特别开放、服务意识也没那么好，这时候就可能产生对抗。

老板可能会说，别人家跟我们同一个行业，人家做出了这个案例，你们怎么没做出来？这时候可能 IT 经理就已经产生了认知上的偏差。这时候我们和IT协同去实施一些服务业务部门的方案，落地过程中就可能遭遇抵抗。他会觉得你是不是抢了我的功劳，或者风头盖过了我，让他在老板面前看起来没什么用。这种心态上的变化，很难单纯用客观上的正反馈来衡量，但它在企业落地的时候，一样要被衡量进去。

FDE岗位会消失，机制不会

AI提效引擎：网络上有一种说法是，FDE本质上是AI能力不够成熟时的过渡型角色，模型更强之后这个岗位或机制就会消失，您怎么看？

Michael：如果从岗位这个视角看，FDE作为一个单纯的、具象的岗位，它可能会消失。但按我开始给的定义，其实本质上它是一种新技术、新能力在一个范围里落地的机制。我认为它很可能很长一段时间会存在，甚至会以产品化和组织内化的方式留存下来。

举个例子，有些企业没有FDE，但它依然通过在组织内部搭建虚拟岗位，用合适的方式把员工粗略分成两派：一部分是具备构建能力、业务能力的builder，一部分是纯粹的user，这些user使用数据和反馈本身也在贡献价值。

其实你看这家公司做的事情本质上也是AI落地，跟FDE没有区别，落地速度甚至更快，员工体感也更好，但它内部并没有一个全职岗位叫FDE。它有外部的FDE吗？也没有。它是通过一种机制和方式让这件事情逐步落下去。

这个企业花了四个月时间，一开始很粗糙，先是给员工开放token不限额，Claude、GPT随便用，不考核任何线。后来发现有些人用不起来，就让能用起来的人出一些agent skill，让大家基于agent去做对话；做完之后发现还是用不起来，于是他们就做了HTML前端交互的GUI界面，把功能封装成一个个小App给大家用，这时候大家才真正用起来。

这个过程本质上就是我们刚才说的那套循环——通过试错快速找到最适应这个组织的方式，把不合适的方式排除掉，找到之后开始增长。这里面沉淀下来的不是技术难度（比如做一个App给员工下载，一两个小时就能做出来），而是业务认知——把人的模糊的、不成文的、实际在用的规则提炼出来，在每个小部门、小场景里找到自己的PMF。

所以我们回到问题的最开始，你在问的是这个岗位是不是会存在，或者这样的机制会不会消亡，我觉得岗位可能是是不存在的，但是这个机制本质是让人跟Agent在一个组织里面共存的。

今天是先驱使人用Agent把这个组织里面的所有的上下文尽可能都编译出来，编译到人跟AI都能很好共存，然后再驱使这些agent，这又是另一群人。这样一些不同的角色，今天还是很好的融合在了一起，每个人都得到了自己想要的，每个人也都不觉得这个有有太多的消耗和付出。

当然这里面也需要很多关键的角色去推动这件事情，包括老板、IT的负责人、战略的负责人。不同企业的机制玩法又不太一样，有的企业是我招一个独立的专职岗位叫AI产品经理，最后交付的东西可能是半agent半产品，然后有一些企业可能是外采一些AI产品，但是大家用的也很开心。

那这种机制是是不会变的，AI即便再进步，AI还是会有它获取不了的上下文。那怎么把这些东西被很好的编译出来？这必就是这个机制在发挥作用的。

AI提效引擎：刚刚你提到把一些个人的经验或者是一些抽象东西提炼出来，提炼出来之后，怎么样把它变成机器能跑的一些规则，真的能够可操作、可落地呢？中间这个过程是什么样的呢？

Michael：拿采访这件事举例。当用人部门提出一个模糊的招聘要求时，我们会构建一套由agent主导的采访机制，让HR和用人部门各自在引导下完成一系列问题的回答，最后把两份上下文拼在一起，得到的结果已经非常接近可量化。它未必是纯粹的条目准则，但足够指导具体该走哪条岔路。

原来这种能力长在一个优秀采访者的脑子里，面对什么样的对象问什么样的问题，一部分取决于对方背景，一部分取决于你关心的话题，每次写采访提纲其实都调用了你过去所有采访经历的上下文和对人的理解。

实际上这个东西是可以被变成一个方法论，让AI去掌握，让AI去操作的，应该把这样的这个能力给复用出来，然后让AI去基于不同的场景、心态、情况、背景和人，去抽取出来，这个东西是标准的。最后抽完之后怎么落地，也可以一起来探讨，也不一定是每件事情都一样，但是它也是一个标准过程。

AI时代的FDE：难度更大，窗口也更好

AI提效引擎：您现在是Cherry Studio商业化和FDE的负责人，目前商业化路径是怎样的？

Michael：这个跟我们上一个时代卖一个SaaS软件面临的问题，或者说所有软件行业的公司，to B面临的问题其实是一样的——找到你的客户在哪里，他们现在有哪些问题没有被很好的解决。打动他们，用合适的价格，合适的方案来打动他们，让他们持续得用，让他们用得更开心，用得更舒服。整套这个方法上跟所有的软件都是一样的。

只不过今天我觉得在站在这么一个时间背景下，可能两三个月前我还不一定会这么讲，但是到现在这个国内的头部的大厂，包括WorkBuddy、豆包工作、千问办公，大家其实都在公用办公的领域里面发力。有很大一部分客户的教育成本已经被承担了。

商业化无非要解决几个问题，第一个是为什么你需要这个？第二个问题是为什么你现在就需要？第三个是为什么你要选我？无非就是这三个问题，这三个问题的答案都明确的情况下，客户就会买。

今天至少第一个问题、第二个问题也已经解决，只不过第三个问题现在要被讲清楚，为什么你们是有特点的？你们的特点在哪里？所以我觉得在这个时点反而是在我们这个领域里面是个利好，但是同时面临的挑战也被提前了，原本我们可能要经历教育客户经历开垦市场的过程，现在要面临挑战是客户认知参差不齐，对这些事情的理解很不一样，那么这个时候怎么去打动他们，每个人采取什么样不同的方式，这个是后面的挑战。

这个我们要借助自己、agent或者合作伙伴力量。虽然方法论跟所有的to B软件公司是类似的，但实际在做的时候，怎么去构建FDE的组织，怎么让这个组织快速成长复制、怎么培养我们的合作伙伴也具备FDE的能力，更好的服务客户，这些都是非常大的挑战和难题，因为也没有人做的很好。这些都是摆在眼前的问题。