企业 AI 落地用 FDE 模式，意思是不靠一份方案、一次培训就结束，而是让懂工程的人进入企业，围绕一个具体场景，用企业自己的数据和流程做出能上线、能被一线使用的东西。它不是万能药，适合哪些情况、不适合哪些情况，要先判断清楚。
本文面向要做决策的企业主和负责人，讲清楚什么时候用、怎么合作、怎么验收、有哪些风险、自建还是外包，以及选服务商时该核对什么。
一、什么时候适合用 FDE 模式？
据 PostHog 博客对 FDE 的描述，客户不愿把敏感数据交给供应商，FDE 能获得长期访问权限；很多高管怀疑 AI 价值，FDE 用真实数据而非演示证明价值。把这两点翻译成企业语言，就是下面这些适合的信号。
- 场景有价值：这个环节每月耗费大量人力或直接影响收入，值得投入工程资源。
- 数据敏感或分散：数据不能传到外部，或者散在多个系统、表格和聊天记录里，需要有人进去整理。
- 系统对接复杂：要接内部老系统、企业微信、ERP 等，没有现成插件。
- 业务规则隐性：很多判断靠老员工经验，没有文档，需要有人去访谈、沉淀成规则。
- 管理层有疑虑：需要用真实数据做小范围验证，而不是看一场演示。
什么时候不适合？
- 需求只是开通通用 AI 工具、做基础使用培训，这时培训或自助就够了。
- 场景没想清楚、没人对结果负责，驻场只会放大混乱。
- 数据和系统完全不开放，工程师进去也做不了事。
- 一次性小需求，用现成工具或简单工作流即可，不值得动用驻场。
二、企业 AI 落地的 FDE 合作怎么开展？
企业 AI 转型怎么做，常见的共识是场景先行：选痛点清晰、规则明确、重复度高的场景做试点，验证后再推广。FDE 合作可以按下面的步骤推进，具体周期按场景而定。
- 诊断：梳理业务流程、人员、现有系统，找出值得做的场景，排出优先级。选一个先做。
- 定义成功：和业务负责人一起写清楚验收指标，比如处理时长、一次通过率、人工介入比例。
- 原型验证：用真实数据在小范围跑出第一版，让一线人员试用，记录问题。
- 迭代上线：修正数据、规则和流程，接入实际系统，设置人工兜底。
- 交接与培训：把使用方法、维护方法交给企业的人，必要时配套定制内训。
- 复盘与扩展：用业务指标持续复盘，再决定是否做第二个场景。
三、FDE 模式的验收指标怎么定？
常见做法是在上线前后做对比，并持续复盘。AI 不是纯 IT 项目，验收必须由业务方参与。下面给出几类指标，企业按场景选用，不必全部使用。
| 指标类型 | 例子 | 怎么取数 |
|---|---|---|
| 效率 | 单次处理时长、每日处理量 | 上线前后抽样对比 |
| 质量 | 一次通过率、人工修改比例、错误率 | 随机抽检并记录 |
| 使用 | 一线使用人数、使用频次 | 系统日志或问卷 |
| 成本 | 人工投入变化、重复劳动减少 | 由业务与财务共同核对 |
| 风险 | 数据泄露事件、违规输出次数 | 权限日志与抽查 |
没有基线就没有对比，所以第一周就要把「现在是什么样」记下来。验收也要留出观察期，避免只看上线第一周的新鲜感。
再补一个常被忽略的做法：设置人工兜底和反馈入口。一线人员发现 AI 答错时，应该有一个最短路径把错误记录下来，这些记录就是下一轮优化最宝贵的材料。没有反馈入口的系统，上线之后很快就会停止进步。
四、FDE 模式有哪些风险？
- 过度定制：每一块都为这一家做，后续无法维护。对策是要求服务方说明哪些可复用、哪些是定制。
- 数据与权限：工程师进入企业环境，需要明确可见范围、脱敏方式、权限回收时间。
- 依赖个人：全靠一位工程师，人走了就断。对策是文档、交接和培训同步进行。
- 老系统没有接口：这是企业落地常见阻碍，要提前评估对接成本，必要时先做半自动方案。
- 期望过高：把 AI 当成一次到位的方案，忽视持续调优。上线后要预留运营和复盘。
- 场景选错：先选容易出成绩的，而不是最大最难的。
五、自建 FDE 团队还是找外部服务商？
没有绝对答案，可以按场景数量、数据敏感度和内部能力来判断。常见的做法是先外部验证一个场景，再决定是否自建。
| 维度 | 自建 | 外部服务商 |
|---|---|---|
| 适合情况 | 场景多、长期持续、数据极敏感 | 场景少、想快速验证、缺人 |
| 启动速度 | 招聘与磨合需要时间 | 通常更快 |
| 知识沉淀 | 留在企业内部 | 要靠交接和文档保证 |
| 成本结构 | 长期人力投入 | 按项目或服务周期投入 |
| 主要风险 | 招不到、留不住 | 依赖对方、交接不彻底 |
折中的办法是：外部服务商做第一个场景，同时带着企业内部一位对口人学习，把后续维护和小迭代逐步交回来。
自建团队需要什么人
常见的最小配置是一位懂业务的负责人加一位能动手的工程师，再配合企业已有的 IT 同事处理权限与系统对接。工程师不一定是传统程序员：有业务背景的人可以借助 AI 编程工具参与开发，但上线前仍需具备相应工程能力，或由专业人员负责代码审查、测试、安全检查和后续维护。
外包时最容易忽略什么
最容易忽略的是交接。合同里应写明交付文档、培训、源码或配置的归属、上线后的问题响应方式。如果交接和维护责任没有约定，上线后可能出现无人维护、问题无人响应的情况。
再补一条判断：第一个场景的预期不要定得太满。常见比较稳的做法是把目标写成「让某个环节的人工处理量明显下降、错误可追溯」，而不是「全面替代某岗位」。目标越具体，越容易验收，也越容易让一线人员愿意配合。
六、AI 落地服务商怎么选？核对清单
- 是否先做诊断：愿意先理解你的流程再报方案，而不是一上来推产品。
- 是否在你的数据上验证：能用你脱敏后的真实材料做小范围验证，而不是只给演示。
- 谁来做：实际干活的人是谁，有没有做过类似场景，是否能见面沟通。
- 数据怎么保护：存放位置、权限范围、脱敏方式、合同结束后数据如何处置。
- 怎么衡量结果：是否愿意把验收指标写进合作约定。
- 做完能不能交接：文档、培训和维护责任是否清楚。
- 会不会说「不适合」：好的服务商会明确告诉你哪些场景不该做。
- 有没有夸大的承诺：包提效倍数、保证上线周期这类承诺要打问号。
七、莱客能提供什么
莱客（深圳）网络科技有限公司成立于 2016 年，扎根深圳龙岗，为深圳及全国企业提供企业 AI 落地诊断、智能体与 AI 助手开发、企业知识库问答和定制内训。我们的做法是先诊断业务流程，再决定做什么，并把咨询、开发、培训和后续运营放进同一条交付路径。
如果你正在考虑企业 AI 落地，可先做在线 AI 落地诊断，把初步思路理一遍，再联系顾问。方案与安排请联系顾问，我们会按你的实际情况说明，不适合的也会直接说。