回头看它怎么来的，往前看它会到哪 ——
技术已经平权，真正的差距在认知
七十年三次浪潮、两次寒冬。上一轮 AI 进不了企业，卡在知识获取与维护成本；这一轮由中美两条线共同推进，技术迅速平权，也跑出了一批今天天天在用的产品。
入口会收敛：企业信息化今天分散在各个系统里的入口，最终会并成一个 AI Agent 入口。系统去适应人，而不是人适应系统——3—5 年后，新人入职第一天就会有自己的 Agent 同事。
市场在涨，落地率没跟上。分水岭已经很清楚：从"能对话"到"能办事"。编程是唯一跑通的赛道，其余场景正在一个一个被验证。
如果入口一定会收敛，那么今天真正要决定的只有一件事：这套能力，是租来的，还是长在自己身上的。
GPT、Claude、Gemini、DeepSeek、千问、Kimi、GLM——主流模型一行配置就能切换，不绑定任何一家，也没有哪一家独占能力。
DeepSeek R1、Kimi K3（2.8 万亿参数）、Llama 陆续开源权重。能力不再是某一家的专利，部署在自己机房就能用。
国产加速卡占比突破 60%，华为昇腾接近 30%。训练与推理成本持续下探，供给不再是卡点。
不是所有场景都适合先做。高频、有判断、要跨系统取数——三条都占的才值得先动，贪多必停。
不接数据的 AI 只能给通用答案。接上数据，它才知道你的成本口径、你的容差、你上次这个例外是怎么处理的。
同一个"利润"，财务和销售算法不同。口径不定清楚，AI 输出的永远只是一份不能直接用的参考答案。
没有明确责任人和验收标准，项目一定停在演示阶段。这一条其实和 AI 无关，是管理的常识。
达特茅斯会议为 AI 命名，研究者相信"机器可以做人能做的一切"。以逻辑规则与符号推理为核心。
DEC 的 XCON 等专家系统大规模商用，把老专家的经验写成成千上万条规则，第一次真正卖出了钱。
AlexNet 引爆深度学习，DeepMind 的 AlphaGo 打破认知边界；2017 年 Google 发表 Transformer，大模型的地基落成。
技术再好，只要只输出结论、不接管动作，企业就不会为它持续付钱。价值必须落在流程闭环上，这是从 XCON 到今天都没变过的一条。
决定生死的从来不是准确率，而是投入产出比与维护成本能不能长期算得过来。上一轮的规则库，就败在这笔账上。
系统给出的判断一旦进了经营决策，就必须能追溯、能解释、能担责。这一条在今天依然是准入门槛。
统一的架构让算力堆叠第一次能稳定换来能力提升。大模型的地基，从此不再需要重写规则。
把 AI 从实验室推到每个人的桌面。需求侧被点燃，企业开始主动问"我们能用它做什么"。
AI 第一次能规范地"接上手"：调用系统、读写文件、执行任务。从说话，到动手。
推荐算法、语音助手、生成式对话，AI 最早在个人生活场景里被接受。ChatGPT 两个月破亿用户，豆包月活超 1 亿——它证明了"AI 能干什么"，却没有回答"AI 能为企业干什么"。这个市场今天已经见顶，增量只能来自新场景。
最近两年，AI 转而贴着"一个人的工作"来做：写材料、理表格、查资料、跑分析。以腾讯 WorkBuddy、豆包为代表的工作助手，让大量职场人第一次把 AI 放进日常流程。它解决的是"个人效率"，而企业要的是"组织效率"。
2026 年 9 月，这类通用工作助手产品也开始做企业架构级的调整，正式切向 To B。信号很清楚：面向个人的助手做完了，接下来要进企业——而这是另一套能力。能不能进得去，取决于它能不能接进 ERP、过得了审计。
每个系统一个入口、一套账号、一套权限。员工大量时间花在"在系统之间搬运信息"——取数靠导表、对账靠手工、口径靠问人。
员工只对一个 Agent 说话，由它去取数、按口径算、走审批流程。后台还是那些系统，但人不再逐个面对它们——入口收敛成了一个。
领到账号的那一刻，它已经知道公司的制度、你岗位的职责、你的权限边界，以及这个岗位过去三年做过什么。新人上手不再靠师傅带三个月。
"给我华东区上月的毛利分析"——它去 ERP 取数、按公司的口径算、生成草稿、该走的审批自己走。你不用在八个系统之间跳，也不用挨个问人"这个数在哪儿"。
取数、核对、整理、起草这些重复的劳动交给它；人留在需要承担责任的地方——判断结论对不对、决定要不要推进、处理它处理不了的例外。
新增的管理诉求——齐套预警、合同条款核对、月度成本一页纸——不必再采购一套软件、再等半年实施，直接做成 Agent 场景，几周内就能用上。
挑边界清楚、结果可验证的功能：对账、报价、台账、跟催。跑通一个替代一个，旧系统里的对应模块自然退场——不停机、不做大迁移。
核心账套、法定合规系统必须保留。通过 MCP 这类标准接口把数据与操作开放给 Agent，人在 Agent 里操作，底层仍是原来的系统、原来的账。
多智能体编排成为主流架构，企业从"一个大对话窗"转向"一组各司其职的智能体"。安全与治理从"事后补"前移到设计阶段。
领域智能体进入客服、运营、财务、分析、HR 等职能。"人 + 智能体"成为默认工作方式：智能体执行，人管例外。
智能体不再是被孤立部署的应用，而是跨系统协作的网络。壁垒从"有没有 Agent"，变成"能不能编排好、治理好"。
ChatGPT、豆包、千问，回答得都对。但它们不知道你的成本口径、你的容差标准、你的审批链，也不知道上一次这个例外是怎么处理的。答案正确，不等于可以直接用。
同样是"对账"，你的规则、你的容差、你的例外处理方式，是通用 SaaS 配不出来的。这部分没有捷径，只能靠一次次真实的业务运行沉淀下来。
把每一次人工修正，变成系统里的一条判断标准。用得越久越准——这才是企业自己的 AI，也是别人拿不走、换不掉的那部分。
成本怎么算、交期怎么定、风险怎么分级。这些口径写进系统，AI 输出的才是你的答案，而不是行业平均答案。
老专家遇到特殊情况怎么处理。真正的Know-how 全在例外里，而例外从来不会出现在任何通用模型的训练数据里。
不随人走、不随供应商换。人员流动、系统更换都带不走它——这才是企业愿意长期投入的理由。
企业自己的图纸、成本、客户口径、历史案例。别人拿不到，也学不会——这是唯一不可复制的输入。模型人人可买，数据只有你有。
把"老专家怎么判断"写成系统里可执行的规则。人走了，判断标准还在——这是中小企业最痛的那一环，也决定了 AI 输出的是通用答案，还是你的答案。
权限、审计、审批、配额。有了它，AI 才敢碰核心数据和核心系统，也才谈得上规模化。没有治理，AI 永远停在演示阶段。
约 90% 的企业已启动 AI 转型，但约 75% 长期停留在试点阶段，真正实现规模化的仅约 10%。
88% 的组织正在投资智能体 AI 系统，但只有 24% 能在多个业务用例上实现投资回报。
组织 AI 采用率已达 88%，但智能体在几乎所有业务职能中的部署比例仍在个位数。
38% 的企业把"数据准备度不足"列为首要障碍——不是模型不行，是数据没准备好。
理解意图，把复杂任务拆成多步计划，循环调用工具直到目标达成。
把重要信息持久化，跨会话保持上下文连续性——它记得上次做到哪一步。
读写文件、执行命令、联网检索、访问系统。能接触真实世界，才谈得上办事。
GitHub 2026 年开发者调查：全球 51% 的代码提交由 AI 生成，84% 的开发者已经在用或计划使用 AI 编码工具。GitHub Copilot 付费订阅约 470 万，市占率约 42%。
通义灵码插件下载超 2200 万次、生成代码超 60 亿行；用友 50% 研发人员使用、AI 代码占比 37%；平安 1.5 万工程师，部分新项目 AI 代码占比超 70%。
Salesforce 两万多名工程师中 90%+ 每日使用 Cursor；NVIDIA 4 万名工程师由 AI 辅助；Cursor 自身 35% 的 PR 由 Agent 生成。
Devin 的年化收入从 100 万美元（2024.9）涨到 7300 万美元（2025.6）；客户包含高盛，公开报告效率提升约 20%。
买来装上、开通账号就算用上了。实际它是入口。入口一变，组织的协作方式、流程的起点都会跟着变——按工具来规划，必然低估它。
订阅完就等着出效果。实际要用数据喂养。口径、例外、历史案例这三样不先整理清楚，模型再强也只给得出通用答案。
输出不满意就换模型、等下一代。实际多数问题在场景和知识。同一个模型，换一个挑对的场景、补上企业口径，结果可能完全不同。
跑通一个场景就以为成了。实际治理才是能不能规模化的分界线。权限、审计、审批、配额不到位，第二个场景就推不动。
把数据分析从人工操作变成 AI 自主完成，辅助经营决策。解决的是"看不透"。
把外部市场信息变成业务线索，看得清市场、找得到机会。解决的是"看不到"。
把销售、客服、财务、人事等重复流程交给数字员工。解决的是"干不完"——也是企业付费意愿最强的方向。
让企业自己搭建贴合业务的 AI 应用和数字员工。解决的是"非标需求"。
这些决定了它们能做出一流的通用助手产品，也能把 Agent 送达到每一个人。
这些只能一家一家谈、一厂一厂做，快不了，也复制不了。通用产品解决不了最后一公里。
模型这一层的竞争已经结束，后来者没有胜算。真正的机会在"做场景"——而场景要的是行业经验。
互联网公司的底色是 To C 与 To P：标准化产品、规模化增长、体系化管理。这套打法放到制造业的车间、交期、齐套、成本口径上，没有体感。
一家制造企业的 BOM 结构、容差标准、审批链，只能一家一家谈、一厂一厂磨。这活儿快不了，也复制不了。
技术可以买，行业经验买不到。这正是普通的创业团队、懂行业的咨询团队，能在 To B 这条赛道上跟大厂碰一碰的地方。
演示里能跑，进企业就卡住。问题不在模型能力，在模型与企业的现实之间那段路。
同样的模型，在干净的演示环境里，表现几乎都能让人满意。模型能力已经不是这一轮落地的瓶颈。
数据散在七八个系统里、口径不统一、权限要一层层审批、流程里全是例外——这些没有一样是模型能解决的。
既能在车间坐下来把真问题问出来，又能回去写生产代码把它做出来。这两种能力，通常不在一个人身上。
Forward Deployed Engineer，前置部署工程师。名字是这几年新起的，背后的逻辑不新。
| 角色 | 人在哪里 | 对什么负责 |
|---|---|---|
| 售前 / 解决方案 | 会议桌 | 对商机转化负责 |
| 传统外包 | 工位 | 对代码与工作量负责 |
| 传统实施顾问 | 项目现场 | 对系统上线负责 |
| FDE | 客户的业务现场 | 对最终业务结果负责 |
不是远程支持，是驻在客户的业务一线，跟真正干活的那批人坐在一起，看他们实际怎么做。
从发现问题、到写代码、到上线、到度量结果，一条龙走完，中途不交接给别人。
Discovery 占掉 30—40% 的时间，是四个环节里最重的一块——先把真问题问清楚，再动手。
现场写的东西，可复用的部分沉淀回平台。做第二个客户比第一个便宜，边际成本持续下降。
这个角色由 Palantir 发明，此后二十年几乎是孤例。生成式 AI 让它一夜之间变成行业标配。
2000 年代中期为政府与大型企业客户发明这个角色，内部称 Delta。Echo 团队到现场挖痛点，Delta 在现场建原型，可复用部分回流到平台。三年股东回报约 640%，2026 年二季度调整后经营利润率 62%。
2026 年 5 月成立专门的部署公司，融资 40 亿美元，收购 Tomoro 带来约 150 名 FDE，并与 BCG、贝恩、埃森哲一起交付客户项目。
同类岗位叫 Applied AI Engineer，与黑石、高盛等设立 15 亿美元的企业 AI 服务合资公司，把工程师直接嵌进客户的团队里。
Google Cloud 曾在 60 天内在四大洲开放 59 个 FDE 岗位；AWS 于 2026 年 6 月宣布成立自己的前置部署工程部门。
多数团队仍然叫"实施顾问""解决方案架构师"。叫什么不重要，重要的是对什么负责。
2022 年就落地商业化的 FDE 前置部署体系，覆盖教育、医疗、工业、政企，擅长高复杂度与强监管属性的项目。
腾讯战略投资，以 FDE 交付为核心业务，300 余名现场交付工程师，团队构成以交付为主而非以研发为主。
FDE 团队直接部署在工业现场，配套自研底座。公开信息显示交付周期最高压缩 36%，人力投入平均降低 16% 以上。
能力内生于已有的服务体系，规模稳定，但主要围绕自身产品生态展开，跨系统场景需要额外集成。
单独看每一样都不算稀缺。难的是同一个团队、甚至同一个人身上，四样同时有。
熟悉客户的业务流程、系统架构与数据情况。知道"订单晚了"在车间里到底意味着什么。
能长期待在客户现场，并且背后有一套管理机制——排班、质量、知识交接，不是派几个人过去。
Agent 工作流编排、RAG、工具调用、evals、模型微调。能把业务逻辑变成真正跑得起来的东西。
现场定制 → 共性筛选 → 产品抽象。做第二个客户比第一个便宜，否则永远是人海战术。
这件事不必从零开始。前 AI 时代的 ERP 实施顾问，做的本来就是 FDE 的前半段。
长期做 ERP 与 SAP 进阶的 IT 咨询团队，手里握的正是企业级业务场景的知识结构——BOM、齐套、交期、成本口径、审批链。
Agent 编排、RAG、工具调用、evals。这是唯一必须补的部分，也是唯一能靠学习补上的部分。
行业直觉要 3—5 年才能长出来，AI 工程能力 3—6 个月能补上。反过来不成立——让工程师去补行业经验，代价高得多。
不是从零开始学做 FDE，是把已经有的那一半，接上另一半。50 人以上规模的这类团队，在国内数量有限。
客户名单、成本、图纸、工资表——一旦出域，合规责任跟着走。国企、政务、上市公司尤其敏感。
AI 给的结论进了决策，出了偏差怎么追责？没有审计链路，就没人敢让它进生产环境。
ERP、MES、OA、财务系统里的数据取不出来，AI 再聪明也只能空转，回答不了一次真问题。
按席位、按用量持续付费的模式，规模一大成本失控。企业要的是可预期的长期投入。
| 对比维度 | 买通用 SaaS 工具 | 大厂平台 + 自建团队 | 平台 + 咨询联合交付 |
|---|---|---|---|
| 上线速度 | 最快，订阅即用 | 最慢，先搭底座 | 中等，平台现成 |
| 场景深度 | 浅，只到通用能力 | 取决于自身团队强弱 | 深，贴着业务长出来 |
| 治理与审计 | 在厂商侧，不可控 | 自己搭，投入大 | 平台内置，开箱可用 |
| 知识归属 | 留在厂商 | 在自己 | 在自己 |
| 对 IT 团队要求 | 低 | 高 | 中 |
| 长期成本 | 随人数线性上涨 | 前期重、后期轻 | 前期中、后期轻 |
| 适合谁 | 单点效率诉求 | 有强研发能力的大型企业 | 多数传统企业 |
把"买了什么工具"当成"解决了什么问题"。工具买到手，场景没人挑、数据没人接、口径没人定——结果只是多了一批没人用的账号。
做完之后，企业的口径、例外与治理规则，是留在了厂商那里，还是长进了自己的系统里。
让 AI 从"能对话"走到"能完成任务"：自主规划、长期记忆、知识沉淀、工具调用，并且全过程可控、可审计、可追责。模型那一段已经平权，平台这一段才是分水岭。
已经有 ERP / MES 底子、业务口径复杂、又要求数据不出域的企业。他们缺的不是模型，而是把模型接进业务、并且管得住的那一段。
理解复杂任务并自主分解执行，循环调用工具与技能直到完成目标。
三层记忆架构（上下文→天级→核心），每日自动蒸馏整理，支持关键词与向量混合检索。
自动把结构化知识整理为 Markdown Wiki，通过交叉引用构建可视化知识图谱，持续增长。
从技能市场一键安装，也可通过自然语言对话生成企业专属的自定义技能。
内置文件读写、终端、浏览器、定时任务、记忆检索、联网搜索等 10+ 工具，原生支持 MCP 协议。
对话空闲后自动复盘：优化技能、处理遗留任务、沉淀记忆与知识，在使用中持续成长。
支持 Claude、GPT、Gemini、DeepSeek、Qwen、GLM、Kimi 等主流厂商，配置一行切换，不绑定单一供应商。
一个智能体同时接入 Web、微信、飞书、钉钉、企微、公众号等多个渠道，员工在熟悉的地方用它。
创建多个各司其职的 Agent 组成团队，支持群聊协作、任务委派与子 Agent，快速搭建数字员工团队。
每个租户独立身份、角色与资源目录，业务数据互不可见。
代码内固定的权限目录，每请求从数据库重新解析，拒绝提权。
全局账号与租户成员严格分离，字段白名单校验，归属清晰。
授权、凭据、审批、配额等敏感操作全程留痕，追加式记录不可静默改写。
有外部副作用的动作先暂停待审，发起人不得自我审批，全链路可追溯。
SAP、财务、数据库凭据加密存储，按需注入，日志与审计正文不落明文。
token、工具调用、并发与存储设硬上限，到顶即拒绝，不排队透支。
技能脚本与派生子进程在隔离边界内运行，禁止跨租户读取。
来源与 CSRF 校验、登录限流、强制改密、401/403 语义明确不泄漏资源存在性。
挑 1—2 个高频、边界清楚、结果可验证的场景（如对账、合同条款、齐套缺料），用企业真实数据跑一遍，先把价值算清。试点不追求覆盖，只追求把账算清——用企业自己的数据，不换口径。
把跑通的判断标准沉淀进知识库与技能，扩展到同岗位、同部门，从单个助手升级为数字团队。管理动作要同步跟上：权限、配额、审批。
打通 ERP / MES / OA，让智能体进入流程闭环，把企业的经验变成可复用、可传承的能力资产。到这一步，企业沉淀下来的是资产，而不是又一张订阅账单。