- 企业 AI 落地的难点，不只是模型能力，而是业务场景、数据基础、流程承接和人员使用。
- FDE 不应被简单理解为售前、驻场外包或传统实施，它更接近“对客户现场结果负责的部署型工程人才”。
- 制造企业可以借鉴 FDE 思路，培养既懂现场改善、又懂 AI 工作流的内部关键用户和项目负责人。
为什么 AI 项目常常停在演示阶段
很多 AI 项目在会议室里看起来很顺利。模型能回答问题，界面也足够漂亮，管理层很容易看到想象空间。但一旦进入工厂现场，问题会立刻变得具体：数据是否可信，权限是否允许，输出由谁复核，异常发生后谁负责行动，系统建议会不会改变班组会议，质量工程师是否愿意使用，设备维修记录是否足够完整。
这些问题不属于单纯的技术问题，也不属于传统咨询报告可以一次性解决的问题。它们发生在客户真实工作流里，既涉及业务判断，也涉及系统配置、数据治理、岗位职责和人员训练。AI 项目能不能落地，往往取决于有没有人长期贴近这些细节，把“模型能做什么”翻译成“客户每天怎么用”。
FDE 到底在连接什么
FDE 可以理解为站在客户现场与产品能力之间的人。它不是只在签约前做演示的售前，也不是按工时派驻的外包，更不是只交付建议的传统顾问。FDE 的重点在部署：找对问题，进入客户工作流，组织试点，推动使用，验证价值，并把现场学到的经验反馈到产品和方法中。
放到制造业场景里，这个角色需要同时听懂几种语言。管理层说的是经营目标，生产部门说的是产量和节拍，质量部门说的是缺陷和客户投诉，设备部门说的是停机和点检，IT 团队说的是系统接口和数据权限。FDE 的能力不是替每个人说话，而是把这些语言整理成同一个可执行的试点任务。
业务说不清需求，技术容易从工具能力出发。
把问题拆成损失、指标、岗位动作和可验证试点。
报表存在，但口径不一致，数据没有进入复盘节奏。
识别最小可用数据集，定义人工复核和使用场景。
功能上线后没人用，或只在项目期间被动使用。
训练关键用户，把 AI 输出接入会议、审批、复盘或标准作业。
试点结束后经验分散，难以复制到其他线体或工厂。
积累模板、知识库、案例、检查表和复制条件。
制造业为什么特别需要 FDE 思维
制造业不是天然适合“拿来即用”的场景。同一个质量问题，在不同产品、不同工艺段、不同班组和不同供应商条件下，可能有完全不同的根因；同一个 OEE 指标，在不同工厂的停机分类和标准速度口径也可能不同。AI 如果不理解这些差异，就容易给出看似合理、现场却无法执行的建议。
FDE 思维提醒企业：AI 落地要靠近问题发生的地方。不是先做一个宏大的智能平台，而是先选一个损失明确、数据相对可用、使用者清楚、复核机制可建立的场景。比如 OEE 日报解读、质量历史案例检索、设备异常复盘、改善项目跟踪、客户投诉初步分层，这些场景不一定最炫，但更容易让客户员工每天用起来。
为什么企业应该优先培养内部 FDE
对于制造企业来说，FDE 最重要的基础往往不是某一个 AI 工具，而是对企业真实流程的理解。生产、质量、设备、工艺、计划、供应链和持续改善团队中，本来就有很多员工熟悉岗位动作、数据来源、异常处理、管理节奏和部门之间的协作方式。他们知道一张报表为什么这样填，也知道一个指标为什么在现场经常失真，更知道什么样的改动能够真正被班组接受。
这也是企业内部培养 FDE 的价值所在。外部招聘一个同时懂制造流程、项目交付、AI 工具和组织推动的复合型人才，通常需要较高的招聘投入，而且即使人选到岗，也要经历一段较长的业务熟悉期。内部员工则已经具备流程认知，培训可以把重点放在 AI 协作、场景识别、工作流设计、试点管理、价值验证和知识积累上。企业不是从零培养一个制造业从业者，而是在已有业务经验上补齐 AI 落地能力。
从投入结构看，内部培养通常更容易分阶段推进。企业可以先选择少量来自生产、质量、设备、工艺、数字化或改善团队的关键员工，围绕一个真实问题进行训练和试点，再根据结果扩大培养范围。相比一次性承担外部复合型人才的招聘成本和磨合风险，这种方式更容易与企业现有的改善项目、数字化计划和管理节奏结合起来。
内部员工了解产品、工艺、系统、岗位职责、数据口径和组织关系，能够更快判断 AI 适合进入哪个环节，也能及时识别脱离现场的建议。
培训不必重复讲授企业员工已经掌握的制造知识，而是重点提升场景定义、AI 工具使用、工作流改造、试点推进和价值验证能力。
内部 FDE 已经拥有跨部门协作基础，能够找到关键用户、组织试用、收集反馈，并把 AI 输出接入例会、复盘、标准作业和改善项目。
一次试点结束后，场景地图、数据清单、访谈方法、复核规则和价值指标可以继续用于其他产线和工厂，减少企业对单一外部供应商的长期依赖。
内部培养并不意味着企业不需要外部服务商或专家。外部团队仍然可以在方法引入、技术选型、复杂场景设计和关键阶段陪跑中发挥作用，但企业内部应当逐步形成能够提出问题、组织部署、验证结果和复盘复制的 FDE 型人才队伍。这样，外部资源提供的是加速度，企业内部掌握的则是长期运行能力。
君本如何把 FDE 放进培训和咨询服务
君本不把 FDE 只当成一个新名词，而是把它转化为制造业 AI 落地所需的能力训练。对制造企业内部团队，重点训练如何识别场景、访谈岗位、定义数据清单、设计试点章程、组织关键用户使用；对 AI 服务商和咨询团队，重点训练如何从功能交付转向结果交付，如何把客户现场经验变成可复制的方法和产品资产。
这也是为什么 FDE 适合与精益、Six Sigma、WCM/TPM 结合。精益帮助团队看见浪费和流程，WCM/TPM 帮助团队建立运营与设备管理机制，Six Sigma 帮助团队用数据验证根因，FDE 则帮助团队把 AI 能力部署进具体工作流。它们不是互相替代，而是在同一条落地路径上承担不同作用。
从生产、质量、设备、工艺、计划和数字化团队中选择懂业务、愿意试点、能推动使用的人。
让学员带着 OEE、质量、设备或改善项目问题进入课程，输出场景地图和试点章程。
把访谈模板、数据清单、复盘问题、价值验证方法和使用案例落地下来，便于复制到更多场景。