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AI战场正在从C端回到B端，由此催生了FDE（前沿部署工程师）这一新工种。OpenAI率先成立专门的部署公司；Anthropic拉来黑石与高盛，合资15亿美元押注企业级AI部署；微软新设Microsoft Frontier Company，投入25亿美元、调配6000名工程师，宣称已超越FDE的概念范畴；亚马逊亦投入数十亿美元跟进。硅谷巨头正以前所未有的力度，将最顶尖的人才与算力推进企业内部。

硅谷的逻辑是，AI要进企业，就要开行业最高的薪资，派一批最聪明的人驻扎进去。但这件事在中国，还是同一个剧本吗？

本期硅谷101播客，我们邀请到阿里巴巴集团副总裁、瓴羊CEO朋新宇。他是阿里数据中台方法论的创立者，他的团队做这件事已经5年，比“FDE”这个词流行起来还要早。在AI浪潮到来之后，他们发布企业级Agent平台：AgentOne。他们的做法很不“硅谷”，不接定制化的大单，不做1000人天的驻场开发。他们找的是企业里最耗人、最耗钱、最耗时的环节，把预设好的agent接入企业私有数据，去解决真实的业务难题。举例来说：一个催发货流程，客服agent需要跑通260步流程；一个顶级人类投手，90天内调价10000次，AI要学会这10000次调价背后的决策逻辑，这背后靠的是团队配合和工程化的推进。

在朋新宇讲述中，没有全能型的个人英雄，也没有对SOTA模型的迷信。“企业算得过来账，背后用什么token，老板不会在乎”。务实，算账，打地基，这就是FDE在中国的故事。

以下是这次对话内容的精选：

泓君：我知道你也是阿里数据中台方法论的创立者，要不要跟我们简单介绍一下自己，以及瓴羊是一家什么样的公司？你们现在具体在做些什么？

朋新宇：用一句话来说，我们在企业服务的范畴里，做的是企业级增长的Agent，核心是帮助企业做消费流通。

泓君：过去硅谷讲的都是C端的故事。大模型这一轮刚开始，大家都在说，谁的产品先冲上App Store第一名，谁的日活先破亿。但从今年上半年开始，我觉得整个硅谷的风向变了，整个AI的战场正在从C端回到B端，OpenAI的FDE在旧金山的中级岗位基础工资是16万到28万美元，与传统的解决方案工程师相比，这个职位大概高出60%。你们有没有FDE的职位？你觉得这个岗位需要什么不一样的能力？为什么它会比市场传统的驻场运维价格高出这么多？

朋新宇：背后的本质还是这类人才的稀缺。今天我们看到的，做得好的FDE，具有三个能力。第一是要有AI的锐度，第二是要有行业的深度，第三是要有数据的宽度。FDE关注的不光是这套系统是不是在正常运行，而是这套系统是不是按照业务目标，在往好的方向走，好的地方怎么让它更好，差的地方怎么干预。FDE要能做到对业务的理解、对数据的理解，能做一些不管是技能的调整，数据和语料上下文的调整，包括一些memory的管理。这些工作是原来做传统交付不存在的，或者不会遇到的问题，所以这是最大的差别。

泓君：你觉得现在瓴羊在跟客户接触的时候，当我们提到FDE，它跟传统说的驻场开发、驻场运维，本质区别在哪里？

朋新宇：本质的变化是，原来交付功能，现在变成交付业务效果。如果从AI这个大的语境下，我会拆三个方向：

第一，以业务结果为导向。要找到对的问题，这个问题一定是有业务目标、业务数字和业务过往历史记录的，用AI的视角来讲，它能构建一个测评集，构建一个指标体系。

第二，以企业数据为基座。如何构建企业数据，通过Agent调用大模型的能力，既能保护隐私，又能发挥大模型最大的智能上限。

第三，以岗位标杆为预设。为什么我们会去定义首席客服的Agent、最佳投手的Agent、最佳销冠的Agent？其实是把这些岗位标杆作为Agent的预设，起步可能就是一个工作5年、10年的投手或者客服。

硅谷给这个岗位叫FDE，我们有一个很传统的词，叫CSM，客户成功。我们希望客户成功最终是对业务的结果好一点、更好一点，我们叫better and better。

泓君：所以我理解，这一轮在说到FDE跟企业级部署的时候，跟之前几轮的根本区别就是，它是有结果的，结果能验证。不管是成本削减，效率提升，还是新业务拓展，都是以结果为导向的变化，对企业确实有帮助。

朋新宇：对，而且是以结构上可度量的业务增长结果为导向。企业侧和个人侧最大的不一样是，企业侧用AI是希望找到重复的工作，用最高性价比和最高效率去解决它。个人可能是找到AI的上限，突破自己的边界，但企业很多是要去约束边界。

泓君：能不能举个例子？

朋新宇：ToC需要“新奇特”，就是让人眼前一亮的个人体验。对于企业侧来讲，要的是“多快好省”。举个例子，我们帮助一些客户，其中有做3C数码的，其中一个环节叫催发货。它有三类不同的处理方式。第一种，我买了两台空调，你只发了一台，客户打电话来催，流程就是核查订单、查库房、派单发货。第二种是催配件，空调忘了发一个配件，原来的客服流程要找到配件仓库，再发出去。第三种是催赠品，买了一台空调，确实收到了，但你当初说送一个电饭煲，为什么没送到？就这么一个催发货的环节，客服售后大概有260多步。

图片来源：unsplash CHUTTERSNAP 

泓君：260多步，这么多？我理解难就难在要跟内部流程沟通。

朋新宇：对，流程有的是内部系统，有的是外部系统，比如电商在多个平台，有京东有天猫等等。这200多步背后，AI能覆盖95%以上的情况。这95%，可以通过我们销售Agent、客服Agent，以及和AgentOne的结合来做。

昨天正好和同事复盘一些案例，其中一家目标是要超越他现有的传统机器人。我们发现，上线一开始就比传统机器人效果好，目前已经逼近人类最好状态的平均水平。所以能看到这样的工作在企业侧是普遍存在的，它有边界，同时有巨量的重复在发生。

我们把这些情况在企业侧归成三类场景：第一类，哪里耗人最多？比如打电话、接电话、投诉。第二类，哪里耗钱最多？有些是赔款止损，有些是营销投放，有些是素材试验。第三类，哪里耗时最多？比如打电话给客户说“我为什么没到”，一般查了半天没查到，说晚点回电，以小时或天为单位，超过一个小时客户肯定就退单了。

不是说所有场景都能用业务结果为导向做到，一定是这个业务结果非常具体、可以度量，在耗钱最多、耗时最多、耗人最多的地方。

泓君：那我们刚提到的催发货场景，假设一个标准的电商企业，需要雇佣多少个AI员工？

朋新宇：这根据业务体量来，比如销售金额的两到三个点、三到五个点，各个企业不一样，几个点是给客服的成本。今天用AI一定是在同样的成本之下，做到原来同样效果之上的业务结果，才能说这个事情是work的。

泓君：这些Agent是所有企业都通用吗？大家在具体应用的时候，是所有企业都用得很好吗？会不会有一些企业内部数据本来就不全，上手比较困难。

朋新宇：这就是为什么FDE“以企业数据治理为基座”很关键。比如雇佣一个工作5~10年的员工，进来以后企业的基础信息、知识库都是乱的，这个人进去也傻眼。所以雇佣这个员工，对大企业来说，他有私有的上下文、各种知识库都很重要。我们的FDE在这里工作，就是帮他梳理和治理企业数据，如何让data for Agent。

我们在帮一家企业，它在多个电商平台做投流，发现投手之间天壤之别。我们进去复盘过往三个月的投放行为，最好的一个投手在三个月里做了超过1万次价格调整；一般的投手大概三个月做了100多次。这个差异如果靠人去学，靠老师傅带新徒弟，很难学到。这就适合AI的Harness工程去做自我学习和进化。

这件事可以理解为工作的几个基本元素：第一是学习，就是数据采集；第二是建模；第三是执行；第四是迭代。

只是第一件事，很多企业觉得自己有经验，但经验总有局限性。如果把你过往3个月所有的行为做一个数字化的度量和学习，基于这些数据，AI一定比人更能对行为做全面深刻的总结和提炼。所以我们把这些东西变成Agent数字员工的技能之一，让它未来能每天用新的对话、处理的异常信息、好案例、坏案例……去做进化，形成它的工作模式。

我们在企业侧发现，每一家工作的细节是不通用的，但这样的环境是通用的，这个环境正好对应我们这套AgentOne能够从数据收集到模型建模、skill梳理、工作建模、任务执行推进，最后做到进化迭代，这部分是通用的。

泓君：所以AI其实是在向人类最优秀的投手学习。 我理解现在市场上要投的就是几个大的平台，那这一类Agent产品，是不是一个比较标准化的产品？

朋新宇：对，这几大电商平台已经形成最大公约数了，下面的素材、价格、系统、数据已经标准化了，这部分占企业做投手80%的数据准备和系统学习的能力。

泓君：企业现在用Agent到了哪个环节？是已经到了可以验证交付结果的环节，还是刚刚开始？

朋新宇：从我们服务和接触的客户来讲，我觉得是有结构性差异的。走得比较先的，是数字化基础比较好的，比如原来在电商、互联网积累比较好的。还有一类是大的企业，本身内部IT、信息化做得比较好的。

我们现在看到在投手或客服方面，不少企业已经在用了。大部分企业真正做出效果不会去讲的，企业侧只要效果持续在用，那就是好的，最终用结果来买单。

泓君：你们今年去谈客户的时候，要让他们把自己的一部分系统放在Agent上，是从上往下推动，还是从执行层自下而上跑起来？今年企业对Agent改造业务流程是什么态度？

朋新宇：这是个好问题。两者都有，但目前我们看到进展顺利的是自上而下的。涉及一个生产关系的问题。自上而下是这个业务的一号位，他能同时调配IT和业务两笔费用，才能去算总账。我们遇到有的企业是比较传统的企业或制造业，一号位董事长非常明确，今天必须拥抱AI、用好AI。自上而下以后，他的财务、IT、销售线都动起来，生产关系重新发生变化以后，销售Agent从一个区域复制到全国的区域，形成一个快速推动的局面。

如果自下而上，我们遇到反向的例子：某个业务部门想做业务的Agent，但他今年没有预算，而他的IT团队有预算，但IT团队和业务之间是不同的部门，在这个过程中发现需要通过业务方案去设计，既要满足IT的先进性，又要满足业务的效果，这个生产关系蛮难弄的。

泓君：企业在推动这部分业务的时候，因为会涉及很多企业内部的数据，各个流程、各个部门的数据，还有方法论都要拿出来做成一个Agent。企业在跟你们负责前沿部署的人沟通的时候，这会是他们有顾虑的一部分吗？

朋新宇：这也是我们的优势。原来四五年的时间，我们帮助了大几百家到上千家中大型的客户部署了数据平台，已经帮他们做了数据治理和打通。基于这平台之上去找业务，今天就是水到渠成的事情。

图片来源：unsplash Stephen Dawson

泓君：我理解您提到的大客户是之前跟阿里已有商务合作的客户，您又是做数据中台的，所以沉淀了很多数据。那如果大家跟你们一起合作一个这样的Agent，商业模式是什么？

朋新宇：商业模式来讲，基本两大类，一种是按坐席收费，就是工作量。比如客服，原来是500人，要接管他一年的生意服务，今天用同样500人的价格，比如有个8折、9折的投入，做到原来一样的效果，这就是按照成本、人力成本降低的转化逻辑。第二种比如做营销、做投手这些增长，原来转化率比如20%，做到原来人工转化率之上的部分我做分成。

泓君：现在按效果付费的已经真实发生了，有达成效果的吗？

朋新宇：肯定有，而且是连续续费的客户。原来我们有个词叫POC（概念验证）。今天叫MVP（最小可行产品），不需要做概念验证了，因为今天是一个AI员工在这里，上来就能体验、能使用了。最终要基于他家的业务单元、数据单元，能做一个最小价值验证，客户验收通过，用着OK，那就继续用，这种才是比较有互信和持续粘性的服务方式。

泓君：最终数据是在企业端还是在阿里端，还是共有？

朋新宇：这个问题背后是技术模式，这里可能讲三个词：定制化，标准化，个性化。原来大部分企业希望用定制化的方式去满足企业标准化的流程，可能每个企业都说，我的工作流程和别人不一样，要去做定制，把他内部非常顺的流程刻画下来。这样的标准化，问题就在于企业对业务流程的理解总结到不到位。如果到位，确实有效；如果不到位，可能解决30%的问题，之后每天会有70%、60%的新的增量，就会变成耗时的系统交付工程。

今天的这些Harness工程，能够把原来企业的工作流、数据流、企业的上下文，把这些工作区间标准化下来。同时因为有了自主进化，面向不同客户回答问题的过程中，它能做到个性化。对于AI领域来讲，未来更多的是用标准化的方式去解决个性化的问题，因为定制化本身就很难做个性化。

泓君：我理解当我们在说标准化的时候，比如给企业一个标准化的产品，你只用采购我这个Agent的席位就可以了。但定制化就是说，企业可能有特别的业务需求，我需要再跟你的数据打通，它能回答更多个性化的问题。这些都能用标准化的手段去解决吗？

朋新宇：如何分辨它是定制的还是可以被标准化的？定制就是你去问企业里每个人，他的流程可能都不一样，最终需要做内部叫企业流程培训，完了以后这套系统才能上。今天的分支点是，你把现在企业真实在工作的这些人的行为，通过数据最终帮他表达：你这个企业最好的销冠是怎么工作的？最好的投手是怎么工作的？这个工作是不是你希望复制到所有人的？如果这是一个参照系的话，跟原来离散的、似是而非的标准相比，这是本质差异。

泓君：那你们会给企业做一些定制或企业专有的软件吗？

朋新宇：我们现在已经很少做企业专有的软件，还是聚焦围绕企业里面增长的问题，增长的问题最终一定是用数据能度量的。当然我们也遇到一些客户说希望明年买我们1000个人天（Man-Day）的投入，其实这种方式在企业侧也要发生变化，未来买这种人天的方式、定制的方式会越来越少。

比如开发一个功能要100天，他估算大概有10个系统或100个功能，自己算下来差不多要1000个人天的时间才能开发完成。这个开发对我们来讲完全是从0到1。这类事情对客户对我们边际效率都非常低。所以我们反而是说，今天你聚焦在做销售、做客服、做营销，基于这些场景之下的问题，我们去解。

泓君：所以你们现在更倾向于做标准化的增长类Agent。这个点非常有意思，我们可以讨论一下。过去在SaaS那波很热的时候，大家想要做标准化的产品。这一波很热的公司是Palantir，大概有46%-47%的营收来自商业客户，主要是派工程师到一个一个企业里改造，就像您刚说的，从0到1把企业内部系统搭建出来，比如他要1000个人天来搭建一套系统。我理解现在像OpenAI、微软，可能也是想用这套AI工具布局到企业内部，他们做的是一个一个企业纯定制化的思路，你们反而在走一个相反的做产品的思路。

朋新宇：对，Palantir有个前提是，服务那些企业原来都是有基座的，它是去帮客户找出有价值的问题，而不是帮客户去实现他列出来的todo list的100个功能需求，这是本质差别。

我们现在在交付和服务中的客户，进到客户里面，可能和企业的CEO、业务总裁到一线人员都要做交流、做访谈，最终是和他一起先找到公司里边这个阶段在销售侧、营销侧或者业务增长侧最有价值的问题。这问题最终还是回归到这三类：销售、营销、客服的ROI增长。

泓君：我们刚聊了客服，有没有销售的例子？我理解销售每个行业之间差别更大，比如酒的行业、媒体的行业、ToB的、ToC的，完全不一样。

朋新宇：是的。我们有一家制造业，原来有很多线下的渠道，各个省代，渠道销售人员服务各种经销商。这些人员最大的麻烦和约束是上班时长和客户时长，一天只能拜访两到三家客户，先去哪家、后去哪家，这是时间规划的问题。第二件事是我见了客户，要交流什么样的方案。第三是，和这个人沟通完以后，可能有一系列动作，要在内部业务系统录入。

原来这件事都是靠人力的，我们帮这个企业从一个省的试点开始，这个试点原来是一个最落后的销售区域。这些过程AI能在各个环节帮助，把事前、事中、事后都串起来。前面的路线规划，中间的客户见面材料准备，以及准备完以后的小结和系统录入打通，如何推给后面内部相应的其他人员跟进。原来一名销售可能每天花一半的时间做资料准备，晚上大概花两个小时做复盘和系统录入。今天对他的工作时间效率大大提高，而且最终结果就是那个省拿到了公司的销冠。

泓君：所以你们现在内部有多少个不同的Agent？

朋新宇：我们提供的Agent服务方式，简单来讲就是4+X，4个预设好的Agent加上X。四个分别是：营销、销售、客服、运营。我们这个Agent就是在这个行业里能做到5~10年工作技能的人，叫做最佳岗位实践的预设。

X是企业的数据资产和企业的上下文管理，就是雇了这样一个人进去以后，你给他什么权限？什么企业数据？什么审批权限和资金管理权限？所以这个理论上的X就是我们需要和企业一起去梳理、去治理，以及在原来企业平台之上做数据资产管理的，能让前面的Agent更好地上岗工作。

泓君：您刚提到的帮助制造业做销售的Agent，从你们的员工开始接触了解这家企业，到真正把适用于他们企业销售系统的Agent打造出来，这个过程大概花多长时间？

朋新宇：这是个好问题。我们讲起来很容易，但做起来还是蛮难的，特别是在新的技术革命开始，有人相信，有人怀疑，有人在不断摇摆，核心在于企业整体的组织生态关系。解放思想是第一步，先去熟悉工作岗位，这一步花了比较大的时间，可能占了不止1/3。

完了以后才是去做建模。后面我们同样花了大概1/3的时间在教练团。因为有了这样的Agent出来以后，并不代表今天就完完全全是一个优秀的投手或优秀的销售，所以有一个AI的导师团要去调教它。真正的实施执行和系统上线反而是快的。

泓君：熟悉工作岗位，我理解就是我们今天提到的FDE前沿部署工程师，他要真的到企业内部跟大家沟通交流。他是不是还得在每个企业轮岗，看企业怎么运作。假设他们的销售发现我们是抱着建Agent系统的目的去的，会遇到执行层的人比较抵触吗？

朋新宇：肯定会的，这是人性。所以前面的话题就是说，跑得快的是自上而下的，跑得比较快。但我们欣喜地看到，做了几个成功的企业，有部分企业的CEO或董事长做的最多的一件事是动员思维的转型。我们有一位董事长，一年在企业内部给全员和管理干部培训，自己做董事长学习AI去讲课，超过15场。他说我先学会，再给员工讲，员工才能理解我的思想，能用好这些系统。

思维转型是非常难的事情，这些员工原来担心的会被替代掉，其实在企业侧不是这个样子。比如IT团队这些成员，原来在数字化时代是非常有竞争力的，在AI时代我觉得他们更加有竞争力。首先前提是了解AI、善用AI工具，有技术背景，上手快，同时只要他往业务再走一点点，可能就是企业内部的FDE了。他比我们更能找到企业内部耗钱最多、耗时最多、耗人最多的地方。这波人有巨大的机会。

泓君：那比如说销售、客服这一类的职位，他们会有向上走的可能性吗？

朋新宇：当然，今天他可能不是自己去上岗做真正的一线接线或处理投诉的人，他是这个客服AI Agent Leader，每天做异常处理，每天晚上复盘做总结，做任务派发，让Agent去学习新技能。那这个人整个的成长路径就不是原来说我去处理100个更刁难的问题，而是如何让我这10个跟着我的Agent，能够覆盖原来超出我工作量和工作能力范围的工作。

泓君：前面提到的第二点是建模，第三点是有一个AI导师团来用这个工具，这具体是什么样的步骤？

朋新宇：我们举一个Agent上岗的例子，在一家企业，不是说我今天部署个系统立马就切换上去，我们是大概一周的时间。我们是第一天切晚上0点到2点的客服数据进来，因为这个时间客户需求最少或低谷，即使第一天上去有什么问题，影响面是可控的。基于第一天的工作上岗以后，去做评审、做分析、做一些调整。

第二天改它的上岗时间，从中午12点到下午2点，这是一天工作最高峰的时刻。我们不是抽高峰时刻里面1/10的流量，我们要的是这个时间段全段的流量，只有全量我们才知道异常的边界在哪。同样复盘在最高峰的表现，去做一些调整。

第三天可能放大到8个小时，以此类推到一周的时间，让它变成一个能够符合整个企业设定的参照系，这个参照系可能是其最好的坐席水平，或内部最优员工的标准。

泓君：那具体真正到前沿部署的这些人，比如他要熟悉企业的工作岗位、建模，同时还要在AI使用过程中不停拿反馈，你觉得这个人需要什么样的素质跟画像？因为我感觉这是一个很难的工作。

朋新宇：我们做法不是一个人，而是一个组织。要一个人有这样的全才非常难，而且这个人的宽度和时间非常碎片化了，所以我们基本上分三类。

第一类是BA（Business Analyst，业务分析师），以业务结果为导向的BA。对客服流程本身有200多步流程，我们怎么编排、怎么阅读，客服处理什么是最佳方式，他能找出最好的AI工作模式，设定一个比较科学的数据标准做评测。他偏业务，像美妆、家电、家居、宠物、汽车……这些领域的专家今天就在我们这个组织里工作。

第二类是AI架构师，他们把业务问题翻译成为用什么尺寸的模型，什么环节应该人干预，什么环节应该用机器接管。他对新的模型、新的Agent进化的能力有足够掌握，最新的产品都要能快速上手给出结论，并且快速知道这个业务应该匹配什么样的解决方案。

第三类才是首席客服、首席销冠这类人，把前面的业务问题变成Agent以后，他们能够一起参与调教。这个过程中我们的角色会弱一点，会退后，在客户侧挑选出他们最好的这几个角色，组成AI的专家团或教练团。

未来，大企业或IT技术能力比较好的企业，内部应该都具备这几种角色。

泓君：现在用一个AI客服，成本是多少？需要付Token用量的使用费吗？因为从今年开始，硅谷大公司也要求员工开始用Agent，但很快就发现企业的Token账单给烧爆了。现在在您接触的客户中，会有这样的现象吗？

朋新宇：这个是普遍存在的，拿我们自己举例子好了。我们在Q1结束的时候，其中一个AI项目收入可能300万，但投入1200万。但我们慢慢到这个季度结束，基本上能看到会打平掉，所以初期投入还是有的。

但今天呢，正是因为我们自己是这样经历的，所以反而设计出来的Agent，不是让你对token敏感，而是关注你背后能解决的问题。还是那句话，能不能算得过来账？算得过来账，背后用什么token，大部分老板是不会care的。

而且有些时候我们看到很多问题在客户侧，并不是模型先进性的问题，可能就是刚才讲的“最后一公里”的企业上下文，企业数据规不规范、好不好用，这些问题可能今天不一定是要用最好的大模型。

泓君：你们现在用哪个模型？

朋新宇：所有阿里云平台的模型我们都在用。但对客户来讲，不管是阿里系的千问（Qwen）模型，还是今天的开源模型，像Kimi、智谱，在阿里云平台上都有。我们反而是用场景来帮客户挑选，什么场景下用什么模型性价比最高。我们对模型不会有执念。

泓君：所以你们现在的策略，可能是好的模型配上阿里的一些开源模型，可以下载到本地，综合来调度，现在是这样一个思路吗？

朋新宇：你谈到的问题其实就是怎么部署的问题。部署我觉得分两类。一类叫系统部署，今天我们这些Agent姑且简单理解成一个系统，这个系统可以在阿里云、公有云上，也可以在企业自己的环境里面私部（私有化部署），这没问题。

第二类是模型私部。模型私部我们发现大部分人是混淆的。一两年前大家可能都在谈能不能下载一个开源的去私部，有人在这样干，是因为模型的智能需要做后训练。今天其实基模已经强到没有人再提后训练了。另外，不管是阿里的大尺寸模型，还是像Kimi这样的模型，都是两点几T的参数。如果要私部这样的模型，没有几千万的初始化投入恐怕打不住。第一个是需不需要？第二个是成本耗不耗得起？所以模型私部这个事情，未来更多的会交给Agent，由它去选择什么场景下用什么模型。

还有一个问题的混淆是，如果我不私部模型，是不是这些数据就给了大模型公司？只有私部才能把数据留在企业内部。其实今天我们用Agent调大模型的过程中，我们和大模型对话，大模型并不会吸你这些数据。

今天我们这层就在你的Agent这边，你的客服Agent、销售Agent、营销Agent……这些Agent可以部署在企业内部环境里，你可管可控。所以在系统这一层可以管控你的数据安全、数据合规。在模型这层，我觉得还是在市面上用最符合的模型和性价比、匹配你解决问题的模型是最优方案。

图片来源：unsplash Winston Chen

泓君：综合来看，今天模型能力已经很强大，强大到很多用AI就已经有一些效果了，所以大家不用事事都用最好的模型，反而是现在在一个拼效率的阶段，拼谁的运营效率更高。

朋新宇：是，在ToB这侧不是模型的先进性，而是和业务场景比较多快好省。比起最好的模型，我们今天可能是用一个适中的模型，能解决你场景，对比下来能达到很好效果的，未尝不可。

泓君：你们跟企业做企业级Agent，模型能力升级对你们来说它是风险因素还是利好因素？你们需要及时更新Agent吗？

朋新宇：目前还OK。如果还用了我这套Agent，我一定是在稳定地绑定这个模型，而不是说随着升级它就自动升级，而是要经过人工确认的。今天一定是我们测试到这个模型带来足够的理由去升级，我们去升它。

在这个过程中，FDE在里面起着关键作用，我们要去测、去对比效果，再去做升级方案。而且升级方案可能并不是一个API级别的切换。看起来切换很容易，但其实在企业这一侧，他要的是稳定的工作输出。

泓君：你觉得中美的企业级AI，在不同市场环境下有什么不一样的地方？

朋新宇：首先是基础不一样。在前面的信息化阶段，美国有Salesforce、SAP这样的企业，奠定了很多的工作流和数据标准。但在中国这一块是缺乏的。所以在中国做FDE，大部分做交付，不是我们想这样做，而是每一家都没有比较平稳的地基。所以交付就变成了我们从打桩盖楼，再到上面装修，一系列事情都要干完。

第二，今天美国企业和中国企业付费习惯也不一样。你们在硅谷应该很直观，大家尊重知识付费，人力成本也高得多。但在中国不一样，每个大的企业都有一个IT团队，如果仅仅是交付，他内部也能做。那这里会遇到一个市场稀缺和市场饱和的问题。

第三是做这件事的人工作有什么不一样。在硅谷，有Salesforce、SAP这种传统的SaaS，还有像Facebook、Google这种互联网平台。在中国，有淘宝、天猫、企业微信。FDE要更多地站在客户视角，怎么利用好已有的互联网平台去工作。传统如果仅仅做一个功能集成的交付，会落到功能的比对上。今天如果是从互联网平台出来的人做这些事，他就有天然的优势，如何懂流量？如何懂互联网的运作方式？如何懂互联网之间的这些know-how？这是蛮不一样的。

泓君：您觉得中国跟美国的FDE现在是领先、同步还是滞后？

朋新宇：我没有数据，所以没法对比谁做得更好。其实我们没有FDE这个词之前，我们做的就是这个方向。我们5年前就一直有这么一个团队叫CSM，围绕着客户成功，今天有了AI来了以后，把AI纳管进来。但我们这几年一直在这样做，越来越能感受到，最终是用客户的订单、续费来对你表达做得好不好，目前我们看下来收获是够的。

文章来自于微信公众号 “硅谷101”，作者 “硅谷101”