FDE 方法论

FDE 五步法：从诊断到扩展的企业 AI 落地路径

FDE联盟 · 基于24个企业AI落地案例

模型是入场券。领域+交付，才是护城河。

摘要

在 24 个企业 AI 落地项目的实践中——覆盖制造、政务、法律、电商、电信、建筑、快消、跨境物流等行业——成功交付的项目呈现出高度一致的路径特征。本文将其提炼为五步方法论：诊断、数据审计、窄 MVP、嵌入、扩展。每一步均包含明确的交付物、可量化的验收标准，以及来自真实案例的经验验证。

本报告旨在为正在推进或规划 AI 落地的企业提供可复用的方法框架，降低试错成本，提升落地确定性。

核心发现

大量 AI 项目并非败于技术瓶颈，而是败于路径设计。架构方案完整、团队配置齐备、PPT 逻辑严密——上线三个月后无人使用，此类现象在行业中屡见不鲜。案例复盘显示，问题根源在于执行路径的错位：交付物与真实业务需求之间存在结构性脱节。

在 24 个跨行业项目的落地实践中，成功项目所遵循的路径高度趋同。以下将逐步展开。

第一步：诊断——定位真实业务痛点

多数 AI 项目的失败在第一步即已注定——并非技术不可行，而是问题本身被误判。

案例 NO.05：TikTok 达人建联——80% 的时间消耗在认知盲区

某跨境电商企业的诉求为"用 AI 提升达人建联效率"。经现场诊断发现：运营团队 80% 的时间消耗在"找人→等回复→追进度"环节，真正用于撰写文案的时间占比不足 10%。跨时区协调依赖人工操作，达人回复率极低，履约周期被拉长至三到四周。

AI 需要解决的核心问题并非"如何写文案"，而是"如何精准匹配达人"和"如何实现自动化进度追踪"。

此案例验证了 PDE（Product Discovery Engineering）方法论的核心原则：先梳理完整的真实业务链路，厘清 AI 与人的权责边界。此处的关键词是"真实"——并非流程文档中的理想化描述，而是员工实际操作的路径。两者之间往往存在显著差异。

案例 NO.11：外贸礼品公司——诊断从基础设施介入

另一典型案例中，FDE 团队入驻某外贸礼品公司的首日，并非以"AI 工程师"身份出现，而是以网络工程师角色协助修复网络、搬运设备。原因在于：不进入实际操作场景，就无法触及真实业务信息。

在协作过程中，仓储团队反馈了一个关键痛点：数千种五金配件中，面对非常规产品（角尺、异形件），人工识别耗时 1-2 天。若 AI 能将识别时间压缩至 10 分钟，效率提升将极为显著。

该痛点无法通过会议室访谈获取——管理层不知情，一线员工不会主动向外部人员透露。只有通过深度嵌入日常工作，才能触及这类隐性需求。

诊断阶段的方法论要点

  1. 跟班观察替代会议室访谈。员工自述流程与实际操作流程之间存在系统性偏差。Gartner 数据显示，85% 的 AI 项目失败源于缺乏数据集成，而其根因往往是"不了解数据的实际分布、使用方式及流转路径"。
  2. 沿"为什么→然后呢"追问至根因。直至推导出可量化的财务损失或时间浪费。"效率低"不构成有效诊断，需精确到"每单多耗 4 小时、月均 300 单、折合每月 1200 小时人工浪费"。
  3. 锁定"个体级"痛点，而非"部门级"痛点。切口越小，验证越快。

诊断阶段的标准交付物

第二步：数据审计——摸清脏、乱、锁的现实

诊断锁定真问题之后，下一步是数据层面的全面审计。

实践表明：多数企业 AI 项目面临的数据现状，远比预期严峻。

案例 NO.08：同一颗螺丝三个 SKU——数据治理的结构性缺陷

某工业 ERP 项目中，客户声称"数据均在 ERP 中，不存在问题"。实际审计结果：同一颗螺丝存在三个 SKU 编码，物料描述完全依赖采购人员自由填写——"8mm 螺栓""M8×30 六角螺栓""螺丝 8 号"指向同一物品，搜索命中率不足 30%。

此类问题无法通过"接 API、调 prompt"解决。其本质是数据治理的历史欠账——十年前 ERP 上线时未建立数据规范所累积的系统性缺陷。

然而，要求客户"先完成数据治理再启动 AI"并不可行。正确的策略是：将数据治理嵌入 AI 项目本身，而非设为前置条件。 先圈定小范围（如仅处理"紧固件"品类），在该范围内完成数据清洗与标准化，验证可行后再逐步扩展。

案例 NO.13：消防维保——数据被锁死的破局思路

某消防维保项目面临更为极端的状况：行业监管软件不开放接口，核心数据被锁死，常规对接路径不可行。

应对策略是绕过数据壁垒：将可获取的数据（巡检记录、纸质报告、现场照片）进行整合，以离线方式跑通核心场景。待标杆效果显现后，再推动客户与监管部门协商数据开放。

山东工业语料库的行业经验

山东工业语料库团队的实践总结具有广泛适用性："七分在数据、三分在模型。" 其数据工程投入占整体项目的 50%-60%，涵盖清洗、标注、校验、版本管理等环节，每一项均为实质性工作量。

Gartner 数据显示：仅 12% 的组织数据质量达标，60% 的 AI 项目因数据不足被废弃。数据审计并非形式化环节，而是决定项目成败的关键战役。

数据审计的方法论要点

  1. 数据盘点：存量、缺口、质量、权限、系统分布、更新频率，逐一厘清。
  2. 三分类处理：可用数据直接接入、脏数据安排清洗、锁数据设计替代方案。
  3. 量化数据质量：禁止使用"数据不太好"等模糊表述，须精确到"物料编码重复率 40%、缺失率 25%、一年以内更新占比 15%"。
  4. 制定并行治理计划：分阶段与 AI 项目同步推进，不可独立设定"半年数据治理计划"——无项目可承受半年等待期。

数据审计的标准交付物

第三步：窄 MVP——方法论的核心灵魂

此步骤是 FDE 模式与传统项目交付的根本性差异。

传统模式为设计完整系统架构，投入 3-6 个月开发，最终上线验收。FDE 模式则要求先交付一个"小而完整、能改变一个决策"的闭环单元。

原因在于：对业务的理解，无论深度如何，本质上仍属"假设"。假设需要验证，而验证的载体不是 PPT，是可运行的系统。

案例 NO.06：跨境物流装车——从 3D 装箱计算器开始

某跨境物流企业的装车场景复杂度极高——98 方为保本线，每多装 1 方利润增加 $100。一车装载 100 方与 95 方之间，利润差达 $500-$700。

传统方案倾向于构建"智能装车系统"：LiDAR 自动测尺寸、AI 规划摆放、机器人自动执行，预算三五百万，开发周期半年以上。

FDE 采取了截然不同的路径：先交付一个 3D 装箱计算器——输入货物尺寸和重量，输出最优摆放方案。仅此单一工具。

实际效果：装车时间从 5 小时压缩至 2 小时，稳定装载量达 99 方。客户在确认实际价值后，才继续投入 LiDAR 测尺寸（采用 iPad Pro，硬件成本 8500 元）及装车指导系统。

窄 MVP 的核心逻辑：以最小成本验证最大价值。 98 方保本线、每多 1 方 +$100——这是验收标准，而非"AI 准确率 95%"等抽象技术指标。

案例 NO.02：车管所——OCR 从 70% 优化至 98%

某车管所网办项目，原始材料处理依赖人工录入，单件耗时 15 分钟。

FDE 首先完成的工作极为聚焦：OCR 识别。并非构建"智能审批系统"，而是最基础的图像信息提取——将身份证、行驶证、发票上的关键信息自动识别。

识别率从 70% 提升至 98%，单件处理时间从 15 分钟降至 3-5 分钟，日办件量从 700-800 提升至 1100。

在价值得到验证后，才扩展至 RPA 自动填表与自动提交环节。

宝钢高炉：预训练底座+下游微调

宝钢的案例体量更大，但底层逻辑一致。高炉为钢铁厂核心设备，单座日产值逾千万元。炉温预测长期依赖经验判断——温度波动 10°C，能耗差异达 3%-5%。

宝钢 AI 大模型的路径选择为：以"预训练底座+下游任务微调"模式，首先聚焦"炉温预测"单一场景。准确率达到 90% 后，单座高炉年创效超千万元。验证成功后，再扩展至更多炉况参数、更多高炉、更多工序。

窄 MVP 的方法论要点

  1. 锁定"单一决策点"——AI 输出须能直接改变特定岗位的具体决策。若无法找到该决策点，表明诊断阶段尚不充分。
  2. 端到端闭环——即便仅覆盖单一场景，亦须跑通全流程。半成品不构成有效 MVP。
  3. 真实数据验证——非演示环境，非测试集准确率，须以真实业务数据产出结果。
  4. ROI 可量化——节省时间、降低成本、增加收入，须有明确财务数字。无法量化则无法推进。

窄 MVP 的标准交付物

第四步：嵌入——融入既有工作节奏

MVP 验证通过、管理层认可后，新的挑战随即出现：用户不使用。

原因在于：交付物未能嵌入用户的日常工作节奏。用户每天打开 ERP、飞书、OA 完成工作，而 AI 工具存在于另一个入口——一个独立网页、一个单独 App、一个需要"主动想起才会使用"的界面。

MVP 跑通不等于成��，用户实际使用才算成功。

案例 NO.03：诉讼律师——从聊天窗口到案件工作台

某诉讼律师 AI 项目提供了典型教训。初始产品形态为聊天窗口——律师通过对话获取材料整理建议和法规检索结果。技术指标优秀：RAG 准确率 90%+，响应速度 2 秒以内。

然而，律师的工作节奏为"打开案件→审阅材料→撰写文书"。中途切换至独立聊天界面的行为成本过高，导致产品几乎无人使用。

FDE 将产品形态重构为"案件工作台"：先建案件，在案件详情页内与 AI 交互，AI 输出直接挂载于案件之下，支持随时回溯。

仅改变产品形态，材料整理效率即提升 70%。AI 能力并未改变，改变的是其在业务流程中的位置。

案例 NO.15：抖音代运营——AI 直接嵌入 SOP

某抖音本地生活代运营项目，峰值日产 200-300 条脚本。

FDE 并未开发独立的"AI 文案生成器"——此类工具的使用意味着额外学习成本，实际采用率极低。

取而代之的策略是将 AI 直接嵌入运营 SOP：参数配置→AI 生成→自动校验→人工审核→可用脚本。AI 成为流程中的固定环节，而非可选工具。运营人员无需"学习使用 AI"，只需按流程执行，AI 内嵌于流程之中。

千问办公古茗案例的佐证

阿里千问办公在古茗的落地同样印证了此规律。古茗拥有近万家门店、近万名一线员工。其方案并非为每位店长配备"AI 助手"，而是构建"门店运营知识空间"——员工在飞书上直接搜索，AI 返回精准答案。

无新入口、无新工具、无额外学习成本。在既有工作平台上，以既有交互方式（搜索），获取 AI 增强的结果。

嵌入阶段的方法论要点

  1. 不推翻现有系统——在飞书上构建、在 OA 中集成、在 ERP 内嵌入。不要求用户开启新工具。
  2. 可解释、可溯源——每项 AI 输出均须追溯至原始数据与逻辑链条。尤其在法务、财务、医疗等场景中，缺乏可解释性将导致业务人员无法信任和使用。
  3. Human-in-the-loop——关键决策环节保留人工判断。AI 负责规模化处理，人负责最终拍板。
  4. 上线后持续陪跑——项目的真正难点在上线之后，而非上线之前。案例 NO.01 的制造业项目中，陪跑阶段持续 2 个月。

嵌入阶段的标准交付物

第五步：扩展——信任建立后再扩面

前四步走通后，单一场景被验证。此时管理层通常提出"能否推广至全公司"。

实践表明：不应急于全面铺开，应在单点打穿后横向复制。

案例 NO.14：省属国企——从 IT 牵头到人事牵头的路径转换

某省属国企拥有 10+ 电商业务线，OA/ERP/中台体系齐全。

FDE 并未启动"全集团 AI 转型方案"——此类方案产出通常为 PPT，执行率极低。

实际路径为：先从一个部门的行政流程切入，由行政人员自主使用 AI 构建 Agent。效果显现后，其他部门主动跟进。

第一年 IT 牵头建立标杆，第二年人事牵头推动推广。此处存在关键转变：从"IT 项目"升级为"业务项目"。 IT 牵头意味着"技术部门推动"，业务部门处于被动位置；人事牵头意味着"公司层面推动"，各部门面临 KPI 压力。

难度排序为：人 > 组织 > 数据 > 技术。 技术维度仅占整体难度的 20%。

案例 NO.24：澳洲乳企——先聚焦中国市场单一场景

某澳洲乳企出口奶酪至中国和中越两个市场，数据口径截然不同——中国市场采用 Sell In（经销商进货口径），越南市场采用 Sell Through（终端零售口径）。

若一开始即构建"全球费用审核 AI"，大概率陷入数据口径对齐的困境。

实际策略为：先聚焦中国市场、单一场景——费用审核。将问题发现率从不足 10% 提升至约 30%。其效果体现为：周会主题从"对数"转变为"讨论预算"。这才是核心价值所在——不仅节省人力时间，更改变了管理决策效率。

欧派家居：从设计到供应链的全链路扩展

欧派家居为扩展阶段的标杆案例。AI 应用从设计（一键出效果图）→拆单（自动拆解生产工单）→排产（智能排程）→质检（视觉检测）→供应链（库存优化），覆盖 7000 家门店。

但需注意，此成果并非一步到位。其路径从"设计环节的 AI 应用"起步，逐环节扩展，历时三年。

扩展阶段的方法论要点

  1. 标杆先行——单一部门或业务线验证成功后，其他部门自然会跟进。不依赖行政命令推动。
  2. 能力沉淀——将方法论传递至企业内部，构建自主执行能力。案例 NO.18 中，协助客户建立了 20 编制的内部 AI 团队。
  3. 数据飞轮——AI 生成→人工校准→数据回填→下次迭代更优。形成系统自增强循环。
  4. 从"IT 项目"升级为"业务项目"——最终目标并非交付一个系统，而是构建一种组织能力。

扩展阶段的标准交付物

结论

五步法并非严格的线性流程。实践中经常出现反复——诊断阶段发现数据问题需回溯数据审计；MVP 验证后发现嵌入方式不当需重新设计交互；扩展阶段发现初始问题定义不够精准需重新诊断。

这属于正常现象。FDE 的本质并非交付一个系统，而是与企业共建一种能力。

发现问题的能力、定义问题的能力、用 AI 解决问题的能力——这些构成了 AI 时代最稀缺的核心竞争力。模型能力人人可获取，但知道在哪个场景、以何种方式、解决什么问题、如何让组织接受——这才是真正的护城河。

模型是入场券。领域+交付，才是护城河。

本文为FDE联盟基于24个企业AI落地案例及行业公开数据的研究报告