AI 项目失败，很少是因为模型不行
绝大多数卡点不在技术，而在于没人把业务问题定义清楚、把方案做到真实可用、把系统交到能维护它的人手里。
需求被简化成了功能
业务方要的是「减少人工审核量」，技术上被翻译成「做一个分类模型」。 但分类不确定时谁来兜底、误判的代价是什么，没人回答。准确率再高也没用。
演示环境和生产环境是两回事
用干净数据跑通 Demo 很容易。真实数据是脏的、缺的、格式不统一的； 真实流程有例外分支和历史包袱。这个落差要有人进现场才填得平。
交付即终点
很多项目在「系统上线」那天就结束了，没人负责后续的调优、监控和交接。 结果是系统上线三个月就没人用了。
想清楚 → 做出来 → 用得住
企业 AI 落地最常见的错误不是选错模型，是顺序错了：还没想清楚就开做，做完了没人会用， 用起来了又留不下来。三条业务线，对应三个必经阶段。
智能体搭建
把一个岗位、一条流程，做成 7×24 能干活的数字员工
不是做一个会聊天的 Demo，是接上你的数据、你的系统、你的审批习惯，让它真的把活干完。
- 先找对问题，再动手做
- 先划授权线，再写第一行代码
- 按业务指标验收，不按模型分数验收
Skill 定制
把你公司「老员工脑子里的做法」，变成 AI 能照着执行的能力资产
提示词是一次性的，Skill 是公司的。有触发条件、有校验、有测试集、有版本、能交接。
- SOP 拆成可执行的判断规则
- 真实历史案例做回归测试
- 版本化管理，人走了能力留下
企业 AI 咨询
先花一两周，搞清楚这件事值不值得做
一份诊断报告回答五个问题：值不值得做、该解哪一段、什么量级、怎么验收、风险在哪。
- 场景盘点与优先级排序
- 选型建议与路线图
- 管理层与团队赋能
企业 AI 咨询
值不值得做、先做哪一段、怎么验收
智能体搭建
把选定的流程做成能跑通的系统
Skill 定制
把做法固化成可复用、可交接的能力
五个环节，每个环节都有产出
你可以随时检查进度，看得到中间结果，不存在「做完才知道行不行」。
找对问题
老板说「我想做个智能体」，我们先问「你为什么想做」。一路问到「销售每天花两小时整理客户资料」这种具体动作上。 普通人拿着 AI 找场景，FDE 拿着业务问题找技术方案。
划授权线
上线前真正要签字的不是模型选型，是一条授权线：AI 可以判断到什么程度、可以执行到哪里、出问题谁负责。 这条线不划清，方案做得再漂亮也过不了最后一关。
打通流程
数据从哪来、判断怎么做、结果推给谁、人怎么确认、出错怎么回退——一个环节一个环节打通。 真实企业的数据散落在 Excel、CRM、企微和各种老系统里，这一步最脏，也最决定成败。
按业务指标验收
不看模型分数，看业务指标：处理时长、人工介入率、线索响应速度、出错后的回退耗时。 跑一段时间真实业务，数据对得上才算交付。
沉淀与交接
一个部门跑通了，把成功经验固化成可复用组件，复制到其他部门。 同时把使用文档、迭代方法、维护责任交到你的团队手上。
FDE 三不做
把不能做的说在前面，省得彼此浪费时间。这三种情况，我们会直接说不做。
没有一把手支持
AI 落地要动流程、动岗位分工。没有一把手拍板，推到一半就会停。这种情况我们建议先别做。
没有预算，只想先看看
「先做个 Demo 看看效果」通常没有下文。真想推进的团队，愿意先为一次诊断付费。
目的是裁员
把 AI 当裁员工具的项目，一线一定不配合，数据也会失真。这种项目做不成，我们也不接。
关于 FDE，你可能想问
FDE 到底是什么？和外包、咨询公司有什么不同？
FDE（Forward Deployed Engineer，前置交付工程师）指深入客户业务现场、对交付结果负责的工程师。和外包的区别是：外包按你写好的需求做，FDE 先帮你把需求本身理清楚；和咨询公司的区别是：咨询交付报告，FDE 交付能跑起来的系统，并且对上线后的使用负责。
三条业务线必须一起买吗？
不需要。它们是三个阶段的入口：企业 AI 咨询解决「想清楚」，智能体搭建解决「做出来」，Skill 定制解决「用得住」。多数客户从一个诊断或单个场景开始，跑通之后再谈沉淀和复制。
一定要驻场吗？
不一定物理驻场，但必须深入业务现场。核心是获取一线真实信息：流程怎么走、数据长什么样、用户在哪一步放弃。这些信息隔着几层转述就会失真。多数项目是「关键节点到场 + 远程协作」。
小团队也需要 FDE 吗？
需要，但形态可能不同。小团队通常不会专门设这个岗位，而是由核心工程师直接承担 FDE 的职责。关键是这个职责必须有人担，否则项目容易停在演示阶段。
交付完之后，我们自己能维护吗？
这是我们交付标准的一部分。所有项目都会附使用文档、监控看板、迭代方法和交接记录。验收时会安排一次团队培训，目标是「我们撤了，系统照样转」。