給企業配一支AI班子 30天能跑出什麼結果？企業AI落地與FDE實戰分享

導語

AI 進企業，最容易聽到的兩個極端：要麼」我的業務好好的，不需要 AI」，要麼」你快用 AI 幫我降本增效」。但真正在一線跑的人知道，兩個答案都不對——AI 不是來替代誰的，而是幫企業找到新的增長點。

於文奎是這期進取派會客廳的嘉賓。他從春節前就開始幫企業做 AI 落地，別人還在講概念的時候，他已經服務了幾十家企業。今年7月他創立了靈爪智能，專注企業 AI 生產系統、多智能體、知識庫自動化工作流和 FDE 現場部署，用」30 天結果」和」AI 班子」的方式，把複雜的技術系統轉化成企業老闆能理解、能驗證的東西。

在金色財經、Twinkle大數財經聯合主辦的「進取派會客廳」直播中，他與主持人 Kiki 聊了一個多小時：FDE 到底是什麼、企業怎麼找到第一個 AI 場景、數據主權和安全怎麼保障、AI 能自動完成什麼、Agent 的能力邊界在哪裡，以及 FDE 到底是長期生意還是過渡機會。以下為對話實錄整理。

Kiki：各位直播間的朋友們大家晚上好，歡迎來到金色財經、Twinkle大數財經聯合主辦的進取派會客廳，我是今天的主持人Kiki。今天這場我們繼續聊一個很多企業老闆和AI創業者都會非常關心的話題——AI到底怎樣進入到企業的一線業務，最後又怎樣變成一個可以檢查、可以復盤、可以繼續投入的真實結果。上一場直播我們談到了FDE，每一位嘉賓老師都非常優秀，分別站在不同行業的位置，為大家補上了企業AI落地的這張拼圖。今天我們會把這件事情繼續往前推進，重點聊清楚：企業第一次做AI應該選什麼？Agent可以拿到多大的行動權限？客戶為什麼願意持續付費？以及一個30天的項目究竟怎樣去交付和驗收？

今天我們請到的嘉賓是於文奎老師，北京靈爪智能科技有限公司的創始人。靈爪智能關注企業AI生產系統、多智能體、知識庫自動化工作流和FDE現場部署。於老師現在嘗試用」30天結果」和」AI班子」這樣的表達，把複雜的技術系統轉化成企業老闆更容易理解、也更容易驗證的交互方式。今天這場直播我們會儘量減少概念層面的討論，討論真實的業務問題：什麼企業現在適合上AI團隊？什麼樣的企業應該先等一等？企業有一筆AI預算應該花在哪裡？FDE進入企業以後最難處理的是什麼？AI可以自動完成哪些動作是不需要人來操心的？項目30天沒有結果，團隊要繼續調整還是及時停止？

直播間如果有企業老闆、業務負責人、AI創業者、產品經理，或者正在研究AI Agent和FDE的朋友，今天可以把實際問題留在評論區，我們會在後半場集中挑選一些有代表性的問題，請於老師現場回答。

歡迎於文奎老師來到進取派會客廳，先跟直播間的朋友們打聲招呼，簡單介紹一下自己目前深耕的AI創業賽道和核心業務是什麼？

於文奎：大家好，我叫於文奎，我是北京靈爪智能科技有限公司的創始人。這個公司很新，今年7月份剛成立。我自己從春節以後就開始做Manus那個AI Agent業務，之後自己摸索了幾個月時間，一直在為企業提供AI部署的服務，後來自己再有一些研發，真正能夠進入到企業生產。我現在主要業務就是為企業部署這一套AI生產系統，現在也給了幾十家企業做了實際的部署，也有了一些進展。大概就是這樣一個情況。

Kiki：跟於老師是老朋友了，於老師之前在Manus剛火的那一波，就已經深入躬身到AI的大事業裡面去幫助企業做落地部署，FDE也是非常熟練的，已經服務了幾十家企業，有非常強的實操經驗。想問一下於老師，從入局AI到現在，您的創業項目目前處於哪個階段？最核心的競爭力是什麼？

於文奎：在春節之後，我因為弄的比較早，春節前我就已經有了兩家客戶了。春節後大概一直在部署，那時候都是我自己個人純粹的個人行為幫企業來部署。後來到成立企業，第一點，我在部署企業AI進程的時候，不是在講，是從春節前就已經進入到了實戰和落地的狀態。在春節後Manus比較火的時候，那時候我已經服務了很多客戶了。比較有意思的是，我出去在每次的分享會議、在很多地方都做過分享，基本上每場會議、每場活動沒有落空的，都會有企業找我進行落地。

這一點，可能很多人還停留在概念上，我這邊等於是真正的已經落地了。從春節前到春節後，一直有落地，真正能幫企業把AI落到生產當中——其實就是數字員工。一個是能幫企業節省成本，第二個是極大地提升效率。有些一個數字員工崗位可能替代好幾個員工，很多數字員工也能比人類做得更多、更快、更好。是真正的落地，真正的見效率。當然也不是那麼完美，目前AI Agent還是有一定的技術侷限性的，所以總體上還是真正的落地，真正一步一步往前走吧。

Kiki：於老師早期的時候，我們熟知這些走到企業里其實是偏AI Agent定製流的一個製作定製。現在FDE這個名詞其實挺火的，我也不太清楚它具體是在什麼階段突然就跳出來變得非常火了，您能給我們觀眾先科普一下嗎？

於文奎：FDE這個事情，最早其實是美國那個叫Palantir的做軍事AI的公司，他們是把自己的工程師派駐到國防部部隊的現場裡面去進行落地。FDE是Palantir發明的一個東西。但是從近年，OpenAI、Anthropic、亞馬遜、微軟都花了很多錢來成立專門的FDE團隊，讓懂AI的這些工程師進入到企業的現場進行AI的落地部署，產生效率。這個就是在矽谷、在美國熱的時候，事情自然而然就熱到了國內。

其實這個事情怎麼說呢，和原來的駐場工程師也不太一樣。FDE其實有一個問題——前天OpenAI的老闆Sam Altman接受採訪的時候說了，現在AI已經能夠發揮相當大的能力，但是AI進入到企業真正的實施，包括到個人真正的實施，其實還是有很大落差的。在企業AI落地上面，可能真正能落地、能夠產生很大的效率，即使在美國可能也只有6%都不到。所以現實的落差和AI的能力之間，就有這樣一個落差，所以FDE成為了一個必須。這個跟原來的網路時代也不太一樣，網路時代可能有個SaaS、有個軟體，培訓一下大家就可以用起來了，可以發揮起作用了。但是AI進入到企業，很多時候如果讓企業自己搞的話，就很難發揮起來作用，所以FDE這個事情就這麼熱起來了。

Kiki：在您服務這些客戶裡面，FDE能夠解決這些企業老闆百分之多少的需求？他們提出了痛點和需求，通過AI、通過FDE的駐紮，能夠幫他們解決到一個什麼樣的程度？

於文奎：我覺得FDE幾乎是必須的。我前後接觸過可能有一百多個企業老闆、企業客戶，大家首先都有一個問題是——這些老闆都已經認識到了AI非常重要，很多都有AI的焦慮，覺得如果不用的話可能就落後了，可能一年兩年以後就不行了。老闆肯定在戰略上認識到這個事情的重要性，但是各個行業的老闆，每個老闆都有自己的業務，而且經營的壓力都很大。讓一個老闆自己能夠把AI搞明白，這件事情本來就不太現實。

第二個，在企業當中，你讓企業原來的那些無論是程序員，還是已經做網路IT這一塊的，讓他們懂AI其實也不現實。別以為做網路的人他們自動就會懂AI，他們也懂不了AI。就更不要說那些正常的業務部門了——跟AI、跟網路無關的，比如客服、營運，這些員工，讓他們自動就能夠學會、自動能夠把這個AI進入到生產，這個不現實。

所以這時候必須有又懂AI的人，又能夠把AI能做的事情、AI的能力和目前AI的能力，把企業的業務翻譯給AI。在AI和正式的業務之間，其實是有一套鴻溝。把這個鴻溝能連上，能夠把企業的具體業務流程、具體的技能要求，翻譯讓AI能懂、讓AI能執行、讓AI能返回、讓AI能夠容錯，讓AI怎麼能夠把正式的業務真正跑起來——其實FDE在這裡面起了一個非常關鍵的作用。

也不是唯一關鍵的作用。我在實際落地當中，其實是還有很多問題的。很明顯的就是，即使你FDE駐場能夠把企業這個業務翻譯到AI這塊，其實在企業組織這一塊，大家為什麼要用，用了以後從企業組織機構這個角度來說，每個員工為什麼要用，用了以後我提升了什麼效率，提升了效率以後我個人會有回報嗎？學習能力強的人會走得很快，其他的人可能還會相對慢。就是企業AI進入企業的時候，第一個是老闆要重視，第二個FDE要進場，第三個，員工在組織激勵和組織結構這一塊必須要進行一定調整，然後才能夠過了一段時間以後逐步地落地。

Kiki：於老師解答得非常詳細。整個這一系列的入駐流程，主要還是要得到企業的重視，從員工到老闆、到整個業務流，整個FDE落實之後AI部署之後，要整個公司一起運作起來才是可以的。其實也打消了我的疑問，剛剛老師的解答是從專業的角度來解答的。很多現在的豆包也好、其他像Workbody也好，現在比較火的這些工作流能夠解決一些文檔執行的AI已經有很多，但其實要滿足企業級的整體系統的AI交付，還是要有很長的一個學習路徑要走，還是要專業的人、專業的事交給專業的人。

那我們回到問題：如果說一個產品今天可以被AI在48小時內複製，那其實還有什麼樣真正的護城河是我們能夠去提供的？如果明天有一個比您公司融資多100倍的公司，把您的產品功能全部都複製了，您最希望自己手裡還剩什麼樣的競爭力？

於文奎：這個事情其實挺好玩。你看美國的大廠，無論是OpenAI還是谷歌、Anthropic、微軟，其實都提供了數字員工或者進廠的業務。然後國內的網路大廠，從年初的百模大戰各種各樣出來，到現在騰訊的Workbody、千問的辦公、字節的辦公，好像看起來各個大廠都在做了。其實這裡面有兩個東西是比較有趣的。

一個是大廠做的各種各樣的，有一個是網路化的東西——平台化的，靠用戶付費、品牌化的、中心化的產品。另外一個就是AI這塊，微軟CEO納德拉，包括Facebook的老闆扎克伯格，他們有個觀點就是：AI是部署在你自己的企業裡邊，還是你租用大廠的AI設施？這是兩個分野。

微軟的CEO連續寫了三篇文章，其實就是有一句話叫：一定要將學習保留在你企業內部。如果你付了費，買了大模型、用了他們的Agent，再把自己的企業上下文給這些模型廠商和Agent廠商，等於你自己就是裸奔了。你可能用了三年以後，模型就可能把你所有的業務都學會了。所以這時候企業你必須——你可能需要用到雲端的頂尖模型，也有可能用本地的模型，部分簡單的事情用本地模型。但是上下文這一塊，企業上下文，就是說你自己的客戶、自己的Know-how、自己的知識產權，你肯定不能全部毫無保留地讓模型獲得。你或者可以用本地的、可切換的、可插拔的大模型，或者有一些即使很難用，你也要用本地的模型。在這塊一定要把自己的數據、自己的企業上下文自己保存好，這個才是未來必須的方向——每個企業、每個人都要有自己的AI，不是都用大廠的AI。

這是一個方面，這就有一個分野了。有一些比如說無所謂的任務、不重要的任務，你可以租用大廠的Agent來用；有一些任務是要你自己來做。而且其中還有一點，如果你用自己的數字員工、利用自己的Agent，其實這是有一個積累效應的。你部署了一個數字員工團隊，三個月、半年以後，你自己就有一個成熟的數字員工團隊；但是你如果是租用的話，半年以後你只要不續費了，你還是什麼都沒有。這是有這樣一個區別。

另外一個就是目前這個市場，你剛才說的如果有一個企業獲得了N倍的融資，你自己怎麼辦？後來我發現，這個市場完全還在水下。在美國、在全球，這個企業落地AI都不到6%。當你面對市場的時候，你看起來好像大廠的AI應用產品無處不在，但企業正在落地的，90%多的企業完全是空白。你真正做這項業務的時候，你會發現市場無處不在。這時候如果你只要能夠真正的落地，真正給企業產生了效率、節約了成本，其實這個市場才剛剛開始。真正這個AI時代，真正誰能走到最後，誰能真正獲取效益，真正為企業提供真正的服務，還沒到，遠遠沒到競爭的時候。即使是大廠。

Kiki：於老師這個資訊量很大。您剛剛說數據安全是每個企業都要重視的，那自己做的AI，或者說咱們FDE幫他們做的AI，可以去規避掉一些資訊安全的問題嗎？

於文奎：當然可以了。有一些像知識產權的數據，你可以在用本地模型——其實就是國內的開源權重的這些開源模型，在執行一些事情方面已經完全沒問題了。一些核心的東西，比如說用戶的數據、知識產權的數據、專有的Know-how的數據，你可能就需要跑在本地模型上，即使慢一點也要跑在本地模型上，你自己部署。

Kiki：本地模型有可能會被駭客盜取？

於文奎：這就是網路安全的問題了。如果是本地模型的話，你把安全設置好了，其實你都可以斷網了，你都可以跑嘛。這個安全問題可以完全防護，完全都好防護的。

然後另外一個就是，在你用有些業務，比如說雲端模型或者是大廠的Agent比較好用的話，你當然可以用，但是你不能綁定一家。你一定要把你的上下文，你的Agent Harness和你的模型一定要可插拔。就是我今天可以用Anthropic，但是我明天換成谷歌，是完全不影響我自己的Agent Harness。我今天可以用你這個大廠的Agent，我明天離開你這個大廠，我在我自己的設備上我也能跑我本地的Agent Harness。從這三點做好的話，企業是可以控制好自己的AI、自己的數據、自己的上下文和自己的學習能力。

Kiki：那我又有一個新問題了，大家可能都會去給企業建一個知識庫，那這個知識庫在調用的時候，在用不同模型的時候調用同一款知識庫，是不是也會數據共享給他們？

於文奎：知識庫和數據庫還不是一回事。知識庫主要是給Agent用的，不是像原來的數據庫是給人類用的。AI這個知識庫，企業的知識庫一般就是要麼用RAG知識庫，或者是最近比較輕量版、比較好用的知識庫，這兩類知識庫首先都是建在本地的。這個知識庫你也要——在實踐當中很明顯——要分等級。可能有一些企業知識庫是共享的，企業級的知識庫，可能是一些企業產品共同的知識，你建一個企業共同的知識庫。但有些比較部門的，比如說銷售部門、市場部門，都會再建自己的知識庫，這個全部都是要設置權限的。

Kiki：知識庫也是分散的？

於文奎：對，知識庫要按照部門設置權限。所有的知識庫都是建在本地，在編譯好的知識庫，因為都是碎片化的嘛，無論是RAG還是別的，都是碎片化的。就是只是會針對某一方面問題、某一小塊會加載到上下文當中。在你調用模型的時候，知識庫對企業本地的數據化其實是非常重要的東西，讓AI會更準確。但是這個是不會因為是本地化部署的，而且每次都調取片段，所以這個會能夠不斷地積累，是大廠拿不走的東西。

Kiki：那如果說我們FDE幫助一家企業去建立一個整個公司都能用的AI模型，是屬於他們公司自己的模型，那它得建立在什麼樣的機器上來跑，才能運行到覆蓋整個公司的人員使用？

於文奎：這個就是AI部署的問題了。AI部署就是兩塊嘛，首先一塊就是Agent這一塊，Agent Harness。目前這個Agent Harness這個事情，在2025年就相對比較明確了，大家都已經明確了。但是在Manus出現之前，真正能夠AI能夠跑起來的還是很專業的，看起來還是個很高端的活，這個只有一些專業的企業、一些大企業才能夠做一些Agent的活。其實從Manus出來以後，到後來出現的各種各樣的百模大戰，包括到現在的各種各樣的Agent Harness，這個Agent Harness這一層已經不再是什麼很高深的技術了。

任何企業都可以部署。無論是像前兩周剛出來的DeepSeek Harness，完全開源的一個可插拔的Harness層，你企業就可以自己部署，你可以基於DeepSeek Harness來做，也可以基於Manus開源的這個Agent這一層來部署。還有你看馬斯克也搞了一個GrokBot。還有目前比如像Harness就這些Agent的層，你可以自己基於Python或者是基於其他的內核來開發。但是我覺得一般來說沒有必要重複造輪子，這些開源的Agent Harness，你選一款選型，選一款Agent Harness做部署就行了。

Agent Harness這一層就是執行這一層，然後就是大腦這一層，模型這塊。其實就是你有一些相對複雜的事情，你可能還是要用到雲端的頂尖模型，這個你還是就是要購買，但是要變成可插拔的。有一些重要的東西或者是私密性的東西，隱私性比較強的主權性比較強的，你還是要可能要部署一些本地的AI。但這個部署的時候，就是你有可能你是部署在你自己本地的機器或者是自己的私有服務器上。其實有一些涉外就是不涉及到內部的業務，你同樣部署在雲上也是沒問題的。但是你如果是自己有私有的服務器或者是部署在本地，可能這樣就更好一點，因為這樣會有個積累，或者是操作本地的文件會更方便。

Kiki：於老師這個問題回答得非常詳細，不知道直播間有沒有對AI比較了解、能聽懂於老師專業解答的朋友。剛剛通過這一個問題延展出了很多我自己的小問題，被老師敲醒了數據安全的這個大警鐘。那我們先跳出FDE這個問題，回到AI創業這一塊。從以前做出來需要寫代碼，到現在AI就可以幫我們寫代碼，AI創業整個的最大的矛盾是不是已經變了？今天一個創業者可能最大的競爭力，究竟還是不是創造力？還是應該判斷他究竟要捨棄哪些部分，哪些不應該做，哪些要重點去放大去做？

於文奎：我也不談理論，我就談從我自己的實際經歷來談。其實我是做了很多企業，也給了很多個人做了AI進去。我一開始也想過這個事情，就是比如說我要面向To C服務還是企業的To B服務。To C的服務，你想現在肯定是豆包在國內用戶量最大，全球就是OpenAI的ChatGPT用戶量最大。

這時候我給企業部署的時候，你真正跟個人部署的時候，其實真正感興趣的個人、真正部署的個人，有一個詞彙叫Prosumer，或者叫高能動性的人。其實就是這種專業人士，的確你有了AI加上AI Agent，是能夠給這些企業和有專業能力、主動性強的人來賦能的。大部分的C端用戶，他其實是無感的，就是」我為什麼要用這個東西，我有AI我不知道幹什麼」。就是你讓這個有了AI和AI Agent以後給你憑空創造出來一個新東西、創造出來新業務，這個可能性不大。

很現實，就是大部分，比如說在現實社會當中，你的工作、你的創業都沒有的話，你想有了AI，就突然給你創造出來一個賺錢的，或者是一個創造出來一個新業務，這個可能性不大。所以從這個AI創業的角度來說，一定是你自己已經有了不錯的業務，或者是你自己有了方向，或者是你已經業務已經有的，AI能做的事情是放大你——把你一個人放大成5個人、10個人。按照馬斯克的說法是，一個人可以放大到43倍，一個人可以變成43個人。就是能夠放大你。第二個是能夠把你做不到的事情，比如說你原來是個文科生，你現在可以變成一個程序員，也可以變成一個產品經理，變成一個運維的人——就是你會有很多你不會的事情，你都可以做了。你這種財務的，你可能現在只要有你有了一個AI數字員工團隊以後，等於從這個產品研發、測試、開發，然後到客服到營運，甚至到銷售到BD，其實AI都能幫你提升。

第一個是能放大你，第二個是能夠把你的知識領域、把你的專業能力跨領域。還有一些你做不到的事情，原來在網路時代做不到的事情。比如說讓你每天分析幾十萬份數據，你在網路時代幾乎就是非常大的任務了，你讓AI Agent自己去乾的時候，可能每天都會有一個很好的數據出來，就會提升，會把原來網路時代做不了的事情做了。

所以總體上來說，在網路創業者時代，你要找到方向，你要看到未來兩到三年，然後你能用AI來增強你、放大你。還有就是創業企業能夠用AI來把你的業務加速，能夠讓很多的事情讓AI來執行、讓Agent來執行。然後在大企業這個角度來說，你要為AI轉型，數字員工只是一個入口，數字員工或者知識庫只是一個起步。你可能大家都要有這個思路，可能兩年、三年、最多五年時間，可能大部分坐在辦公室、在電腦面前執行工作的人都是Agent。要做好這樣的思想準備，要做好這樣的業務調整架構。所以無論從大企業、小企業還是個人這一塊，從你自己做事這個角度來看，你都要擁抱AI，然後從自己的角度來切入AI。

但是從實際過程當中，我看有一個專業人士，很明顯的例子，他原來是做諮詢業務的。他原來要手工做，每個月只能做一單，一單大概二十萬塊錢。有了AI Agent以後，因為做諮詢嘛，諮詢這塊業務涉及到多種語言、專業的服務、很專業的東西，他原來自己就要很細緻地做。他有了AI進來以後，他立刻這個月就可以接三單，自己的產量就翻了三倍——原來二十幾萬，然後就變成了四十幾萬。這個是很明顯的例子。如果你自己沒有東西的話，你讓AI給你創造出來一個東西，這也是可能的，但是可能性不大。你把你自己既有的能力、既有的業務增強放大，是創業的地方。

Kiki：謝謝於哥。於哥還是呼籲大家，不管是創業還是不創業，大家都要積極擁抱AI。我今天看了一個數據，整體是一個大的像馬賽克一樣的畫面，其實整個全球來說，使用AI的可能只占三十分之一都不到，每天用Agent來工作的可能就只有這一個面當中的一個小點。所以說我們一定要積極擁抱AI，找到更多適合自己開創事業或理想的方向，找到自己的經驗所在，然後把任務讓AI去做放大、做加速，把你的知識領域擴大，慢慢找到方向，有前瞻性，這樣去做創業會有更大的成功率。

那我們回到問題：一家企業第一次正式嘗試接入AI智能化，只能選擇一個場景先接入的話——獲客、銷售跟進、內容生產、交付管理、決策、知識沉澱——你會按照什麼樣的標準給他排優先級？

於文奎：企業進入AI實際落地這個事情，倒不是我們想怎麼做——比如說我們按照想象，肯定是最重要的、最能夠產生效益的業務流程來實現改造。其實我能感覺到，首先第一個，老闆得有這個積極性，就是老闆得能認識到，一號位要認識到這個事情的重要性，然後老闆一號位願意推進這個事情。第二點是得有一套組織系統，比如說整個企業級得有一個人來負責這個事情、推進這個事情。第二個可能每個部門需要指定一個人來負責AI轉型、AI落地這個事情。就是從組織上面、從思想上面要有保證。如果沒有的話，你FDE進場以後，員工特別是有些員工，他不願意學，或者是還有一些牴觸——「如果AI都學會了，我怎麼辦？」這是很多企業會有這個問題。但是我接觸過很多企業都不是裁員，反而AI學會了不是裁員，而是擴大業務範圍了嘛，你可能原來是五個人，你現在變成五十個人的生產能力了，而不是裁員。

從這個角度，第一個得把從思想和架構的層面先做好。然後企業層的業務落地的時候，其實每個企業，因為我接觸到的，通過自己實際看，就是各種各樣的企業都有。相對來說電商會多一點，就是原來已經數字化相對好的，都是在電腦上面執行的工作，數字化相對好的這些企業執行落地起來會快。如果企業你一點數據都沒有，你也不是在網路上，全是線下的生意、線下的業務的話，其實這個AI落地會更慢一點，更麻煩一點。

再就是企業AI落地還有一個問題，就是我跟企業接觸的時候最大的一個問題——企業老闆很多都不太懂，第一件事情就是」AI怎麼幫我賺錢？「其實這個事情就是有點讓你哭笑不得。怎麼幫你賺錢？就比如說你一個企業，你多僱傭五個人、多僱傭十個人就能幫你賺錢嗎？你肯定是根據你業務的需求，你在招聘人。然後能不能幫企業的效益放大，而不是AI來了就立馬能幫你掙錢。這也是個很普遍的思想認知問題。

所以當AI智能真正進入企業的時候，其實你是找一個最容易見效的部門、最容易見效的業務。你像我給一個電商老闆做了一件事情——他們的電商，他們會有一個競品，競品肯定是賣得非常好，每天能在網店上面賣十幾萬。然後他就想這個競品為什麼能賣這麼多、為什麼賣這麼好？這個競品在淘寶店上面可能就有幾十萬條評論，累計有這麼多評論，他自己也不可能去一條條看這些評論。但是他讓Agent現場登錄以後，現場把幾十萬條評論抓取回來，然後做了相關分類——客戶為什麼會買這個產品，好在什麼地方，有差評，差在什麼地方？無論從產品性能、特徵，各方面數據。當這個AI Agent幫着這塊業務，幫這個競品分析的任務，在十分鐘之內搞定的時候，這個老闆就驚呆了。這原來是他可能讓一個員工整理幾天，整理三天、五天、整理一周，能不能整理出來這樣一個競品的結果？當有這樣一種業務，讓AI能夠很輕鬆完成的任務，而人類需要很漫長來完成的時候，老闆就能立刻見到效果了。老闆在決策這塊，我的產品怎麼調整，怎麼做，老闆立刻在認知上就有一個極大的調整。那可能他立馬會調整產品，新品的研發會怎麼樣，立刻會對企業的業務，在決策這塊起到很大的作用，這就是很明顯的。

然後另外一個，比如說在營運這塊，我還拿電商舉例。原來可能稍微大一點的電商，你可能有各種各樣的貨架電商——京東、淘寶、拼多多、抖店、小紅書，還有國外的各種各樣店。你可能每一個品類、每一個店的數據、每個店的營運，原來都是有一隊一隊的人、一個小組一個小組的人在營運。你現在讓AI能夠把這個事情，比如說商品詳情頁、商品上架以後每天的數據，讓AI、讓一個人監督一個AI，然後立刻就能夠取代三到五個人的工作量。這個效果也是立竿見影的。然後比如說老闆就能看到這一個商品在各個平台，今天的銷量怎麼樣，明天銷量怎麼樣，然後整個這一周的銷量怎麼樣，他立刻就能做出調整，立刻在戰略上做出調整。就是從這個真正見效的地方，讓老闆能夠切實看到節約了成本、提升了效率，能夠切實見到效益的地方，這個是最容易的地方。

其實大多很多老闆經營壓力沒那麼大的時候，他並不是太想裁員。他只是把這個事情能做好了，然後你們必須把這事情做好。現實當中企業還是有很多惰性的嘛，還是有很多慣性的。當你把這個真正打穿一個業務——不是你坐在自己家裡想」我幫他哪塊業務做好了」，其實你坐在家裡想是沒用的。

Kiki：其實主要還得老闆自己重視企業AI化，企業內部的進化意識強，積極擁抱AI，不被淘汰，才會有更大的業務擴展和效率以及收益的擴展。也要找到那個能夠見效的業務，才能促進整體的重視，讓老闆見到效就知道這個東西好，然後我要積極擁抱它。這個其實我覺得從市面上交流下來，可能像於哥剛剛分享的電商這個案例，確實AI在電商營運領域上的應用是最成功的，很多電商老闆用它提效不是一點點，是幾十倍甚至上百倍。

那您覺得AI Agent的商業價值，更多是體現在幫人來工作，還是逐步去承擔一些結果和負責一些責任？在您到企業裡面去設計的這個過程里，哪些動作是可以自動完成的？哪些動作是必須由這些企業的負責人再去確認的？如果說AI執行出現了錯誤，那企業和咱們服務商怎樣去劃分責任？

於文奎：這是一個很大的問題。你現在去看一些企業，無論是大廠的還是一些創業公司的，你看他們把這個企業數字員工都說得非常完美，看起來好像非常牛逼，其實不是。AI Agent是能夠幫企業幹活，但是遠遠沒到能夠真正把人類取代、能夠完美地把事情執行完，遠遠沒有吹得那麼好。

2025年可能Agent還沒那麼成熟的時候，可能大家看到AI一個問答、在決策上面、客服上面有一些基本的業務能幫你做好。其實到了2026年，AI Agent能夠做很多事情了，但是遠遠沒到完美的時候。所以你從這個企業真正落地的時候，你從三塊吧。

第一塊就是重複性的業務。這個很明顯，AI會比人能幹得多。現實當中的例子，一個是客服。你本來可能需要五十個客服，你現在可能用AI，你可能十個客服，每個客服指揮五個AI員工就可以把這個事情幹了，或者幹得更好了。這個是很明顯的。但是你也不是把客服的事情全部百分百都交給AI來干。雖然是這種重複性的、相對比較基本的工作，你還是要有人——可能AI能夠給你完成到90%，你還是要一個人指揮幾個Agent，在關鍵的時候還是要人把關。你就是讓它全自動化運行，還是極少的一部分能夠全自動化運行。

第二塊是創意性的工作。這個就相對來說，比如說讓他做圖片、做影音，或者是讓他做一個情報研究，這個因為沒有什麼一定的客觀標準。這個圖片，這個審美有各種各樣的嘛，所以你可以讓AI來做，相對要寬鬆一點。你一個人就可以，你原來可能需要美工設計，那可能你需要很多人，你用AI來做，然後人做一個最後的把關修訂。這類的工作相對也是沒問題的。

第三塊就是流程性的工作。這個我在現實當中是踩過坑的。除了重複性的和創意性的工作，流程性的工作，AI這個大家熟悉大模型的都知道，你看比如說你做圖片的時候和做短影音的時候，它其實有一定的隨機性——它不是確定性的，不是程序性的確定性的規則性的東西，有些時候它是有一定的不確定性。同樣的工作，昨天這個流程能跑得好好的，今天為什麼就跑不好了？一開始的時候，大模型不是最聰明的大模型，為什麼做不好？這個事情就是要有一定的過程。不要大家以為我有一個Workflow、我有幾個Skill，我就能夠把這個流程性的工作能夠穩定地跑下來。這個其實是要有一定的磨合的。你這個Skill怎麼來做，從Skill的前數據介紹這個層面，到程序這個層面，到參考數據的層面，一個Skill是要反覆打磨的。

然後在整個工作流Workflow這一塊，你也是需要很多地方，你並不是全部交給大模型去判斷，你要有這個程序，用腳本來跑的。當它多次糾正、多次跑以後，然後能夠把這個用程序固定下來。比如說到某個流程，你必須要程序來判斷。用模型跑完了以後，你必須有個判斷，你達到什麼樣了，你才會放行到下一關，然後再進行到下一關，按照這個流程跑完。所以這種流程性的工作其實是要有一個過程才能夠落地的。但是流程性的這部分工作，反而是最重要的事情。因為大家上班嘛，每天上班可能大部分的工作都是類似的流程性的工作，但是AI在這塊執行的時候，其實相當於是不確定的。

我覺得在開始的時候你可能連60%-70%這個能力都達不到，你經過一段時間以後，你可能才能達到個70%-80%以上。這時候可能還是你需要——比如說原來你一個人每天有三個工作流，每天就重複的業務，你可能現在你用一個人用AI能夠把這個業務放大兩倍三倍，但是你人還是要把關。你可能會能夠幫你能力放大兩到三倍，但是它還是有可能是錯的。所以大家不要以為AI進入到企業了，某個崗位就能把事情完全自動化執行了。Agent現在能夠完成大部分有些最好的地方，比如說在編程這一塊，它可能完成90%以上。客服這一塊重複性的工作、創意性的工作，因為講的就沒那麼標準化。流程性的工作，還是要有一個過程，慢慢進入到能夠把這事情穩定地執行下來。這個還是有個過程的。

這個模型的智商，你比如說你用雲端的頂尖模型，你和用本地模型這個也會有差距。但你換一個模型的時候，上下文重載的時候可能也會有問題。這個還沒到特別成熟的時候，這只是一個開始。如果是市面上吹牛能夠幫你100%什麼都搞定了，那肯定是吹牛的，肯定不用講，肯定是吹牛。

Kiki：所以使用的過程當中還是要反覆去打磨，還是要憑藉着自己的經驗去做一些事情。那這樣看起來的話，AI現在反倒去寫一個產品是最簡單的，就是利用它的代碼能力去寫出一個產品、一個APP是最簡單的。

於文奎：這個現實當中也是這樣，就是GitHub的代碼提交量已經增加了N多倍了。但是事實的情況是，如果你不是在網路時代你就是一個很好的產品經理，或者是你沒有一個很好的能夠取得PMF的產品的話，你現在讓AI給你寫出來很容易，你怎麼Go to Market？

Kiki：去跑通商業化很難。

於文奎：對，基本上是百分之幾，就是這種事情。你用AI來創造網路時代的產品，然後你再想獲得這個——我覺得反正也許有空間，但是空間不大。其實在網路的這個時代，大家本來就不缺產品經理、不缺研發，這個市場已經是一個充分競爭的市場。因為AI把做產品、做研發這個事情把它加快了、變簡單了，你就能夠獲得市場了，這個好像有市場，但是很小。如果是真正做的話，在AI這塊創業做的話，我覺得不是把AI創造產品進入到網路的紅海裡面來競爭，還是你要從AI Native的一些業務，AI面向未來的兩三年、三五年，面向AI Native，然後去做一些方向性的探索。

Kiki：對這方面的話，我覺得還是要有更深的用戶思維。創業不管是哪個方向，都是要具備這些。那其實也是掉到了下一個問題——前幾期的嘉賓都不約而同地提到了行業經驗是壁壘，每一個企業都要知道自己的Know-how是什麼。但是什麼情況下這個行業經驗才能成為真正的壁壘？您認為在什麼樣的情況下，一個專家多年的經驗，它會只能變成一個知識庫放在那裡？在什麼樣的情況下，它可以變成一個AI獨有的決策系統，來幫他去做出更多的決策，讓他提升效率？

於文奎：我覺得沒那麼重要。有一句話就是說」有AI讓中等生又迎來一個春天」。就是好像有了AI，有了網路經驗，有從業經驗，有多年的職業積累、工作積累的中等生，好像又有了春天。這個是某種程度上是對的——35歲以後可能你找不到工作了，很難，或者說很難找工作了。的確，現在AI能夠把你已經有的專業知識、已經有的對這個業務的認知、你的Know-how，把你的專業知識放大N多倍。然後在你的專業領域也會幫你補齊，今天你突然會變成自己一個——有一種好多時候發現一種超人感，就覺得自己文的武的，文科的理科的，全都要會了。搞市場的搞營運的自己也都能搞了。這個的確會把這個中等生增強。

我覺得AI對年輕人來說，可能是更好的一個東西。就是年輕人在AI上面的機會一點都不會比中等生少。專業知識對中等生來說，可以把人放大很多倍，但是對年輕人來說，你一開始就是用所謂的AI Native，這一幫長大的小孩，他天生就是用碳基大腦和硅基大腦共同來執行業務的。這個還是有很大的優勢，就是未來的時代還是年輕人的時代。

專業知識和積累的Know-how，重要，可以放大你，甚至能夠讓你創業，甚至能夠讓你重新找到工作，甚至能夠讓你薪資翻倍。就是可能你能夠有AI的能力，你可能把工資都翻倍了。的確會增強這個人，但是也並不是對年輕人來說就是一個劣勢了，並不是一個劣勢。

Kiki：那其實聊到了年輕人這塊，就會聊到現在很多企業里也有很多懂AI的年輕人，各個大模型都有用過，Agent自己也會搭。那現在企業自己也能買一些Token自己搭智能體，那AI創業公司最大的競爭對手的話，未來會不會是客戶自己？就是這些公司自己。這些公司之後，我們做FDE也好，做其他公司也好，賣給這些企業到底是一個什麼樣的形態？如果說客戶自己也能做了，那我們讓他們付費的核心價值是什麼？

於文奎：的確是要宏觀一點看這件事情。現在AI就等於是2026年，AI Agent包括FDE這個事情是2026年算是剛開始吧。在這個可能三到五年的時間，企業的AI Agent會落地，就是企業會實現AI化、AI的轉型。就是可能大部分的生產由AI Agent來執行了，可能人只是做一些判斷、一些品味、方向選擇、決策這些方面的事情。這是一個過程。

這個過程可能是現在現實當中的確落差很大，所以需要FDE進入到企業現場。但是這是一個過渡階段。AI進入到網路的時候，人類進入到網路這個時代的時候，其實網路化也是花了十幾年的時間。進入到AI這個時代可能會更快，可能三到五年的時間。但是三到五年的時間也是一個過渡，企業最終都會使用AI。所以FDE這時候是你是一個來搭橋的人，但是當這個橋鋪通的時候，其實FDE就沒你什麼事了。可能還有一部分能力強的企業會自己就把這個事情已經做了。所以FDE這個企業AI化這個事情，也就是三五年的事情。

真正AI厲害的地方，它是可以說是把人類從勞動當中解放出來，讓人類能夠從事一些更高級的，或者是一些更輕鬆的工作。當AI能夠把很多重複性的人類勞動、艱苦的工作去幫人類幹了以後，其實AI更多的能力——你看，比如說前兩天Anthropic的老闆Dario Amodei被批得比較狠，就是AI智能的能力是什麼？你看他因為購買了一個生物製藥研究的這樣一個企業，讓他能夠把三到五年之內把癌症克服的話，那可能他這一個企業就會有幾十兆的市值。如果是在比如說長壽藥、新材料、新能源，這些新的科學發現，就是AI for Science，這個可能會創造出來，可能是目前現有GDP的幾倍、幾十倍，甚至上百倍的這樣一個新的人類財富的形式。

目前這個AI的時代，真正的AI Native的財富，AI Native的人類的前景，不是在改造現有產業這一塊，是在AI創造的這一塊，就是AI for Science這一塊。現在做AI for 企業只是一個三到五年的過渡性的工作，企業厲害的、大的企業自己就可以把它做了，肯定這個事情肯定不是一個長久的事情。所以大家也沒必要把這個就不會像原來的SaaS那樣成為一個長遠的一項業務。當企業自己掌握這個以後，就的確就是沒你什麼事了。

Kiki：我覺得於老師今天給我解惑了。因為我最近只要刷到FDE這個詞，可能都是抱有長期的一個願景周期，就可能十年之後的這樣的一個趨勢。在您剛剛這個解答裡面，三到五年其實是我心裡的答案。所以在我看到十年這樣的趨勢的時候，我就是在思考這個問題，剛剛您的解答完美地覆蓋了這個疑問。

那如果說今天從零讓您創辦一家AI公司的話，您會保留哪些必要的崗位，又會從第一天開始就不招哪些崗位？未來會被AI替代掉的，除了像客服這種的。

於文奎：我覺得人還是很重要的。就是和真實世界的人交流溝通、建立信任，這些崗位是必須要人來做的。你比如說同樣是一個設計師，但是AI是什麼都能設計出來，但是你人類這種品味、人那種審美，AI永遠做——AI也許能做出來，它永遠跟人不是一回事。像這些就需要人的審美、需要人的判斷。這類的工作，需要現實當中和人去溝通的、建立信任的、建立溝通的這樣的崗位，比如說銷售，比如說這些關係，這些必須是要人來做的。比如說寫代碼，一些重複性的問題，就是AI能夠乾的事情，人類其實幹這種事情也沒意思，把人圈在那個座位上，每天干那個重複性的事，也是消耗人。就把這些事情讓AI去干，把苦活髒活累活讓AI去干，真正有創造性的、有品味的、和人交流、建立信任、溝通的這些崗位，還是需要人來做。

Kiki：那您今天分享了這麼多，能否分享一次您印象最深的做FDE在企業裡面推進的案例？按照客戶原來是怎麼樣做的，FDE進場之後會先處理什麼，AI接手是哪一步，誰來負責確認，最後看什麼樣的指標，第一周做了什麼，到第30天企業應該看到哪些驗收的變化？

於文奎：我以前經常會舉過一個案例，就是一個媒體，他有一個三班倒的編輯，8個小時一個人，每5分鐘大概左右發一條快訊出來，他要去全球去采編這些快訊，然後要翻譯好、編譯好，然後手動的發布到後台——就和金色財經都很類似，要發布到APP和網站。每8個小時一個人會要換班。

其實就這件事情，我就幫這個媒體做了。做一個AI Agent，然後它每5分鐘去從指定的網站上面、指定的資訊源上面去採集這些新聞，然後去掉重複的，然後把它整理成一篇200字左右的快訊，然後自己發布到後台，自己發布到APP和網站，然後24小時不停地干。這大概也就是從需求，然後再到新聞源，再把這個Agent做出來，可能也就是兩天時間，然後大概跑了可能有個三天時間，基本上就能穩定下來了。也就是前後不到一周的時間，根據企業的需求，然後產品，然後到測試到跑起來，也就一周的時間。一個AI Agent就可以把這種重複的、低效的工作就取代了。當然它除了中文的之外，還有英文的、韓文的，原來可能得有八九個這種快訊的值班編輯，他現在可能每個語言可能只要有一個人再來看着就行了。

但是就的確，你並不是，我剛才也說了，就並不是那麼完美的。你以為給一個數字員工就能夠把這事情都做了，這個大模型和Agent，好多時候它還是會出錯的，會有一個訓練的過程。我當時給他做這個快訊的時候，他或者是發重複了，或者是格式沒遵守，就是總是會出現各種各樣的問題的。然後有一階段有個幾天或者是一周以上的時間，讓它真正的能夠穩定的跑起來。反正目前看還是不能離開人的，就是還是要人兜底。大部分就是重複性的工作，還是要有一個人兜底。

這是一個很典型的案例。然後還有一個也是從年前做的，本來是一個流程，就是比如說有兩個人去盯着這個消息，根據這個消息，然後再產生製作成產品，然後再發布出去——這個具體什麼業務、具體什麼項目就不說了。他本來也是有四個人左右，把這個業務整個這一套工作流跑起來，兩個人盯着消息，一個人製作產品，一個人去發布，是四個人來幹這個事情。當你把這個業務流程給它梳理好，然後再讓AI一個環節去跑，然後按照這個工作流去一個流程跑下來的時候，當你很穩定地跑下來的時候，也得花一個星期左右的時間，它就能夠把四個人的工作就幹了，這四個人就可以干別的事情了嘛。但是你可能你原來是四個人全職在幹這個活，你現在留一個人幫這個工作流盯着，你可能還，而且也不是一個工作流，你可能人盯了幾個工作流。這個的確會把業務能力、把這個效率要放大至少是幾倍到幾十倍，的確是能夠實現的。

Kiki：您覺得未來一年內最值錢的AI公司會是什麼樣的一個畫像？

於文奎：怎麼說，我覺得是未來最大的一個——你看現在AI最掙錢的是AI上游，做晶片的、做封裝的，就是做雲端運算的，就是提供供給側的這一塊業務的。AI的供給側，大家都已經掙到錢了。在AI的消費這一側，一個是企業，一個是個人，一個是面向未來。其實這個未來這兩三年的時間，企業的AI肯定會有一個全面的AI化轉型，是一個幾十兆的產業要嫁接到AI這一塊。等於是AI的消費端、企業消費這一端，肯定會是一個機會。但是我覺得最大的機會還是AI for Science，就是AI面向未來創造出來的，AI創造出來的、面向未來創造新東西，這一塊是最大的財富機會，也是最大的浪潮。我覺得年輕人還是儘量往這個方向去走，去做模型，做AI for Science，做AI for AI。AI放到企業，你可以讓這些老人們去做，本來就是髒活累活。

Kiki：於老師建議非常前沿。那我們剛剛是聊了未來的展望，那我們也給直播間的一些朋友一些建議：如果說直播間有一位老闆，明天想啟動AI落地，您會建議他先做哪三件事情？第一筆預算或者說第一位負責人來跟進，第一個階段的目標怎麼定？

於文奎：我覺得是先跑起來，就是先落地。就是反正老闆沒意識到的話，我覺得你沒必要去拓展這個客戶。老闆一定要認識到AI，但這個大部分都已經認識到，只是認識的深淺問題。第一個是認識到了，第二個是要能立刻實戰。就是把某一個業務、某一件事情，現實的事情，你不是Demo、不是演示、不是網路產品的演示，就是你真正的用Agent幫他某一塊業務跑了，真正見到效果，才會一點一點地推進。不要像網路時代大家去怎麼怎麼那套流程化的東西。老闆能夠認識到，然後你現實給他落地，現實讓他驚掉下巴，然後下邊的事情再一塊一塊地推進。從員工的素質、員工的學習積極性——這個很明顯，我落地的時候就有學習能力特彆強的員工，很快就學會了，但很快就跑掉了，學會了他可能就能拿到兩倍三倍的工資了。就是要從最容易見效的地方、最容易落地、最容易見到效果，然後老闆自己能夠實操。要真正的幹起來，真正的落地，真正的見到效果，然後這個事情才能夠一步一步地快速地推進。

Kiki：對，現在整體國內的大環境，各個大廠都在卷這個AI大模型，其實在整個行業認知上已經在不斷地往各個企業老闆的大腦里去植入——AI一定要擁抱起來。所以大家一定要擁抱起來，先有一個積極態度去面對，才有改進企業生產效率的契機，然後才有可能去更加擴大企業收益。於老師的建議都是非常中肯的，毫無保留的分享。

今天也是意猶未盡，我聽到老師這些非常真實的案例，還有接地氣的分享，都是意猶未盡的。非常感謝於老師今天的分享。今天這一個小時，我們從AI創業到AI企業落地的宏觀判斷，一直聊到了非常具體的業務現場、業務案例。第一次以企業端調用AI團隊做事是選一個什麼樣的場景，Agent可以拿到什麼樣的權限，我們保證數據安全怎麼樣去部署，以及客戶為什麼願意選擇FDE去持續付費，FDE能夠代替很多專業性的、或者說解決企業效率的一些事情。

我今天也特別深的一個感觸，就是企業AI的價值，最終要回到我們的真實業務裡面，先跑起來。不管是模型也好，還是工具也好，我們先用了，自然會給我們很多新的可能。當企業真正開始行動的時候，仍然需要把一些具體的問題和安全意識，以及對於AI的良好看法——不是說擁抱AI就一定會自己被取代，反而是你自己在不斷地進步，可以拿到更高的薪資、更大的業務。從數據權限還有驗收這樣的標準上，於老師一項一項地幫我們去講清楚、梳理開來，去給我們做一個講解。AI可以承擔很多重複性的、創意性的、流程性的工作，但人們依然還是需要去做一些關鍵的判斷和對業務後果來負責。

上一場我們談FDE，今天又從於老師的實踐裡面看到FDE的另一面。每一位來到我們進取派會客廳的嘉賓老師都是非常優秀的，也都是用自己的方式回答同一個問題也好、不同的問題也好。AI怎樣從一個令人興奮的新技術，逐漸變成一個企業每天都能使用的生產力。於老師今天給出的答案，都是從具體問題開始，從實踐裡面去交付，鏈接技術以及業務，再去把這些有效的方法沉澱為可持續的能力。

對於直播間的企業老闆來說，今天不需要馬上就有一個很大的AI規劃，我們可以就是先去想清楚，我們要用AI來解決一個什麼樣的問題，我們可以通過什麼樣的手段來做一個提效，然後來確定企業內部一個真正對AI提效這件事情負責的內部負責人，找到一些想要解決的問題，一些行業的最優標準。對於AI創業者和FDE的從業者來說，也可以反過來去檢查自己的方案——客戶購買的是什麼？項目結束之後可以留下什麼？下一次交付的時候可不可以做一個同樣的經驗復用？

時間差不多了，再次感謝於老師，也感謝今天一直停留在直播間的朋友們。大家也可以加入我們的社群，多多留下問題，我們也會繼續整理，為後續的節目選題和嘉賓交流提供參考。如果今天這場直播對大家有幫助，最後也可以關注一下我們進取派。想請於老師用您的一句話，送給我們正在嘗試把AI帶進真實業務里的朋友，來結束今天這場直播。

於文奎：AI不是學出來的，AI是干出來的，一定要進入實戰，要燒Token。

Kiki：好，希望大家都是實戰派，在這個AI浪潮里抓住屬於自己的機會。謝謝大家，我們下一期進取派會客廳再見。謝謝於老師，謝謝大家！

來源：金色財經

發佈者對本文章的內容承擔全部責任
在投資加密貨幣前，請務必深入研究，理解相關風險，並謹慎評估自己的風險承受能力。不要因為短期高回報的誘惑而忽視潛在的重大損失。