博客 详情

老板向AI许愿，员工让AI滚蛋｜深氪

文丨赵芮
编辑丨张雨忻

老板的“愿望清单”

“你清楚马斯克是怎么带团队的吗？”听到这个问题，胡芯兰心里一沉。

对面这位老板，来自一家员工超过万人的重工业企业。他在网上看到马斯克用智能代理替换真实员工的报道，产生了类似想法。他直截了当地对胡芯兰说：“你能帮我把整个IT部门都撤掉吗？我每天只跟智能代理沟通就行。”

在胡芯兰接触的众多老板中，关于“减员”的想法相当普遍。 他们来自金融、制造、互联网等行业，公司规模从数百人到上万人不等。有的试探性地问：“你不觉得我们公司人有点多吗？”有的直接抛出终极问题：“最多能裁多少人？”而这位效仿马斯克的，是她遇到的最极端的例子。

还有些老板，虽然没直接提裁员，却希望用AI来监督员工的一举一动。“能不能给我装一个智能代理，记录每个人每天做了什么、完成了什么、项目进展如何，最好还能随时监控和调用这些代理，然后根据完整日志计算每个人的投入产出比。”

胡芯兰明白，提出这种需求的老板，只是还没把裁员公开说出来。他们想先收集足够的人效数据，再“尽量精准地裁人”，以免“裁掉关键岗位”。

经常处理“减员”需求的胡芯兰，做的并不是人力资源工作，她的职位是当下AI领域最热门的工种之一——FDE，即现场部署工程师。

当前，AI发展非常迅速：模型更新很快，应用不断推出，创业公司融资热度不减。但这种速度和热度，并没有同步传递到那些希望用AI提升效率、改进生产的企业中。埃森哲曾调研七个行业的163家中国企业，结果显示只有9%的企业通过AI应用实现了生产效率、收入和利润的提升。

FDE这个职业正是从“技术发展与技术落地之间的差距”中诞生的。 它最早由硅谷公司Palantir提出，后来被OpenAI和Anthropic推广，并在2026年从硅谷传入中国。这个工作就像AI和企业之间的桥梁，FDE在客户公司驻场，深入了解业务需求，然后针对性地部署大模型、智能代理等AI能力，缩小AI与真实工作场景的差距。

但在中国，大部分FDE的工作处境很尴尬——企业提出的许多需求，就像“许愿”一样不切实际。

有一次，胡芯兰在会议上向不同行业的客户介绍公司的AI产品，一位老板突然接过话头，激动地描述AI对人类的重大意义：“不只是工作，我们的身体、生命健康数据什么时候能交给AI？让硅基生物复制并造福我们碳基生物。你们应该想办法把这个做出来。”

话说完，全场沉默。胡芯兰努力控制表情后，才稳住场面：“这需要从长计议。”随后她赶紧结束会议，才没让需求从工作提效跳到改造人类生命。

FDE创业者朱莉也有类似的经历。她不久前收到一位电商客户发来的“AI CMO”产品宣传片：只要输入公司网站，产品就能完成从文案、运营到投放的全流程营销工作，过程很流畅。宣传片配乐激昂，而老板的态度更激动：“如果能实现，我愿高价购买！”

朱莉心里一紧，“没想到AI公司画的饼，现在要我来实现。”她清楚，只给AI看一个公司网站的信息，它不可能实现宣传片里的效果，“能自动发广告，但没法保证发的是有价值的信息。”

这是另一种错配带来的尴尬：企业老板不清楚自己真正需要什么，也不了解AI能做什么。“对客户来说，我们就是个许愿池。”朱莉说。

实际上，这些“愿望”背后，隐藏着大量企业老板的深深焦虑：公司很多生产环节都存在低效问题，更重要的是，他们怕因错过AI这趟车而被时代抛弃。

不只是企业老板，在AI的另一端，那些拥有技术和产品的AI公司也有自己的焦虑。

比如，今年3月腾讯上线了WorkBuddy，字节和阿里随后也快速跟进。字节推出豆包工作，阿里推出千问办公，都主攻企业级市场。三家大厂把战火烧向AI办公入口，但实际上，办公智能代理的功能差别不大，技术上也没有壁垒。如何让客户选择自己，成了大厂们目前最头疼的问题之一。

于是，大厂开始密集组建FDE团队，希望用这种服务模式把自家AI送进企业。FDE，也成了大厂缓解商业化焦虑的一张新牌。

一位阿里云的销售经理告诉36氪，面对WorkBuddy的市场先发优势，他的策略是先给企业免费使用额度，再派更多人员做FDE。“现在就是比谁更舍得投入，公司里不少技术、售前等员工都转岗去做FDE了，百炼（阿里云MaaS平台）这类战略地位强的产品还有专门的FDE团队。”

Workbuddy最近也建立了自己的FDE团队。腾讯一位售前经理本不愿意让团队做FDE的工作，但因为担心客户被竞争对手抢走，也选择了这种方式“熬住”客户。

大厂想用FDE争夺市场，中小企业想让FDE把AI转化为实际效率。焦虑的两边，正在同时对FDE下注。

而FDE面临的难题并非AI时代独有，它只是20年前SaaS时代的一次重演。棘手的是，当技术能接手的工作更多，技术与落地之间的鸿沟也会更大。

似乎，过去的难题，正在以更复杂的方式重现。

裁员阴影下的博弈

面对客户的“许愿”，胡芯兰从不拒绝，而是用“魔法打败魔法”。

对于那位想效仿马斯克的客户，胡芯兰先诚恳点头，然后顺着对方的逻辑推演：“明白，不过这样需要每天看上万份AI执行日志，您能抽出时间吗？”老板犹豫了一下，胡芯兰继续加码：“而且员工一旦使用其他工具，您就拿不到上下文了。”

如果道理不能让对方冷静，胡芯兰会拿出杀手锏：“这样实现下来，每天Token费用可能要花到一万美金。” 这句话后，客户立刻冷静下来。胡芯兰知道，是时候谈现实方案了。

胡芯兰所在的公司规模不大，她做FDE的同时还承担销售工作。为了争取订单，她没有太多立场去争论，而是需要用客户能接受的方式让对方明白“不是不行，只是目前不适合你”。

林凌是一家头部大厂的FDE。这半年，她发现客户对AI项目的工期要求逐渐缩短。以前以年为单位的项目交付期已不复存在。四个月的交付期，客户常要求压到三个月。而随着项目截止日期临近，客户希望实现的新想法也越来越多。对此，她不会全盘满足，而是翻出最初的邮件和合同，逐条核对当初的约定，“就像情侣吵架时翻聊天记录”。

相比小创业公司，大厂在客户面前确实更有掌控力： 客户通常已经绑定了自家的云服务，迁移成本较高，所以不会轻易取消合作。被客户惹恼时，林凌总是提醒自己：老夫老妻了，还能离咋的？

而在跟老板对齐预期之后，FDE又遇到了新的困难：老板对AI的急切难以被员工理解。

潘科霖是一家汽车零件厂的厂二代。他困扰于工厂的低效，尝试用AI帮忙改造。起初，他每做一款AI工具，都会先把方案发进微信群，再召集十几个部门负责人开会征求意见，但会议通常走向两个极端，“要么没问题，要么全是问题”。

有时，员工纷纷点头，“没问题，都听领导的。”但等到真正落地执行，问题就到处冒出来：有人忙着解释这会增加工作量和难度，有人说资源不够、部门配合难，甚至搬出家中困难，总之“实在难推进”。

成为厂二代之前，潘科霖没上过班，“不懂职场”。几次会议后，他逐渐意识到老板和员工的视角差异：老板关心公司的效率和营收，而员工关心是否增加工作、是否要承担更多责任，更直接的是，是否会因AI而遭遇裁员。

在成为FDE之前，胡芯兰没有料到：“比做AI工具更难的，是跟老板、员工之间的人性博弈。”

在请求客户的技术人员配合时，胡芯兰常常碰壁。第一次去研发部门，她询问大家有什么需要AI提效的需求，研发各自盯着电脑屏幕，只有键盘的噼啪声回应。两分钟后，最边上的员工回了一句：最近工作很多，没时间迁移工具。

后来在需求对接会上，研发犀利提问：“你们这个产品有Claude Code好用吗？换了以后工作进度怎么保证？”胡芯兰很快意识到，“忙”更像是一个借口，更主要的原因可能是研发的“工具洁癖”，他们心里有自己认为好用的工具。

还有直接摆烂的。一次，胡芯兰提出为邻桌的IT员工提供免费的智能代理席位，这位员工语气平静地回复：不用，豆包挺好的。

如果AI提效的措施触碰到员工饭碗，就更是走进死胡同。

朱莉曾服务一家小型银行，老板诉求明确：希望AI能优化贷款审批流程。

对此，朱莉需要先向一线业务员了解业务流程，做出试点，再拿着效果向业务经理争取预算。在贷款审批中，不同银行的风险偏好和计算口径不同，朱莉意识到这比通用流程更关键，而这高度依赖人的经验。

但被朱莉找来询问经验的业务员似乎不愿配合：朱莉问得越急切、越具体，业务员的回应就越迟疑、越模糊。直到一句反问：“你们做这个，到底是为了什么？”朱莉这才意识到，她想要了解的是业务员工作中最重要的知识壁垒。当试图让AI来优化这项工作，业务员瞬间产生了被裁员的恐惧。

后来，朱莉与这家公司员工之间的会议，开始被各种理由推脱。第一版智能代理试跑出了错，朱莉发给一位业务员想请他指正，也始终没收到回复。

老板想拥抱AI，但不了解业务；一线员工了解业务，但不想拥抱AI；中层大多表示支持，但前提是效果明显、且自己不用担风险。

夹在不同角色之间，朱莉发现老板一句“支持AI”远远不够。这其中最大的矛盾在于：想用AI替代人的老板，恰恰需要那些可能被替代的员工，先教会AI“如何工作”。

还“债”

FDE创业者Edison给客户接入智能代理后的第一天，就收到近300条报错信息。

他的客户是一家服装制造公司。公司老板过去每天查看生产信息，都需要花费至少两小时。工厂的所有生产信息都被统计在一张巨大的Excel表上，百款服装的所有订单排成行，面料、拉链、吊牌等不同环节的生产情况分布成列，由数十位产线负责人共同更新维护。

工厂虽有ERP系统，但只记录最基本的静态数据：产品类型、客户、金额、交付时间。实际生产中涉及的数据，比如上述生产信息，都不在这个系统里。这些数据往往细碎多变，且散落在不同部门的本地Excel表、聊天记录和人脑中。

Edison原本打算在这张Excel表格上接入智能代理，帮老板识别生产风险。结果，由于负责人们总是无法及时维护好这个表格，导致智能代理不断触发警报。员工忙碌时，没第一时间更新，AI判为订单将延期；字少了一个空格，AI判为生产异常……人类能理解的变通，到了AI这里全部被视为问题。

让AI进入企业的核心生产或工作流程，关键之一是拥有可随时调用的数据。但对不少企业来说，这是埋藏已久的旧债。

刚用AI改造工厂时，潘科霖也发现工厂到处是数据漏洞。比如，十个车间就有十套日报表，大家写法各不相同。记录方式不统一，跨车间的信息汇总就低效，后续的排产等一系列环节也随之变慢。当AI介入，别说提效，甚至难以准确读懂这些信息。

于是，企业原本设想的AI提效被卡住，变成了“还债”——退回到“数据清洗和治理”环节。

对于潘科霖来说，就是从源头开始重新梳理日报记录的标准。他把十个版本摊在一起逐项比较，一边问车间负责人，一边和AI讨论，花两周时间重新整理出车间日报的记录规范。而这项工作也只是开始，“把过去散乱的数据全部梳理清楚，还不知道要多长时间。”

让不少FDE感到惊讶的是，在考虑接入AI之前，大量企业压根没觉得“不规范的数据”是个问题。

阿里云一位FDE告诉36氪，在快速发展的阶段，大部分公司管理者的注意力都围着业务增长转。过去部门漏报信息，系统少开发一个功能，这种瑕疵并不妨碍公司赚钱，久而久之就搁置了。

但如今他们寄希望于AI能带来新的效率和增长，过去这些不影响营收的“小毛病”，都成了要先跨过去的槛。

“这不是豆包”

第一个月的月末对账，胡芯兰的客户被Token账单吓了一跳。一家一两百人的公司，月Token消耗达到几十万元。

查完后台数据，胡芯兰很快找到原因：员工虽然用上了智能代理，习惯却还停留在“跟豆包聊天”的阶段。比如，每一步任务，都重新开一个对话框，然后上传大文件、复述公司背景和业务规则等，相同的信息被模型反复读取，Token也在一次次重复的上下文中被迅速消耗。

正确的做法，是把日常需要被反复执行的工作写成Skills，把长期不变的资料放进知识库，智能代理每次工作，只读取与当前任务有关的信息即可。

胡芯兰一再跟客户公司的员工强调，“这不是豆包”，但收效甚微。后来她意识到，杂乱无章的对话背后，是因为大家没有系统地梳理过自己的工作流。

每周二到周五，胡芯兰都会待在客户公司。她办公的那间大会议室像一个临时的“AI门诊”。不同部门的员工一拨拨涌入，带着工作问题，询问胡芯兰可以用什么样的Skills解决。一天接待二十人以上是常态，有时忙到快下班，门外仍有人等候。

问题在于，来找胡芯兰的大部分人，都说不清楚到底希望AI在工作中的哪一环节帮助自己。

比如，一位数据分析员工曾找到胡芯兰，希望做一个“数据分析Skill”。这个词，囊括了取数、清洗、统计、分析和写报告的整个工作流。为了弄清工作具体卡在哪里，胡芯兰只能让他把一天的工作“倒放”：数据从哪里拿，拿到后先做什么，什么数字需要判断，最后怎样交付……

几轮追问后，才发现员工只是想摆脱数据分析完后还要按一套固定格式输出报告这件事。她长呼一口气，“告诉对方：这叫把数据填进报告的Skill。”

胡芯兰发现，工作中的前提、步骤、检验标准等，已经在员工的日日重复中形成一种行为惯性。在做每一步之前，他们不会清晰地意识到自己在做哪一步。但智能代理不接受“含糊”，它无法在含糊不清的描述里完成工作。

这个问题也启发了朱莉改变创业思路。她认为在现阶段，企业的第一项需求不是直接做智能代理，而是先找出“哪些工作值得被AI提效”。

她跟团队开发了一个比较原始的试验产品：软件运行在员工电脑上，每隔几秒截取一次屏幕，分析员工最耗时的任务和重复的流程，帮助老板发现没被说清楚的AI提效机会。

而比拆解工作流更麻烦的是，把员工工作里的关键技能“蒸馏”给智能代理。

阿里瓴羊曾为某头部电动车品牌做一个AI客服项目。对方希望AI先听懂用户的问题，能回答的直接回答，处理不了再转给人工。但团队发现客服每天面对大量随机状况，该不该转人工、转给谁，后续又怎样处理，这些判断都藏在客服的经验里，没有可以让智能代理立刻学习的现成资料。

后来，阿里瓴羊派了工作人员去现场，戴上客服耳机，挨着一线员工坐了近两个月，观察他们如何处理不同的用户诉求——产品demo两三天就能做出来，但为了让它真的好用，团队却花了几个月做了将近100场调研。

算不清的账

前阵子，某大厂FDE姜瀚接到了一个为App开发AI助手的需求。看似简单，但实际上每项功能都要连接一套内部系统，而每套系统又对应不同的接口权限和安全要求，这导致他和团队最后做了二十多个业务智能代理，每个智能代理背后，是数不清的访谈、协调和等待。

过去，一名B端售前可以同时服务5-8个客户，但FDE式的交付需要长期进入企业，理解流程、协调部门、连接系统，每个人同时能服务1-2个客户已属不易。AI倒是离客户的业务更近了，但人效大大降低。

而做这些，也是迫于大厂AI的商业化竞争压力——AI对企业真正“有用”，才能带动MaaS、甚至更多云服务的收入。

现在在姜瀚眼中，FDE像是一个赌注。在项目开始前，他会先算算客户身后有多少云、GPU和其他产品订单可以被撬动。遇到值得“下注”的客户，才会派人免费或低价做FDE交付。

有一次，姜瀚对接一家连锁企业。在跟客户朝夕相处的过程中，他们决定后续将云服务也迁移至姜瀚所在的大厂，并继续购买其他B端产品。这意味着，一笔千万级的订单将被撬动，前期的FDE服务立刻回本。

但另一个例子是，姜瀚曾花费很大精力帮客户部署智能代理，结果客户公司的员工却只在简单办公上浅浅使用，半年下来只有50万左右的Token消耗。这笔收入甚至无法覆盖姜瀚团队的人力成本。

身为创业者的Edison更是经常怀疑自己的工作是否值得。

由于客户公司数字化程度很低，Edison让客户首先转入飞书工作，把原本散落在员工微信、Excel里的数据先沉淀到飞书里。后来，他又陆续帮客户建了多维表格，用秒搭做了前端页面等等，而这一切动作带来的收入最后都流向了字节。

这个过程，让Edison感觉自己像飞书免费的外包。

FDE们还逐渐意识到，理想中的“AI提效”实际上是一场漫长的“AI布道”，需要不断向客户普及AI知识、安利新的工作模式，才能逐渐推动转变。这都是工作中的“隐性成本”。

后来，有人改变了最初带着PPT给员工推荐AI的策略，变成“靠吸引”。比如不经意向客户员工提到自己的工作已经“90%AI化”，等对方好奇再介绍智能代理。为了鼓励员工适应AI，潘科霖也换了种办法。他告诉员工智能代理能辅导孩子学习，教孩子写作业，参与者明显多了。

AI实施落地的价值究竟应该如何被衡量，现在还是一笔算不清楚的账。

一位大厂FDE告诉36氪，他的客户很高兴地表示，购买自己公司的AI编程工具后，开发团队从140人减少到100人了，“客户花钱买AI