摘要：一场从业者群聊里，有人用自家工厂的真实改造给出了完整答案——问题从来不在模型，而在计价规则、利益重构和预期管理。本文整理了这场讨论中最有价值的五个判断，包含四方激励逆冲模型、三个零硬件改造动作，以及一份用三张财务报表验证的结果数据。文中人物均为化名，企业与地域信息已做脱敏。
写在前面
前阵子在一个 AI 从业者交流群里，一场从上午聊到傍晚的讨论，围绕"企业 AI 落地到底卡在哪"展开。
参与者里有连续创业者、业务流程自动化的从业者、投资视角的观察者，还有一位真在自己家族工厂里做完了整轮改造的人。这场讨论的价值在于：它没有停在"老板认知不够""数字化基础太差"这类正确的废话上，而是给出了一个可被完整复盘的样本——从问题定位，到改造动作，再到三张财务报表的验证结果。
更反直觉的是其中一组数字：代码只占全部工作量的 15%，而且是极限值；40% 的时间在做心理疏导，45% 在梳理业务场景、重构 SOP 与利益分配。
一、结论先行：五个判断
如果只读一段，读这段：
| # | 判断 | 一句话解释 |
|---|---|---|
| 1 | 老板要的不是 AI，是正反馈 | 老板个个是人精，不好糊弄。能打动他们的只有"增收"或"降本"的可见结果，而且是持续可验证的结果 |
| 2 | 这轮 AI 要做乘法，不是减法 | 目标是"一个人干出三个人的产出"，而不是"用 AI replace 掉三个人"。做减法会立刻触发组织免疫反应 |
| 3 | 技术不是瓶颈，计价规则才是 | 上了 AGV 人效却没动，根因是四个主体的激励方向全与目标相反 |
| 4 | FDE 的核心是优化经营报表 | 交付成果必须翻译成三张财务报表的语言，否则老板无法确认"是否真的赚到了" |
| 5 | 代码只占 15%，人和账占 85% | 心理疏导 40%，业务场景梳理与 SOP/利益重构 45%，纯代码 15%（极限） |
二、第一层：这个生意到底怎么成立
讨论开场是从商业模式开始的，共识非常清晰。
**A 先生（连续创业者，负责搞定老板）**的观点很直接：老板都想 AI 化，难点是找不到有正反馈的场景。他创业 15 年，太了解老板——“个个人精，不好糊弄，关键还是得落地、有结果”。他的合作模型也简单粗暴：我搞定老板，你负责交付，有真实落地和结果反馈就能组队。
他还补了一条渠道判断：大客户都在线下，得往线下挖。
B 先生泼的第一盆冷水是：客户数字化基础太差，要出结果得先费大力气补数字化。A 先生的应对是先筛选——只挑基础好的做，不硬啃。这个思路值得留意：数字化成熟度应该被当作客户准入条件，而不是免费赠品。
D 先生则从收益结构上给了一刀："降低客户成本赚不了大钱，创造更多效益才行。"这句话点出了定价逻辑的天花板——帮客户省 100 万，你很难抽走 30 万；帮客户多赚 100 万，谈判空间完全不同。
三、第二层：一个让 AGV 白买了的结构性错误
真正的高潮在E 先生抛出的自家案例。
背景
某规上童装外贸企业，业务覆盖针织、成衣、外贸、电商。因为有自建仓，走货基本靠自发货，由一家长协运输公司承运。每次装车要临时请 6–8 名临时工。
前一阵上了 AGV。按常理人效该涨，结果人效纹丝不动。
真正的病根：四方激励逆冲
深入沟通后发现，问题不在设备，在计价权重。四个核心主体的激励方向，全部与"装满"这个目标相反，而且互相交织：
| 主体 | 计费方式 | 由此驱动的真实行为 | 与"装满"的关系 |
|---|---|---|---|
| 企业（货主） | 按趟付费 | 想压趟数、压单价 | 无正向激励 |
| 运输公司 | 靠趟数堆收入 | 多跑趟，不关心装多满 | 冲突 |
| 司机 | 按趟拿钱 | 快装快走，装得越满等得越久 | 冲突 |
| 临时工 | 按次计时 | 拖时长，干得快反而少挣钱 | 冲突 |
叠加一个业务细节：装货是按方数结算的，车常年有10–15% 的空仓。
于是形成了一个死结：所有人都按"趟"或"次"结算，没有任何一个人从"装得更满"里拿到好处。AGV 只是让搬运变快了，但快出来的时间，立刻被"多跑一趟"和"多耗一会儿"吃掉了。
这是我认为整场讨论里最值得抄走的一个模型：当一项技术投入没有产生效果时，先去查一查相关方各自的 KPI 是怎么定的。大概率会发现问题不在技术选型，而在利益分配。
四、第三层：不换设备，只改规则
E 先生的解法里没有增加任何新硬件，只做了三个动作，全部指向一件事：把"装满"变成每个主体自己的收入来源。
动作一：提前到 T-1 库堆垛 + 并托
把装车前的整理工作前移到前一天完成。装车等待时间被压缩，车辆的在车时间下降——这一步解决的是"装满就得等"的负激励。
动作二：临时工从"计时"改为"码托 + 扫码质检"
把计时计酬改成计件，同时把质量责任交给一线。这一步做了三件事：人效立刻起来、货损责任有了明确归属、临时工收入反而上升。
动作三：AGV 配合搬运 + 允许运输公司配货
这是最关键的一手。既然车有 10–15% 空仓，那就允许运输公司用空仓配货——空仓从"没人管的浪费"变成"运输公司自己的增量收入"。
同时帮运输公司把报价规则从平台报价挪进长协里做，让长协有空间用运价让利换满载率。
三个动作的共同点：没有一个是技术方案。全部是规则设计。技术（AGV）在这里的角色只是执行者，不是解决方案本身。
五、结果：用三张报表说话
改造后的结果，E 先生是直接用财务口径给的：
各方收益（全部为正，无人受损）
| 主体 | 变化 |
|---|---|
| 司机 | 单趟增收 1000 元以上 |
| 临时工 | 收入增加 200–300 元；2 人转正；向 AGV 厂商提交了 10+ 条有效改进意见 |
| 运输公司 | 月增收 15–20 万元（来自允许配货） |
| 企业 | 货损率 5% → 2%；物流成本占营收 6.5% → 5.8% |
全程没有裁一个人。转正的两位临时工，一位跟着 AGV 厂商做 Bugfix 与纺织行业仓库优化，另一位转向数据统计优化。
报表验证
| 指标 | 改造前 | 改造后 |
|---|---|---|
| 营业收入 | — | +7% |
| 净利润 | — | +16.4% |
| 现金周期 | 135 天 | 102 天 |
| 资产负债率 | 53% | 48% |
最值得玩味的是这组杠杆关系：营收只涨了 7%，净利却涨了 16.4%。这就是"做乘法"的财务含义——同一份收入里，被损耗掉的部分少了，利润弹性被放大。而现金周期压缩 33 天、负债率下降 5 个百分点，说明改善的是经营质量，不是账面数字游戏。
六、FDE 的真面目：15% 代码，85% 人和账
案例讲完后，E 先生给了一组让全场沉默的数据——他的真实工时结构：
心理疏导与阻力化解 40% 业务与场景梳理 / SOP 与利益重构 45% 纯代码开发 15% ← 此为极限值他补了一句：“估计大部分人都会不理解。”
围绕这个结构，他给了几条判断：
1. 五懂模型。懂心理、懂业务、懂场景、懂技术、懂交付。前提是"资本 + 智力"——而这两样，大部分企业都凑不齐。
2. 不要为 FDE 而 FDE。FDE 本质是数字化工作的自然延伸，不是独立工种。
3. 合理的 FDE 应该从企业内部生长出来，而不是外部乙方。“大部分时间 FDE 的角色定位是一个乙方，乙方心理太重。”——这句话很扎心：你用乙方的身份，去干 CEO 的活，能好干才怪。
4. 不是所有环节都要过模型。他明确反对"强制每次都过模型"的做法："Coding 和模型需要知道，但不是所有环节都要过模型。"把确定性流程硬塞给模型，只会增加成本和不确定性。
5. AI 目前改变的只是信息流的组成，物质和能量的改变还没到。这是一条边界判断——SOP 是受约束的信息流和操作流，AI 能优化的是"流"，暂时还动不了"物"。
七、落地四原则
结合案例与讨论，可提炼出四条可操作的原则。
原则一：管理老板预期，别让 ego 太大
"建议和老板谈的时候，别让老板的 ego 太大、预期太高。“现阶段大部分老板的真实想法是"上一个功能，能 replace 人”——这个预期不校准，项目从第一天起就是错的方向。
正确设定目标和管理老板预期，本身就是 FDE 要思考的工作内容。
原则二：中层和下层才是最大阻力
"中层和下层其实是阻力最大的。"尤其小公司，裙带关系普遍，推动极难。这也是为什么 40% 的时间要花在心理疏导上。
由此引申出一个实操建议：培训与交付要分层设计——跟老板谈预期与 ROI，跟中层谈权责与计价，跟一线谈计件收益。用同一套话术打三个层级，必输。
原则三：数字化能力绕不开
无论前面有多少组织问题，数字化能力是绕不开的前提。ERP 用不起来是常态，但"企业核心业务能做好数字化、能做数据复盘"，已经超越绝大多数企业了。这是做一切优化的地基。
原则四：效果必须回到三张报表
这是全场最硬的一条。FDE 的核心目标是优化经营报表，通过三张财务报表反映真实变化。功能上线数量、模型调用次数、Agent 部署个数——这些都不是交付标准。
八、反对意见：这个模式本身成立吗？
讨论里也有不客气的质疑，值得原样保留。
F 先生认为 FDE 模式存在结构性矛盾：“FDE 干的是 CEO 思考的活，承载的却是乙方的角色，能好干才怪。未来肯定不是 FDE 这种模式推广，而是 AI Native 的企业去替换掉之前的企业。”
C 先生（做业务流程自动化的）从一线视角给出了阻力来源：“我们公司里面的人都知道，我做好之后，公司就开始裁员。”一旦"优化 = 裁员"成为共识，所有协调动作都会被消极抵抗——所以关键问题变成了沟通与协调，不是技术。
同时他也点出了业务流程自动化的两个真实难点：一是需要各种各样的资料数据，二是员工的 AI 素养。
E 先生对"数字化基础差"的反驳是：“这倒不一定。”他当天上午刚和养殖类上市企业沟通过，只是自己在养殖方向没经验，能切入的也就供应链、金融两个大场景。场景经验的可迁移性，是 FDE 真正的护城河，也是真正的天花板。
还有一个必须承认的前提：E 先生的案例发生在家族企业里，“有尚方宝剑”，不存在部门墙。他自己也说：“我例子会比较特殊……但是这些活，我干得也挺吐血的。”
九、给做企业 AI 交付的人：一份自查清单
把上面的内容收敛成可执行的检查项：
立项前
- 客户数字化成熟度是否已达到准入线？不达标就先做初筛，别硬啃
- 这次交付是"做乘法"还是"做减法"？如果是减法，先想清楚组织阻力怎么破
- 老板的预期是否已校准到"可盈利"，而不是"能 replace 人"
诊断阶段
- 画出相关方地图，逐个列出：谁按什么方式结算？他的最优行为是什么？
- 这个最优行为，与你要达成的目标是否同向？不同向的话，先改计价规则
- 目标场景里，损耗发生在哪个环节（空仓、等待、返工、货损）？
方案阶段
- 有没有可能不增加硬件，只改规则就解决？
- 方案能否让每一方都多赚一点？（单方受益的方案推不动）
- 哪些环节不需要过模型？把它们摘出来
验收阶段
- 能否用三张报表表达结果？（营收、净利、现金周期、负债率）
- 中层与下层的收益是否也被覆盖了？
- 改造后有没有人从中生长出新的能力（如案例里转正的两位临时工）？
时间预算
- 按 40% 心理疏导 / 45% 场景与规则重构 / 15% 代码 来排期，不要只按代码量报价
十、一句话总结
AI 落地的瓶颈不在模型，而在计价规则、利益重构和预期管理；技术只占 15% 的工作量，另外 85% 是人和账。
当一项技术投入没产生效果时，别急着换模型、换厂商、加设备。先去把相关方各自的 KPI 摊在桌上看一遍——大概率会发现，没有任何一个人从"你要的那个结果"里拿到好处。
把这件事改过来，技术才会开始起作用。
数据与结论来自公开群聊讨论，仅供方法论参考。
