如果现在去问一家传统企业的老板,花了几百万采购的大模型为什么没产生效益?
大概率会得到一个无奈的答案:“系统是装上了,却没法稳定跑在真实业务流程里。”数据质量差、业务部门不配合、流程没理顺,买回来的AI底座像个昂贵的摆设。
很多人将此归咎于模型不够强、数据不够好。但业界正在形成的新共识是:哪怕模型和数据都到位,只要交付组织不对、商业契约不清,项目依然会烂尾。
在这个背景下,FDE(前沿部署工程师,Forward Deployed Engineer)成为硅谷和国内大厂的香饽饽。近日,联想与工信部电子工业标准化研究院联合推出了行业首个FDE培训认证。这包含了三大能力系列、约120小时的实操,覆盖了从业务需求识别到现场部署的全链路。
当我们在讨论这个认证时,我们真正在讨论的是:大模型To B的交付,到底需要什么样的组织与契约形态?
一、具象的断层:为什么线性组织在AI时代失灵了?
我们先看一个典型的深水区场景:一家大型制造企业要上马AI自动审核跨境财务报销单项目。
在传统的To B软件时代,厂商的分工是极其线性的:销售签单 ➔ 研发写代码 ➔ 售后做维护。 因为传统软件的逻辑是规则驱动(如果A,则B),只要代码没写错,系统就是确定的。
但大模型是概率驱动的。在这类AI项目里,传统的线性流程会瞬间断裂:销售根本听不懂复杂的跨国税务规则;研发在办公室里看不见客户底层数据的非标格式(比如各种扫描歪斜的发票、手写的备注);等系统好不容易上线,一旦模型出现“幻觉”审错了单,引发财务合规风险,售后根本不敢背这个锅。
这就是典型的业务定义与底层技术之间缺乏对等翻译。
FDE进场后,他的核心动作是翻译与兜底。他既懂模型的微调和RAG(检索增强生成)的编排,又能坐在客户的业务部,把复杂的税务规则翻译成技术工作流。在交付过程中,他发现某些非标数据模型无法处理,于是现场写Python代码开发了一层数据清洗与预处理的中间件。当模型出现幻觉时,他还要设计一套Human-in-the-loop(人机协同)的审批兜底流程。
FDE卖的不再是标准软件,而是边界可控的共创式服务。 当这种重度定制的需求爆发,传统的线性组织必然失效。
![]()
二、行业动向:交付体系的解耦与多方竞逐
这种组织撕裂,直接体现在了国内巨头的架构变动中。
近期,百度智能云将原智能应用事业部拆分,业务分别转入基础设施、智能体、以及服务交付与质量工程中心(该中心后更名为了“行业应用与技术服务中心”)。
虽然这次拆分承载着云业务减亏、项目风险管控等多重目标,但从组织设计逻辑上看,它清晰地指向了一点:把交付从研发附庸中剥离,建立独立的成本与质量中心。 过去,交付是研发的附庸,研发写什么客户就用什么;现在,交付必须独立成军,因为它直接关乎客户能不能用起来,以及这笔单子会不会烂尾亏钱。
不仅是百度,海外巨头早已成建制下场:OpenAI收购Tomoro,补齐面向大客户的现场落地团队;AWS与微软也在加速组建前沿交付部队。而Palantir则是这一模式最典型的早期样本。
与此同时,国内的垂直AI公司也出现了两极分化。据行业观察,部分垂直AI公司干脆不设传统销售部,全员FDE前置打单;也有公司坚决不养FDE,走ISV(独立软件开发商)生态交付,尽管为此承受着质量波动风险。
无论选哪条路,行业共识是:光乙方动没用,甲方和契约才是真正的深水区。
三、真正的卡点:甲方的缺位与契约的陷阱
很多文章只谈乙方怎么改架构,却忽略了落地的另一堵墙:甲方内部的组织,以及决定双方关系的商业合同。
首先是甲方对等承接者的缺位(权力问题)。
厂商的FDE进驻后,往往发现找不到对接人。甲方IT部只管网络和硬件,业务部只管提需求,两边互相推诿。数据权限不开放、历史数据一团糟。如果甲方一把手不下场成立专项委员会统筹全局,乙方FDE技术再强,也推不动甲方的部门墙。
其次,组织形态往往被合同模式绑架(算账问题)。
大模型项目最大的特点是需求边界在启动时高度不清晰。客户一开始只知道我要一个聪明的报销助手,但做到一半发现,难点在于发票查验,于是需求变更。
如果用传统的固定总价包死项目合同,销售为了拿单必然过度承诺,FDE在现场被迫无限度填坑。更致命的是,AI项目的边际成本往往是递增的。传统软件多加一个用户几乎没成本,但AI模型准确率从90%提升到95%的成本,可能是前面所有成本之和。在固定总价下,客户要求提升那1%的准确率,FDE就会亏破产。
因此,大模型项目必须采用按阶段价值付费或订阅+实施分离的契约模式。但即便如此,也要前置约定需求变更边界、模型幻觉责任划分、数据安全权责,否则阶段付费一样会变成扯皮。
组织缺位让FDE推不动,契约错配让FDE不敢推。没有甲乙双方在权力和算账机制上的重构,任何乙方的组织架构调整都只是空中楼阁。
![]()
四、决策标尺与共同死法
如果企业决定解决这些问题,必须明白:路线没有绝对的好坏,关键在于匹配。
● 路线一:重交付FDE模式(如Palantir)
○ 适用场景:走纯FDE重度共创路线的标杆项目,普遍500万起,头部大客户项目可达千万级别。客户业务流程极度复杂,愿意为问题定义支付高溢价。
○ 管理代价:极难规模化。Palantir的成熟解法是让FDE实线汇报工程总部(保质量),虚线汇报区域业务(保响应)。但这套矩阵制代价极高,它要求销售考核不能只压短期营收,必须捆绑交付质量、客户成功指标,这对国内绝大多数云厂商渠道为王、销售说了算的考核体系是巨大挑战。
● 路线二:平台+ISV生态模式
○ 适用场景:厂商掌握底座大模型,但缺乏深耕千行百业的Know-how。
○ 管理代价:必须建立严苛的ISV交付质量认证体系,否则会被生态伙伴的烂交付砸了牌子。
● 路线三:低代码+行业组件模式
○ 适用场景:客单价较低、业务相对标准化,通过低代码工具消灭现场定制量。
这三条路线有一个共同的死法:现场经验没回流。
FDE在现场解决了一万个奇葩Bug,走完之后,客户只剩一个跑着的Demo;厂商没长出可复用的产品资产;如果走ISV,厂商最终只剩个被砸坏的口碑。如果没有一个强大的工程中台或产品平台去沉淀这些经验,无论选哪条路,最终都会沦为不可持续的人力外包。规模越大,死得越快。
![]()
结语:从统一语言到产品资产
在现阶段,FDE认证的真正价值不在于能迅速批量制造出全栈极客,而在于为行业统一了一套语言,让销售、研发和甲方团队,对AI交付的责任边界达成共识,降低跨组织的沟通成本。
大模型To B落地,卡住的不仅是算力与代码,更是甲乙双方的组织形态与商业契约。
未来2到3年,这个行业的分水岭将越来越清晰:决定胜负的,不再是模型参数的高低,而是谁能把FDE在泥沼中摸爬滚打的现场经验,沉淀为可复用、可配置、可自助的产品资产。 只有跨过这道坎,To B的AI生意,才真正算得上一门可以规模化复利的生意。
很多 AI 项目的烂尾,根源不是模型,是组织权责和契约边界没有对齐。如果你正面临大模型交付的组织卡点、交付体系搭建、项目权责梳理这类难题,欢迎和我聊聊。
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.