03|为什么是现在:95% 的 AI 项目卡在落地,一个人却能跑通产品闭环
你好,我是曹犟。
前面两讲,我们讲清楚了 FDE 是什么,也讲了它和咨询、外包、驻场、售前的区别。今天这一讲,我想回答一个你可能一直想问的问题:FDE 这个角色,为什么偏偏是现在火起来了?
把工程师派到客户现场这件事,一点都不新鲜。驻场、实施、乙方外包,中国 To B 企业干了几十年了。而从 Palantir 提出 FDE 这个概念,也快 20 年了。可为什么单单是这两年,FDE 突然成了硅谷最抢手的岗位,并且这半年在国内也热度越来越高?
我觉得,这跟生成式 AI 带来的根本性的技术变革,脱不开关系。这一轮 AI 革命,其实同时产生了两个巨大的影响。一方面,它带来了一个又大又急的新的需求市场:AI 能力越强,就越难落地,企业就越是急着找人,把它变成真金白银的业务结果。另一方面,则是它同时给需求带来了一个新解法:AI 把做产品、改代码的门槛压得很低,让“一个人从头贯通整个产品链条”这件过去想都不敢想的事,第一次变得可以得到。一方面需求被点燃,一方面能力被解锁,而且是来源于同一场技术革命,在同一个时刻同时发生的。这,才是“为什么偏偏是现在”的完整答案。
这一讲,我们就顺着这两条主线往下走。
先看需求这一侧,从一个你可能会觉得有点反常识的数字讲起。
先看一个数字:95% 的失败
麻省理工有一个叫 NANDA 的研究项目,2025 年出了一份研究报告,叫 《The GenAI Divide》。里面有一个数字当时被到处引用:企业在生成式 AI 上,前前后后投进去了三四百亿美元,可其中大约 95% 的组织,回报几乎是零。真正把 AI 用进生产环境、跑出实际业务效果的企业,只有 5% 左右。

当然,这个 95% 的数字,后来是有争议的。在报告出来之后不久,就有人指出,这份报告的样本不算大,方法也不够严谨,不应该被当成一个精确的科学结论。但即便我们把这个数字打个折,它背后指出的方向还是很清楚的:绝大多数企业,花了钱、买了模型、组织了项目、认真尝试了,但最后却没能让 AI 真正落地、真正产生业务价值。
无独有偶,还有 另一份来自 IDC 的调研 说,企业启动的 AI 概念验证项目里,大约 88% 从来没能真正进入生产。
这两个数字放在一起,说明的是同一件事:这几年 AI 的能力涨得这么快,跑分提高了这么多,可真正在企业环境里,用它得到真实业务结果的,依然是少数。
这种应用 AI 失败的例子,你可能自己也见过或者听说过。一家企业,老板看了公众号、参加了会议后,对 AI 充满了期待,回到公司兴冲冲地开个启动会,上了一个 AI 项目,做了个 demo,效果惊艳。老板当场拍板,预算也给到位。可真到了要用起来的时候,问题一个接一个冒出来:数据接不进来;权限过不了合规;业务人员说它不好使,宁可用回老一套。几个月折腾下来,热情耗光,项目慢慢也没了声响。钱花了,人也累了,业务结果却几乎没变化。这样的故事,这几年在太多公司里反复上演。
这就很奇怪了,模型能力明明肉眼可见地越来越强,看起来全面替代人类指日可待,那为什么 AI 项目反而大面积地失败呢?
失败的,不是模型
答案可能很简单,这些项目栽跟头的地方,恰恰不是模型能力。
回到开头那份 MIT 的报告,它在分析失败原因的时候,特别强调了一点:企业的 AI 项目做不成功,通常不是因为模型不够聪明,不是因为数据不够,也不是因为招不到人。真正的原因,是那些工具“不学习、不留存反馈、不融入现有的工作流”。说白了,也就是 AI 没能真正构建到企业的业务里。它就像一个悬在半空的玩具,演示的时候很惊艳,一放进真实的流程,就水土不服。
这背后,可能还有一个更深的变化。一家叫 Faros AI 的公司,出过一份 《AI Engineering Impact Report》,分析了一万多名开发者、一千多个团队之后发现:当 AI 让写代码这件事变得飞快之后,研发的瓶颈并没有消失,而是往下游移动了,移到了评审、测试、发布、集成这些环节上。他们有一个很具体的观察:那些重度使用 AI 的团队,代码合并的量涨了接近一倍,可与此同时,花在代码评审上的时间也涨了差不多九成,缺陷率还略微上升了。也就是说,代码是写得快了,可把代码变成一个能在企业里稳定运行、真正被用起来的系统,其中还是有很多环节,AI 目前帮不上太多忙。
所以我们可以看到一个挺有意思的错位:AI 把“写代码”这件事的成本“打下来”了,但“AI 落地”这件事的难度,一点没降,反而因为 AI 的广泛应用变得更突出了。有句话我非常认同:一个 AI 项目的成功,六到七成其实取决于“应用落地”,而不只是工程和编码本身。这也是为什么,我在开篇词里说,写代码不再是瓶颈,交付才是。
那份 MIT 的报告其实还顺带回答了另外半个问题:那成功的 5%,到底做对了什么?答案挺有意思。这些成功的 5% 企业,几乎都要求供应商做到流程级的定制,按真实的业务结果来验收,还把对方当成一个长期的服务伙伴,而不是一个卖完就走的 SaaS 厂商。你把这几条对照一下就会发现,这不就是我们前两讲介绍的 FDE 那一套打法吗?换句话说,那些成功的少数派,其实早就在用 FDE 的方式做事了,只不过不一定叫它这个名字。
换一个历史的角度来看
讲到这里,我想把镜头拉远一点,给你一个更大的视角。当然,这只是我个人很喜欢的一个分析框架,只是一种看问题的角度,不是什么严格的历史考证,很多细节姑且不用较真。
这个分析框架,其实就是我们在初中政治课都学过的一句话:生产力决定生产关系。
具体来说,每当生产力发生一次大的跃迁,原来那套人和人协作、分工、组织的方式,也就是生产关系,往往就和生产力的进步匹配不上了。于是组织和社会,就得重新摸索出一套新的协作方式,也就是新的生产关系。这个过程中,也自然会涌现出一批新的岗位。
我们看几个过去的例子。蒸汽机的发明,带来了第一次工业革命,生产力上了一个大台阶,于是原本的一家一户组织方式的手工作坊不行了,产生了工厂制,也出现了一个全新的岗位,产业工人。而后来电气化和流水线又是一次新的跃迁,于是有了泰勒制这套科学管理方式,也出现了工业工程师、生产线线长、质量检验员、设备维护工这类新角色。有人负责把动作拆成标准工序,有人负责控制生产节拍,有人负责质量检验和设备维护。再到 PC 和互联网普及,生产力和生产关系又变了,这一次,出现的则是“软件工程师”和“产品经理”,这类我们今天已经习以为常的岗位。
所以,可以看出,每一次生产力往前进一大步,的确都会产生一套全新的组织方式和一批新的岗位。

现在,轮到 AI 了。毫无疑问,AI 是最新一轮的生产力大跃迁,而且来得又快又急。那么,按刚才那个规律,旧的那套生产关系,一定会有一段匹配不上的阵痛期。我们去看今天大多数企业用 AI 的方式,要么是买一套标准的 Agent 产品,要么是自己搭建团队从头自建,要么是找个乙方来做定制外包。这几套依然是过去的老办法,本质上都还是上一个时代的生产关系。买标准 Agent 产品,等于默认所有企业的问题都是一样的,可 AI 落地最难的,恰恰是每家那点不一样的具体现实;自己团队从头自建,可多数企业既没有那么强的工程能力,也负担不起一支长期打磨的研发队伍;找乙方定制外包,乙方交付完就走,经验沉不下来,下一个需求又得从头开始。它们都或多或少匹配不上 AI 这个新的生产力,磨合起来磕磕绊绊,导致的结果之一,就是前面我们提到的高得吓人的失败率。
而 FDE,在我看来,就是企业正在摸索的、属于 AI 时代的一种新的生产关系。它想回答的是一个新问题:当 AI 这么强、却又这么难落地的时候,一家企业到底该用什么样的方式,把新生产力组织起来、交付出去、变成真金白银的结果?FDE,就是目前看起来最有希望的一个答案。
交付,成了胜负手
前面主要讨论的都是需求侧面对的现实和挑战,结论其实已经比较清楚了。
一方面,是 AI 让写代码不再稀缺;另一方面,则是绝大多数项目都倒在了“落地”这最后一公里上。那么,谁能把 AI 真正交付落地、跑出业务结果,谁就抓住了这一轮最关键的东西。“交付”,也就是让 AI 在企业的现实中真正取得业务结果,从一个不起眼的后端环节,变成决定成败的胜负手。
这背后的逻辑可以这么理解:如果智能正在被商品化,那唯一的竞争优势,就在于你怎么用它、在哪里用它。模型本身,大家都能调用;那么差距,自然全体现在模型落地的方式上了。
这里还有一个数字,也能够侧面验证我的观点。那份 MIT 的报告发现,由外部专业团队深度交付的 AI 项目,最后能真正部署起来的比例,大概是企业自己闷头自建的两倍,背后的关键原因,是是否有人“把技术翻译成业务结果”。
这个结果,其实有点反直觉。论懂自家业务,内部团队肯定比外人更懂,照理说,把技术翻译成业务结果,应该是内部团队更在行才对,怎么反倒是外部团队效果更好?原因就在于,交付能不能成,拼的不只是单纯的懂不懂业务,更是有没有一个人或者角色,从头到尾盯着“把技术变成业务结果”这一件事:嵌进业务现场、按真实的业务结果验收、把产品一点点打磨到业务愿意用。这套打法,恰恰是外部专业团队带进来的,也正是多数内部团队自建最缺的那一环。说白了,连最懂业务的第一方,少了这个专门盯交付的角色,照样落不了地。这才更说明,交付本身,就是那个胜负手。
这可能也是 FDE 这套打法如今变得更加重要的原因。
而这一次,一个人就够了
说完需求侧,我们再说供给这一侧的变化。前面那句“有没有一个人”,其实还藏着一层隐藏要素:就算你想让一个人,扛起从需求到落地的整个链条,放在过去也不现实。而 AI,恰恰放大了“一个人”能干的事。过去,从摸清客户现场的真需求,到把它做成能复用的产品能力,中间要经过好几个角色、好几个月,有可能产品还没做完,客户的业务已经发生了变化。而今天,AI 把做产品、改代码的门槛压了下来之后,很多环节,一个嵌在客户现场的人自己就能顺手闭环:认知拿回来,方案做出来,甚至直接改进产品功能。这就意味着,“把技术翻译成业务结果”这个链条,第一次有机会由同一个人从头贯穿到尾。第 1 讲说的现在流行的 FDE 这种一个角色打穿的新尝试,也正是因为 AI 带来的生产力提升,才第一次变得现实。
到这里,“为什么是现在”的两侧就合上了:需求侧,交付成了胜负手;供给侧,AI 让一个人第一次能真正打穿。两遍的改变发生在同一个时刻,FDE 才在这个时间点突然变得火热。
有一些成功样本,你现在已经能看到了。比如 Anthropic 自己就有一支叫 Applied AI 的团队,干的就是 forward deployed 的活。他们帮出行公司 Lyft 做 AI 支持助手,客服问题的解决时间下降了 87% 以上;帮 ServiceNow 做销售准备,相关时间缩短了 95%。他们的打法也很有代表性:先花一周做十几场用户访谈、嵌进业务,第二周设计评估,随后几周搭系统、灰度上线,之后再持续跟客户边用边复盘迭代。
这套动作,就是我们这门课后面要一步一步拆解的东西。
对我们这些技术背景的人来说,这里面的机会是历史性的。当会写代码不再是你的壁垒,能把 AI 落进真实业务、交付出结果,就成了你最值钱的能力。FDE 本身不是产品的 PMF,它更像是在企业级 AI 还没完全产品化之前,用来寻找 PMF 的一种探索方式。换句话说,站在这个新旧生产关系交替的当口,FDE 就是那个走在最前面、替整个行业探路的人。
对你个人来说,这里其实藏着一次重新洗牌的机会。过去你可能觉得,不进大厂的核心算法组、不碰最前沿的模型,就没什么机会。但“AI 落地”这条赛道恰恰相反,它是连模型能力最强的那几家公司都不默会、必须靠专人一个客户一个客户去趟的地方。它比拼的东西也不一样:你能不能钻进一个陌生的行业,把 AI 和真实的业务填补鸿沟缝合到一起。AI 时代最值钱的人,可能不是最会写代码的,也不是最懂模型的,而是那些能站在技术和业务的交叉点上,把两边连起来的人。而这条赛道,现在还很空。
所以,风口为什么是现在?因为生产力已经变了,而配套的新生产关系还在襁褓里。谁能先趟出来,谁就能吃到这一波红利。
课程总结
这一讲,我们回答了“为什么是现在”。
先从一个反差结果:AI 越来越强,可高达 95% 的企业 AI 项目回报是零。而失败的原因,不在模型,在于 AI 没能融入工作流、落不了地,瓶颈从“写代码”下移到了“交付”。宏观层面上,这是 AI 这个新生产力,和旧的生产关系之间的一次错配。FDE,就是企业正在摸索的、AI 时代的新生产关系。于是,交付成了这一轮的胜负手,而能交付的人,也变得更加值钱。而这一次和过去的另一个不一样的点在于:AI 把做产品、改代码的门槛压得极低,让一个人第一次能从需求一路贯通到落地。
说到底,为什么是现在 FDE 突然火起来,是需求和能力,被同一场革命在现在同时点亮。
我把这一讲的两条线,整理成一张对照表,方便你保存对照:

如果你正在做交付、实施、售前,这一讲能帮你看清,自己正站在一个不断变大的风口上;如果你是想转型的程序员,它能帮你想明白,为什么现在是切换到 FDE 这条赛道的最好时机。
思考题
留两个问题,欢迎你在留言区聊聊。
第一,在你自己的公司,或者你了解的项目里,AI 落地最大的卡点,到底是模型不够强,还是“最后一公里”的业务交付和融入工作流?
第二,AI 这一次不光创造了需求,还产生了一个新的解法:让一个人就能贯通从需求到落地的整个链条。在你的亲身经验里,AI 是不是已经能让你一个人,干成过去得一个小团队忙上好几个月才干得成的活?如果还不能,你觉得问题出在哪个环节?
如果这节课对你有帮助,欢迎你分享给周围对 FDE 这个概念感兴趣的人。
下一讲,我们把视角收回到国内:十年都没走通的中国 To B 交付难题,这一次靠 FDE 加上 AI,到底有没有机会解开?我们下一讲见。