E248｜一个“催发货”AI要跑通260步，和阿里瓴羊朋新宇聊聊中国式FDE

1. FDE 的分水岭，是从交付功能转向交付效果

• 泓君观察到，硅谷 AI 战场正从消费端回到企业端：OpenAI 建立专门部署公司，Anthropic 与黑石、高盛设立规模约 15 亿美元的合资安排，微软的新运营部门背后则有约 25 亿美元投资和 6,000 名工程师。旧金山 OpenAI FDE 岗位的基础年薪约为 16 万—28 万美元。岗位得到高溢价，如果只是给驻场运维换名字，商业逻辑并不成立；真正稀缺的是能同时处理 AI、行业与数据的人。
• 彭新宇把这三项能力概括为 “AI 的锐度、行业的深度、数据的宽度”。传统运维只保证系统健康运行；FDE 还要判断运行结果是否朝业务目标改善，并通过技能、语料、上下文和记忆管理持续调教系统。
• 他进一步提出三条企业级 Agent 原则：以业务结果为导向，先找到可测评、可建立指标体系的正确问题；以企业数据为基座，在保护隐私的同时释放模型能力；以岗位标杆为预设，让 Agent 从“最佳客服、最佳投手、最佳销冠”的水平起步。它更接近客户成功管理：交付之后才刚开始，最终由可度量的增长结果买单。
• 个人使用 AI 往往追求“新奇特”和能力上限，企业则追求“多快好省”和稳定边界。企业不是奖励让人眼前一亮的一次演示，而是奖励能反复超过既有参照系的工作结果。

2. “催发货”的 260 多步，说明客服的核心是解决问题

2.1 三种相似诉求背后是完全不同的流程

• 一家 3C 家电企业的“催发货”至少包含三类情况：买两台空调只收到一台，要核对订单、仓库并补发；漏发配件，要找到配件仓；承诺赠送的电饭煲未到，还要核对赠品规则。订单可能来自天猫、京东等多个内外部系统，部分配件还需客户重新下单。
• 仅这一类售后问题就有 260 多个处理步骤，能够覆盖约 95% 的常见情况，剩余约 5% 仍会出现新异常。人类客服要学习、考核并熟悉整套流程；Agent 也不能只会生成礼貌话术，必须真正接入订单、仓储、派单和赔付等系统，完成问题闭环。

2.2 场景选择围绕耗人、耗钱、耗时

• 彭新宇把优先场景归为三类：耗人最多，如接打电话和处理投诉；耗钱最多，如赔款、营销投放和素材试验；耗时最多，如跨系统查询发货进度。选择标准是结果必须具体可度量，不能声称所有场景都适合 AI。
• 在一个客户案例中，Agent 上线时已优于传统机器人，随后逼近并超过优秀人工客服的平均水平。经济约束同样清楚：客服成本可能占销售额的 2—5 个点，AI 至少要在同等成本下取得更好的效果，才算真正可用。

3. 企业数据要从“给人看报表”变成“给 Agent 工作”

• 彭新宇把部署 Agent 类比为雇一名已有 5—10 年经验的新员工：它带着通用技能入职，但企业仍须给出权限、目标、材料和清晰知识。如果知识库、基础信息和流程混乱，再聪明的员工进来同样会“傻眼”。FDE 的关键工作之一，就是把企业数据整理成 Data for Agent。
• 一家跨多个电商平台投放的企业里，团队分析了几名投手 90 天的行为：最好的一位完成超过 1 万次价格调整，而普通投手只做约 100 次。差距不只是某条显性规则，而是海量情境判断。Agent 可以沿“数据采集—建模—执行—迭代”学习完整行为，再用每天的新对话、异常和好案例继续进化。
• 电商平台已经标准化了素材、价格、系统和大部分数据，约覆盖投手 80% 的准备与学习基础。在中国，独立 SaaS 公司相对缺位，但淘宝、天猫等平台承担了部分 SaaS 基座能力；FDE 可以站在这些平台上工作，再补企业私有上下文。
• 当所有企业都能购买相似工具时，先行优势不会永久存在。持续差异来自企业自己的数字化资产，以及能否运行全天 24 小时在线的投手和服务人员：数据平台是否能让数字员工接单、接流程并产生正经济效益。过去“系统交付完成”意味着项目结束；现在它只意味着数字员工刚刚上岗。

4. 标准化方法可以产生个性化结果

• 传统软件常用定制化开发去固化企业自称“标准”的流程。如果总结准确，它确实有效；如果只覆盖约 30%，剩余 60%—70% 的新情况会把项目拖成长久交付工程。一个功能可能估算 100 人天，10 个系统或 100 个功能便累积到 1,000 人天。Agent 的另一条路，是把真实工作流、数据流和上下文标准化，再通过持续学习面向不同客户做个性化回应。
• 区分“需要定制”与“可以标准化”的办法，不是询问每个人口中的流程，而是把真实行为数字化，找出企业最佳销冠、投手或客服实际上如何工作，再决定是否值得复制。瓴羊因此减少企业专属软件开发，把范围集中在营销、销售、客服和运营四类增长岗位，形成“4+X”：4 个预设 Agent，加上企业自己的数据资产、权限、审批和上下文。
• 彭新宇赞同 Palantir 式工作的关键前提：进入客户现场是为了共同找出最有价值的问题，而不是照单实现 100 个功能需求。瓴羊会访谈 CEO、业务负责人和一线人员，但只承接能落到销售增长、营销投资回报或客服人效的场景。
• 使用方式可以标准化，例如投放 Agent 都会采集竞品、分析、决策和调价；每个行业、渠道与促销期的微操结果却不同。因此效果合同不能承诺统一提升 5 倍或 10 倍，而要先分析历史数据，做最小价值验证（MVP）和对照测试，再按超出基线的部分结算。

5. 从落后省份到销售冠军，难点主要在组织关系

• 一家制造业的渠道销售每天要决定先拜访哪家经销商、见面谈什么方案、会后怎样把任务录入系统并推动内部跟进。过去，销售约一半时间用于准备材料，晚上还要花约两小时复盘和录入。Agent 把路线规划、会前材料、会中建议和事后系统动作串起来后，一个原本落后的试点省份在半年内成为公司销售冠军。
• 但这个案例历时一年多。熟悉岗位占掉三分之一以上时间，建模和教练调教又占约三分之一；真正的系统实施反而较快。原因在于 Agent 改变了预算和职责：IT 追求先进性，业务追求效果，两者可能分属不同部门。进展最快的项目通常由一号位自上而下推动，统一计算 IT 费用与业务收益的总账。
• 一位董事长一年亲自做了超过 15 场内部 AI 培训，带动财务、IT 与销售负责人转型。彭新宇把人才变化形容为“K 线”：了解技术又愿意向业务走的人向上；只对抗项目和工具的人向下。企业内部 IT 人员往业务多走一步，就可能成为最熟悉本企业耗人、耗钱、耗时节点的 FDE。

6. 部署不是一个全能工程师，而是一支联合队伍

6.1 三类角色共同完成建模与调教

• 第一类是业务分析师（BA），由美妆、家电、家居、宠物、汽车等领域专家拆解 200 多条客服流程，定义业务指标和评测标准；第二类是 AI 架构师，把业务问题翻译成模型、系统与人机边界，持续跟踪新模型和 Agent 能力；第三类是首席客服、销冠或投手，作为客户侧教练，长期处理异常、复盘并给 Agent 增加技能。
• 一线人员不必只做更难的 100 个问题，而可以管理 10 个 Agent，让它们覆盖远超个人工作量的范围。职位更值钱的原因，不是换成 FDE 的标题，而是能以业务结果为导向、以数据为基座、以岗位标杆为预设，真正帮助企业拿到结果。

6.2 上岗采用受控放量，而非一次切换

• 客服 Agent 的一周灰度路径很具体：第一天接管凌晨 0—2 点的低流量，出错影响可控；复盘调整后，第二天接管中午 12—2 点的完整高峰流量，以全量暴露异常边界；第三天扩展到 8 小时，再逐步放大到整天。每一步都与优秀员工或既定作息基线比较。
• 数字员工应被当作需要评审、陪练与逐步授权的同事，而不是装好即用的工具。企业需要检查客户投诉、异常边界、比人处理更好的案例，再调整权限、流程和技能。

7. 商业模式、Token 与模型选择都要回到账本

• 商业模式主要有两类：按工作量收费，例如用原 500 人团队成本的八九折达到同等或更好服务；按效果收费，例如营销 Agent 超过历史转化率后分成。客户续费本身就是最诚实的验证，服务商不能假设包装概念能长期骗过更会算账的企业。
• Token 账单普遍上升，但彭新宇认为老板最终关心的是问题值不值得解决。瓴羊自己的一个 AI 项目在第一季度累计投入约 1,200 万元，到记录期末已逐步接近打平；如果业务总账算得过来，具体消耗什么 Token 不应成为客户的主要决策负担。很多失败也不是模型不够先进，而是企业上下文不完整、数据不规范。
• 系统部署与模型部署需要分开：Agent 系统可以放在阿里云或企业自有环境中，控制企业数据与合规；底层模型则按场景在闭源、开源和不同尺寸之间选择。把数 TB 级模型私有化可能需要数千万元初始投入，企业应先问是否必要、是否负担得起。调用模型也不等于默认把企业数据交给模型训练，真正需要管控的是 Agent 层和产品设置。
• 已上线 Agent 会绑定经过验证的模型，不因新版本出现自动升级。更强模型是长期利好，但切换必须重新测试业务效果、流程、权限和管理边界。企业要的是稳定工作输出，不是 API 层面看似轻松的追新。

8. 中国式 FDE 要补地基，也拥有独特的平台优势

• 美国企业已有 Salesforce、SAP 等系统打下较统一的工作流和数据标准，部署人员更容易在现成地基上找价值问题；中国企业的地基差异大，FDE 往往要从数据打通、盖楼到装修一起完成。另一方面，中国大企业内部 IT 团队庞大、人力成本结构不同，外部团队必须证明自己能带来内部团队做不到的增量。
• 中国的淘宝、天猫、企业微信等互联网平台又提供了独特基础。从平台出来的人更懂流量、互联网运营和跨系统协同，能帮助企业利用既有平台。瓴羊在“FDE”流行前五年就以客户成功团队做类似工作；领先与否不能靠标签判断，只能看订单与续费。
• 彭新宇把自己关注的事项总结为“人、事、局”：找到能被 AI 放大的人；选择具有增长势能、能在客户内口碑传播的事；理解模型、工程和业务架构演化的局势。对应的人才仍是三项结合：技术向业务走或业务向技术走，形成行业专长；理解数据的同比、对比、占比，而不是看到“增长 180 万”这样的裸数就直接判断好坏；保持对 AI 的锐度。
• 企业升级也有两条路：“加 AI”是在现有分析、治理、风控和 SaaS 工具上提高效率；“AI+”则从业务本质重做客服、营销、导购或投放。前者让旧系统从“给人登录”变成“给 AI 调用”，后者优先寻找最耗人、耗钱、耗时的地方。两条路线都必须回到可验证的业务结果。

思想框架

对话从 FDE 是否只是驻场运维的新名字切入，以“交付效果”划出边界；再通过催发货 260 多步、投手三个月 1 万次调价和制造业省区销冠三个案例，说明 Agent 需要企业数据、岗位标杆和跨流程执行。随后，彭新宇把方案抽象为“4+X”、标准方法与个性结果，并把真正难点转向组织关系、岗位学习、教练调试和受控上岗。商业模式、Token、模型部署与升级都服从同一张业务总账。最后，中美基础设施差异解释了中国式 FDE 为何既要补数据地基，又能借互联网平台形成优势，人才落点则回到 AI 锐度、行业深度和数据宽度。

E248｜一个“催发货”AI要跑通260步，和阿里瓴羊朋新宇聊聊中国式FDE · 硅谷 101 · ⏱️ 原节目时长以来源页为准