2. 为什么是现在
解释个人会用 AI 为什么换不来公司变快,以及 FDE 为何在此时成为被重金培养的角色。
学完这一讲,你能
- 用一张单子的时间构成,解释个人提效为什么到不了公司层面
- 区分用 AI 与 AI Native,并用三个问题自检团队现状
- 说清 Forward Deployed 与 Frontier Deployed 的差别,判断自己站在哪一边
写方案快了一半,一张单子走完还是那么久
把一张单子从提出到完成的时间摊开,大致可以分成四段:写、等审批、对数、返工。员工用上 AI 以后,写的那一段明显变短,后面三段几乎原样留着。下面的对比是示意,用来说明结构,条长不代表实测。
等人
单子在别人的待办里排队,你写得再快,它也得排着。
对数
两张表对不上,只能人工核。
返工
AI 写得快,没人把关照样重来。
这三段都是个人工具碰不到的时间。回想你们最近走完的一张单子,自己动手的时间占几成,等待占几成?拿张纸把这根时间条画出来,画完你大概就知道问题出在哪一段了。
个人提效换不来组织能力,这件事有人踩过
基金公司的研发团队:人人会用,却很难一起用
这家基金公司的内部研发团队本来就在用 AI,AI 的价值在于把研发人员每天能完成的功能点从 3 个提高到 10 个(访谈数据)。老板要的却是整个研发团队转型,让 AI 成为组织能力,这件事个人效率给不了。FDE 把卡点拆成三层:认知上都在用,没人说得清做到什么程度算够;工具上各用各的,协作方式还是一份 PRD 那一套;组织上角色和流程要调整,怎么落到自己团队没有现成答案。 做法是统一工具,重写 Spec 协作文档,分三期迭代。这家公司没有开放可对外披露的完整 ROI。另一家制造业客户的三个小组用这套方法后,短期内部统计显示写代码省约 1/3,写文档省一半多,测试基本持平。这是几天内的统计,只能算真实反馈,不代表长期 ROI。
Datawhale《FDE案例100》NO.7,访谈数据那位 FDE 的判断值得记住:这类问题不能只回答工具怎么用,要先判断企业要解决的是什么。你们公司现在卡在认知、工具、组织的哪一层?
用 AI 是每一步快一点,AI Native 是先问这一步还要不要
差别在流程重不重做,和用哪个工具关系不大。拿一份月度经营报告做示例,这是一个通用场景。
| 步骤 | 用 AI 做报告 | AI Native 的同一份报告 |
|---|---|---|
| 第一步 | 人从四个系统导表 | AI 员工定时去系统取数 |
| 第二步 | 粘给 AI,让它写总结 | 代码算指标,模型写解读 |
| 第三步 | 人逐个核对数字 | 数据不对就停下,报给负责人 |
| 第四步 | 人改格式,发到群里 | 人看一眼,确认后发出 |
| 结果 | 四步都还在,人一步没少 | 人只剩最后一步:验收 |
拿你自己的场景试一下:把每一步写下来,然后逐步问“这一步如果没有了,后面会出什么事”。答不上来的地方,就是可以重做的地方。
三个问题,测出你的团队是在用 AI,还是流程真变了
- 是人做、AI 帮忙,还是 AI 做、人验收? 数一数你一周的工作,哪些已经只剩验收。
- 新人来了,是老同事带,还是系统带? 业务规则写下来了吗,新人能自己查到吗。
- 团队工作量加倍,人员需要加倍吗? 答“要”,说明流程还绑在人头上。
写下你的三个答案。三题都答前者很正常,大多数公司都在这里。第三题问的是业务增长时能不能不被人数卡住,和减员无关。到第五部分你会再做一次这三个问题,看看答案变了没有。
做大模型的公司,开始花大钱培养会落地的人
2026 年 10 月,Anthropic 宣布投入 1 亿美元,到 2027 年底培养 1 万名 Frontier Deployed Engineer。这条新闻的重点在信号:模型已经够强,缺的是把它放进企业的人。
一小支懂业务、有技能、高主动性的团队能改变整家公司
Anthropic,2026 年 10 月公告
他们的培养方式很像医院带住院医师,先在模拟环境练,再回到真实岗位上被考核。这门课借用了同样的路径,你可以逐项对照。
| 环节 | Anthropic 的做法 | 这门课怎么用 |
|---|---|---|
| 入学 | 公司提名,每人带一个指定项目 | 带自己公司的真实场景来学 |
| 面授 | 模拟选场景、安全审查、交付移交 | 前四个部分走完同一条路 |
| 考试 | 换一个新场景,现场实操打分 | 用评分表给自己的作品打分 |
| 12 周 | 回公司主导真实场景,结束再评估 | 按 12 周计划回岗落地 |
问自己两件事:你们公司有这样一小支团队吗?上次培训完,有人被考过吗?
Forward 是厂商派人进客户公司,Frontier 把企业自己的人练成这种人
| Forward Deployed Engineer | Frontier Deployed Engineer | |
|---|---|---|
| 说起来 | 从 Palantir 这类公司开始 | Anthropic 2026 年的培养计划 |
| 谁来干 | 厂商的工程师 | 企业提名的自己人 |
| 在哪干 | 驻到客户现场 | 回本公司主导真实场景 |
资料里常被引用的合作有 Palantir 与 NHS、OpenAI 与 Morgan Stanley、Scale AI 与美国陆军、Google Cloud 与 Ford。这门课两种人都教,你可以是外部接项目的 Forward,也可以是公司内部的 Frontier。两者做的事几乎一样,差别是站在哪一边,你现在站在哪一边?
本讲要点
- 个人工具压缩的是“写”,等人、对数、返工这三段还在
- NO.7 把卡点分成认知、工具、组织三层,要先判断企业要解决什么(访谈数据)
- 用 AI 是每一步快一点,AI Native 是先问这一步还要不要
- 第三个自检问题问的是增长能否不被人数卡住,和减员无关
- Forward 与 Frontier 做的事几乎一样,差别是站在厂商一边还是企业一边
画出你的时间条
- 选场景卡上的流程,或最近走完的一张单子,画出时间条,分为动手、等待、对数、返工
- 写下流程的每一步,逐步问:这一步如果没有了,后面会出什么事
- 写下三个自检问题的答案,保存好,到第五部分再做一次
- 判断你们公司卡在认知、工具、组织的哪一层
交付物:一张时间条草图,一份流程步骤清单,标出可以重做的步骤,再加三个自检答案
资料来源:Datawhale《FDE案例100》NO.7;Anthropic,2026 年 10 月公告;Awesome FDE Roadmap