# 【十字路口】OpenAI 和 Anthropic 共同看好的 FDE：AI 时代的新岗位出现，旧分工松动｜对谈 Rolling AI【视频播客】 Koji杨远骋 · 2026-06-03 【十字路口】本期对话Rolling AI合伙人阿甘和刘开，深入探讨FDE（前置部署工程师）如何帮助企业将AI从演示变为真正上岗的'数字员工'。他们分享了乳品企业用AI营养师服务用户、连锁门店通过AI副店长优化库存和销售等案例，强调AI落地的关键在于组织变革、一线赋能而非单纯技术。同时指出，FDE需要融合咨询、人机协作与快速构建能力，而传统中层管理岗位将因信息传递被AI替代而大量消失。 ## Key moments - **[0:00] 开场快问** - **[2:19] FDE初探** - [2:31] 阿甘解释FDE本质：AI是劳动力而非工具，FDE像HRBP帮助数字员工上岗 - [3:47] Q: 你们原来也叫FDE吗？阿甘答：我们叫自己Builder，即Business Builder - [4:24] 阿甘分享Rolling AI从2022年起服务上百家企业，客单价几百万到千万 - **[5:04] BCG转身** - [5:04] 刘开指出MBB服务中国本土企业困难：企业家在意结果而非paperwork - [7:30] 刘开：今天做咨询交付智能体，所有智能体必须在十五天内上线 - **[8:26] 蒸馏实践** - [8:26] 阿甘讲述乳品企业案例：用AI营养师服务600万用户，单次成本降至几分钱 - [10:35] 阿甘强调：'找师傅教给AI专业服务流程'，让AI像徒弟一样上岗 - [11:03] 阿甘：从25年前总结最优实践，现在变为bottom-up，AI机器人跟店长复盘采集经验 - **[12:42] 一线赋能** - [12:42] Q: 老员工对知识蒸馏有抵触？阿甘：先帮师傅干活，给他排班建议，让他觉得学徒有用 - [14:48] 阿甘讲述连锁门店案例：每个店长配副店长智能体，营业额预估准确率大幅提升 - [15:56] 阿甘妙喻：'AI更多是书本智慧，但中国很多商业场景里有太多的街头智慧' - [17:14] 刘开分享零售门店案例：AI副店长与店长对话发现竞争超市，调整货盘策略提升销量 - [19:58] 刘开认为AI最大红利：把普通智慧陪在一线人员身边，实现一对一万个教练 - **[20:56] FDE工头** - [20:56] Q: FDE在案例中扮演什么角色？刘开：像工头带AI员工上岗，完成业务融合、知识治理、系统对接 - [22:28] 刘开阐述优秀FDE三大能力：咨询背景看透痛点、人机协作原生能力、快速构建原型 - [23:52] Q: 这样的人才可以培养吗？阿甘：未必短期能培养，商业判断力是某种taste - **[24:32] 标准化之变** - [25:07] 刘开大胆论断：'SOP代表着落后，标准化代表只做到六十分，AI让每个店做到九十分' - [27:37] 阿甘对比：海外企业讲过程正义，国内企业家只要结果正义，亲力亲为在AI时代特别重要 - **[28:11] 技术占比** - [28:22] Q: AI落地技术占比？刘开：不超过三分之一，这是一次完整生产力革命，核心是组织变化 - [30:16] 刘开警告：每一次生产力革命95%的企业消失，仅接上大模型不能阻止消亡 - **[31:10] 落地三坑** - [31:15] 刘开总结AI转型三大失败原因：CEO预期过高、IT团队lead、缺乏组织激励改变 - [33:09] 阿甘讲述进入跨国公司时与IT governance搏斗，安全列为第一优先级成为拦路虎 - [34:06] 阿甘分享租房平台案例：AI处理琐事，管家从1对500提升到1对1200，专注关怀和增值服务 - [36:24] 刘开：好员工标准变了，从打字快记得准变成能提供情绪价值，AI取代执行性智力劳动 - **[36:28] 咨询新纪元** - [36:39] 阿甘：'咨询销售的本质是给董事长和CEO做心理咨询... 管理的本质是对激发善意的释放' - [38:28] Q: 什么岗位会消失？阿甘：所有只做信息传递的管理层，上传下达将被AI取代 - [40:25] 刘开预测：人类将很少做智力劳动，从智力劳动时代进入智力决策劳动时代 - [41:14] Q: 有没有不喜欢的客户？阿甘：我们拒接内部决策冗长的客户，只和一把手直接聊，三次内达意向 - [42:10] 阿甘透露：今年初拒过六百万、八百万的单子，因为那些只是买软件而非重建商业 - [44:01] 刘开分享面试故事：告诉毕业生'以你现在，我想不到任何你能做的事情AI做不了的' - **[46:36] 大厂押注** - [47:03] Q: OpenAI和Anthropic为何押注FDE？阿甘：看到数据短板；刘开：真正阻力是模式而非模型 - [47:59] 阿甘指出大模型企业合资PE，能获得企业转型的upside，远超过token收入 - [48:42] 刘开断言：VC/PE的投后部门核心能力将变成AI模式转型，每个机构都应该拥有专属FDE服务 - [52:01] 刘开分析MBB在中国：管理咨询最好的时代还没来，职业经理人掌舵才会成熟 - [54:05] 刘开定义Rolling AI：'我们更像service as software，本质是服务，交付出软件形态' - **[54:31] 结尾** ## Speakers - **Koji杨远骋** (host) - **刘开** (guest) - **阿甘** (guest) ## Topics 智能体, 商业与投资 ## Mentioned Anthropic (company), BCG (company), OpenAI (company), Palantir (company), Rolling AI (company), GPT (product) ## Transcript ### 开场快问 **Koji杨远骋** [0:00] 嗨 ， 我是 Koji。 那本周十字路口呢 ， 我们来聊一个最近非常热门的话题 FDE， 然后请到了 Rolling AI 的两位合伙人 ， 呃 ， 阿甘和刘开 。 啊 ， 二位好 ， 欢迎来到十字路口 。 **刘开** [0:12] 大家好 。 **阿甘** [0:12] 大家好 。 **Koji杨远骋** [0:15] 事情的起因呢 ， 是五月初 OpenAI 和 Anthropic 在同一天发布了一个大新闻啊 ， 他们都宣布各自做了一个十亿美元级别的企业 AI 合资公司 ， 啊并且称自己做的事情叫做 FDE， 叫 Forward-Deployed Engineer， 就是前置部署工程师 。 啊这个词呢 ， 最早来自 Palantir， 指的是派驻一位 FDE 工程师深入到客户公司的内部 ， 去从零开始帮他们定制 、 构建 、 落地套 AI 的系统 。 那也有很多 人说这硅谷就是会造概念的吧 ， 以前我们说套壳 ， 他们要说 agent harness， 那我们之前说这个售前 ， 他们要说是这个 FDE。 对 ， 但不管怎么样 ， 我觉得当有一个概念出现的时候 ， 它背后一定也是一些现象 、 趋势 ， 有一些共识 ， 大家愿意用一个词去凝聚它 。 那所以我们今天就请到二位来给我们讲一讲 ， 这个新的概念背后它出现的原因 ， 以及在中国的一些实践 。 那我们还是先从快问快答开始 ， 请问二位的年龄 。 **阿甘** [1:12] 我八八年的 ， 今年应该三十七了 。 **刘开** [1:15] 我八三年的 。 **Koji杨远骋** [1:16] 毕业的院校 。 **阿甘** [1:17] 呃 ， 我是米兰理工和同济 。 **刘开** [1:19] 呃 ， 我是北京交通大学的研究生 。 **Koji杨远骋** [1:22] MBTI 和星座 。 **阿甘** [1:23] 我原来是 ENFP， 我现在是 EFJ。 **刘开** [1:26] 我是 ENTJ， 我星座是水瓶 。 **阿甘** [1:29] 我是天秤 。 **Koji杨远骋** [1:30] 一句话介绍一下你们的公司 Rolling AI。 **阿甘** [1:33] Rolling AI 就字面上就是 Rolling 就卷 AI， 就是我们卷的是 AI， 不卷人 。 呃 ， 实际上我们自己本身是一个 AI 商业咨询公司 。 **Koji杨远骋** [1:41] 那咱们的收入和利润目前方便讲吗 ？ **阿甘** [1:43] 有人说如果问就是千亿以内 。 **Koji杨远骋** [1:47] 团队的规模呢 ？ **阿甘** [1:48] 呃 ， 目前六十多人 。 **Koji杨远骋** [1:49] 在做 Rolling AI 之前 ， 二位在做什么 ？ **阿甘** [1:52] 我和刘开其实都是连续创业者 。 然后 ， 呃 ， 我们俩之前认识是因为在 BCG 认识的 。 我原来做过 IP 的孵化 ， 我有做过这个海外的投资的一个平台 。 **刘开** [2:02] 嗯 。 然后我是零七年第一次创业 ， 然后做的是社交媒体监控 。 一五年这个公司卖给了欧洲最大的社交媒体分析公司 ， 后来进入了这个咨询这个轨行业 ， 在 BCG、 麦肯 ， 然后出来创业 。 **Koji杨远骋** [2:16] OK， 所以你们是 BCG 的同事 。 **阿甘** [2:18] 没错 ， 没错 。 **Koji杨远骋** [2:19] 哎 ， 要不要先给大家讲一讲 ， 就是在你们看来 ，FDE、OpenAI、Anthropic 他们讲的 FDE 的时候 ， 他们在讲什么 ？ 然后以及为什么在这个 AI 的大背景之下 ，FDE 这个词儿突然被提出来了 。 ### FDE初探 **阿甘** [2:31] 我们有个本质的认知 ， 就是 AI 跟传统软件是本来是非常不一样的 ， 因为传统软件是个工具 ， 你必须要有 ， 呃 ， 人去操纵这个工具 ， 而 AI 本身就是劳动力 。 所以 ， 呃 ， 在很多情况下 ，FDE 做的事情其实有点像 ， 嗯 ， 像一个 HRBP， 我把一个数字员工放到这个企业里面帮你培养好 ， 然后呢 ， 我看着他去上岗的那个过程 ， 而不是传统的 软件 。 **刘开** [2:56] 今天的 AI 在企业 ， 你们别把它看成一个软件 ， 别把它看成一个 IT 解决方案 ， 你得把它看成一个新的员工在上岗 ， 啊不管他的能力有没有做到 ， 就我们觉得能力在逐渐接近人的水平 。 那一个人在企业里面上岗 ， 他需要是 mentor， 帮他准备好他的工作台 、 资料 ， 理解流程 ， 当然也存在一些 IT 的系统 ， 这是最大的区别 ， 叫做真正你 想要一个 AI 在一个公司里面上岗 ， 你怎么把公司的上下文能够教给他 ， 能够给他一个工作台运作起来 ， 这是 FDE 要干的事 。 **Koji杨远骋** [3:30] 我觉得这个蛮有意思的 ， 就是原来是卖个软件 ， 然后我们的这个服务可能是来教你的员工怎么用软件 ， 但其实现在有点像就是卖了一个数字员工给你 ， 其实这个 FDE 就是帮数字员工更好地融入企业 ， 去产生他的价值的一个角色 。 **阿甘** [3:46] 没错没错 。 **Koji杨远骋** [3:47] 帮他上岗 。 哦 ， 这还挺有意思的 。 你们原来也会叫自己 FDE 吗 ？ 原来就有这个岗位吗 ？ **阿甘** [3:54] 嗯 ， 我们不太叫自己 FDE， 我们更多把自己叫 Builder， 就是 Business Builder。 **刘开** [4:01] OK， 但这个岗位都是像 FDE 的这种工作 ， 啊包括我们甚至我去看了 Palantir， 它的 FDE 在企业工作的那些视频 ， 做的事情跟我们一样 。 **Koji杨远骋** [4:11] 咱们开始做这个给企业 AI 的 ， 不管叫 FDE 也好 ， 叫 Business Builder 也好 ， 我们做了多久了呀 ？ 我们服务了大概多少企业 ？ 这里面可能最大的企业 ， 如果不能说名字 ， 我们可以说一下规模大概是什么 。 **阿甘** [4:24] 我们实际上从二二年开始 ， 就是那时候 GPT 3.5 等于起刚好有接口的时候 ， 我们就正好有这个客户 ， 有这个相应的需求 。 我们实际上从那时候到现在快四年多了 ， 我们是最早的一批开始帮企业做 AI 转型的这种服务 ， 我们到现在基本上服务了快一百多个企业了 ， 现在基本上都是这种全年制的 ， 所以 ， 呃 ， 目前都是大客户 ， 每 个每个客户都是大客户 。 **Koji杨远骋** [4:48] 平均客单价是 ？ **阿甘** [4:50] 呃 ， 我们几百万到千万 。 **Koji杨远骋** [4:52] 好 ， 我们待会儿会重点来聊一聊 ， 就是你们服务这些客户里面的案例的故事 ， 包括踩过的坑 。 但在此之前还是想聊一聊 ， 因为二位都是 BCG 的背景 ， 吧我们的听众里面有非常多 MBB 的朋友 。 **刘开** [5:03] OK。 ### BCG转身 **Koji杨远骋** [5:04] 或者前校友 ， 然后大家可能多多少少也有一些这个在职业的十字路口的感觉 ， 所以想先听二位讲一讲 ， 就你们当时是出于什么考虑 ， 从 BCG 出来做现在这个 Rolling AI。 **刘开** [5:16] 我们也很明确地发现 ，MBB 这样的企业在服务中国的本土企业里面遇到了一些困难 ， 不管是它的收费的模式 ， 包括它能够落地真正帮助中国企业家的这种方式 ， 遇到了一些困难 ， 就中国企业家也不像九十年代末 、 零零年初的那个时代 ， 那么迷信说海外的咨询公司或者一个所谓的专家 ， 他们会非常在意 ， 就中国 —— 就这一点是 特别不同的 ， 就中国的企业家基本上还是一代和二代 ， 没有 —— 几乎很少有职业经理人 ， 而一代和二代都是为了自己企业的利润 ， 或者自己企业的长效发展 、 长治久安来 ， 来思考问题的 ， 所以他不会太在意这种阶段性的 paperwork 写得怎么样 ， 他非常在意能不能做下去 ， 能不能做出结果来 ， 能不能带来组织上的改变 。 啊这件事情 其实虽然 MBB 也在做 ， 但是它的成本结构和它的定位导致它很难做得非常深入 ， 啊 。 你们当时在 BCG 做过最贵的一个项目是多少钱的项目啊 ？ **阿甘** [6:25] 相当贵 。 相 ， 相 ， 这只能说相 ， 相当贵 。 **刘开** [6:29] 九位数 。 **阿甘** [6:30] 呃 ， 快接 ， 接近九位数了 。 **刘开** [6:33] 噢 ， 就一亿人民币 。 **阿甘** [6:35] 对 ， 就接近 ， 接近九位数 。 **刘开** [6:36] 哎 ， 之前在 BCG 做咨询 ， 然后现在在 Rolling AI 也其实通过咨询的方式给客户提供服务 ， 然后当时的项目 ， 今天的项目 ， 当时的客户 ， 今天的客户有什么相同 ， 哪些不同 ？ **阿甘** [6:48] 客户类型最大的不同就是当时主要服务公有体 ， 就现在主要服务民企 。 实际上做的事情的本质我觉得还是比较像的 ， 都是为了解决 ， 呃 ， 商业上的一个特定的问题 。 然后第二 ， 就是在解决问题的时候 ， 我们的呈现形式是我们重新 build business。 **刘开** [7:05] 有没有 AI 这个带来的影响大吗 ？ **阿甘** [7:07] 呃 ， 我觉得影响非常大 。 **刘开** [7:09] 对 ， 我觉得非常大 。 传统咨询行业简化它就是我得到一个问题 ， 我进到这个产业和这个企业里面去做调研 ， 去用以往的经验 、 以往的成功和失败去梳理一个框架 ， 并且交付出来一个两百页的 PPT。 但今天不是 ， 啊 ， 今天我们做完咨询 ， 前面做的所有事情都一样 ， 我依然要理解这个行业 ， 理解这个公司 ， 理解它背后做过的努 力 ， 背后解题的资源 。 但我交出来不是 PPT， 我交出来是一个智能体 。 因为所有 PPT 里面讲的最好的做事方式 、 最好的协同方式 ， 最好的 ， 呃 ， 信息流转方式 ， 我都可以在智能体里面实现 。 在当年要实现一套新的业务模式 ， 可能它的成本是半年甚至一年 ， 而今年做一个智能体上线可能是几个月 、 几周 ， 甚至在我们公司内部其 实有一个明文的标准 ， 叫做所有的智能体必须在十五天内上线 。 **阿甘** [8:04] 十五天 。 **刘开** [8:04] 对 ， 原因很简单 ， 因为你雇一个员工 ， 你不会让他去一个学校学习三个月再来上班的 ， 你会最多给他十五天的培训期 ， 他就得开始干活 。 哎 ， 你们如果要分享一个案例 ， 特别能够代表你们今天把一个智能体送去一个企业 ， 让它开始干活 ， 并且 build business， 然后最后产生一些结果 ， 你们会想到什么样的案例啊 ？ **阿甘** [8:26] 我们第一个就是 2022 年开始的那个 ， 当时的状况是这样 ， 就是它是一个乳品的企业 ， 就是大家知道 ， 就是当出生率不是那么 ， 呃 ， 旺盛的时候 ， 实际上整个乳品是一个下滑的这个态势 。 所以呢 ， 很多乳品企业其实它想到是第二曲线 ， 比如说有的企业它想做快消 ， 就是做水啊 ， 做饮料啊 ， 其实有的企业会想去做跟乳品相关 ### 蒸馏实践 **阿甘** [8:48] 更高溢价的东西 ， 比如说 ， 呃 ， 蛋白饮 ， 呃 ， 益生菌就等等之类的 。 但他们的最大的问题在于 ， 它原有的这个经销商的渠道其实不适合于卖这些高溢价的东西 ， 它需要有一种全新的销售方式 ， 这是我们的 problem。 我们的第一个解决方案其实是我们在看全市场有没有足够多的营养师在线上能够服务这群人 。 我们当时把全中国的 营养师大概算了一遍 ， 全中国真正的注册营养师可能就四十万人 ， 而他要服务的群体是八千万人 。 我们算了一下 ， 这个差距大概十倍左右 ， 要服务这么多人 。 **刘开** [9:19] 而且他每次服务成本 ， 我们当时核算下来十六块钱 。 **阿甘** [9:21] 对 ， 那当时就 ， 呃 ， 正好 GPT3.5 发了结果 ， 我们就有一个感觉说 ， 能不能把它变成一个几十万的这种资 ， 这个营养师什么等等之类的来服务这家企业 。 于是我们当时 ， 呃 ， 做了营养健康的模型的微调 。 **刘开** [9:35] 这个平台最后承载了这家企业六百万的在线用户 ， 就这一个小姑娘在运营 ， 然后这小姑娘带了五十多个机器人 ， 有的做测评 ， 有的写帖子 ， 有的做营养咨询啊 。 这是没有 AI 做不到的 。 **阿甘** [9:49] 没有 AI 完全做不到的 。 **刘开** [9:50] 刚才说的成本 ， 这个当时我们核算下来 ， 一次的服务成本已经降到一毛钱还是四分钱 。 **阿甘** [9:57] 对 ， 然后 ， 然后讲讲一个小故事 ， 就是一开始的时候 ， 实际上现在大家比如说用 ， 呃 ， 度宝用前问去问一个说我要减肥 ， 它一定就开始给你一个 solution。 但实际上我们发现一个正经的减肥师过来看到这个答案 ， 他说你这样说的不对 。 如果有个人问说我要减肥 ， 你的第一回答是你又不胖 ， 你为什么要减肥 ？ 就上来第一步其实是 一个情绪价值 。 然后呢第二步问你最近吃了什么 ？ 你最近一周的饮食习惯是怎么样 ？ 你的健身习惯是怎么样 ？ 你减肥的目标是什么 ？ **刘开** [10:28] 所以这个 onboarding 或者转化客户的过程要先有情绪价值 ， 然后让他给 input。 **阿甘** [10:32] 类似这样的员工上岗 ， 都是要找到一个好的师傅 。 **刘开** [10:35] 好的师傅教给这个 AI 的是一个专业的服务流程 。 哎 ， 我记得之前你们也分享过 ， 就是你们应该也有一些客户是比如线下的奶茶连锁 ， 那在这样的奶茶连锁的企业里面 ， 他的师傅是谁啊 ？ 是 ？ **阿甘** [10:50] 优秀的店长 。 **刘开** [10:51] 就是找到企业的这个优秀的师傅是非常重要的 。 然后所以进到每个企业都要去识别谁是这个最优秀的 、 在一线有最多实践的这种过程经验的人 ，FDE 要去和他做什么 。 **阿甘** [11:03] 在 25 年之前 ， 我们会把最好的金牌销售拉过来 ， 最好的培训师拉过来 ， 我们做访谈 ， 我们总结他的最佳实践 ， 总结他的最佳的思维方式 ， 自上而下的这么一个梳理方式 ， 然后把这个梳理的结果和最佳实践 、 话术等等的放到 AI 里面去 。 呃 ， 从 25 年下半年之后 ， 我们开始逐渐地不这么做了 ， 呃 ， 因为我们发现在整个商业社 会中所会的做生意的最佳实践 ， 它可能就没有一个权威的 top-down 的解法或者正确答案 。 呃 ， 事实上在一个门店里面 ， 不管做奶茶 ， 还是在一个门店里面卖货 ， 还是在一个城市里面卖保险 ， 成功的方式有千千万 ， 都很不错 。 呃 ， 所以我们现在从 top-down 变成了 bottom-up， 比如说在一些连锁经营的门店里面 ， 我们就会有一些 AI 的机器人 ， 每天 下班之后就跟店长复盘 ， 啊 ， 今天做了什么 ， 做得好 ， 做得不好 ， 你觉得为什么 ， 对吧 ？ 把复盘的经验采集下来 ， 把每一个店长 ， 呃 ， 优秀顾问 、 呃 ， 教练 、 金牌销售身边都放一个助手 ， 然后这个助手就有点像我们咨询行业做 shadow 一样 ， 做一个陪跑师 ， 在旁边观察着 ， 逐渐地他会越来越聪明 ， 越来越理解 。 **刘开** [12:19] 就是不是提问去获得信息 ， 而是就是在他旁边去观察他 。 **阿甘** [12:24] 他也会有互问互答的方式 。 **刘开** [12:27] 这听起来也很像在真留一个员工 。 **阿甘** [12:29] 这套东西我们叫学徒 ， 学习最好的老师傅 - **刘开** [12:32] 没错 。 **阿甘** [12:33] ... 的这个 ， 这个状态 。 **刘开** [12:35] 诶 ， 那会遇到一些抵触吗 ？ 比如说老师傅会说 ， 啊 ， 你把我的蒸馏了 ， 或你把我都学走了 ， 那我之后在企业的价值也没了 。 ### 一线赋能 **阿甘** [12:42] 你要学习他的东西 ， 首先你要给他付出一点东西 。 所以呢 ， 我们所有的学徒进去之后 ， 肯定是先帮这个老师傅去干一点活 。 比如说 ， 呃 ， 实际上这个智能体不仅仅只是学习 ， 我们会日常 ， 比如说他要排班的时候 ， 我会给他一些建议 ， 比如说这个他要去做这个营业的预估的时候 ， 我们会给他提出一些建议 ， 他会觉得这个 学徒在他身边是有用的 ， 他才会教这个学徒 。 **刘开** [13:05] 我们并没有觉得 AI 比人强 ， 我们绝大多数发现都是 AI 加人强过人 ， 然后人强过 AI。 呃 ， 所以绝大多数情况下 ， 一个能被蒸馏出经验的优秀基层员工 ， 其实是这个企业最大的资产 ， 呃 ， 其实你是不应该被你放弃的 ， 因为每天商业场景都在变化 ， 每天都有新的竞争事态 ， 每天都要做新的判断 。AI 能够帮你想很多事情 ， 但不能取 代你的决策 ， 啊 ， 这是一个点 。 第二个点是 ， 确实因为这样的机制存在 ， 我们会发现能产生复盘和经验的优秀员工 ， 他的价值变化了 。 呃呃呃 ， 举个例子 ， 就以前你是一个金牌销售 ， 对吧 ？ 你能卖人家的两倍三倍很了不起了 ， 你再做得厉害一点 ， 你说我带徒弟 ， 我整个团队都能做到人家两倍三倍 ， 很了不起了 。 但今天 不是 ， 今天你积累的经验和方法论是可以复制到全国所有的省 ， 所有一千个销售 ， 一万个销售身上的 ， 那意味着说你对企业的价值就此增大了 ， 而这个增大应该配对一些对应的激励 ， 这也是我们在转型过程中会告诉企业要去做的 。 你得激励那些能给你的 AI 带出好的 AI 智能的这些员工 。 还有一个具体的案例可以分享一下 吗 ？ **阿甘** [14:25] 通常连锁里面它很重要的一个工作就是预估第二天的营业额 ， 因为预估了营业额之后 ， 他就能基于这个营业额去排班 ， 他就能预估第二天我要去进多少的货 。 呃 ， 这种的预估通常以前都是总部的一个某种算法 。 后来我们发现这个算法通常是不准的 。 为什么 ？ 因为每个门店的情况太不一样 ， 有些地区下雨 ， 有些地区不下 雨 ， 有些门店旁边忽然有个新店开张 ， 有些门店它就是在夜店边上等等之类 ， 有各种各样的奇奇怪怪的因素会导致每个门店的经营上下文特别不一样 。 后来我们把总部的这种比较一刀切的这种方法全部拆掉 ， 我们拆成说我们给每一个店长都配一个帮助到他预估营业额的这种 ， 呃 ， 副店长或智能体 。 我们告诉他说 ， 哦 ， 明天下午可能会下暴雨 ， 明天 ， 哦 ， 我看到你周边忽然有一个店在做活动 ， 明天 ， 呃 ， 会发生什么事 ， 由他最终来决定他应该雇一个什么样的值 ， 而不是由一个系统告诉他应该雇一个什么样的值 。 就 ， 呃 ， 我们做了这个改变之后 ， 我们发现整体的这个预估准确率高了非常非常多 。 我们现在越来越觉得就赋能一线是一个 特别有值得做的一件事情 ， 因为所有的经营的事情都发生在一线 ， 而他们作为一个店长 ， 他们反而变成了一个上下文的提供者 。 上下文越准 ， 就大模型能够帮到的他的地方越多 ， 而每家门店的上下文都不一样 ， 给更好的上下文的时候 ， 人家 AI 比人又更强了一些 。 我们觉得 AI 更多是个书本智慧 ， 但中国的很多很多商业场 景里面有太多的街头智慧 。 就有一个店长 ， 他在某一个方面曾经想过一个街头智慧的东西 ， 他就特别特别的厉害 ， 而那件事情 AI 一定没有办法就在那个情况下想到 。 对 ， 所以呢 ， 我们会收集这些所谓的街头智慧 。 **刘开** [16:12] 还有这样类似街头智慧的故事吗 ？ **阿甘** [16:14] 我再举个那个零售门店的那个案例 ， 比如说我们 ， 我们之前在这个 ， 这个连 ， 连锁的某 ， 某个餐饮 ， 我们发现就是当 ， 呃 ， 这个区域下暴雨的时候 ， 呃 ， 这个门店那天下午的营业额就会比较差 。 然后呢 ， 呃 ， 这时候就带来一个问题 ， 就是因为之前头一天都排过班了 ， 然后呢 ， 如果下了暴雨 ， 营业又很差 ， 那个人员力量 是浪费的 ， 就那个浪费我们统计了一下 ， 如果按照一千个门店算的话 ， 一年可能大几百万的钱 。 在这种情况下 ， 聪明的店长会怎么做 ？ 就在他知道可能会下大暴雨的情况下 ， 他会和临时员工先打好电话说 ， 第二天我有可能不会叫你来 ， 就是但是呢 ， 你可能要做好这个相应准备 ， 这样的话 ， 那个临时员工心里也有 ， 也有 数嘛 ， 就他不会生气啊等等之类的 。 就当这个街头智慧如果能够推行到足够多门店 ， 整个体系一年就能省几百万 。 而这种案例 ， 呃 ， 原来其实通过每个人是没有办法推行的 ， 就一层一层地往下压也没有办法推行 。 **刘开** [17:14] 我们有一套 AI， 它也像一个副店长一样 ， 帮助店长去选他的货盘 ， 再定他的价盘等等的 。 然后我记得当时有一个 AI 副店长和店长聊 ， 他们在看那个冷柜 ， 他们专门在做冷柜的酸奶品类的盘点 。 这一家店为什么酸奶卖得不好 ， 然后那个副店长说 ， 哎 ， 你们家店为什么大包装的 ， 我记得叫承功还是叫哪一个品牌的大酸奶 ， 他 说根据我拿数据分析 ， 在你周边的七八家店都卖得很好 ， 为什么你这里就卖得不好 ？ 呃 ， 是不是你这里人都觉得比较高端 ？ 店长说 ， 不是呀 ， 我这里人没有很高端 ， 我就是一个社区店 。 他说 ， 那你为什么卖得不好呢 ？ 但是我看到你这里的卡士 ， 当时有个品牌叫卡士啊 ， 说你这里卡士的这种优酸乳啊 ， 卖得特别好 ， 还是 很贵的 。 所以 AI 说我觉得你是因为你人群很高端 。 店长说不是的 ， 是因为我五米之外开了一家叫乐福的超市 ， 比我大两倍 ， 然后只要他卖的东西就比较便宜 ， 这些高端的卡士东西他不卖 ， 那个大包装的他也卖 ， 他卖得更便宜 ， 所以我卖不掉 。 然后 AI 说 ， 哦 ， 那行 ， 那咱换个方式 ， 咱就抢不过那家店 ， 咱的所有的酸奶或 者冷藏饮品的策略全部改成我只卖我们家供应商独供的东西以及高端的东西 。 这样子大家不关心价格 ， 只关心进不进 ， 货品好不好 ， 马上我们销量能增百分之四五十 。 啊 ， 但这些你说没有 ， 光靠 AI 去判断 ， 它可能完全得出一个错误的结论 ， 因为它不知道一线发生了什么 ， 得店长和 AI 在一起才能得出正确的结论 。AI 是能给 店长很多补充 ， 补充思考的 。 **Koji杨远骋** [18:58] 所以当你说到副店长的时候 ， 它就是 AI， 是吧 ？ **刘开** [19:01] 对 ， 当我说副店长的时候是 AI， 我们已经习惯这个语境了 。 **Koji杨远骋** [19:05] 对 。 我记得原来看这个 711 的一个故事 ， 就是我当时知道一个冷知识是 711 其实一开始是美国企业 ， 对吧 ， 然后日本拿它的授权 ， 然后但日本越做越大 ， 越做越强 ， 就把美国收购了 。 现在 711 是一个日本企业 。 呃 ， 当时 711 有一个拐点 ， 就是当时他们给到一线的店长进货的决策权 。 **刘开** [19:24] 嗯嗯 。 **Koji杨远骋** [19:25] 所以每个店长可以自己决策 ， 明天我要加多少酸奶 ， 明天我要加多少巧克力 。 原来都是统一调度 ， 然后 711 在日本做了这个改变之后 ， 然后业绩带来了一个非常大的提升 。 呃 ， 所以还是这个把权力下放到一线去决策 。 但在过去其实有很多的困难是店长不管是他的这个信息采集和信息分析的能力 ， 包括他去做这些分析或采 集的时间都没有那么的充分和全面 。 但现在有了一个 AI 副店长的帮助 ， 他可以做得更好 。 **刘开** [19:58] 没错 ， 没错 ， 这个就您说得特别对 ， 就是 AI 最大的红利不在于说我能在顶部或者总部做一些自上而下的策略性的事儿 ， 而是我能够把一个普通的智慧陪在我们的店长 、 销售人员身边 。 这些店长 、 销售人员他不是学商科出身的 ， 他不是有完整的经过什么逻辑训练能力出身的 ， 他需要一些基础的智慧帮他理清楚这件事情 ， 而以前是做不到的 。 以前你没办法有一万个教练 ， 今天你可以有一万个教练陪着他们 。 **Koji杨远骋** [20:29] 而且也像我们今天在说这个 ， 呃 ， 越来越多的通用 agent 在电脑上面 ， 它要变得更聪明 ， 它需要拥有更多的上下文 ， 所以我们开始让它录我的屏幕 ， 然后开始让它听我所有的会议 ， 它知道的越多 ， 它就会越聪明 。 所以在一个店感觉是类似的 ， 它如果能够知道这个店越多的情况 ， 甚至知道这个店周边五百米 、 两公里 ， 就越多 的信息 ， 它能做的这个决策就会越准 。 **刘开** [20:55] 没错 ， 没错 。 ### FDE工头 **Koji杨远骋** [20:56] 那聊到这里 ， 这个我们说的这些和 FDE 它的关系在哪里啊 ？ 就 FDE 在这里面扮演的角色是什么呀 ？ **刘开** [21:02] FDE 在这过程中承担了好几个角色 。 呃 ， 本质上它带着一群像 ， 呃 ， 北大 、 清华或者斯坦福的年轻人 ， 这些年轻人是 AI 啊 ， 那这一些年轻人去一个便利店 ， 去一个营销部门 ， 甚至去一个人事部门上班 ， 对吧 ？ 比如说做面试这件事情 ， 你是没办法让一个 AI 上直接就面的 。 我们在内部要做大量的对齐 ， 对我们考察的是什么样 的能力 ， 我们觉得什么样是 ， 呃 ， 是对面试者不友好的 、 不尊重的 ， 什么样的方式才是友好和尊重的 ， 这都是 FDE 在现场去做判断的 。 我们今天好像是一个 AI 人力外包公司 ， 对吧 ？ 这个 AI，FDE 就是那个人力外包公司的工头 ， 他带着这些员工进去 ， 但他要不是把人扔在那就行 ， 他得确定他们能够执行工作 ， 甚至确定他能执行足 够高质量的工作 ， 他才能离开 。 所以他要做 ， 呃 ， 我们说三大块嘛 ， 就是业务的融合 ， 他要做知识的治理 ， 他要做系统的对接 ， 啊 ， 他这三件事情都做好了 ， 他才能够离开 。 **Koji杨远骋** [22:08] 我觉得这个工头这个比喻很有意思啊 ， 就是我们说 FDE 的时候感觉很高大上 ， 但是有点云里雾里 ， 不知道到底干嘛 。 **刘开** [22:15] 嗯 。 **Koji杨远骋** [22:15] 但是一说工头好像一下子就懂了 。 **刘开** [22:18] 嗯 。 **Koji杨远骋** [22:18] 啊 ， 那一个好的工头和一个不好的工头 ， 就是一个好的 FDE 和不好的 FDE， 因为你们有六十多位员工 。 **刘开** [22:24] 是 。 **Koji杨远骋** [22:24] 是吧 ， 那 ， 呃 ， 他需要一些什么样的品质才能做好 ？ **刘开** [22:28] 我觉得他核心要有这么几个能力 。 第一个能力叫做他有某种咨询背景的能力 ， 能够一眼看穿这个业务的痛点本质到底是什么 ， 是缺人 ， 还是缺知识 ， 还是缺沟通 ， 还是缺协作 。 当他缺人的时候 ， 你去做沟通的事情 ， 当他缺沟通时候 ， 你去使劲干活 ， 都 ， 都不解决问题 ， 对吧 ？ 这是第一 。 然后第二 ， 他需要有一定的我们 叫做人机协作的原生能力 ， 他能很快地理解到说任何一个工作都不是机器人全部干完的 ， 我怎么样把这个合理地拆解成若干个小任务或者小工种 ， 然后把人放在最重要的位置上 ， 并且告诉人类员工说这件事情还是得你来做 ， 审核 、 评判 、 规划还是得你来做 ， 剩下的事情我让机器员工补偿 。 第三者 ， 他能够很快地构建起 来 ， 他真的拿出我们的 AI 工具 、web coding 的工具 ， 能够在半天 、 一天 、 两天的时间把体系的原型就构建起来 ， 他能够写智能体 ， 他知道怎么编排 ， 对吧 ？ 这是为什么我们前面说 FDE 它不像一个 engineer， 也不像一个销售 ， 也有点销售的这种感觉在里面确实 。 **Koji杨远骋** [23:41] 听起来很厉害 。 **刘开** [23:43] 听起来很厉害 。 **Koji杨远骋** [23:44] 这样的人是可以培养的吗 ？ **阿甘** [23:46] 未必短期能培养起来 。 **刘开** [23:48] 可能培养不出来 。 **Koji杨远骋** [23:52] 所以这个问题就是 AI 时代需要什么样的人才 。 **阿甘** [23:56] 是 。 商业判断力也是某种 taste， 它是在当 AI 能给出足够多答案 ， 然后呢 ， 能采集会足够多信息的时候 ， 下一步应该怎么做 ， 应该往哪个方向的那种 the feeling， 就是有 ， 有一点点选序 ， 它并不是非常非常系统 。 **Koji杨远骋** [24:13] 诶 ， 所以我听下来可能和之前 BCG 做的事情真的还挺不一样的 。 **刘开** [24:19] 我们会觉得内核其实挺相近 ， 但是所有的做事方式和呈现出来结果都非常不一样 。 **Koji杨远骋** [24:24] 内核还是解决问题 。 **刘开** [24:25] 内核还是解决问题 。 **Koji杨远骋** [24:26] 但是这个做的方式 、 工具 ， 需要的人才都不一样 。 **刘开** [24:31] 都不一样 ， 对 。 **阿甘** [24:32] 是 。 而 - 而且我 - 我们发现有一个 ， 有一个有趣的地方是传统的咨询公司来自于上一个 ， 所谓上一个时代 ， 就工业时代有很多东西 ， 我们觉得 AI 来的时候 ， 就这件事情都变了比如说 ， 呃 ， 管理层 ， 管理层的核心工作是传递信息 ， 而现在传递信息这件事情就越来越被替代 。 之前我们做的大量的工作实际上是帮助一个公司 ### 标准化之变 **阿甘** [24:55] 去做标准化 ， 而现在我们对于标准化这件事情 ， 对这三个字是有反抗的 。 每个门店都应该有每个门店自己的经营上下文 、 经营的思路 、 经营的方式 。 **刘开** [25:07] 中国的企业家其实很厉害 ， 在 AI 赋能的这个时代里面 ， 原来的很多语境和词汇已经不对了 ， 就比如说我们认为 SOP 代表着落后 ， 有点暴论啊 ， 我们认为 SOP 代表着慢 ， 代表着落后 ， 呃 ， 标准化代表着你只做到了全局六十分 ， 你没有去让每个人都能拿到九十分 。 而今天 AI 做的是保证你每个店都能做到八十五分 、 九十分 。 我觉 得这种思维方式可能只有在中国这么剧烈竞争又剧烈迭代的市场才能产生出来 。 所以在我心中 ， 作为一个中国人 ， 我觉得下一代的管理智慧可能会由中国企业家和中国企业来引领 。 **Koji杨远骋** [25:47] 这个让我想到这个 ， 比如说抖音也是改变了媒体分发的机制 ， 对吧 ？ 千人千面 ， 每个人看到的东西都更加个性化 ， 所以它得到了更高的这个留存和商业价值 。 但这消费端 ， 那现在我们在生产端也开始让每个店或者每一个这个最小的商业单元 ， 每个服务者 ， 他都可以这个千人千面地生产 。 所以你们觉得这个下一代的管理 智慧如果是来自中国企业家的话 ， 你们觉得它可能会来自哪里 ？ 以什么样的方式呈现 ？ **刘开** [26:17] 我们认为标准化这件事情 ， 它的本质是保底线的 ， 从怎么样用标准化保底线 ， 变成怎么样用好的智能到一线去提供最优解 ， 啊我觉得这是一个很重大的管理智慧的变化 ， 这个管理智慧的变化就会导致我的管理方式会变 。 啊以前每一个总部都有大量的标化部门 ， 呃 ， 信息化部门 ， 呃 ， 内审部门 ， 各种采购部门 ， 本质上都 在管着门店和销售人员和销售网络的每一个节点 ， 说你不能乱搞 。 而我们觉得这件事情会逐渐地降低和降温 ， 而变成总部会要变成一个赋能型的企业 ， 每一个人或者每一个组织都带来自己的智能体 ， 告诉你门店怎么样弄能够再多拿一点业绩 。 啊这是一个巨大的不仅仅是管理模式上的变化 ， 甚至从我的组织模式 ， 从部门 设置上可能都会有变化 。 **Koji杨远骋** [27:13] 你觉得这个有没有 AI 是有天壤之别的吗 ？ **刘开** [27:16] 我觉得会有天壤之别 。 我觉得没有 AI 做不到 ， 是因为原来叫做在一个组织里面经营智慧的脑力或者智力生产力是不够的 ， 真正懂得又讲得清楚的 ， 又能培养和辅导的人是不够的 ， 对吧 ？ 那今天够了 ， 只要算力开跑 ， 你 ， 你有无限的智力生产力 。 **阿甘** [27:37] 海外的公司 ， 它的主要的管理方式是过程争议 ， 它要把所有的过程尽可能地争议 。 国内的企业家才不管那么多过程 ， 他只要结果争议了 ， 什么样的路径他都可以接受 。 第二 ， 就是我们认为所有的中国企业家都亲力亲为 ， 我觉得亲力亲为这件事情在 AI 时代特别重要 ， 自己搭智能体 ， 自己上 call code 什么等等之类的 。 **Koji杨远骋** [27:58] 可能底层原因是因为企业家是不是 ， 是不是企业的 owner， 可能决定了绝大多数的事情 。 就我们可能一代二代还在一线 ， 对吧 ？ 但可能美国有太多企业已经是职业经理人在接班 ， 大家的这个目标函数不同 。 ### 技术占比 **刘开** [28:11] 对 。 **Koji杨远骋** [28:12] 诶 ， 那在你们看来 ， 比如说 ， 呃 ，AI 通过 FDE， 对吧 ， 进企业去赋能他们 ， 呃 ， 技术占比有多少呀 ？ 就其他方面又有什么样的占比 ？ **刘开** [28:22] 我个人会感觉技术占比不会超过三分之一 。AI 的这次变革 ， 它不是一次所谓的 ， 呃 ， 技术浪潮 ， 它是一次完整的生产力革命 ， 它的对社会的影响幅度会超过互联网 ， 它会像当年电力革命一样 ， 电力革命大量地取代了体力劳动 ， 那今天 AI 革命或者大模型革命会大量地取代智力劳动 。 如果我们回头去看电力时代 ， 人变了 ， 生 产工序变了 ， 员工的培训方式变了 ， 商业也变了 。 以前没有夜间商业 ， 以前没有大商场 ， 以前没有娱乐业 ， 现在都有了 。 我们认为 AI 革命会是像这么一个革命 ， 当然我们还在整个革命可能十年 、 十五年 、 二十年的非常早期的这么几年 。 如果是说这样的革命的话 ， 它的核心是组织的变化 、 商业模式的变化 、 人才的变化 ， 它的核心就接上电或者接上模型那个技术的事情只占它很小很小的一部分 。 **阿甘** [29:20] 当时英国一个地方叫兰开夏郡 ， 对吧 ， 那时候纺织业本身占全世界百分之七十左右的 ， 在电力革命被落下了 。 你说它用没用电 ？ 它用电了 ， 但它用电的方式是它只把电接到了它原来蒸汽机的那个大轴上 ， 它的整个生产方式还是蒸汽时代的生产方式 。 而那个时间段 ， 美国 、 日本 、 德国全部都用完全电力原生 ， 就像现在说 AI 原生的方式 ， 重新构建了它的整个生产组织 ， 包括厂房 ， 所以它的变化是非常非常大的 ， 它不仅只是接了电而已 。 **刘开** [29:50] 在每一次大的生产力革命 、 电力革命 、 互联网革命 、 移动互联网革命 ， 每一次都有百分之九十五的企业在这个过程中就消失了 ， 啊这真正能跨越周期的企业可能就是百分之五 ， 而所有消失的百分之九十五的企业 ， 相信我 ， 它都接了电 ， 它都上了网 ， 它不是因为不上网才被消失的 ， 它是因为没有全心全意地把它当成一个 原力去围绕它重构自己的商业 ， 所以才被消失的 。 仅仅接上电 ， 仅仅接上网 ， 仅仅接上大模型 ， 是不能阻止你的企业在这个过程中被消亡的 ， 啊如果你的做事方式不变的话 。 **Koji杨远骋** [30:28] 呃 ， 所以就是 AI 这个技术本身可能在企业落地 AI 的过程中占比很小 ， 就是更多的其实可能还是其他的方面 ， 可以具体展开一下吗 ？ **阿甘** [30:39] 我们做很多跟销售相关的 ， 我们发现 ， 呃销售这个群体 ， 呃 ， 特别奇妙 ， 就是他们非常结果导向 ， 所以呢 ， 只要跟自己的利益没有太大的变化情况下 ， 什么东西他们都买 。 所以呢 ， 我们会和业务方一起去改它的绩效 ， 你可能原来是百分之百结果的绩效 ， 我现在会把它改成百分之八十结果的绩效和百分之二十的过程的绩 效 ， 你提供越多的东西 ， 你能够积分 ， 然后你能够得到相应的钱等等之类的 。 就是这些东西如果不推动 ， 我们相信 AI 就在里面是不可能落得了地的 。 ### 落地三坑 **Koji杨远骋** [31:10] 嗯嗯 。 所以这听起来都是曾经踩过一些 AI 无法落地的坑 。 还有什么坑吗 ？ **刘开** [31:15] AI， 整体的 AI 转型项目的成功率应该不到百分之五十 ， 超过百分之五十的失败率 ， 最重要的三个原因 。 第一个大的原因叫做今天的有一些 CEO 对 AI 能做什么有超出现实的预期 ， 呃 ， 这个是要去管理 、 控制和帮助他理解的 ， 啊 ， 就他不能理解 AI 是超人 ， 所有事情就我企业反正怎么弄都行 ， 只要上了 AI， 企业就起飞了 ， 已经不是 这样 ， 啊 ， 这是第一 。 啊 ， 第二 ， 呃 ， 我觉得最核心的叫做不要让 IT 团队来 lead 的 ， 啊 ， 得让业务团队来 lead 的 。 业务团队如果把自己当成一个乙方 ， 呃 ， 让 IT 团队 lead 的这件事情几乎一定会失败 。 你会发现谁懂怎么选货盘 ， 谁懂怎么去预估营业额 ， 谁懂怎么去对付一个客户 ， 怎么让他买保险 ， 都是业务团队 ，IT 团队提供不了 这样的知识和经验 ， 对吧 ？ 大量的企业依然它的自为定式叫做 IT 团队承接 AI 的这件事情一定会败 ， 啊 ， 这是我觉得第二大问题 。 第三大问题就是在底层没有业务团队和组织的对应的激励的改变去配合这个模式的改变 ， 因为大家不要把它看成一个工具的上线 ， 它是一堆员工上线 ， 一堆新的生产力来了 ， 我们的生产关系要 改变了 ， 对吧 ？ 人和人的关系变了 ， 人和机的关系变了 ， 我们的目标可能也变了 。 在这个过程中 ， 我做什么样的事情应该被激励 ， 什么样的事情已经不需要我做了 ， 也要跟着变 。 我觉得可能最大的三个坑在这里面 。 **Koji杨远骋** [33:00] 就这里能想到什么故事吗 ？ 尤其是这个 ， 比如说 IT 人员 ， 他们可能在中间成了是 —— ...... 这个 AI 落地的拦路虎的故事 。 **阿甘** [33:09] 就是我们当时进很多大的这种跨国公司的时候 ， 我们第一要搏斗的实际上是 IT 里面的 IT governance， 就是他们的第一诉求是我怎么样能确保过程正义 ， 确保我的数据安全 、 信息安全 ， 我觉得 ， 我觉得都没有错 ， 但是呢 ， 他们把这个列为第一优先级 。 **刘开** [33:28] 华熙生物的董事长在我们一个 AI 工作坊里面 ， 他在内部说 ， 说如果你做 AI 提效 ， 做什么百分之五十的提效 ， 你就不要做了 ， 你就做三倍 、 五倍 、 十倍的事 。 如果你仔细摊开你的业务 ， 想想无穷无尽的智力生产力 ， 你应该总能找到不是一个 ， 可能是若干个能够重构你的整个商业模式 ， 或者再退一步 ， 至少重构你整个做事 的工作流程的这样的事情 ， 这样的事情给你的提升应该是不说一百倍 ， 应该是几十倍或者几倍的提升 。 **Koji杨远骋** [34:05] 有这样的案例吗 ？ **阿甘** [34:06] 我举个例子 ， 我们曾经帮一个租房平台 ， 就是租房平台都有一个角色叫做管家嘛 ， 管家就管所有的租房的人的大小的事情 ， 就是什么邻居家狗吵架啊 ， 就叫啊 ， 什么这个 ， 什么这个邻居妈妈又来啊 ， 带男朋友进来啊 ， 空调漏水啊 ， 就各种各样的事情 。 然后呢 ， 但实际上我们进去的时候 ， 呃 ， 他们想象中就是 ， 啊 ，AI 能不 能帮我的每个人啊自动回复 ， 回复得更快啊等等之类的 。 但实际上当我们进去的时候 ， 我们发现他们在业务上 ， 呃 ， 有两个巨大的痛点 ， 本身 ， 呃 ， 成生化率足够的情况下 ， 租房它这个业务本身是在下降 ， 所以呢 ， 它应该卖更多的服务 ， 什么家政保洁啊 ， 什么宠物上门喂养啊 ， 各种各样的服务 ， 但是实际上就管家这个 角色被日常的所有的琐事困住了 ， 就是每天要回复大量的带有情绪的问题 ， 然后呢 ， 根本没有时间去 ， 去卖这些东西 。 当我们进去之后 ， 首先定义清楚 ， 机器应该做什么 ， 人应该做什么 ， 人应该做有温暖的 ， 带 —— 就是更多的 —— **Koji杨远骋** [35:05] 关怀 。 **阿甘** [35:05] ...... 照顾人情绪的关怀啊 ， 日常的这些所有的琐事应该由 AI 来负责来解决 。 基本上从 ， 呃 ， 那一年结束的时候是 ， 呃 ， 一对五百到一对一千二 ， 然后呢 ， 呃 ， 今年我们的目标是一个人能对两千个人 ， 但这一个人实际上他的日常的工作是变少了 ， 而他更多的精力会放在比如说关怀等等 。 我们会用一个这个偏销售机会探查的 智能体告诉他说 ， 哎 ， 你看到了这家的租客家里有猫 ， 然后他跟你说这几天要出差 ， 这时候有个机会 ， 你应该给他卖宠物上门喂养以及什么上门保洁啊 。 **刘开** [35:39] 什么 ， 什么 ， 除猫毛什么之类的 。 所以 ， 呃 ， 基本上我们在改变他的整个商业结构和这个商业的目标 。 这个部门其实没有裁员 ， 呃 ， 他只是用人做更多主动关怀 ， 所以他的服务质量提升了 ， 他的 ， 呃 ， 好感度提升了 ， 他的续约率提升了 ， 他的 ， 呃 ， 服务售卖提升了 。 所以我们不觉得 AI 进场应该是个降本的事儿 。 呃 ， 第 二个 ， 呃 ， 这个负责人说 ， 说发现我们的好员工的标准变了 ， 原来好员工叫做 ， 呃 ， 打字快 、 记得准的人 ， 现在好员工的标准是那种特别能提供情绪价值 ， 就说哥哥啊 ， 姐姐啊 ， 你不用急 ， 我来问 。 就这种好员工 ， 这种才是好员工 ， 因为所有的琐碎的事情 ， 反正内容梳理啊 ， 查资料 AI 都可以做嘛 。 呃 ， 但是让人开心起 来 ， 让人放松下来是人才可以做的事情 ， 啊 ， 很有意思 。 ### 咨询新纪元 **Koji杨远骋** [36:28] 之前阿甘说这个咨询的销售的本质是给董事长和 CEO 做心理咨询 ， 然后销售能不能成功 ， 往往第一次见面就知道了 。 这可以展开讲一下 。 **阿甘** [36:39] 我觉得在传统咨询的时候 ， 其实是面对职业经理人 ， 对吧 ？ 职业经理人他有上升有下降的时候 ， 然后呢 ， 在不同的时期 ， 在掌舵整个公司的时候 ， 他需要大量的这个外部的一些 ， 呃 ， 信息也好 ， 资讯也好 ， 然后呢 ， 来给他更多的这个对于公司管理的疏解 。 还有一部分所谓的这个心理咨询其实来自于一个比较本质的东西 。 管理的本质是对 ， 呃 ， 激发善意的释放 。 我觉得在这个时代 ， 尤其是 AI 能够这么成倍地做一件事情的时候 ， 如果你的发心是管理 ， 是约束 ， 是限制 ， 它的能量是十倍 。 如果你的发心是赋能 ， 是善意 ， 是让每个人更好地成长 。 **刘开** [37:24] 让每个人都挣得更多钱 。 **阿甘** [37:26] 再让每个人挣到更多钱 ， 它有可能也是十倍 。 我们自己本身比较相信赋能一线这件事情在将来一定能成 ， 因为如果你是控制的话 ， 那你全部换成机器人好了 ， 机器人一定比人做得更好 ， 对吧 ？ 那在这过程中 ， 我们可能会和所有我们合作的这些 CEO 去碰说 ， 你自己本身想要赋能的发心在哪里 ， 善意在哪里 ， 然后呢 ， 你希望 看到他们怎么样地成长 ， 然后于是我们会把这个落进比如说副店长或者是某种的智能体里面去 ， 我觉得这可能也是某种的心理辅导 。 然后还有就是 ， 呃 ， 大量的心理辅导来自于对于下面的员工 ， 就是我们告诉他说这件事情不是为了替代你 ， 就是这件事情的核心来自于本身时代就变了 ， 被消失的不是你 ， 而是那个落后的 岗位 ， 那个岗位已经不存在了 ， 你不应该再在那个落后的岗位里面去寻求一个更好的发展 ， 而是看看有些什么样新的岗位会发生 ， 而且哪些更匹配你 。 就这种的心理辅导 ， 现在变得比给 CEO 的心理辅导的工作量大得多 。 **刘开** [38:25] 什么样的岗位会消失啊 ？ 在你们看来 。 **阿甘** [38:28] 所有管理层 ， 如果他做的唯一事情叫做信息传递 。 **刘开** [38:31] 上传下达 。 **阿甘** [38:32] 这岗位就应该消失 。 **刘开** [38:33] 挺多的 ， 就你想一个 ， 一个销售网络一二三四五级 ， 从总部到省总到分区到小片区 。 **阿甘** [38:40] 对 。 **刘开** [38:41] 中间可能有两到三层 ， 就是只做上传下达 。 但上传下达为什么在 AI 时代被消失呢 ？ 因为在过去我通过数字化 ， 通过 SOP 也能够让上传下达不需要中间呀 。 因为上传下达其实有几个工作 ， 第一叫做信息清理的工作 。 呃 ， 比如说你问一个一线的店员或者一线的销售人员 ， 你今天见得客户好不好 ？ 销售人员给你的不是一个结构 化的报告 ， 销售员说 ， 哇 ， 这个客户太傻了 ， 我怎么怎么卖 ， 他也不听我的 。 你得到的是一个这样的故事 ， 而到这一层 ， 你得把它结构化 ， 然后能够把它降维 ， 然后往上传 ， 这是第一个他要做的事情 。 第二个要做的事情是 ， 我接收的不是一个销售的信息 ， 我接收的是一百个销售信息 ， 所以我们每一层要把它汇总 ， 把它 聚合 ， 对吧 ？ 聚合过程当然也会带很多我的个人观察和视角进去 ，which 是 OK 的 ， 呃 ， 但得有这么一个人 ， 否则就会是一万个销售 ， 一万个信息直接到董事长面前 。 其实他们这个上传下达不只是一个信息通道 ， 它还是有智力工作的 ， 信息采集和分析报告 ， 是吧 ？ 那现在确实 AI 可以做得更好 。 **阿甘** [39:51] 是啊 ， 确实是 。 **刘开** [39:52] 所以一个是这样的岗位会消失 ， 还有什么岗位会消失吗 ？ **阿甘** [39:55] 原来靠大量的执行力 ， 就是打字快 ， 呃 ， 记忆力足够好的类似这种的工种 ， 其实确实会比较困难 ， 尤其是靠智力劳动执行性的那些工作者 ， 他应该做一些改变 ， 要么他自己本身能够驾驭这些 agent， 然后呢 ， 要不然他自己本身在自己的岗位上沉淀了某种奇怪的大模型根本取不到的专家智慧或者街头智慧 ， 然后呢 ， 能够成为贡 献街头智慧的这些 。 **刘开** [40:25] 我们觉得可能不是今年明年 ， 但是更长的时间 ， 人类会逐渐地很少做智力劳动 ， 我们会从智力劳动的时代变成智力决策劳动的时代 。 于是你会更多的是告诉 AI 说 ， 我要去哪个方向 ， 这个方案行不行 ， 呃 ， 我只给你多少钱的那个 ， 那个规划 ， 我只给你多少时间 ， 所以我做的都是决策 ， 叫行还是不行 ， 去哪里 。 我不再做智 力劳动本身 ， 我不再写方案 ， 我不再画设计图 ， 我不再设计功能 ， 我不再写代码 ， 呃 ， 我不再做这些事情 。 我觉得可能大方向是往那个方向去的 。 你们有不喜欢的客户吗 ？ 就比如说来找你们都是希望 AI 赋能他的企业 ， 对吧 ？ 但有没有什么客户你一看就肯定赋能不成 ， 这个单子再大我们都不接 。 就你们这样的客户大概是 什么样的特点 ， 以及你们拒过的最大的单有多大 。 **阿甘** [41:17] 喜欢不喜欢来自于 PU 匹配 ， 对吧 ？ 就是我们的目标是帮客户 build business， 就如果他想买的东西不是这个东西 ， 那 OK， 不管你多大单子 ， 我可能不会接 。 我们其实所谓说不喜欢的都来自于他本身自己内部的决策非常的冗长 ， 对吧 ？ 我 - 我们现在其实很简单 ， 我们跟就是客户的一把手直接聊 ， 可能大概三次之内吧 ， 我们基本上能够达 成一个 ， 达成一个合作的意向 ， 因为大家也非常直接 ， 对吧 ？ 我能提供的价值不是说帮你做个软件 ， 而是我帮你重新去看你的 business， 你的诉求也很直接 ， 你有三个最头疼的事情 ， 晚上睡不着觉 ， 我挑一个能帮你用某种方式 、 某种逻辑解决 ， 你也认可这种方式 ， 我们就可以合作 ， 对吧 ？ 就这个是我们喜欢的 ， 不喜欢的就是来 来回回 ， 就是决策链特别 ， 特别麻烦 。 **刘开** [42:10] 嗯 。 我觉得可能拒的比较多的是买软件的这种客户 。 **阿甘** [42:14] 对 。 **刘开** [42:14] 不管是 IT 部门发起的 ， 还是甚至董事长或者所 - 所有者 ， 他也会觉得说我不想改业 ， 我 - 我就是想 —— **阿甘** [42:23] 买个软件 。 **刘开** [42:24] 买个软件提一下效 。 不是说不对啊 ， 就是说我们不提供这样的服务 。 **阿甘** [42:28] 对 ， 对 。 最大的单 ， 我们反正今年年初我们应该拒过几个六 - 六百万 、 八百万之类的 。 **刘开** [42:37] 那当然是买软件嘛 ， 现在软件能卖那么贵吗 ？ **阿甘** [42:39] 软件加这种所谓的定制化服务 ， 就是但我们就问一个问题 ， 就是它到底最终用户目标是什么 ？ 就是来来回回没有人讲得清楚 。 我们觉得这种项目我们进去 ， 它验收不了 。 **刘开** [42:53] 最后可能也会很麻烦 。 **阿甘** [42:54] 肯定很麻烦 。 **刘开** [42:55] 可以理解 ， 就没有责任人 ， 目标是移动的 。 **阿甘** [42:58] 没错 。 **刘开** [42:58] 这种最可怕了 。 **阿甘** [42:59] 非常恐怖 。 **刘开** [43:00] 对 ， 啊 ， 其实找对象也是 。 **阿甘** [43:02] 呃 ，exactly。 **刘开** [43:03] 咱们刚才提到这个公司目前六十个人 ， 就你们是一个怎么样的组织结构 ， 以及他们是一个怎么样的工作方式 ？ **阿甘** [43:10] 我们本身其实非常非常扁平 ， 我们自己两个也 - 也是就是日常该写代码写代码 ， 该做项目的事情也做项目的事情 ， 只是他们每个个体就有点像海豹突击队 ， 就是他们是基于某一个目标临时组队的 。 我们会 ， 呃 ， 非常鼓励他们在一线 ， 因为 FDE 本身也需要在一线 ， 是真正在门店里面 。 **刘开** [43:31] 哎 ， 所以今天如果一个大学生 ， 他毕业了想去做咨询 ， 他仍然是有进 MBB 的选择 ， 对吧 ？ 但他其实也有来到更 AI native 的 ， 像类似二位这样的做 FDE 的公司的选择 。 呃 ， 你会给他们什么建议吗 ？ 就是一定选你们吗 ？ **阿甘** [43:50] 哦 ， 我 - 我 - 我其实反而会建议他们去更大的平台培养自己的商业 sense 和 judgement， 哦 ， 我觉得这件事情还挺重要的 。 **刘开** [44:01] 我先讲个故事啊 ， 就那天我 - 我们在面试的时候 ， 啊这个打个广告 ， 喜欢我们公司的可以 ， 可以来 ， 来应聘 。 嗯 ， 非常优秀的应聘者 ， 然后基本上已经通过了 ， 然后问我说 ， 说凯哥 ， 呃 ， 我到这个公司来 ， 我特别想知道 ， 如果上岗我会需要 ， 我能够给公司提供什么价值 ， 我怎么放大我的价值 。 我很坦诚地说 ， 我说以你 刚毕业 ， 他是个毕业生 ， 呃 ， 以你刚毕业 ， 我想不到任何你能做的事情 AI 做不了的 。 他说 ， 啊 ！ 那怎么办 ？ 我说我倒是有个馊主意 ， 叫做要不前两年你付我钱 ， 后面几年我再翻倍地付你钱再付回去 。 当然这是个玩笑啊 。 呃 ， 但确实 ， 今天的所有的纯桌面研究型的咨询 ， 或者纯这种 ， 呃 ，paperwork 的咨询 ， 年轻的咨询师能够精瘦 地培养 ， 或者能够上岗做的事情已经非常少了 ， 这我们也很担心这个行业形成断层 。 但又从另外一个方面讲 ， 我们一直在讲说我们希 - 喜欢的人是那些有商业 sense 的人 。 我们也讲了 ， 我们发现商业 sense 这件事 ， 反正我个人没有找到一个培养的方式 ， 我觉得有些东西是天生的 。 我们发现有的家里是做小生意的啊 ， 家里是二代 啊 ， 有的可能是完全没有 ， 没有背景 ， 他就很喜欢观察 ， 他的观察能力就很强 。 呃 ， 我们会发现这样的年轻人 ， 其实他比中老年的咨询师是同样好用的 ， 甚至更好用 ， 因为他更开放 ， 更好奇 。 这个问题答案非常两面 ， 就一方面我看到年轻人进咨询行业会带来很大的挑战 ， 跟原来很不一样 ， 但另外一方面我会发现 ， 年轻 人如果你具备某些特质 ， 你上岗的第一天 ， 你的能力跟中年咨询师就是一模一样的 ， 因为他会写的东西 ， 你跟你的 AI 也会写 ， 不用担心这一件事 。 **阿甘** [45:56] 其实现在年龄反而不是一个非常重要的去看一个东西的这个标准 。 **刘开** [46:01] 哎 。 **阿甘** [46:01] 对吧 ？ 就是你有没有 judgement， 你对于事情有没有足够的好奇心 ， 对吧 ？ 你是不是 problem solver， 你看到问题兴不兴奋 ， 对吧 ？ 就是有些人看到问题就 ， 就头就垂下 ， 有些人看到问题眼睛就发光 ， 就是那个感觉是特别不一样 ， 这个和年龄没有关系 。 我们最小的实习生也是 ， 应该是高 - 高中吧 ， 高二的 ， 我丝毫不觉得他从老练程度和解题方 式上输过任何一个平庸的五年左右经验的这个咨询师 。 所以我觉得这个 ， 这是一个特别神奇的时代 ， 就是年龄和资历开始变得越来越不重要 。 ### 大厂押注 **刘开** [46:36] 思维方式很重要 ， 个性很重要 ， 但我 - 我 - 我确实没有找到特别好的培养路径 ，yet 。 也是我们在摸索的 。 呃 ， 其实我们今天聊这期播客 ， 还是因为起点来自 OpenAI、Anthropic， 他们不约而同提出 FDE 这个概念 ， 然后都成立了很大规模的合资公司 ， 甚至有一些收购 。 啊 ， 在你们看来 ， 这是为什么就突然发生了这个事情 ， 以及他们做这个事情背 后的动力是他们看到了什么 ？ **阿甘** [47:06] 他们 ， 就公域的数据毕竟是有限的 ， 对吧 ？ 就是当一个 ， 就是大模型想要真正进入到某一个行业里面的时候 ， 他们应该是看到了所谓数据的短板 ， 或是行业知识的短板 。 那么 Anthropic 它去训练各种东西 ， 请每个专家可能时薪都上万等等之类的 。 所以与其一个个专家请 ， 还不如直接深入到行业里面去解题 ， 这是第一个 。 然后第 二个是 ，To B 这件事情 ， 它就不是一个单独软件能够完成的事情 ， 它本质上是一个服务业 。 **刘开** [47:37] 如果大模型企业是要改变今天的所有政府组织和企业 ， 它真正阻力不来自于说我接不上模型 ， 而来自于模式 ， 来自于工作流程 ， 来自于组织人才等等的 ， 这个时候需要一些又懂 AI 又愿意扎入 AI 的服务者进入这些行业 ， 才能改变这个世界 。 **阿甘** [47:59] 特别有趣的是 ， 因为他们合资公司全部都是 PE。 呃 ， 我 - 我觉得他们还看到了一个机会在于大模型对于这些行业的改造 ， 它最终能够获得的收益不仅只是一个 token 赚来的钱 ， 它能够帮这个企业能够拿到的那个 upside， 就多的那部分收益是非常非常大的 。 **刘开** [48:19] 有的人会觉得我们服务费 ， 我们服务费一年的 paypa 是六百万 ， 呃 ， 有的人觉得贵 ， 有的人觉得很便宜 ， 尤其是我们背后的一些 ， 呃 ， 和我们合作的投资人会觉得说 ， 你们真的做到了帮企业省几千万 ， 甚至多赚几千万 ， 但你就是收六百万 ， 为什么 ？ 因为我收不到那个 upside， 对吧 ？ 那我只有和一些 PE 一起入场 ， 去改变它的投后企 业的服务模式 、 商业模式 ， 我才能收到资本的那部分钱 。 所以本质上我觉得每一个 PE 或者 VC， 自己的投后部门都要有 ， 或者甚至改组成一个 AI 赋能的这么服务中心 ， 因为未来我们能见到的十到十五年最大的企业增长的这个 enabler 或者赋能器 ， 就是 ， 就是 AI。 哎 ， 所以你们觉得这个 FDE 公司值得被 VC 投吗 ？ 它不仅仅值得被 VC 投 ， 它 甚至值得被 VC 拥有 。VC 也好 ，PE 也好 ， 它的投后部门的一个核心能力将会变成帮助被投企业做 AI 模式转型 。 就拿我们说零售 ， 零售本质上大家就在比两件事情 ， 比数字化 ， 就是 AI 和信息化 ， 在比供应链 ， 对吧 ？ 如果我的投后服务是帮你一家已经有一百家店或者一千家店要扩展到一万家店 ， 我的核心除了给你钱以外 ， 我的核 心能力就是把供应链和 AI 做好 。 帮我做供应链和 AI 的服务团队或者公司不应该为我的竞争对手服务 ， 啊 ， 这是我的观点 。 就是我甚至觉得每个 VC 和 PE 都应该有自己的独占的服务 。 就简单说 ， 呃 ， 这个问题叫做他应该投 ， 但是他不应该把这样一家公司当成被投企业 ， 他应该把它当成自己的一部分去服务那些被投企业 。 **阿甘** [50:11] 欢迎各 - 各个 PE 来聊这公司的事情 。 **刘开** [50:15] 我们可能跟每一个领域的 PE 或者 VC 也只能做一家 。 **阿甘** [50:20] 对 。 **刘开** [50:20] 因为所有的连锁餐饮是打架的 ， 所有的连锁的茶饮是打架的 ， 所有的咖啡是打架的 ， 所有的零食店是打架的 ， 就我们服务了一家 ， 一定不能再服务另外一家 。 **Koji杨远骋** [50:32] 那这个和 MBB 有什么区别呢 ？ 我们也其实也可以说一个 VC， 一个 PE， 你 ， 嗯 ， 没 - 没必要去投 MBB， 对吧 ？ 但你可以拥有它去赋能你的企业 ， 这有什么区别吗 ？ **阿甘** [50:43] 我们在 MBB 的时候 ， 其实我们服务很多 PE。 **Koji杨远骋** [50:46] 嗯 。 **阿甘** [50:46] 就是我们在服务它的被投企业 ， 我们去帮它做战略啊 ， 做增长啊等等之类的 。 **刘开** [50:50] 戴马锡啊之类的 。 戴马锡是我们最大的客户 。 **阿甘** [50:52] 对 ， 就当时最大的客户 。 **刘开** [50:54] 我觉得可能来自于 ， 因为 AI 带来了我们觉得战略的规划能不能落到一线的信心改变了 ， 就这个可能不是我们跟 MMBB 的比 ， 是今天的所有的咨询公司如果愿意做落地的和之前的对比 ， 之前你只能产生一些规划 ， 你只能对上 - 上中层 ， 对吧 ？ 你也没有能力潜到每一个店长和每个销售的身边去帮助他 。 今天有了 AI， 你可以做到这 件事儿 ， 至少我们可以拍着胸脯说 ， 我一定能给你的业务带来 upside， 所以我有信心跟你对赌这件事儿 。 我相信现在 MBB 也在考虑这件事情 ， 对吧 ？ 就是如果我能给你业绩带来真实的增长 ， 我就不再满足于收你哪怕是一天一万美元的咨询费了 ， 对吧 ？ **Koji杨远骋** [51:40] 暗含着好像 MBB 带来的增长没有那么的扎实 。 **刘开** [51:44] 是 PPT 的增长就很有限 ， 对吧 ？ 当你把 PPT 转成每天在一线服务的智能体和工具的时候 ， 它一定会被扎实 ， 而 MBB 做也会变扎实 。 **Koji杨远骋** [51:56] 嗯 ， 有趣 。 就是这个想到 result as a service。 **刘开** [52:01] 对 。 **Koji杨远骋** [52:01] 就结果才是服务 。OK。 哎 ， 呃 ，MBB 出现之后 ， 虽然这个咨询行业也有很多的公司百花齐放 ， 但是再也没有像他们那么大规模的公司出现了 。 其实也想听你们讲一讲 ， 就为什么就是只有这三家公司 ， 为什么后面来的这些百花齐放的小咨询公司就是长不大 ？ 然后第二就是你们认为 AI 时代会出现新的比肩 MBB， 从规模层面啊 ， 这样的新 的咨询公司吗 ？ **阿甘** [52:29] 其实上个时代 ， 呃 ， 还是有很多这个咨询公司细分的 ， 像 HR 的 Mercer， 像 IT 的 Accenture 等等 ， 所以它 - 它规模其实也不小 ， 就是全年大概也是三 、 四百亿美金左右的这个 ， 这个规模 。 我觉得 ， 呃 ， 其实我们谈的 MBB 核心在谈管理咨询 ， 就是但咨询这个行业有管理咨询 ， 有 IT 咨询 ， 有 HR 咨询 ， 有各种各样的这个不同的这个咨询方式 。 我 觉得 ， 嗯 ，MBB 它最核心的还是在于它解决的问题是 CEO 的核心问题 ， 它最靠近这个不管是收入的核心还是 ， 还是权力的核心 。 而且之所以 MBB 能够成为 MBB， 在于他们自己对于 ， 呃 ， 很多结果还是有要求的 。 对 ， 我觉得这种要求是他们跟别人我觉得特别大的不一样 。 **刘开** [53:15] 嗯 ， 我觉得在中国 ， 呃 ， 管理咨询的最好的时代还没来 ， 但未必是对企业最好的时代 。 就是我觉得对管理咨询最好的时代 ， 叫做所有的企业都非常标准化 、 规范化 ， 所有的掌舵人都是职业经理人 。 因为企业的 owner 对管理咨询的要求和职业经理人对管理咨询的要求是完全不一样的 ， 我觉得那个时代还没来 ， 可能还要再过三 十年 。 但是就也就意味着说在中国 ， 我相信要么 MBB 会做大 ， 要么一些中国的优秀的咨询公司会做得 MBB 这么大 。 呃 ， 但回过头来 ， 我们经常说我们是个 AI 咨询公司 ， 有很多投资人会说 ， 那 - 那你也不算咨询 ， 对吧 ？ 你肯定也不算 SaaS， 叫你们 SaaS 好像有点侮辱人 ， 现在叫谁 SaaS 好像都有点侮辱人的意思啊 。 他说你们更像什么 ？ 你 们更像 service as software， 就你们确实交付 software， 但你们提供的本质核心是一个 service。 只是大家看上去说你们在这家企业做了什么 ？ 做了好多 service， 怎么解决问题 ， 那最终上了什么呢 ？ 上了一个 AI 智能体 ， 上了一个 AI 副店长 ， 上了一个 AI 销售 ， 对吧 ？ 那不是个 software 吗 ？ 不是 ， 所以我们是 service as software。 ### 结尾 **Koji杨远骋** [54:31] OK， 好 ， 今天非常有意思 ， 谢谢二位 。 因为我们过去聊很多都是这个 ， 呃 ， 模型的进步 ， 然后 ， 呃 ， 有哪些创业的机会 ， 有哪些这个 ， 呃 ，AI 的 application，AI 的 infra。 但今天我们很难得地聊了一下 ， 就 AI 落到真实的商业场景里面 ， 大家到底在做什么 ， 而且我们看到其实已经有很多在中国的企业的一线的实践和成果了 。 也是借 FDE 这个词儿 ， 我们今天有了这一期播客 ， 希望未来我们可以有更多的机会聊更多的案例 ， 也让大家看到 ， 就在企业 ， 在各行各业 ， 怎么能够让 AI， 呃 ， 发挥更大的光与热 。 好 ， 谢谢二位 。 **刘开** [55:08] 谢谢 。 **阿甘** [55:08] 谢谢 ， 谢谢 host 邀请 。 --- 本节目库由 PodHood（https://podhood.com）提供支持——播客网站平台。