深度 · AI落地

AI落地，卡在哪？不在技術，在人

88%的企業在用AI，只有6%真正產生了價值。中間那82%卡在哪裡？

你覺得企業導入AI，遇到最困難的狀況是什麼？

多數人的直覺是技術。模型不夠聰明、算力不夠用、數據不夠多、整合不夠順。這些都是真的，但這些都是工程問題，而工程問題遲早能被工程師解決。

真正的困難不在這裡。

麥肯錫2025年的AI現狀調查告訴我們，88%的企業已經在至少一項業務中使用AI。聽起來AI已經無處不在了。但同一份調查裡還有一個數字：只有約6%的企業，AI對息稅前利潤（EBIT）的貢獻超過了5%。

88%在用，6%有效。中間那82%的企業，花了錢、搭了系統、買了帳號，然後呢？

MIT的Project NANDA在2025年7月發布了一份報告，叫《The GenAI Divide》。他們的發現更刺眼：大約95%的生成式AI試點項目，未能產生可衡量的財務影響。BCG的獨立研究也差不多。

翻譯成人話就是：你公司裡正在跑的那些AI試點項目，大概率就在這95%裡面。

這不是因為技術不夠好。大模型的能力已經強到可以寫程式、做設計、分析數據、生成影片，甚至能跟人自然對話。技術的進步速度之快，連從業者自己都跟不上。你要說這82%的企業是因為「AI還不夠聰明」所以落不了地，這話說不通。

那卡在哪裡？

麥肯錫還有一個數字：70%的變革項目未能達到預期目標。原因不是技術，是缺乏員工參與、管理支持不足、跨部門協作差。

「組織沒準備好」，這句話你一定聽過。但它太籠統了，籠統到什麼也沒解釋。到底是誰在抵抗？抵抗什麼？怎麼抵抗的？

要回答這些問題，我們得走進現場。

第一道人關

員工的恐懼

Datawhale發布了一份報告，叫《FDE案例100》，收錄了24個真實的企業AI落地案例。報告裡反覆出現一個角色：FDE，前線部署工程師。他們不是在辦公室裡寫程式碼，是被直接派到客戶現場，替AI理解真實業務。

這個角色現在突然火了。Indeed平台上的FDE職缺一年內從643條暴增到5330條，增長了729%。OpenAI、Anthropic等AI巨頭都在搶這樣的人。它最早是Palantir在2003年成立後服務美國情報部門時開始採用的，因為需求寫在密級文件裡，遠端協作無從談起，乾脆把工程師直接派到客戶辦公室。

一個出售自動化的行業，眼下最想招聘的，卻是能夠親自走進組織、替機器理解現實的人。

這本身就說明了一些問題。

報告裡有一個鞋服電商的案例。服務對象是一家年流水約10億的頭部鞋服企業，核心場景是商品內容生產。FDE進場之後，第一件事不是搭系統，是觀察員工每天到底在幹什麼。

這聽起來不太像工程師的工作方式。但FDE很快看到了關鍵的東西：員工每天花大量時間在一件看起來很瑣碎的事情上，生圖要寫很長的提示詞，生成完還有水印要處理。這些問題對員工來說很麻煩，但對FDE來說可能只是一個很小的工具調整就能解決。

FDE通常會先把這種小問題解決掉。因為員工馬上就能感覺到，你來這裡，是真的能幫他少幹一些重複工作的。報告裡把這個叫做「破冰過程」。

破的是什麼冰？是恐懼。

報告裡另一個案例更直接。一個做TikTok達人建聯的電商團隊，FDE在推進時遇到的第一個挑戰不是技術，是企業內部的人。很多企業一聽到AI，第一反應就是「是不是要替代人」。FDE的做法是把AI的定位明確成「幫助大家解決問題、提高效率」，讓大家理解這套系統是要幫忙，不是要替掉誰。同時訪談不只找老闆，也找一線員工。老闆決定戰略，一線員工告訴你每天到底卡在哪裡，兩邊的資訊拼起來，系統才有可能真正落地。

FDE進場先解決小問題，本質上是在做一件事：讓使用者先說話。

我自己在推公司內部系統上線時，遇到的是同一件事。財務系統導入的共識會議上，有人說了一句話我一直記到現在：「好不好用這件事情，不是老闆說了算，是使用者說了算。」

道理人人都懂。但「使用者說了算」這句話背後藏著一個更深層的問題：使用者為什麼會說「不好用」？有時候不是系統真的不好用，是他怕用了之後，自己就沒用了。

麥肯錫說的那些變革項目為什麼失敗？得到電子書《創新管理》拆開看，其中最關鍵的兩條：對既存權力關係的威脅，和對專業知識的威脅。員工在組織裡的位置，很大程度上取決於他掌握的技能和資訊。AI一進來，這些技能和資訊可能瞬間貶值。他抵觸的不是技術，是自己即將被重新定價。

這些分析指向同一個結論：員工的抵觸不是因為他們保守或愚蠢。人類在等級結構中演化了數萬年，任何新東西進來，第一反應是「它會不會動我的位置」。這不是保守，是生存本能。AI帶來的不是工具更換，是身份重構。一個員工用了十年的工作方式，突然被告知機器能做得更快更好，他恐懼的不是機器，是自己即將變得多餘。

所以FDE進場先解決小問題，不是因為小問題容易解，是因為小問題能破冰。破冰之後，信任才有可能建立。信任建立了，系統才有可能真正進入工作方式。

第二道人關

自動化的邊界

但信任只是第一道關。過了這道關，你馬上會撞上第二道：哪些事情應該交給AI，哪些事情不能交？

這聽起來像技術問題。它是組織決策。

報告裡那個TikTok達人建聯的案例把這件事講得很透。這是一家國內頭部TikTok電商企業，核心業務是找達人帶貨。傳統做法是運營人員在TikTok上大海撈針式篩選達人，然後一個一個溝通，履約週期平均一個月，大量時間花在催進度上。

FDE進去之後，把整個流程拆了。達人篩選交給AI，基於商品賣點和達人標籤做匹配，輸出精準名單。商品匹配交給AI，提取賣點，智能對齊。履約提醒自動化，系統自己判斷狀態，主動提醒，只把異常任務交給人工。

但有一件事堅決不交給AI：和重要達人的溝通。

原因很簡單。報告原文是這麼說的：AI現在仍然可能犯一些很低級的錯誤，在普通工作裡一個小錯誤可能只是改一下內容，但在商務關係裡，如果對象是一個擁有幾百萬粉絲的達人，一句話說錯了，損失可能遠遠超過自動化節省的人力成本。

這條線畫在犯錯代價的地方，不畫在「AI能做什麼」的地方。AI能做達人溝通嗎？技術上能。但代價不對稱。自動化省下來的是幾個小時的人力，犯錯的代價是丟掉一個百萬粉絲的商務關係。這筆帳不需要複雜的計算，但需要有人去算。

AI負責規模化，人負責最後的業務判斷。

他們把這條原則落進了驗收標準。電商生圖跟普通AI生圖有一個根本區別：圖好看只是基礎，真正要緊的是，賣出去的東西必須就是圖上的那件商品。AI可以生成一張非常漂亮的模特圖，但如果衣服的版型、顏色或細節變了，這張圖越漂亮，商業風險反而越大。所以他們設了三層一致性驗收：人物一致性、服飾一致性、場景一致性。AI先做第一道檢查，再交給人工確認。最終這個素材是否符合品牌審美、能不能真正使用，還是要尊重實際使用者的視覺判斷。

快刀廣播站講過一個案例，把這個道理演繹得更生動。一個AI項目幫貨運公司優化裝車方案，AI算出了最優的貨物擺放方式，技術上完全正確。但最後交付的不是一套三維可視化系統，是一張紙。

為什麼？因為裝車現場又髒又忙，工人沒空也沒條件盯著螢幕。三維界面再漂亮，在真實的工作環境裡就是用不了。最後FDE把AI算出來的裝載順序打印成一張紙，貼在裝車門口，工人照著裝就行。

這個故事裡藏著一個容易被忽略的洞察：AI能做什麼和AI該做什麼，是兩個問題。前者是技術問題，後者是組織決策。技術能算出最優解，但「最優解能不能在真實環境裡被執行」這件事，技術回答不了。

自動化的邊界，不是技術畫的，是商業風險和工作場景畫的。而畫這條邊界，需要有人走進現場，看見真實的約束條件，然後做判斷。

第三道人關

資訊斷層

這就引出了第三道人關，也是最隱蔽的一道：老闆和一線之間的資訊斷層。

快刀廣播站講過一個現象，叫「老闆想上AI，員工卻說沒需求」。這聽起來矛盾，但你在現場待過就知道，一點都不矛盾。員工不是沒有需求，是他已經把低效當成了工作本身。每天花半天時間填表格，他覺得這就是工作的一部分，不覺得有什麼問題可以反映。就像你問一條魚水怎麼樣，魚不知道你在說什麼，因為它一直在水裡。

報告裡鞋服電商那個案例的FDE說了一句很關鍵的話：很多需求在會議室裡是問不出來的。要真正進到現場，看員工每天的時間到底花在哪裡，真正的痛點經常藏在這些細節裡。

他會同時和上層、中層、基層溝通。老闆告訴他業務目標，一線員工告訴他每天到底卡在哪裡。兩邊的資訊拼起來，系統才有可能真正落地。

「拼起來」這三個字看起來輕巧，做起來極難。因為這兩種知識從來不在同一個房間裡。

老闆知道「我想要什麼結果」，一線員工知道「我每天哪裡卡住」。老闆的知識是目標導向的，員工的知識是流程導向的。前者是戰略語言，後者是操作語言。中間隔著好幾層組織架構，每一層都在做資訊的過濾和轉譯，每一次轉譯都會丟失一些東西。等老闆的需求傳到一線，往往已經變了形。等一線的痛點傳到老闆那裡，往往已經被簡化成幾句話。

組織層級本身就是一個資訊過濾器。老闆不需要知道一線怎麼填表，一線不需要知道老闆的戰略目標。這種資訊隔離是組織效率的演化產物，規模一大，什麼都讓每個人知道，組織就轉不動了。但AI時代讓這個演化優勢變成了障礙。因為AI系統的設計，同時依賴這兩種知識：你得知道業務目標是什麼，才知道讓AI往哪個方向使勁；你也得知道一線的真實流程是什麼，才知道AI應該嵌進哪一步。缺了任何一邊，系統要麼跑偏，要麼擺在那裡沒人用。

跨境電商那個案例，最能說明資訊斷層長什麼樣。

一個十幾人的跨境電商團隊，做東南亞服裝市場，每季度新增500到800個SKU。FDE進去之後，先花力氣把散落在不同系統裡的數據打通。數據通了之後，人工瓶頸自然冒出來，物流照片靠員工一張張看圖回填，每天耗四五個小時。FDE讓AI做識圖回填，保留人工確認，處理時間大幅縮短。再往後，補貨流程也從人工計算變成了AI計算、人工審核。

做到這裡，客戶又自然產生了下一層需求。既然已經知道庫存了，那是不是可以讓庫存反過來影響廣告？於是FDE進一步把庫存、訂單和廣告投放結合起來。某個SKU庫存降到一定程度，Agent判斷對應廣告是否該繼續投。庫存不足就先調低廣告額度，甚至暫停，避免一邊燒廣告一邊發不出貨。

報告裡有一句話點出了整個過程的本質：客戶一開始自己也沒有把這些需求全部想清楚。很多時候他只是知道「我現在很痛」，但不知道技術應該怎麼解決。FDE要做的，就是把這種結果導向的需求，拆成可以落地的業務和技術問題。

這就是資訊斷層的真正形態。老闆的痛和員工的痛，本來就不是同一種痛。老闆痛在增長上不去，員工痛在每天搬數據搬到崩潰。這兩種痛之間的因果鏈，需要有人走進現場，一節一節地接上來。

我自己在推公司內部系統上線的時候，對這一點深有感觸。系統導入的共識會議上，有人說了一句話：「如果要讓新系統發揮效益，不要一直拿舊模式套在新系統上，否則發揮不出效益，不如不要換。」

這句話表面上是講系統，實際上講的是人。舊模式是老闆腦子裡的戰略框架，新模式需要從一線員工的真實工作流裡長出來。兩者之間的翻譯和拼接，才是系統能不能活下來的關鍵。

收束

FDE是組織角色，不是技術角色

三道人關說完了，我們回頭看FDE這個角色。

技術已經足夠強大了，強大到它本身不再是瓶頸。瓶頸轉移了，從機器那一側轉移到了人這一側。

FDE本質上不是技術角色，是組織角色。得到電子書《前線部署工程師》裡有一句話說得精準：企業軟體的「上線」是行政流程，「激活」發生在用戶行為裡。簽合同只是拿到入場券，真正的硬仗是讓系統真正落地、讓業務人員真正使用。

而讓業務人員使用，需要過三道關。第一道是恐懼，你得先破冰，讓員工相信AI是來幫忙的不是來替人的。第二道是邊界，你得畫清楚哪些事交給機器、哪些事留給人，畫的依據不是技術能力，是犯錯代價。第三道是斷層，你得走進現場，把老闆的目標和一線的痛點拼接起來，讓兩種知識在同一個房間裡相遇。

這三道關，沒有一道是技術能解決的。但它們有一個共同點：都發生在現場。

所以報告裡反覆強調的那幾條原則，看起來平淡，實際上每一條都是用教訓換來的。先進現場不急著做產品，因為需求問不出來得靠看。先快速做出東西來驗證，因為Demo再好看也回答不了「能不能進入日常工作」。把AI嵌進流程裡，因為如果原來的工作方式完全沒變，只是每個人多了AI帳號，那談不上真正的改造。每做完一個項目要問能不能產生復利，因為一個客戶的定製需求如果換一家企業也成立，它就從「一個項目」變成了「一個行業級問題」。

報告裡還有兩句話，我認為是整份報告的題眼。

第一句：把數據、知識、報告三個底座先做扎實。這不是技術建議，是組織建議。數據底座意味著資訊能在組織裡流動，讓老闆看到一線每天在搬什麼數據，也讓一線知道老闆為什麼著急。知識底座意味著經驗能被沉澱，而不是隨人離職就流失。報告底座意味著價值能被看見，而不只是停留在IT部門的PPT裡。

第二句：產品要順著原來的工作習慣長出來。這句話翻譯成人話就是，別指望員工為了你的AI改變工作方式，你得讓AI去適配員工的工作方式。系統是來服務人的。

回頭看那組數字。88%的企業在用AI，只有6%真正產生了價值。Gartner畫過一條漏斗：每1000個拿到預算的AI項目，大概120個能走到生產環境，最終達到ROI目標的，約34個。中間那82%卡在哪裡？不是卡在技術。是卡在員工的恐懼裡，卡在自動化邊界的模糊裡，卡在老闆和一線的資訊斷層裡。