柯基
嗨，我是柯基。那本周《十字路口》呢，我们来聊一个最近非常热门的话题：FDE。我们请到了 Rolling AI 的两位合伙人，阿甘和刘凯。二位好，欢迎来到《十字路口》。
阿甘
大家好。
刘凯
大家好。
柯基
事情的起因是，5 月初 OpenAI 和 Anthropic 在同一天发布了一个大新闻：他们都宣布各自成立了一个十亿美元级别的企业 AI 合资公司，并且称自己做的事情叫 FDE，也就是 Forward Deployed Engineer，前置部署工程师。
这个词最早来自 Palantir，指的是派驻一位 FDE 工程师深入客户公司内部，从零开始帮客户定制、构建并落地一套 AI 系统。也有很多人说，硅谷就是会造概念。以前我们说“套壳”，他们要说 Agent Harness；以前我们说“售前”，他们要说 FDE。
但不管怎么样，我觉得当一个概念出现的时候，它背后一定也对应着一些现象、趋势和共识，大家愿意用一个词去凝聚它。所以今天我们就请二位来给我们讲一讲，这个新概念出现的原因，以及它在中国的一些实践。
我们还是先从快问快答开始。请问二位的年龄？
阿甘
我 1988 年的，今年应该 37 岁了。
刘凯
我 1983 年的。
柯基
毕业院校？
阿甘
我是米兰理工和同济。
刘凯
我是北京交通大学的研究生。
柯基
MBTI 和星座？
阿甘
我原来是 ENFP，现在是 EFJ。
刘凯
我是 ENTJ。
阿甘
我是水瓶座。
刘凯
我是天秤座。
柯基
一句话介绍一下你们的公司，Rolling AI。
阿甘
Rolling AI 就字面上的意思，Rolling AI，就是“卷 AI”，我们卷的是 AI，不卷人。
刘凯
实际上，我们本身是一家 AI 咨询公司。
柯基
那公司的收入和利润目前方便讲吗？
阿甘
有人说，如果问就是千万以内。
柯基
团队规模呢？
阿甘
目前 60 多人。
柯基
在做 Rolling AI 之前，二位在做什么？
阿甘
我和刘凯其实都是连续创业者。我们俩之前认识，是因为在 BCG 认识的。我原来做过 IP 孵化，也做过一个海外投资平台。
刘凯
我是 2007 年第一次创业，做的是社交媒体监控。2015 年，这家公司卖给了欧洲最大的社交媒体分析公司。后来我进入了咨询这个“鬼行业”，在 BCG 干了一段时间，然后出来创业。
柯基
所以你们是 BCG 的同事？
阿甘
没错，没错。
柯基
要不要先给大家讲一讲，在你们看来，FDE——OpenAI、Anthropic 他们讲的 FDE——到底在讲什么？以及为什么在 AI 的大背景下，FDE 这个词突然被提出来了？
阿甘
1. AI 成为企业新员工
我们有一个本质上的认知：AI 跟传统软件本来就非常不一样。传统软件是一个工具，必须有人去操纵这个工具，而 AI 本身就是劳动力。
所以在很多情况下，FDE 做的事情其实有点像 HRBP。我把一个数字员工放到企业里面，帮你把他培养好，然后看着他上岗，而不是像传统软件那样，交付一个工具之后就结束了。
今天的 AI 在企业里，不能把它看成一个软件，也不能把它看成一个 IT 解决方案，你得把它看成一个新员工在上岗。无论它的能力有没有完全达到人的水平，我们都觉得，它的能力正在逐渐接近人的水平。
一个人在企业里上岗，需要有经理帮他准备好工作台、资料，帮助他理解流程，当然也会涉及一些 IT 系统。这是最大的区别。真正想让一个 AI 在公司里上岗，你要怎么把公司的上下文交给它，给它一个能够运作起来的工作台，这就是 FDE 要做的事情。
柯基
我觉得这蛮有意思的。原来是卖一个软件，然后我们的服务可能是教你的员工怎么用软件；但现在有点像是把一个数字员工卖给你，而 FDE 就是帮助这个数字员工更好地融入企业、产生价值的一个角色。
阿甘
没错，帮它上岗。
柯基
你们原来也会叫自己 FDE 吗？原来就有这个岗位吗？
刘凯
我们不太叫自己 FDE，更多把自己叫作 builder，也就是 business builder。但这个岗位做的都是 FDE 这样的工作，包括我们甚至去看了 Palantir 的 FDE 在企业里工作的视频，做的事情跟我们是一样的。
柯基
咱们开始做给企业提供 AI 服务，不管叫 FDE 也好，叫 business builder 也好，做了多久了？服务了多少家企业？这里面最大的企业，如果不能说名字，可以说一下规模大概是什么样？
刘凯
我们实际上从 2022 年开始。那时候 GPT-3.5 刚刚有接口，正好有客户提出了相应的需求。到现在已经快 4 年了，我们是最早一批开始帮企业做 AI 转型服务的公司。
到现在，我们基本上已经服务了将近 100 家企业。现在基本上都是全年制服务，客户都是大客户，每个客户都是大客户。平均客单价是几百万元到上千万元。
柯基
好，我们待会儿会重点聊一聊你们服务这些客户的案例，包括踩过的坑。但在此之前，还是想聊一聊，因为二位都是 BCG 背景，我们的听众里面有非常多 MBB 的朋友，或者前校友，大家可能多多少少也有一些处在职业十字路口的感觉。
所以想先听二位讲一讲，当时是出于什么考虑，从 BCG 出来做现在这个 Rolling AI？
阿甘
2. BCG 难以深入中国企业
我们很明确地发现，MBB 这样的企业在服务中国本土企业时遇到了一些困难，不管是收费模式，还是它能够真正落地、帮助中国企业家的方式，都遇到了一些困难。
中国企业家也不像 1990 年代末、2000 年代初那个时代那么迷信海外咨询公司或者所谓的专家。他们会非常在意这一点，中国就是特别不同。
中国的企业家基本上还是一代和二代，几乎很少有职业经理人。一代和二代都是为了自己企业的利润，或者自己企业的长期发展、长治久安来思考问题，所以他不会太在意阶段性的 paperwork 写得怎么样，而是非常在意能不能做下去，能不能做出结果来，能不能带来组织上的改变。
这件事情其实虽然 MBB 也在做，但它的成本结构和定位，导致它很难做得非常深入。
柯基
你们当时在 BCG 做过最贵的一个项目，是多少钱的项目？
阿甘
相当贵。只能说相当贵，九位数，接近九位数了。
柯基
一亿元人民币？
阿甘
对，接近九位数。
柯基
之前在 BCG 做咨询，现在在 Rolling AI 也通过咨询的方式给客户提供服务。那当时的项目和今天的项目、当时的客户和今天的客户，有什么相同和不同？
刘凯
3. 从 PPT 到智能体
客户类型最大的不同，是当时主要服务跨国企业，现在主要服务民营企业。实际上做的事情本质上我觉得还是比较像的，都是为了解决商业上的一个特定问题。
但在解决问题的时候，我们的呈现形式是重新 build business。AI 带来的影响非常大。
传统咨询行业简单来说，就是我接到一个问题，进入这个产业和企业里面做调研，用以往的经验、以往的成功和失败去梳理一个框架，并且交付一份 200 页的 PPT。
但今天不是。今天我们做咨询，前面做的所有事情都一样：我依然要理解这个行业，理解这家公司，理解它过去做过的努力，以及它背后的解题资源。但我交付的不是 PPT，而是一个智能体。
因为 PPT 里面讲的最好的做事方式、最好的协同方式、最好的信息流转方式，我都可以在智能体里面实现。当年要实现一套新的业务模式，成本可能是半年甚至一年；今年做一个智能体上线，可能只需要几个月、几周。
甚至在我们公司内部，有一个明文标准：所有智能体必须在 15 天内上线。
柯基
15 天？
刘凯
对。原因也很简单：你雇一个员工，不会让他去学校学习 3 个月再来上班。你最多给他 15 天的培训期，他就得开始干活。
柯基
如果要分享一个案例，特别能够代表你们今天把一个智能体送进企业，让它开始干活、build business，并且最后产生一些结果，你们会想到什么样的案例？
阿甘
我们第一个想到的，就是 2022 年开始做的那个案例。
当时是一家乳品企业。大家知道，当出生率没有那么旺盛的时候，整个乳品行业实际上处于下滑态势。所以很多乳品企业想到的是第二曲线：有的想做快消，比如水、饮料；有的想做跟乳品相关的、更高溢价的产品，比如蛋白饮、益生菌等等。
但它们最大的问题在于，原有的经销渠道并不适合卖这些高溢价产品，它需要一种全新的销售方式。这就是当时的问题。
我们的第一个解决方案，是去看全市场上有没有足够多的营养师，能够在线上服务这群人。我们当时把全中国的营养师大概算了一遍，中国真正的注册营养师可能只有 40 万人，而它要服务的群体是 8,000 万人。我们算了一下，这个差距大概是 10 倍左右。
而且服务这么多人，每次服务的成本我们当时核算下来是 16 元。正好 GPT-3 发布了，我们就有一个感觉：能不能把它变成几十万个“营养师”，来服务这家企业？
于是我们做了营养健康模型的微调。这个平台最后承载了这家企业 600 万在线用户，由一个小姑娘运营。这个小姑娘带了 50 多个机器人，有的做测评，有的写帖子，有的做营养咨询。
这是没有 AI 做不到的，没有 AI 是完全做不到的。刚才说的成本，当时我们核算下来，一次服务的成本已经降到 1 毛钱，还是 4 分钱。
还有一个小故事。一开始，大家比如用豆包、用千问，去问它“我要减肥”，它一定会直接给你一个 solution。但一个正经的减肥师看到这个答案，会说你这样说不对。
如果有人问“我要减肥”，你的第一句话应该是：“你又不胖，为什么要减肥？”上来第一步其实是提供情绪价值。第二步才是问他最近吃了什么，最近一周的饮食习惯怎么样，健身习惯怎么样，减肥目标是什么。
所以这个 onboarding 或者转化客户的过程，要先提供情绪价值，再让他提供 input。类似这样的员工上岗，都要找到一个好的师傅。好的师傅教给 AI 的，是一套专业的服务流程。
柯基
我记得之前你们也分享过，你们应该有一些客户是线下的奶茶连锁。那在这样的奶茶连锁企业里面，它的师傅是谁？
阿甘
优秀的店长。找到企业里优秀的师傅是非常重要的。
所以进到每个企业，都要去识别谁是最优秀的、在一线拥有最多实践经验的人。FDE 要跟他一起做什么呢？
在 2025 年之前，我们会把最好的金牌销售、最好的培训师找过来，做访谈，总结他的最佳实践和最佳思维方式，采用一种自上而下的梳理方式，然后把梳理出来的结果、最佳实践和话术放到 AI 里面。
4. AI 向老师傅学习
但从 2025 年下半年开始，我们逐渐不这么做了。因为我们发现，在整个商业社会中，所谓做生意的最佳实践，可能并不存在一个权威的、自上而下的解法或者正确答案。
事实上，在一个门店里面，不管是做奶茶，还是卖货；或者在一个城市里面卖保险，成功的方式都有千千万万种，而且都很不错。
所以我们现在从 top-down 变成了 bottom-up。比如在一些连锁经营的门店里，我们会有一些 AI 机器人，每天下班之后跟店长复盘：今天做了什么，做得好不好，你觉得为什么。
我们把复盘经验采集下来，在每一个店长、优秀顾问、教练和金牌销售身边都放一个助手。这个助手有点像我们咨询行业里的 shadow，像一个陪跑生，在旁边观察他。
逐渐地，它会越来越聪明，越来越理解。它不是通过提问去获得信息，而是在旁边观察他；当然，它也会跟他互问互答。听起来很像在蒸馏一个员工。我们把这套东西叫作学徒学习，也就是学习最好的老师傅的状态。
柯基
那会遇到一些抵触吗？比如老师傅会说：“你把我的知识蒸馏了，把我的东西学走了，那我之后在企业里的价值也没了。”
阿甘
你要学习他的东西，首先就要给他付出一点东西。所以我们所有的学徒进去之后，肯定会先帮这个老师傅干一点活。
比如说，他要排班的时候，我会给他一些建议；他要做营业额预估的时候，我们会给他提供一些信息。他会觉得这个学徒在身边是有用的，才会愿意教这个学徒。
我们并没有觉得 AI 比人强。我们绝大多数时候发现，AI 加人强过人，人强过 AI。
所以绝大多数情况下，一个能够被蒸馏出经验的优秀基层员工，其实是这个企业最大的资产。你不应该放弃他，因为每天的商业场景都在变化，每天都有新的竞争态势，每天都要做新的判断。AI 能帮你想很多事情，但不能取代你的决策。
第二个变化是，确实因为这样的机制存在，我们会发现，能够产生复盘和经验的优秀员工，他的价值发生了变化。
举个例子，以前你是一个金牌销售，能卖出别人两倍、三倍的业绩，已经很了不起了。你再厉害一点，说我带徒弟，整个团队都能做到别人两倍、三倍，也很了不起。
但今天不是。今天你积累的经验和方法论，可以复制到全国所有省份，复制到 1,000 个销售、10,000 个销售身上。这意味着你对企业的价值就此增大了。价值增大之后，应该配套相应的激励，这也是我们在转型过程中会告诉企业家的：你得激励那些能够给你的 AI 带出好 AI 智能体的员工。
柯基
还有其他具体案例可以分享吗？
阿甘
5. AI 副店长改变门店
连锁业里面，一个非常重要的工作就是预估第二天的营业额。预估营业额之后，才能根据营业额排班，也才能预估第二天要进多少货。
以前这种预估通常是总部的一套算法，但后来我们发现，这套算法通常不准。为什么？因为每个门店的情况太不一样：有些地区下雨，有些地区不下雨；有些门店旁边突然有一家新店开张；有些门店在夜店旁边，各种各样奇奇怪怪的因素，都会导致每个门店的经营上下文特别不一样。
后来我们把总部这种比较一刀切的方法全部拆掉，变成给每个店长配一个帮助他预估营业额的“副店长”，也就是一个智能体。
我们会告诉它：“明天下午可能会下暴雨；我看到你周边突然有一家店在做活动；明天可能会发生这些事情。”最后由店长决定应该雇佣什么样的职位，而不是由一个系统直接告诉他应该雇佣什么职位。
做了这个改变之后，我们发现整体的预估准确率提高了非常多。
我们现在越来越觉得，赋能一线是一件特别值得做的事情，因为所有经营活动都发生在一线。店长反而变成了上下文的提供者：上下文越准确，大模型能帮到他的地方就越多。
每家门店的上下文都不一样。提供更好的上下文之后，AI 在一些方面就比人更强了。
我们觉得，AI 更多是书本智慧，但中国很多商业场景里面有太多街头智慧。一个店长可能曾经在某个方面想出过一个特别厉害的办法，而 AI 一定没办法在那个具体情境下想到。
柯基
所以你们会收集这些所谓的街头智慧。还有没有类似的故事？
刘凯
我再举一个零售门店的案例。我们之前在一家连锁餐饮企业发现，当这个区域下暴雨的时候，门店当天下午的营业额就会比较差。
这就带来一个问题：因为前一天已经排过班了，如果下了暴雨，营业额又很差，人员必然会浪费。我们统计了一下，如果按照 1,000 个门店算，一年可能要浪费几百万元。
在这种情况下，聪明的店长会怎么做？他知道可能会下大暴雨，就会提前跟临时员工打电话说：“第二天我可能不会叫你来，但你要做好相应准备。”这样临时员工心里也有数，不会因此生气。
如果把这个做法推行到足够多的门店，整个体系一年就能省下几百万元。这样的案例，原来靠每个人自己做，是没有办法推行的；一层一层往下压，也没有办法推行。
但我们有一套 AI，它像一个副店长一样，帮助店长选货盘、定价盘等等。
我记得当时有一个 AI 副店长和店长聊天。他们在看冷柜，专门盘点冷柜里的酸奶品类。副店长问：“你们家店为什么晨光——我记得是晨光，还是哪个品牌的——大包装酸奶卖得不好？根据我的数据分析，在你周边的七八家店里都卖得很好，为什么你这里卖得不好？是不是你这里的人群比较高端？”
店长说：“不是，我这里的人没有很高端，我就是一个社区店。”
AI 又问：“那你为什么卖得不好？我看到你这里卡式的优酸乳卖得特别好，而且价格还很贵。”
AI 于是判断：“我觉得你这里的人群很高端。”
店长说：“不是的，是因为我 5 米之外开了一家家乐福，比我大两倍。只要是它卖的东西，就比我便宜。那些高端的卡式产品它不卖，大包装酸奶它也卖，而且卖得更便宜，所以我卖不掉。”
AI 说：“那行，我们换个方式。既然抢不过那家店，所有酸奶或者冷藏饮品的策略就全部改成：只卖我们供应商独供的东西，以及高端的东西。这样大家就不关心价格，只关心有没有货、货品好不好。”
很快，销量就能增加 40% 到 50%。
但这些事情如果只靠 AI 判断，它可能完全得出一个错误结论，因为它不知道一线发生了什么。只有店长和 AI 在一起，才能得出正确的结论。AI 能给店长很多补充性的思考。
柯基
所以你说的“副店长”，就是 AI，对吧？
刘凯
对。我说副店长的时候，指的就是 AI，我们已经习惯这个语境了。
柯基
我记得原来看过一个 7-Eleven 的故事。当时我知道一个冷知识：7-Eleven 一开始其实是美国企业，后来日本拿到它的授权，越做越大、越做越强，最后把美国公司收购了。现在 7-Eleven 已经是一家日本企业。
当时 7-Eleven 有一个拐点，就是他们把进货决策权交给了一线店长。每个店长可以自己决定，明天要增加多少酸奶、多少巧克力；以前这些都是统一调度的。
7-Eleven 在日本做出这个改变之后，业绩有了非常大的提升。还是把权力下放到一线去决策。
但过去其实有很多困难：店长无论是信息采集和信息分析的能力，还是用于分析、采集的时间，都没有那么充分和全面。现在有了 AI 副店长的帮助，他可以做得更好。
刘凯
没错，你说得特别对。AI 最大的红利，不在于我能在顶部或者总部做一些自上而下的策略性工作，而在于我能够把一个普通人的智慧，陪在店长和销售人员身边。
这些店长、销售人员不是学商科出身的，也不是经过完整逻辑训练的人。他们需要一些基础的智慧，帮他们把事情理清楚。以前做不到，因为你没办法有 10,000 个教练；今天你可以有 10,000 个教练陪着他们。
而且，就像我们今天所说的，越来越多通用 Agent 在电脑上工作。它要变得更聪明，需要拥有更多上下文。所以我们开始让它录我的屏幕，开始让它听我所有的会议。它知道得越多，就会越聪明。
放在一个门店里也是类似的：如果它能够知道这个店更多的情况，甚至知道这个店周边 500 米、2 公里内更多的信息，它做出的决策就会越准确。
柯基
那聊到这里，我们刚才说的这些，和 FDE 的关系在哪里？FDE 在里面扮演什么角色？
阿甘
6. FDE 的三项核心能力
FDE 在这个过程中承担了好几个角色。本质上，它带着一群像北大、清华或者斯坦福毕业的年轻人——这些年轻人就是 AI——去一个便利店、营销部门，甚至人事部门上班。
比如做面试这件事情，你不能让 AI 直接上去面试。我们要在内部做大量对齐：我们考察的是什么能力，什么样的方式对面试者不友好、不尊重，什么样的方式才是友好和尊重的。这些都需要 FDE 在现场做判断。
我们今天好像是一家 AI 人力外包公司。AI FDE 就是这家人力外包公司的工头，他带着这些员工进去，但不能把人扔在那里就不管了。他得确定这些员工能够执行工作，甚至能够高质量地执行工作，之后才能离开。
所以我们说，FDE 要做三大块：业务融合、知识治理和系统对接。这三件事情都做好了，他才能离开。
柯基
我觉得“工头”这个比喻很有意思。我们说 FDE 的时候，感觉很高大上，但有点云里雾里，不知道到底是干什么的。一说工头，好像一下子就懂了。
那一个好的工头和一个不好的工头，也就是一个好的 FDE 和一个不好的 FDE，区别在哪里？你们公司有 60 多位员工，对吧？他需要什么样的品质才能做好？
阿甘
我觉得核心要有几个能力。
第一个能力，是具备某种咨询背景，能够一眼看穿这个业务的痛点本质到底是什么：是缺人、缺知识，还是缺沟通、缺协作。当它缺人的时候，你去做沟通；当它缺沟通的时候，你使劲干活，都解决不了问题。
第二个能力，是一定的人机协作原生能力。他要很快理解，任何工作都不是机器人全部做完。我怎么样把它合理拆解成若干个小任务或者小工种，把人放在最重要的位置，并且告诉人类员工：审核、评判、规划，还是得你来做；剩下的事情，我让机器员工补上。
第三，他能够很快构建出一个体系。他真的可以拿出 AI 工具、Web coding 的工具，在半天、一天、两天之内，把体系的原型构建出来。他能够写智能体，知道怎么编排。
这就是为什么我们前面说，FDE 不像一个应届生，也不像一个销售，但确实有一点销售的感觉在里面。
柯基
听起来很厉害。这样的人是可以培养的吗？
阿甘
未必能在短期内培养起来，可能培养不出来。
这个问题其实就是：AI 时代需要什么样的人才？是商业判断力，也是某种 taste。当 AI 能够给出足够多答案、采集足够多信息时，下一步应该怎么做，应该往哪个方向走，会有一点 gut feeling，有一点玄学。它并不是非常系统。
柯基
所以我听下来，可能和之前在 BCG 做的事情真的还挺不一样的。
阿甘
我们会觉得内核其实挺相近，但所有做事方式和最终呈现出来的结果都非常不一样。内核还是解决问题，但做事的方式、工具和需要的人才都不一样。
刘凯
7. AI 重写管理方式
而且我们发现一个有趣的地方：传统咨询公司来自上一个时代，来自工业时代。AI 到来的时候，很多事情都变了。
比如管理层。管理层的核心工作是传递信息，而现在传递信息这件事情越来越被替代。以前我们做了大量工作，实际上是在帮助一个公司做标准化；但现在，我们对“标准化”这三个字是有反抗的。
每个门店都应该有自己的经营上下文、经营思路和经营方式。中国企业家其实很厉害，在 AI 赋能的时代，原来的很多语境和词汇已经不对了。
比如我们认为，SOP 代表着落后，有点暴论，但我们认为 SOP 代表着慢，代表着落后。标准化代表着你只做到了全局 60 分，没有让每个人都拿到 90 分。
而今天 AI 做的是保证每个店都能做到 85 分、90 分。我觉得，这种思维方式可能只有在中国这样竞争剧烈、迭代剧烈的市场才能产生出来。
所以在我心中，作为一个中国人，我觉得下一代管理智慧可能会由中国企业家和中国企业来引领。
柯基
这让我想到，抖音也改变了媒体分发机制，对吧？千人千面，每个人看到的东西更加个性化，所以它获得了更高的留存和商业价值。
但那是在消费端。现在在生产端，我们也开始让每个门店、每个最小商业单元，以及每一个服务者，都可以进行千人千面的生产。
你们觉得，如果下一代管理智慧来自中国企业家，它可能来自哪里？会以什么样的方式呈现？
阿甘
我们认为，标准化的本质，是保住底线。未来会从“怎么样用标准化保底线”，变成“怎么样用好的智能到一线去提供最优解”。我觉得这是一个重大的管理智慧变化。
这个管理智慧的变化，会导致管理方式发生改变。以前每个总部都有大量标准化部门、信息化部门、内审部门和各种采购部门，本质上都在管理门店、销售人员和销售网络的每一个节点，告诉他们不能乱做。
我们觉得这件事情会逐渐降低、降温，变成总部要成为一个赋能型企业。每一个人或者每一个组织都带着自己的智能体，告诉门店怎么样做，能够再多拿一点业绩。
这是一个巨大的变化，不仅仅是管理模式上的变化，甚至组织模式和部门设置都可能发生变化。
柯基
你觉得有了 AI，会带来天壤之别吗？
阿甘
我觉得会有天壤之别。没有 AI 是做不到的，因为原来一个组织里的经营智慧、脑力和智力生产力是不够的。真正懂、能够讲清楚、又能培养和辅导别人的人是不够的。
今天够了。只要算力开跑，你就拥有了无限的智力生产力。
海外公司主要的管理方式是过程正义，要把所有过程尽可能做得正义。国内企业家才不管那么多过程，他只要结果正义，什么样的路径都可以接受。
第二，我们认为所有中国企业家都亲力亲为。我觉得亲力亲为在 AI 时代特别重要：自己搭智能体，自己上手做各种事情。可能底层原因是，企业家是不是企业的 owner，决定了绝大多数事情。
柯基
明白。我们可能一代、二代企业家还在一线，对吧？但美国有太多企业已经由职业经理人接班，大家的目标函数不同。
那在你们看来，比如 AI 通过 FDE 进入企业、赋能企业，技术占比大概有多少？其他方面又占多少？
阿甘
我个人感觉，技术占比不会超过 1/3。
AI 这次变革不是一次所谓的技术浪潮，而是一次完整的生产力革命。它对社会的影响幅度会超过互联网，像当年的电力革命一样。电力革命大量取代了体力劳动，而今天的 AI 或者大模型革命，会大量取代智力劳动。
如果回头去看电力时代，人变了，生产工序变了，员工培训方式变了，商业也变了。以前没有夜间商业，没有大商场，没有娱乐业，后来这些都有了。
我们认为，AI 革命会是这样一场革命。当然，我们现在还处在这场可能持续 10 年、15 年、20 年的革命非常早期的几年。
如果是这样的革命，核心就是组织变化、商业模式变化和人才变化。接上电、接上模型的技术，只占其中很小的一部分。
当时英国有一个地方叫兰开夏郡，那时候纺织业大概占全世界 70%。它在电力革命中被落下了。你说它用没用电？它用电了，但它把电接到了原来蒸汽机的那根大轴上，整个生产方式还是蒸汽时代的生产方式。
而当时美国、日本、德国都用完全电力原生的方式，重新构建了整个生产组织，包括厂房。所以它的变化非常大，不只是接上电而已。
每一次大的生产力革命——电力革命、互联网革命、移动互联网革命——都有 95% 的企业在这个过程中消失。真正能跨越周期的企业可能只有 5%。
所有消失的 95% 的企业，相信我，它们都接了电，也都上了网。它们不是因为不上网才消失，而是因为没有全心全意地把它当成一种原力，围绕它重构自己的商业，所以才消失。
仅仅接上电、仅仅上网、仅仅接上大模型，都不能阻止企业在这个过程中被消亡。如果你的做事方式不变，还是会消亡。
柯基
所以 AI 技术本身，在企业落地 AI 的过程中占比可能很小，更多是其他方面。可以具体展开一下吗？
刘凯
我们做很多跟销售相关的项目时发现，销售这个群体特别奇妙。他们非常结果导向，所以只要跟自己的利益没有太大关系，什么东西都不爱用。
因此我们会和业务方一起改他的绩效。你可能原来是 100% 结果导向的绩效，现在我会把它改成 80% 结果绩效和 20% 过程绩效。你提供的东西越多，就能获得积分，得到相应的钱。
这些东西如果不推动，我们相信 AI 就不可能真正落地。
柯基
这听起来都是你们曾经踩过的、AI 无法落地的坑。还有什么坑吗？
阿甘
8. AI 落地的三大陷阱
AI 整体转型项目的成功率应该不到 50%，也就是说失败率超过 50%。最重要的有 3 个原因。
第一个大的原因，是有些 CEO 对 AI 能做什么，有超出现实的预期。这个需要去管理、控制，也要帮助他理解。不能认为 AI 是超人，企业反正怎么弄都行，只要上了 AI，企业就起飞了。一定不是这样。
第二个最核心的问题，是不要让 IT 团队来立项，得让业务团队来立项。如果业务团队把自己当成乙方，把项目交给 IT 团队来做，这件事情几乎一定会失败。
谁懂怎么选货盘，谁懂怎么预估营业额，谁懂怎么应对客户、让客户买保险？都是业务团队。IT 团队提供不了这样的知识和经验。
大量企业依然有一个思维定式，认为由 IT 团队承接 AI，这件事情一定会失败。我觉得这是第二大问题。
第三个大问题，是底层没有业务团队和组织相应的激励变化，去配合模式变化。大家不要把它看成一个工具上线，而是一批员工上线，一批新的生产力来了，我们的生产关系也要改变。
人与人的关系变了，人与机器的关系变了，我们的目标可能也变了。在这个过程中，什么事情应该被激励，什么事情已经不需要我做了，都要跟着变化。
我觉得最大的 3 个坑就在这里。
柯基
从这里能想到什么故事吗？尤其是 IT 人员，他们可能在中间成为 AI 落地的拦路虎。
阿甘
我们当时进入很多大型跨国公司时，第一件要搏斗的事情，实际上是 IT 里面的 IT governance。它们的第一诉求是，怎么样确保过程正义，确保数据安全。
我觉得这些诉求都没有错，但它们把这件事情列为了第一优先级。
刘凯
华西生物的董事长在我们的一次 AI 工作坊里说过，如果做 AI 提效，只能做到 50% 的提效，那就不要做；要做就做 3 倍、5 倍、10 倍的事情。
如果你仔细摊开自己的业务，想想无穷无尽的智力生产力，应该总能找到不是一个、而是若干个能够重构整个商业模式的事情。退一步说，至少也应该找到能够重构整个工作流程的事情。
这样的事情给你的提升，不能说 100 倍，至少也应该是几十倍或者几倍。
柯基
有这样的案例吗？
刘凯
我举个例子。我们曾经帮过一个租房平台。租房平台都有一个角色叫管家，管家负责处理所有租客的大小事情：邻居家的狗吵架、邻居家的妈妈带男朋友进来、空调漏水等等，各种各样的事情。
但我们进去的时候，他们想象中的方案是：AI 能不能帮每个人自动回复，让回复更快一点。
实际上，我们进去后发现，他们在业务上有两个巨大的痛点。城市化率已经足够高，租房业务本身在下降，所以它应该去卖更多服务，比如家政保洁、宠物上门喂养等。
但管家这个角色被日常琐事困住了。每天要回复大量带有情绪的问题，根本没有时间去卖这些服务。
我们进去之后，首先定义清楚机器应该做什么，人应该做什么。人应该做有温度的事情，更多地照顾人的情绪；日常所有的琐事，应该由 AI 负责解决。
基本上，从那一年年底的时候，管家原来是 1 对 500 到 1 对 1,200；今年我们的目标是做到一个人对 2,000 个人。但这个人日常的工作量实际上变少了，更多精力可以放在关怀等事情上。
我们会用一个偏销售机会探查的智能体告诉他：“你看到这家的租客家里有猫，而且他跟你说这几天要出差。这时候有一个机会，你应该给他卖宠物上门喂养、上门除猫毛之类的服务。”
所以，我们基本上是在改变它整个商业结构和商业目标。
这个部门其实没有裁员，只是让人做更多主动关怀。因此，它的服务质量提升了，好感度提升了，续约率提升了，服务售卖也提升了。
所以我们不觉得 AI 进入企业应该只是一件降本的事情。
另外，这个负责人还发现，他们对好员工的定义变了。原来好员工是打字快、记得准的人；现在好员工是特别能够提供情绪价值的人，比如说：“姐姐、哥哥，你不用急，我来问。”
这种才是好员工。因为内容书写、查资料这些事情，AI 都可以做；但让人开心起来、放松下来，是人才可以做的事情。
柯基
很有意思。之前阿甘说过，咨询和销售的本质，是给董事长和 CEO 做心理咨询。销售能不能成功，往往第一次见面就知道了。这个可以展开讲一下吗？
阿甘
传统咨询面对的其实是职业经理人。职业经理人有上升和下降的时候，在不同阶段、掌舵整个公司的时候，他需要大量外部信息和资讯，来帮助他更好地管理公司、疏解压力。
还有一部分所谓的心理咨询，来自一个比较本质的东西：管理的本质，是对善意的激发和释放。
我觉得在这个时代，尤其是 AI 能够成倍放大一件事情的时候，如果你的发心是管理、约束和限制，它的能量也是 10 倍；如果你的发心是赋能，是善意，是让每个人更好地成长、让每个人挣到更多钱，它有可能同样也是 10 倍。
我们自己比较相信，赋能一线这件事情将来一定能实现。因为如果你只是控制，那就全部换成机器人好了，机器人一定比人做得更好。
在这个过程中，我们会和合作的 CEO 沟通：你自己真正想要赋能的发心在哪里，善意在哪里？你希望看到员工怎么样成长？然后把这些东西落到副店长或者某种智能体里面。
我觉得这可能也是某种心理辅导。
还有大量心理辅导是针对下面的员工。我们会告诉他们，这件事情不是为了替代你。核心是时代变了，被消失的不是你，而是那个落后的岗位。那个岗位已经不存在了，你不应该再在那个落后的岗位里寻求更好的发展，而是要看看会出现哪些新岗位，哪些岗位更适合你。
现在，这种心理辅导的工作量已经比给 CEO 做心理辅导大得多。
柯基
什么样的岗位会消失？在你们看来。
阿甘
9. 智力劳动走向决策
所有管理层，如果他唯一做的事情叫信息传递、上传下达，这个岗位就应该消失。
柯基
挺多的。比如一个销售网络，从总部到省总、分区、小片区，可能中间有两到 3 层，只做上传下达。
但上传下达为什么会在 AI 时代被消失？
刘凯
因为在过去，通过数字化和 SOP，也能让上传下达不需要那么多中间层。
上传下达其实有几项工作。第一项叫信息清理。比如你问一个一线店员或者一线销售人员：“你今天见的客户怎么样？”销售人员给你的不会是一份结构化报告，而会说：“这个客户太傻了，我怎么卖他都不听。”你得到的是这样一个故事。
到了上一层，你要把它结构化、降维，然后往上传。这是第一件事情。
第二件事情是，我接收的不是一个销售的信息，而是 100 个销售的信息。所以每一层都要把信息汇总、聚合。聚合过程中当然也会加入个人观察和视角，但必须有这么一个人，否则就会是 10,000 个销售、10,000 条信息，直接摆到董事长面前。
柯基
所以它们的上传下达不只是一个信息通道，里面还有智力工作，包括信息采集和分析报告。现在确实 AI 可以做得更好。
刘凯
是。这样的岗位会消失。
另外，原来靠大量执行力，比如打字快、记忆力好，类似这样的工种，确实会比较困难。尤其是靠智力劳动执行性的工作者，应该做出改变。
要么他自己能够驾驭这些 Agent；要么他自己在岗位上沉淀了某种大模型根本取不到的专家智慧或者街头智慧，成为能够贡献街头智慧的人。
我们觉得，可能不是今年、明年，但在更长的时间里，人类会逐渐很少做智力劳动。我们会从智力劳动时代，变成智力决策劳动时代。
你更多是告诉 AI：我要去哪个方向，这个方案行不行，我只给你多少钱的规划，我只给你多少时间。你做的都是决策：行还是不行，去哪里。
你不再做智力劳动本身，不再写方案，不再画设计图，不再设计功能，不再写代码。大方向可能会往那里走。
柯基
你们有没有不喜欢的客户？比如来找你们，都是希望 AI 赋能企业。但有没有什么客户，你们一看就知道肯定赋能不成？这个单子再大你们都不接。
这样的客户大概是什么特点？你们拒过的最大订单有多大？
阿甘
喜欢或者不喜欢，来自匹不匹配。我们的目标是帮客户 build business。如果他想买的不是这个东西，那不管订单多大，我们都可能不会接。
我们所谓不喜欢的客户，都来自他内部决策非常冗长。我们现在其实很简单，跟客户的一把手直接聊，大概 3 次之内，基本上就能达成合作意向。
大家都非常直接：我能提供的价值，不是帮你做一个软件，而是帮你重新看你的 business。你的诉求也很直接：你有 3 个最头疼、晚上睡不着觉的问题，我挑一个，用某种方式、某种逻辑帮你解决；你也认可这种方式，我们就可以合作。
这就是我们喜欢的客户。不喜欢的客户，就是来来回回，决策链特别麻烦。
刘凯
我觉得比较多的是买软件的这种风格。不管是 IT 部门发起的，还是董事长或者企业所有者发起的，他也会觉得：“我不想改业务，我就是想买个软件，买个软件提效。”
这当然没有错，但我们不提供这样的服务。
阿甘
最大的订单，我们今年年初应该接触过几个 600 万、800 万左右的。
柯基
这当然是买软件吗？现在软件能卖这么贵？
阿甘
软件加定制化服务。但我们会问一个问题：最终业务目标到底是什么？很多时候来来回回没有人讲得清楚。
我们觉得这种项目，如果我们今天进去，最后可能无法验收，也会很麻烦。
柯基
肯定很麻烦。可以理解。没有责任人，目标还在移动，这种最可怕了。
阿甘
非常恐怖。
柯基
所以找对象也是 exactly。
刚才提到你们公司目前有 60 多个人。你们是一个怎么样的组织结构？工作方式又是怎么样的？
阿甘
我们本身非常扁平。我们两个人日常该写代码就写代码，该做项目就做项目。
每个个体有点像海豹突击队，都是基于某一个目标临时组队。我们非常鼓励大家在一线，因为 FDE 本身也需要在一线，真正进入门店里面。
柯基
所以今天如果一个大学生毕业了，想去做咨询，他仍然可以选择进入 MBB；但他也可以来到像你们这样 AI-native 的 FDE 公司。你会给他们什么建议？一定要选你们吗？
阿甘
我反而会建议他们先去更大的平台，培养自己的商业 sense 和 judgment。我觉得这件事情还挺重要。
我先讲个故事。那天我们在面试，有一个非常优秀的应聘者，基本上已经通过了。他问我：“开哥，我到这个公司来，特别想知道，如果我上岗，我能给公司提供什么价值？我怎么放大我的价值？”
我很坦诚地说：“以你刚毕业的情况，我想不到任何一件 AI 做不了、但你能做的事情。”
他说：“那怎么办？”
我说：“我倒是有个馊主意，要不前两年你付我钱，后面几年我再翻倍地付钱给你，再付回去。”
当然这是个玩笑，但今天所有纯桌面研究型的咨询，或者纯 paper work 的咨询，年轻咨询师能够经受培养、能够上岗去做的事情，确实已经非常少了。我们也很担心这个行业形成断层。
但从另一个方面讲，我们一直在说，喜欢的人是那些有商业意识的人。我们也发现，商业意识这件事情，目前我个人还没有找到一种培养方式。我觉得有些东西是天生的。
有的人家里做小生意，有的人是二代；也有人完全没有背景，但特别喜欢观察，观察能力很强。我们会发现，这样的年轻人其实跟中老年咨询师一样好用，甚至更好用，因为他们更开放、更好奇。
这个问题的答案其实是两面的。一方面，年轻人进入咨询行业会面临很大的挑战，跟原来完全不一样；但另一方面，如果年轻人具备某些特质，他上岗第一天的能力，可能就跟中年咨询师一模一样。
因为中年咨询师会写的东西，你跟你的 AI 也会写，不用担心这件事。
柯基
所以现在年龄反而不是一个特别重要的判断标准。
阿甘
对。有没有 judgment，对事情有没有足够的好奇心，是不是 problem solver，看到问题会不会兴奋，这些更重要。
有些人看到问题就垂头丧气，有些人看到问题眼睛就发光，那种感觉特别不一样。这跟年龄没有关系。
我们最小的实习生应该是高中生，甚至是高二的学生。我丝毫不觉得，他在老练程度和解题方式上输给任何一个有 5 年左右经验、但比较平庸的咨询师。
我觉得这是一个特别神奇的时代：年龄和资历开始变得越来越不重要，思维方式和个性更重要。
但我确实还没有找到特别好的培养路径，这也是我们正在摸索的事情。
柯基
其实我们今天聊这期播客，起点还是来自 OpenAI 和 Anthropic 不约而同地提出 FDE 这个概念，并且都成立了大规模的合资公司，甚至还有一些收购。
在你们看来，为什么这个事情突然发生？他们背后的动力是什么？他们看到了什么？
刘凯
10. 大模型需要 FDE
公域数据毕竟是有限的。当一个大模型想真正进入某个行业时，它应该已经看到了所谓数据的短板，或者行业知识的短板。
Anthropic 训练各种东西，请每个专家可能时薪都上万。与其一个个专家去请，不如直接深入行业里面解题。这是第一个原因。
第二，to B 这件事情，不是一个单独的软件能够完成的，本质上它是一个服务业。
如果大模型企业想改变今天的政府组织和企业，它真正的主力不只是“接上模型”，而是来自模式。模式来自工作流程，来自组织和人才。
这时候，需要一些既懂 AI、又愿意加入 AI 的服务者进入这些行业，才能改变这个世界。
阿甘
特别有趣的是，他们的合资公司全部都是 PE。
我觉得他们还看到了一个机会：大模型对这些行业的改造，最终能够获得的收益，不只是通过 token 赚来的钱，而是它能够帮助企业拿到的那部分 upside。那部分收益非常大。
有人会觉得，我们服务一年、陪跑一年的费用是 600 万，觉得贵；也有人觉得很便宜。尤其是我们背后的一些投资人会觉得：“你们真的帮企业省了几千万元，甚至多赚了几千万元，但你们只收 600 万，为什么？”
因为我们收不到那个 upside。只有和一些 PE 一起入场，去改变它的投后企业服务模式、商业模式，我才能收到资本的那部分钱。
所以本质上，我觉得每一个 PE 或者 VC 的投后部门都应该有，甚至改组成一个 AI 赋能服务中心。因为未来 10 到 15 年，企业增长最大的 enabler 或者赋能器，就会是 AI。
柯基
所以你们觉得，FDE 公司值得被 VC 投资吗？
阿甘
它不仅值得被 VC 投资，甚至值得被 VC 拥有。
VC 也好，PE 也好，它的投后部门有一个核心能力，就是帮助被投企业做 AI 模式转型。
还是拿零售来说，零售本质上比两件事情：比数字化，也就是 AI 和信息化；再比供应链。
如果我的投后服务，是帮助一家已经有 100 家店或者 1,000 家店的企业扩展到 10,000 家店，那么除了给它钱以外，我的核心能力就是把供应链和 AI 做好。
帮我做供应链和 AI 的服务团队或者公司，不应该为我的竞争对手服务。这是我的观点。
我甚至觉得，每个 VC 和 PE 都应该有自己独占的服务。简单来说，它应该投，但不应该把这样一家公司当成被投企业，而应该把它当成自己的一部分，去服务那些被投企业。
欢迎各个 PE 来聊跟我们合作的事情。我们可能跟每个领域的 PE 或者 VC 也只能合作一家，因为所有连锁餐饮都在竞争，所有连锁茶饮都在竞争，所有咖啡品牌都在竞争，所有零食店也都在竞争。
我们服务了一家，就一定不能再服务另外一家。
柯基
那这和 MBB 有什么区别？我们也可以说，一个 VC 或者 PE 没必要去投资 MBB，但可以拥有一家这样的公司，去赋能自己的被投企业。这个和 MBB 有什么区别？
阿甘
在以前，我们服务过很多 PE，就是服务它们的被投企业，帮它们做战略、增长等等。像大马西之类的，大马西是我们最大的客户。
我觉得区别可能来自一个变化：AI 让我们对“战略规划能不能落到一线”这件事情有了不同的信心。
这可能不是我们和 MBB 的区别，而是今天所有愿意做落地的咨询公司，和以前的区别。
以前你只能产生一些规划，只能面对上层和中层，也没有能力深入每一个店长、每一个销售的身边去帮助他。今天有了 AI，你可以做到这件事。
至少我们可以拍着胸脯说，我一定能给你的业务带来 upside，所以我有信心跟你对赌这件事。
我相信现在 MBB 也在考虑这件事情：如果我能给你的业绩带来真实增长，我就不再满足于收你哪怕一天 1 万美元的咨询费了。
过去 MBB 带来的增长，可能没有那么扎实，更像是 PPT 的增长，有限的增长。但当你把 PPT 转成每天服务一线的智能体和工具时，它一定会变得扎实。MBB 如果愿意做，也会变得扎实。
柯基
有趣。这个听起来有点像 result as a service。
阿甘
对，结果才是服务。
柯基
MBB 出现之后，虽然咨询行业也有很多公司百花齐放，但再也没有出现像它们那么大规模的公司。
也想听你们讲一讲，为什么只有这 3 家？为什么后来出现的这些百花齐放的小咨询公司就是长不大？第二，你们认为 AI 时代会出现新的、在规模上比肩 MBB 的咨询公司吗？
刘凯
上个时代其实也有很多细分咨询公司。比如做人力资源的 Mercer，做 IT 的埃森哲，它们的规模也不小，全年大概也是 300 亿到 400 亿美元左右。
我们谈 MBB，核心谈的是管理咨询。但咨询行业有管理咨询、IT 咨询、HR 咨询，以及各种不同的咨询方式。
我觉得 MBB 最核心的地方，还是它解决的是 CEO 的核心问题，最靠近收入核心和权力核心。
之所以 MBB 能够成为 MBB，在于它们自己对结果有要求。我觉得这种要求，是它们和其他公司的一个很大区别。
我觉得在中国，管理咨询最好的时代还没有到来。
柯基
但那未必是对企业最好的时代。
刘凯
对。对管理咨询最好的时代，可能是所有企业都非常标准化、规范化，所有掌舵人都是职业经理人的时代。
因为企业 owner 对管理咨询的要求，和职业经理人对管理咨询的要求完全不一样。我觉得那个时代还没到，可能还要再过 30 年。
但这也意味着，在中国，我相信要么 MBB 会做大，要么一些中国优秀的咨询公司会做到 MBB 这么大。
阿甘
回过头来，我们经常说自己是一家 AI 咨询公司，但有很多投资人会说：“那你们也不算咨询，对吧？你们更像什么？”
他们说，你们更像 Service as Software。你们确实交付 software，但本质核心提供的是 service。只是大家看上去会说，你们在这家企业做了什么？做了好多事情，解决了很多问题，最终上线的是什么？
上线了一个 AI 智能体、一个 AI 副店长、一个 AI 销售。那不是 software 吗？
不是，我们是 Service as Software。
柯基
好，今天非常有意思，谢谢二位。
我们过去聊很多，都是模型的进步、创业机会，以及 AI 的 application 和 infra。但今天很难得，我们聊了一下 AI 落到真实商业场景里面，大家到底在做什么。
我们也看到，在中国企业的一线，已经有很多实践和成果了。也是 FDE 这个词，让我们有了这一期播客。
希望未来我们可以有更多机会聊更多案例，让大家看到企业在各行各业里，究竟怎么让 AI 发挥更大的作用。
好，谢谢二位。
阿甘
谢谢。
刘凯
谢谢，谢谢。
柯基
多谢。