一个“催发货”AI要跑通260步：和阿里瓴羊彭新宇聊中国式FDE

概览

本期围绕“FDE是不是驻场开发/运维换了名字”展开。主持人从企业软件“买软件1美元、用起来6美元”的老规律切入，指出AI时代真正的落地战场在企业账本和业务流程里。

彭新宇把瓴羊的工作定义为“企业级增长的Agent”，核心不是交付一个软件功能，而是交付可度量的业务效果。他认为FDE的稀缺性来自三种能力的叠加：AI锐度、行业深度和数据宽度。

节目用客服“催发货”、电商投手、制造业销售等案例说明：企业AI最适合先进入耗人、耗钱、耗时最多的重复场景。真正难点不只是模型能力，而是企业数据、流程、权限、组织关系和持续调教。

讨论后半段转向商业模式、标准化与定制化、中美企业AI差异、模型部署和人才变化。彭新宇的判断是：企业买单看总账，Agent上岗只是开始，能否持续带来增长、人效或ROI改善才是关键。

分段落总结

[00:00] 从企业软件账本看FDE争议

[事实] 主持人引用企业软件市场的规律：客户每花1美元买软件，还要再花6美元把它用起来。

[事实] 本期回应上一期FDE节目后的争议：有人认为AI正在帮企业落地，也有人质疑FDE只是驻场开发、驻场运维换了新名字。

[事实] 嘉宾彭新宇是阿里巴巴集团副总裁、瓴羊CEO，也是阿里数据中台方法论创立者；过去几年其团队服务过几百家中大型企业的数据平台建设。

[01:42] AI战场从C端回到B端

[事实] 彭新宇用一句话概括瓴羊：在企业服务范畴里做“企业级增长的Agent”，核心是帮助企业做消费流通。

[事实] 主持人提到多家硅谷大公司开始投入企业级AI部署组织，认为AI战场正在从C端回到B端。

[推测] 这一背景下，FDE被讨论的重点不再是岗位名称，而是大模型公司如何进入企业流程并产生业务结果。

[03:31] FDE的稀缺能力

[事实] 彭新宇认为，如果只是换名字就能涨工资，不符合企业逻辑和市场逻辑；真正原因是这类人才稀缺。

[事实] 他把FDE能力概括为三类：AI的锐度、行业的深度、数据的宽度。

[事实] 这个角色不只是保证系统正常运行，还要理解业务目标、数据表现，并能调整技能、语料、业务上下文和Memory管理。

[05:03] 从交付功能到交付业务效果

[事实] 彭新宇认为FDE与传统驻场开发/运维的本质区别，是从“交付功能”变成“交付业务效果”。

[事实] 他提出企业级AI落地的三个方向：以业务结果为导向、以企业数据为基座、以岗位标杆为预设。

[事实] 瓴羊会把企业里的首席客服、最佳投手、最佳销冠等岗位标杆预设成Agent，让Agent从接近有经验员工的水平开始工作。

[07:31] “催发货”背后的260多步流程

[事实] 彭新宇举了3C数码客户的“催发货”案例：同一个客户诉求可能对应漏发整机、漏发配件、漏发赠品等不同流程。

[事实] 这个收货环节背后大约有260多步，涉及订单核查、库房、派单、不同电商平台、外部系统和内部系统。

[事实] 他提到这类流程能覆盖95%以上的情况，剩余约5%会不断出现新问题。

[推测] 这个案例强调客服Agent的价值不只是会聊天，而是能穿透企业流程解决问题。

[09:07] 企业Agent优先进入三类场景

[事实] 彭新宇把企业侧高价值场景归为三类：哪里耗人最多、哪里耗钱最多、哪里耗时最多。

[事实] 耗人场景包括打电话、接电话、处理投诉；耗钱场景包括赔款、资损、营销投放和素材试验；耗时场景包括跨系统查询和延迟回复。

[事实] 他强调，不是所有场景都适合马上用AI，而是要选择业务结果具体、可度量的场景。

[10:28] AI实施更像雇员工

[事实] 彭新宇认为，传统软件实施像交付系统，而AI实施更像给企业新雇一个员工。

[事实] 这个“员工”默认具备客服、营销、销售等技能，但进企业后需要获得权限、目标和裁量权才能工作。

[事实] 如果企业的数据和支持库混乱，即便雇来一个有经验的人也会“傻眼”，所以FDE要帮助企业梳理和治理数据。

[13:23] Agent向最佳投手学习

[事实] 瓴羊曾分析一家多平台投流企业的投手行为，发现最好的投手三个月做了超过1万次价格调整，而普通投手约100多次。

[事实] 彭新宇把这类工作拆成学习、建模、执行、迭代四步，认为AI可以从历史行为中更全面地总结和进化。

[事实] 他认为电商平台上的素材、价格、系统和数据已经有较高标准化程度，给投流Agent提供了基础。

[16:13] 数据资产决定长期差异

[事实] 彭新宇认为，所有企业都用AI工具后，先行者优势会有时间窗口，但不会永远存在。

[事实] 更持久的差异来自企业自己的核心生产资料，也就是数字化和数据平台建设。

[事实] 他指出，过去数据平台更多给内部看数用，今天的数据系统则要给AI用，建得好坏会影响业务效果。

[18:52] 企业Agent开始进入结果验证

[事实] 彭新宇说，不同企业使用Agent的阶段有结构性差异；数字化基础好、电商和互联网积累较好的企业进展更快。

[事实] 他提到一些企业已经在投手、客服等场景中使用Agent，但企业侧做出效果后通常不会主动公开。

[事实] 他认为企业真正买单的是结果，订单和续费会表达客户是否认可服务。

[19:59] 自上而下更容易跑通

[事实] 彭新宇认为，目前进展顺利的案例多是自上而下推动，因为业务一号位同时能算IT费用和业务费用的总账。

[事实] 如果业务部门想做Agent但没有预算、IT部门有预算但目标不同，就会出现生产关系上的困难。

[事实] 他举例说，有传统企业或制造业的一号位明确要求拥抱AI，从销售端某个区域开始，带动财务、IT和销售线一起行动。

[22:22] 商业模式从坐席到效果

[事实] 彭新宇把商业模式分为两大类：按坐席或工作量收费，以及按业务效果收费。

[事实] 客服类场景可以按人力成本替代来算账，例如用低于原500人客服成本的投入达到相同或更好效果。

[事实] 营销、投手等增长场景可以按超过原人工转化率的部分分成；他提到已有连续续费或持续服务的客户。

[事实] 他强调现在更重要的是MVP或最小价值验证，而不是停留在概念验证。

[25:00] 用标准化方式解决个性化问题

[事实] 彭新宇区分了定制化、标准化和个性化：过去常用定制化满足企业所谓标准流程，但流程不清会拖成长周期交付。

[事实] 他认为AI时代可以把企业工作流、数据流和上下文的工作区间标准化，再通过自主进化面对不同客户做到个性化。

[事实] 瓴羊很少做企业专有软件，更聚焦销售、客服、营销等增长问题。

[推测] 这是一种尽量避免“按人天堆功能”的产品化路线。

[27:45] 不是照着功能清单做交付

[事实] 主持人把Palantir和大模型公司的企业部署做法拿来对比，提到工程师进入企业做改造的模式。

[事实] 彭新宇回应说，关键不是替客户实现列出来的100个功能需求，而是进入企业后和CEO、业务总裁、一线人员交流，一起找到最有价值的问题。

[事实] 瓴羊重点关注销售增长、营销ROI增长、客服服务人效和ROI增长这些问题。

[30:40] 制造业销售Agent案例

[事实] 彭新宇举了制造业销售案例：线下渠道销售要决定先拜访谁、见面讲什么、如何准备资料、如何把后续任务录入和推进到内部系统。

[事实] 他说AI销售Agent把事前路线规划、事中拜访材料、事后复盘和系统录入串联起来，提高了销售工作效率。

[事实] 他提到该企业从一个省试点开始，原本落后的销售区域在上半年变成先进区域。

[32:36] 售前、售中、售后的Agent地图

[事实] 彭新宇把企业增长拆成售前、售中、售后三大类：售前对应营销，售中对应销售，售后对应客服。

[事实] 营销包括预算、渠道、人群、素材、复盘和优化；销售包括新客、新购、转化等；客服包括履约、投诉、复购服务等。

[事实] 他认为这些岗位是每个企业都存在的最大公约数，适合用“数据+Skill”变成可上岗、可进化的Agent。

[35:23] Agent One的4+X

[事实] 瓴羊提供的Agent服务方式被概括为“4+X”：4个预设Agent加上企业自己的X。

[事实] 4个预设Agent是营销、销售、客服、运营；X包括企业数据资产、上下文、审批权限、资金管理权限等。

[事实] 彭新宇把预设Agent比作拥有5到10年行业工作经验的岗位技能人，企业需要把自己的资产和权限交给它打理。

[36:34] 部署难点在组织和调教

[事实] 彭新宇说，一个制造业销售Agent案例做了一年多，核心耗时在组织关系、解放思想、熟悉岗位和调教Agent。

[事实] 他估计熟悉工作岗位占了三分之一以上时间，AI导师团调教也占了相当大比例，真正实施和系统上线反而较快。

[事实] 对执行层抵触，他认为这是人性；成功案例中有董事长一年给员工和管理干部讲AI超过15场。

[推测] 企业Agent项目的成败很大程度取决于组织是否愿意重新分配工作方式和责任边界。

[40:50] Agent上岗要灰度评审

[事实] 彭新宇举客服Agent上岗流程：不是系统部署完立即全量切换，而是用大约一周逐步验证。

[事实] 第一天选择凌晨0点到2点低峰时段，第二天切到中午12点到2点高峰全量时段，之后再扩到8小时并持续复盘。

[事实] 他们会比较Agent在高峰时段的异常边界、客户投诉、处理效果，并以企业内部最佳员工或标准作为参照。

[42:28] FDE不是一个人，而是一组角色

[事实] 彭新宇说瓴羊不是依赖一个全才FDE，而是用组织来完成部署。

[事实] 第一类角色是BA，负责以业务结果为导向，理解客服、营销等流程并设定评测标准。

[事实] 第二类是AI架构师，负责把业务问题翻译成模型尺寸选择、机器接管边界和人工干预环节。

[事实] 第三类是客户侧的首席客服、首席销冠等专家，参与调教Agent并组成AI专家团或教练团。

[45:00] 企业一号位从“能不能用”转向“什么时候用”

[事实] 彭新宇说，春节之后企业对Agent的态度发生明显变化，从讨论“怎么用、能不能用”变成“什么时候开始帮我用上”。

[事实] 企业家开始围绕耗人、耗时、耗钱三类账本思考AI是否能提升人效、速度和ROI。

[事实] 他提到Token账单高是普遍现象，瓴羊自己也经历过AI项目投入大于收入、随后逐步打平的过程。

[事实] 他认为客户不应对Token本身敏感，而应看最终问题是否解决、总账是否算得过来。

[49:39] 系统部署和模型部署要分开看

[事实] 彭新宇把部署分为系统部署和模型部署：系统可以部署在阿里云、公有云或企业自己的环境里。

[事实] 他认为很多人混淆了模型私有化部署和数据安全；Agent调用大模型时，数据不一定会被大模型吸收。

[事实] 他提到大尺寸开源模型本地部署成本很高，并认为今天基座模型已经很强，很多场景不一定需要后训练或最强模型。

[事实] 模型升级不会自动切换到客户系统，而要经过评测、对比和人工确认，以保证企业侧稳定输出。

[53:29] 中美企业级AI的地基不同

[事实] 彭新宇认为，美国企业信息化阶段已有Salesforce、SAP等系统奠定工作流和数据标准，中国在这方面相对缺乏。

[事实] 因此在中国做FDE，很多时候要先补数据和系统地基，从打桩、盖楼到装修都要参与。

[事实] 他还提到中美企业付费习惯不同，中国大企业通常有自己的IT团队，单纯交付很难形成足够价值。

[事实] 他认为中国互联网平台出来的人在懂流量、懂平台运作方式和Know-how方面有天然优势。

[56:10] 瓴羊关注人、事、局

[事实] 彭新宇说，作为CEO他关注三件事：人、事、局。

[事实] “人”包括内部员工和客户侧能更快从AI中成长出来的人；瓴羊内部每月有AI最佳实践员工分享，客户侧有数据同学会。

[事实] “事”是找到能自增长、能在客户内部口碑传播的Agent场景，例如客服、营销、销售。

[事实] “局”是AI技术、Agent工程、模型和业务架构的变化趋势。

[58:25] AI时代的人才画像

[事实] 彭新宇认为，现在还不知道最好的招聘画像，只能持续Better and Better。

[事实] 他目前看重三类能力结合：懂技术、懂业务、懂数据。

[事实] 他认为技术往业务走可能难度更低，业务不一定要全才，但要在营销、客服等具体领域做深。

[事实] 他解释数据思维包括同比、对比、占比，数据给目标和参照，帮助AI形成判断、策略和执行进化。

[60:07] 数据科学不是头衔，而是方法

[事实] 主持人提到Data Scientist曾因AI能做数据分析而焦虑。

[事实] 彭新宇回应说，数据科学不是神圣职位，而是科学方法；只有落到业务场景里，才有业务价值。

[事实] 他认为B端行业经验仍有壁垒和价值，只是原来十年形成的经验，今天可能一两年就能更快掌握。

[推测] 对新人来说，优势不在从零硬学旧流程，而在借助AI站到已有经验和方法论之上。

[62:08] “加AI”和“AI加”两条路

[事实] 彭新宇把企业侧新机会分为“加AI”和“AI加”。

[事实] “加AI”是在数据分析、数据治理、风控等现有工具中加入AI，提高效率和业务效果。

[事实] “AI加”是先用AI方式重新改造和定义某个领域，例如AI客服、AI营销、AI导购、AI投手。

[事实] 他认为这些探索仍应回到企业本质：优先选择耗人、耗钱、耗时最多的地方。

播客点评/总结

[推测] 本期最大的价值，是把FDE从硅谷岗位叙事拉回到中国企业的真实账本：业务结果、数据地基、组织推动和持续调教，比“用了什么模型”更关键。

[推测] 节目亮点在于案例具体，尤其是“催发货260多步”、投手三个月1万次调价、制造业销售Agent这些细节，让企业Agent的复杂度和价值都比较清楚。

[推测] 局限是转录稿主要呈现瓴羊视角，缺少客户方、执行层员工或失败案例的直接声音；商业效果也多以方向和案例描述呈现，没有展开完整财务指标。

[推测] 这期适合关注企业AI落地、FDE岗位、B端产品商业模式、数据中台转型和AI时代组织变化的人收听；如果只关心C端AI应用或模型参数对比，本期不是重点。