FDE 最大的对手不是同行，而是时间

我第一份工作，是在联想做企业内部的 ERP 顾问。

那时候，公司会请外部顾问来做项目。我记得，有些资深顾问按小时计费，一小时就要几千元。刚接触的时候，我觉得这个价格挺夸张。

后来慢慢理解了，企业要上系统，却缺少懂这些系统、又知道怎么改造业务的人。你熟悉 SAP、Oracle，能帮助企业往前推进，这种能力在那个阶段就很值钱。

所以现在看 FDE、看 AI 业务改造，我会有一种熟悉感。

从企业信息化，到电商、私域，再到今天的 AI，技术不同，但有一类机会很相似：客户还没弄明白怎么回事，先弄明白的人，可以带他往前走。

只是，这个位置不会一直空着。

信息差能赚钱，但不会一直按原价卖

一项新技术刚进入企业视野时，老板通常先要回答几个问题：这是什么？跟我的业务有什么关系？现在该不该投入？

这个阶段，解释清楚本身就有价值。

你比客户早理解半年、一年，知道哪些值得看、哪些可以先放一放，就可能帮他节省很多摸索成本。

培训、咨询、业务诊断，容易从这里切进去。

这也是为什么，只是把海外的新信息整理成客户能理解的内容，也可能获得关注和付费。信息差有它的市场，不必假装它不存在。

但知道得早，和做得成，是两种能力。

如果交付一直停留在介绍工具、演示用法，客户看过几次以后，自然会继续问：这些东西，到底能帮我的业务改善什么？

你卖的东西没变，客户的付费理由却在往前走。

对刚开始探索 AI 的企业，培训、基础应用、知识库或一套小工作流，可以是合理的起点。它们比改造整条核心业务链更容易界定范围，也更容易先交出一个看得见的东西。

但不能把这种入门服务，等同于 FDE 的全部工作。真正深入现场的 FDE 工程交付，从一开始就可能很重。

我担心的是，把前一种生意的好做，当成自己可以长期依赖的优势。

如果做的是通用培训和基础搭建，我会按“相对好做的窗口可能只有一两年”来做准备。这是我的经营判断，不是行业倒计时；不同客户的进度，也不会一样。

重要的是，别等客户不愿意再为入门知识付钱，才开始补交付能力。

从讲清楚，到做成事，难度会变

在我的理解里，客户的要求会逐渐从“教我怎么做”，变成“帮我做起来”，再变成“让我看见做完有什么结果”。

这有点像知识付费：知识越来越容易获得以后，单纯再讲一遍，价值就容易被压低。有人需要指导，有人需要陪着执行，还有人愿意为一个明确的业务改善付更高的价格。

知识、服务、结果会同时存在，但只靠信息领先的人，议价空间可能越来越小。

而真正进到企业里做事，你就会发现，演示跑通和生产可用，中间还有很长一段路。

原来的系统能不能接？数据全不全？同一个字段，不同部门是不是同一种口径？出了异常谁来处理？员工愿不愿意改变原来的做法？

以前 ERP 项目难推进，也有这类问题。

现在用 AI 改造旧业务，同样绕不开它们。有时你想改的只是一个流程，碰到的却是原来的管理方式、部门分工和责任边界。

这和从零设计一门新业务，难度很不一样。新业务可以围绕新工具重新安排流程；旧业务还得考虑已有系统、正在运行的工作，以及改动以后谁受影响。

客户最后要的，是这套东西能在日常工作里持续产生价值。

比如做客户跟进，不能只展示一段生成得很漂亮的话术。你还得看，它有没有被实际使用，有没有减少准备时间、改善跟进质量，维护起来又要付出多少成本。

所谓为结果付费，也不一定非要把合同改成纯佣金。更关键的是，你能不能把改善目标、验收口径和双方责任说清楚，再用实际结果支撑价格。

这时再比较的，就不只是谁掌握的新工具更多了。

时间会带来三种替代

对外部服务商来说，压力还不只来自客户要求提高。

一种，是原来要靠人交付的东西，被做成了产品。

如果客户买一个成熟工具，就能完成原来需要顾问辅导的任务，他为什么还要持续购买同样的人力服务？

产品未必能覆盖全部需求，但越通用、越标准化的部分，越需要警惕这种替代。

另一种，是企业把能力留在自己内部。

短视频、新媒体成为日常经营的一部分以后，一些企业会组建自己的团队。因为有些工作需要天天做，业务理解也需要持续积累。

AI 也可能走这条路。企业看见价值，又能找到或培养合适的人，就会重新比较：哪些继续找外部，哪些由内部承担更划算？

这不等于所有顾问都会消失。但你不能默认，客户会一直缺少自己现在掌握的能力。

还有一种，是模型和平台升级，让原来复杂的工作变简单了。

它和产品替代略有不同：产品是把一套能力封装好，模型升级则可能让你原来需要反复调试、拆很多步骤才能完成的任务，变得更容易。

如果你的收费主要建立在“现在这个模型还做不好，我知道怎么绕过去”，那就要问一句：它下一次做好了以后，我还剩什么价值？

技术进步也会带来新需求，但新增需求不一定还会流向原来的服务商。

时间不会自动让你的经验更值钱。它也可能让你原来收费的那部分工作，不再稀缺。

趁窗口还在，把信息优势变成业务积累

所以，我会更谨慎地看待“什么企业都能改造、什么场景都能做”的通用型 FDE 生意。

相对而言，我更看好在一个行业，或者一条具体业务流程里，持续做深。

但垂直本身不是护城河。给服务名称前面加一个行业，并不会自动变得稀缺。

真正有用的是，你知道这个行业哪些问题值得解决，哪些看起来热闹却不值得投入；知道业务里的例外情况，知道好结果怎么判断，也知道什么地方必须让人拍板。

做的项目多了，你还能留下经过验证的方法、可复用的模板、交付标准，以及在授权范围内整理出来的案例和素材。

下一次遇到相似问题，你不用重新摸索，客户也更容易相信你能做成。

这时，模型升级、工具变好，反而可能降低你的交付成本。因为客户买你的理由，没有完全建立在某个工具操作起来很难上。

平台也可以换。你熟悉不同方案，根据客户情况选择合适的组合，而不是把整门生意绑在一个平台上。

行业理解、人的判断、审美、方法论，以及可复用的业务资产，会比单纯记住一批工具的用法，更有机会长期留下来。

窗口期最值得做的，是一边把眼前的项目做成，一边积累信息差缩小之后仍然值钱的东西。

所以，今天做 FDE，我会反复问自己：

如果半年后，客户也懂这些工具了，模型也更强了，他为什么还要找我？

这个答案，才值得趁现在去做出来。

JOTO 企业落地观察

• 企业部署 AI 智能体时，若仅依赖通用培训与轻量级工作流搭建，其交付价值易被快速产品化的 RAG 工具套件稀释；真正的护城河在于沉淀行业特定的业务规则映射表与异常处理 SOP，而非工具操作手册。
• FDE 工程交付中，“演示跑通”与“生产可用”之间的鸿沟，本质是知识工程与系统工程的交叉地带；企业需提前规划 RAG 知识源的权限治理、版本回滚与语义漂移监测机制，而非仅关注 chunk 切分与 embedding 模型选型。
• 当客户开始自建 AI 能力团队，FDE 服务商的核心价值将从“代劳执行”转向“共建标准”——例如联合定义智能体效果评估指标、输出可审计的 prompt 变更日志模板、提供跨系统 API 对接的契约测试用例集。
• 模型能力升级对 FDE 的冲击并非线性：越依赖“人工调优绕过模型缺陷”的交付模式，越易被下一代原生支持结构化推理的模型淘汰；而基于业务目标反推技术约束、再设计容错流程的能力，反而更具长期韧性。