中国式 FDE 三讲 · 第 3 讲（完） 制造、金融、零售消费的 AI 各卡在哪：中国式 FDE 从这三个入口建
摘要 FDE（现场部署工程师）能力不是靠招聘来的，是从真实项目里长出来的。制造、金融、零售消费三个行业的断层位置不同，起步方式也不同。但有一条主线是共通的：把隐性约束变成 AI 能执行的显性动作。
2025 年底，一家制造企业的 HR 部门发了一条招聘，目标是找一个「既懂 AI 部署、又熟悉现场业务、还能推动跨部门协作」的候选人。简历来了三十多份，面试了十二个，没有一个令人满意的。 不是因为人不存在，而是因为FDE能力不能靠面试筛选------它只能在真实业务场景里被验证、被培育。一个在某制造企业干过三年AI落地的人，把他放进零售消费场景，他的有效经验可能只有三成。 更可行的路是：从现有人才里找有潜力的人，给他一个真实场景，设计一套让他在里面长出FDE能力的机制。三个行业的入口不一样，但主线是同一条。
上一篇讲清楚的：四个问责断层
- 数据归属 谁先开放
- 权限确认 谁授权
- 失败追责 谁兜底
- 经验沉淀 谁来记
- 制造业 从评估开始 缺评测标准
- 金融业 从合规开始 缺数据接入
- 零售消费 从动作开始 缺执行反馈
SERIES MAP · 系列位置
- 驻场≠FDE
- 四个断层
- 怎么建
01 MANUFACTURING · 制造业入口 从「什么叫合格」开始
制造企业在AI落地上有一个天然优势：现场数据最丰富，流程最清晰。质检、排班、库存、设备维护，每一条流程都有大量历史数据，而且流程本身是确定的------谁做什么、什么时候交、出了问题谁负责，白纸黑字写得很清楚。 制造企业的卡点，不在数据也不在流程，而在评测标准。 质检这件事，老师傅的判断往往是对的，但他说不清楚标准。这批料颜色差一点------差多少？0.2色差单位以内可以接受，还是0.1？这条焊缝有风险------多大弧度的偏差算有风险？没有量化标准，AI没有办法学；有了量化标准，AI的准确率边界也就有了。 所以制造业的 FDE 起点，是把老师傅的隐性判断标准变成可量化的评测指标。这不是技术工作，是访谈工作：坐在产线旁边，看老师傅判断 200 个样品，记录下来，一条条问为什么这个过了那个没过，然后把答案结构化。这个过程结束之后，你才有了训练数据，才有了评测标准，才能讨论 AI 能不能替代或辅助人工。跳过这一步直接上模型，是我们见过的不少制造业 AI 项目失败的原因。
**90天节奏：**前30天坐在产线旁访谈老师傅，把隐性判断整理成可量化规则；第31天到60天，用这批规则训练最小可用原型，记录所有AI判断了但老师傅不同意的案例，每一个都问清楚原因；第61天到90天，根据差异确定AI可以独立判断的类型、需要人工复核的类型、以及每种类型的错误代价和兜底机制。
02 FINANCE · 金融业入口 从「谁能看这个数据」开始
金融机构有一个与制造业相反的特点：问责结构是清晰的，但数据是高度隔离的。银行、保险、基金，每个业务决策都有明确的审批链------谁有权批，批了出了问题谁负责，复盘在什么时间节点。这套体系在AI落地时反而是优势：失败追责断层相对容易解决，因为原来就有追责机制，只需要把AI建议接入这套机制。 金融机构真正的卡点，是数据访问权限的颗粒度。一个AI信贷系统想要表现好，需要访问客户的交易流水、历史还款、外部征信、行为数据。每一类数据都有独立的合规要求：哪些数据场景A可以用，哪些场景B不能用，哪些需要脱敏处理，哪些需要客户授权。这些规则分散在合规部、法务、IT、数据治理各部门手里，没有一个统一的清单。 金融业FDE的起点，是做一张数据权限地图：哪些数据源存在，每个数据源的合规约束是什么，在AI场景下的使用边界在哪里。这张图做完，AI能做什么、不能做什么，才有了确定的边界。
**90天节奏：**前30天联合合规、法务、数据三个部门，针对一个具体AI场景，整理出可用数据清单、使用限制、脱敏要求和授权链路；第31天到60天，把AI建议接入现有审批流程的一个环节（作为辅助信息展示，不是替代），记录信贷员对AI建议的接受率、拒绝原因和实际结果；第61天到90天，基于真实数据，和法务、合规、业务负责人一起确定AI建议被采纳或被拒后出了问题的责任分配。
现场观察 · 一个常见误判 金融机构的合规体系，很多人觉得是 AI 落地的阻力。但它其实是 FDE 最好的培训场：在有硬约束的场景里设计 AI 接入方案，逼你把每一个权限边界、每一个执行路径、每一个失败兜底都想清楚。把在金融场景里做 FDE 的经验带到其他行业，优势非常明显。
03 RETAIL · 零售消费入口 从「谁会照着建议改动作」开始
零售消费企业在 AI 落地上看起来条件最好：商品、会员、交易、库存、门店、渠道，每天都在产生数据。问题是，数据多不等于动作清楚。 举个例子：系统预测某个区域下周某款饮料会缺货，建议提前补货。总部运营看到了，区域经理也看到了，但门店店长最后没有动。原因可能是这个商圈下周有施工，可能是竞品正在做买赠，可能是这个门店仓位已经被节日堆头占满。这些判断都不是数据表里天然存在的字段，而是前线每天凭经验处理的经营约束。 如果 AI 只给出"建议补货""建议调价""建议推券"，但没有接到具体的人、具体的门店、具体的动作和反馈入口，它就会停在报表里。看的人不少，真正照着改动作的人不多。 零售消费场景的第一步，不是先把模型做得更复杂，而是先把 AI 建议接成一个可执行闭环：建议给谁、他能改什么、改完怎么反馈、没采纳要不要说明原因。这件事看起来像运营流程，实际上决定了 AI 到底是在做分析，还是在改变业务。
**90天节奏：**前30天选一个高频场景，比如门店补货、会员触达或促销复盘，跟着总部运营、区域经理和一线门店走完整流程，记录每个建议最后变成了什么动作；第31天到60天，把 AI 建议接入一个真实执行入口，明确谁接收、谁确认、谁执行、谁反馈；第61天到90天，按门店、商品、活动三类维度复盘采纳率、拒绝原因和业务结果，把前线经验反向写回规则和模型。
04 THE THREAD · 共同主线 三个入口，一条主线：把隐性约束变成AI能执行的动作
制造业的隐性约束是老师傅的判断经验；金融业的隐性约束是合规部门的数据访问边界；零售消费的隐性约束是门店、商品、会员和促销之间的现场经营经验。这些约束存在于人的脑子里，不在系统里，AI无法直接学习它们。 FDE做的核心工作，是把这些隐性约束一条条挖出来，变成AI可以执行、业务愿意接住的显性动作。这个工作不是一次性的。每次业务变化、每次场景扩展、每次边界案例出现，都需要重新跑一遍：发现约束 → 结构化 → 推到动作 → 验证。 这就是为什么FDE能力不能靠招聘来：它需要在一个具体的行业场景里反复做这件事，才能建立判断力------哪些约束是核心的，哪些是历史包袱，哪些可以被AI逻辑简化，哪些必须保留人工确认。
现场观察 · 一个常见误判 判断一个人有没有 FDE 能力，不是看他的简历，而是看他能不能说清楚三件事：这个场景的四个断层各卡在哪里（要说出具体的数据源、具体的审批节点、具体的出错场景，不是泛泛说「数据不够流程复杂」）；他把某个隐性规则结构化成文档的完整过程；以及他遇过哪种组织阻力、用什么方式打通的。这三个问题的答案，比技术背景更能说明问题。
◆ ◆ ◆
这个系列三篇讲了一件事：FDE在中国语境下，不是一个新岗位名，而是一套组织把AI能力真正吸收进日常工作的机制。驻场工程师和FDE的差异是反馈方向的差异；AI项目落不了地，根源不在模型，在四个问责断层；建FDE能力，不是从招聘开始，是从行业入口开始------制造业的评测标准、金融业的数据权限地图、零售消费的动作反馈闭环，每一个都是打通四个断层的具体切口。
你们公司的AI项目，现在停在哪里？
如果您也对制造、金融、零售消费的AI落地感兴趣，不妨了解观远数据的相关产品。
观远数据以"让业务用起来 让决策更智能"为使命，致力于为零售、消费、金融、高科技、制造、互联网等行业的领先企业提供一站式数据分析与智能决策产品及解决方案。
观远数据专注智能分析平台，为您提供一站式BI至AI智能分析全链路场景，深耕零售、消费品、电商、金融、先进制造、医疗医药、互联网等行业200+实战业务场景。
🔗 了解更多