AI项目落地一年后的反思：技术只是门票，真正的壁垒在这里

过去一年多，我一直在企业一线从事AI项目交付工作。从央企到外贸企业，从连锁餐饮到出海业务，我几乎经历了FDE（Forward Deployed Engineer，前沿部署工程师）岗位的全流程：需求对接、业务梳理、系统搭建、员工培训到上线后的持续优化。这段经历让我越来越确信一个观点——AI项目落地最难的部分，根本不是技术本身。

明线与暗线：客户说的和真正需要的

FDE这个角色正在迅速升温。翻看OpenAI的招聘页面，从旧金山到伦敦，从纽约到东京，Forward Deployed Engineer的职位遍布全球主要城市。这个岗位的描述很有意思：它要求从业者负责需求发现、技术范围界定、系统设计、开发和生产上线，还要用真实采用率和工作流影响来衡量结果。代码只是其中一部分，前面要听懂业务，后面还要推动真正使用。

挖掘暗线的五个关键问题

在实际项目中，我观察到一个有趣的现象：客户表达的需求通常只是“明线”——那些能在会议上直接说出来、写进项目清单里的内容。想要知识库、智能客服、内容自动化……这些话本身没有错，但它们经常已经带着一个现成答案。客户还没有把真正的问题讲清楚，就先决定了要做什么技术方案。如果FDE照着这句话直接开工，很容易把客户的方案当成客户的需求。 明线下面，通常还压着一条“暗线”。它不是客户故意隐瞒，而是很多业务规则已经变成了习惯，连客户自己都很难一次讲清楚。客户说想做知识库，明线是把资料放进去；暗线可能是同一件事不同部门有三个版本，关键经验只在几个老员工脑子里。客户说想做智能客服，明线是让AI自动回复；暗线可能是售后、销售和运营的口径从来没有统一，AI一旦接手，只会放大原来的混乱。

从暗线到落地：四次翻译

挖暗线不是靠猜测，而是要回到真实工作场景。我总结了一套五问法：这项工作由谁完成？最耗时间和最容易出错的地方在哪里？如果没有解决，公司最担心发生什么？老员工靠什么判断对错？AI做完以后由谁按照什么标准验收？ 这五个问题分别对应：找到真实岗位、找到流程卡点、找到业务风险、挖出专家经验、决定AI能否上线。很多时候，问完这些问题，客户最初的那句话会变成另一项完全不同的任务。

给FDE从业者的建议

暗线挖出来还不够，它仍然是一堆业务语言和经验判断，需要四次翻译才能变成AI可执行的工作： 第一，把客户表达翻译成业务目标——不是做一个知识库，而是让新人十分钟内找到统一答案。 第二，把业务目标翻译成判断规则——AI要读什么资料、遇到哪些情况必须拒绝、哪些异常必须转给人，都要被写清楚。 第三，把判断规则翻译成工作流程——这才轮到选择模型和工具，技术终于有了明确位置。 第四，把工作流程翻译成验收结果——没有验收，所谓落地就很容易停在演示阶段。

如有侵权，请联系删除。