Q1：作为FDE，你应用AI的具体场景是什么？在这个场景下遇到的具体问题长什么样？
这个项目的业务场景，是一家国内头部电商企业在海外TikTok生态里的达人建联业务。如果用国内电商的经验来理解，TAP有点像“团长”。
商家有新品或者营销节点，希望在短时间内找到大量达人帮自己带货，就会先找到TAP；TAP再从自己的达人资源里筛选合适的人，推动他们接品、拿样、创作内容，最终把商品挂到达人账号上。这个角色本身解决的是一个很现实的问题：TikTok上商品太多，达人不可能一个个去翻商品市场，也很难仅凭商品信息判断什么值得带，所以TAP需要把商家和达人组织起来。
我们接触这个客户的时候，对方其实没有一开始就把问题定义得特别清楚。最开始他们找到我时，问的是一个很宽泛的问题：“我们团队怎么用AI赋能？”所以我没有直接回答，而是先反过来问他们：你们现在的业务到底怎么跑？哪个环节最慢？谁每天最累？哪里最容易出错？
后来我们去了企业现场，从老板到部门负责人，再到各个小组负责人，基本都访谈了一遍。访谈下来，我发现他们其实已经意识到自己效率不高，但之前所谓的数字化，更多只是“先进团队先用飞书”，真正到了业务层面，依然有大量工作靠人工完成。我把整个业务放在一起看，发现这个问题贯穿了好几个环节。
第一是达人建联，找人难。
运营人员需要在TikTok上寻找、筛选达人，然后主动发消息沟通。以前很像“大海捞针”，运营需要自己找人、看达人信息、判断是不是适合合作，再进行沟通。
第二是商品匹配，匹配难。
客户自己的选品池里就有上万个商品，而达人又有不同的内容标签。有的是运动达人，有的是生活方式达人，有的是历史、哲学类内容创作者。到底什么商品应该推给什么达人，本质上是一个匹配问题。
第三是履约，周期长。
达人确定合作之后，还要经历寄样、收样、沟通拍摄、创作视频、提交TikTok等环节。原来的平均履约周期大概在一个月左右。运营人员大量时间花在“催”上：你的样品到了没有？什么时候拍？什么时候提交？是不是快到截止时间了？
第四是数据管理，太分散。
这其实是一个更底层的问题。TikTok上有一部分数据，Excel里有一部分，财务系统里还有一部分。达人BD（Business Development，商务拓展）、履约人员和财务各自维护自己的数据，老板想知道一个达人从建联到最终产生GMV（Gross MerchandiseVolume，商品交易总额）到底经历了什么，并不容易。
所以我最后判断，整个业务链路已经到了需要重新梳理的阶段。
Q2：在你参与之前，这个问题过去是怎么解决的？
业务规模还不大的时候，这套流程主要靠人。一个运营每天维护几十个达人，自己记得住谁聊到哪一步、谁收了样品、谁还没有拍视频，再配合飞书和Excel，业务就能够正常运转。
达人建联本身还高度依赖人与人之间的沟通，特别是一些粉丝量很大的达人，甚至接近明星级别的达人，商务沟通里有很多微妙的东西，过去主要靠经验丰富的BD去判断、沟通。
真正的问题，是业务复杂度上来以后，这套方式开始出现瓶颈。比如选品池从几百个商品变成上万个商品，运营就不可能再靠经验一个个匹配；达人越来越多以后，也不可能每天靠人工翻Excel找哪些人要催；数据分散在不同系统里以后，管理者也很难及时看到整个业务漏斗。
过去这套方式解决的是“业务能不能跑”的问题，而AI要解决的是“业务规我的理解是，模起来以后还能不能高效地跑”的问题。
Q3：后来你使用AI解决这个问题的整体思路和关键步骤是什么？
把业务流程画出来。我当时做的第一件事情，是 从达人进入，到达人建联，到选品匹配，再到拿样、创作、履约，最后到数据复盘，我把整个链路拆开来看：每一步是谁在做？输入是什么？输出是什么？需要什么判断？哪些工作必须由人完成？哪些工作其实可以交给机器？
AI和人重新分工拆完以后，我发现并不是所有环节都适合AI，所以我们的思路是 。
第一步：让AI先做“找对人”
达人建联是一个很典型的例子。我们可以利用商品信息、达人标签、内容属性等数据，先筛出一批更值得运营人员关注的达人。
例如，一个商品的主要卖点是什么，它适合什么样的人群；一个达人是什么内容类型，他的受众是什么。系统先把匹配度高的人筛出来，给BD一份更精准的名单，这样运营人员就不用从整个TikTok里“大海捞针”。
但最终发消息、沟通、建立关系，我们仍然保留人工，因为达人是客户最核心的资产。所以这里AI的角色，是让BD从寻找目标，变成直接和目标沟通。
第二步：用AI解决“什么商品给什么达人”的匹配问题
以前运营需要根据达人标签和自己的经验判断应该推什么商品，现在我们把商品本身的卖点提取出来，再和达人的内容属性进行匹配。
比如一个咖啡产品，它的卖点可能包括口味、气泡、品牌、联名等；如果一个达人本身就是职场、生活方式方向，那么这个商品和他的内容属性可能比较匹配。AI可以先完成这层筛选，再由人工确认，这就把原本大量依靠人的经验进行的初筛，变成了“AI先筛、人再判断”。
第三步：用AI帮助达人完成内容创作，解决履约动力问题
这个环节是我觉得比较有意思的地方。很多时候，达人并不是不愿意带货，他们真正的卡点是拿到商品以后不知道“怎么拍”。因为一个带货视频不是简单地把商品介绍一下就结束了，它需要考虑达人自己的表达方式、商品卖点，以及当前什么样的视频内容更容易获得关注。
所以我们把这几个因素结合起来：达人特点 + 商品卖点 + 爆款内容参考，系统分析之后，给达人提供几个可选的拍摄脚本。这实际上是在帮助达人完成一部分创作工作，对达人来说是一个“利他”的能力，而不仅仅是TAP自己提高效率。访谈中客户反馈，目前达人对这部分能力的接受度比较高。
在这个基础上，未来还可以进一步探索AI视频生成，让达人在真实出镜之外，多一种内容生产方式。不过对于个人IP型达人，我们仍然认为真实的人和内容是核心。
第四步：把“每天人工催人”变成系统主动提醒
这是整个项目里比较容易看到效率变化的一块。过去运营人员需要每天打开Excel，看哪些达人到了截止时间，再一个个去催。
现在系统会根据履约状态自动判断：哪些达人已经收样，哪些人还没有完成，哪些任务快到截止时间，哪些已经超过系统提醒仍然没有动作。
系统先自动提醒，如果达人还是没有履约，再把任务交给人工运营处理。这样一来，人不需要每天从几张表里找工作，系统会直接告诉你：“今天你真正需要处理的事情是什么”，这也是我理解的AI落地和普通自动化之间很重要的区别：AI落地在做的是重新组织人的工作方式。
第五步：把分散的数据重新串起来
我们还把达人建联、履约、商品、GMV等数据逐渐放到统一的业务视角里。
管理者真正需要看的，是今天新增了多少达人、建联了多少、有多少进入履约、带来了多少GMV、一个达人投入了多少样品成本，以及最后给企业带来了多少价值，这样才能真正判断一个达人到底值不值得长期合作。
所以从头到尾，我更愿意把这个项目理解成：AI嵌进了整个业务流程。
Q4：相比传统方式，使用AI后的实际效果如何？
最直接的变化，是履约周期缩短了。过去，从确定合作到达人收到样品、完成创作并提交视频，平均大约需要一个月；项目试运行之后，目前配合的达人平均履约时间已经到了约18天。但对我来说，这个数字并不是这个项目最大的价值。
更重要的是，整个团队的工作方式发生了变化。以前运营人员大量时间花在找人、找商品、找任务上，现在变成了AI先帮他们筛达人，系统先帮他们匹配商品，AI辅助达人完成创作，系统自动提醒履约，系统主动把需要人工介入的任务拉出来。
于是运营人员可以把更多时间放在真正需要人的地方：和达人沟通、建立关系、处理复杂商务问题。尤其是高价值达人，这种变化更明显，过去运营人员可能把大量精力耗在寻找和筛选上，现在可以把精力集中到真正重要的商务关系上。
另外一个变化，是管理者开始真正看到业务。以前老板很难看清一个达人从建联到GMV中间每一步发生了什么；现在至少可以围绕“达人—履约—GMV”形成更完整的业务视角。
所以如果一定要总结这个项目的价值，我会说：以前团队是在管理一堆表格，现在是在管理一条业务链路。
Q5：在部署AI过程中，是否遇到了新问题或挑战？你是怎么解决的？
当然有，而且我觉得这些问题恰恰是FDE案例最值得分享的部分。
第一个挑战，是数据权限。
这个项目的数据大量来自TikTok，而且涉及跨境业务，所以数据权限、用户隐私、数据留存和服务器部署都有比较严格的要求。我们光数据这一块就花了接近一个月，数据申请会被打回来再重新申请，权限账号要重新确认，服务器怎么部署也需要确认，甚至数据能不能离开所在国家、应该留在哪里，都需要提前搞清楚。
所以如果要做境外业务，我会特别建议FDE提前把数据合规和数据流向研究清楚。不要等系统都做完了才发现数据拿不到。
第二个挑战，是哪些事情应该交给AI，哪些事情不能交。
这是这个项目里我们反复讨论的问题。比如达人匹配可以交给AI，建联名单可以交给AI初筛，履约提醒可以自动化；但真正和重要达人沟通，我们还是保留人工。
原因很简单：AI现在仍然可能犯一些很低级的错误，在普通工作里，一个小错误可能只是改一下内容，但在商务关系里，如果对象是一个拥有几百万粉丝的达人，一句话说错了，损失可能远远超过自动化节省的人力成本。这也是为什么最终没有做“全自动达人建联”。
第三个挑战，是企业内部的人。
很多企业一听到AI，第一反应就是“是不是要替代人”，这个项目里我们其实非常注意这一点。我在推进的时候，会把AI的定位明确成“帮助大家解决问题、提高效率”，让大家理解这套系统是要帮忙，不是要替掉谁。同时我们在访谈时也不会只找老板，因为老板决定战略，但真正使用系统的是一线员工。
所以我会同时和上层、中层、基层沟通：老板告诉我们业务目标，一线员工告诉我们每天到底卡在哪里，两边的信息拼起来，系统才有可能真正落地。这也是为什么我一直强调FDE的一个核心能力：让这个系统真正进入企业的工作方式。
Q6：根据你的经验，我们怎么才能更好地把AI部署到实际业务中？
我做这个项目之后，一个非常明显的感受是：FDE真正难的地方，往往不是模型。现在很多AI能力其实已经非常成熟了，对于中小规模企业来说，技术选型本身反而没有以前那么难，我们更关注的是成本、稳定性和ROI（Return on Investment，投资回报率），尽量用成熟的框架和合适的模型解决问题，避免为了技术先进而技术先进。
真正难的是下面几件事。
第一，先理解业务，再谈AI。
不要一上来问客户“你想做一个什么AI产品”，应该问：你的业务怎么跑？谁在跑？哪里最浪费时间？哪里最容易出错？哪个指标最影响业务结果？只有把这些问题问清楚，才能知道AI应该放在哪里。
这个项目最开始客户只是说“希望AI赋能团队”，但如果我们停在这个层面，最后可能只能给他做一个聊天机器人。真正走进企业之后，我们才发现，最值得解决的是业务链路里的几个具体环节。所以FDE的第一项能力，其实是价值识别能力。
第二，重新分配人和AI的工作。
我现在越来越倾向于把AI理解成一种新的生产力。它适合接手高频、重复、有明确规则的事情，但高度依赖信任、关系和判断的工作仍要留给人。这个项目最后，是让BD不再把时间浪费在找人和翻表格上，AI把人从低价值工作里释放出来，人再去做真正高价值的事情。
第三，FDE必须同时懂技术和业务语言。
我自己是技术出身，做了十年代码，后来经历了项目、产品等不同岗位。以前我也会犯一个问题，觉得只要把技术讲清楚，客户就应该能理解，但后来发现不是。
很多老板没有时间理解模型、Agent（智能体）、RAG（Retrieval-Augmented Generation，检索增强生成）这些东西，他真正关心的是：“你能不能帮我把这个问题解决掉”。所以FDE要做的是把技术语言翻译成业务语言，把业务问题再翻译成可以落地的技术方案。
这也是为什么我觉得，技术同学如果想做FDE，除了技术能力之外，还必须补商业沟通、场景识别和价值表达的能力。
第四，真正的FDE要对业务结果持续负责。
我认为FDE和传统软件外包最大的区别之一，就是是否对业务结果持续负责。传统项目可能是：需求来了 → 做系统 → 验收 → 交付；但FDE更像：进入业务 → 理解问题 → 做第一版 → 让业务使用 → 根据反馈继续改 → 找到新的业务问题 → 再迭代。
这个项目就是这样，一期做完以后，客户自然会出现二期需求，因为当第一个问题解决以后，企业会发现下一层问题。所以FDE要做的，是持续陪着企业把AI能力往业务里推进。
最后，我觉得FDE一定要做深垂直场景。
未来AI的技术门槛会越来越低，很多基础能力都会变成标准能力，真正有价值的是，我是不是足够懂某个行业，知道这个行业的问题在哪里，知道AI应该怎么进入它的业务流程。
所以我们团队自己也在考虑，未来不再什么项目都接，会进一步深耕一两个垂直场景，因为当你足够懂一个行业之后，第一次做这个场景可能需要100%的成本，第二次可能变成80%，第三次可能变成60%，你不断把经验、工作流、技能和业务理解沉淀下来，才能真正形成自己的壁垒。
我理解的FDE，最终是站到业务现场，找到AI真正能创造价值的位置，然后一直把它推进下去的人。这也是我觉得这个项目最有价值的地方：我们没有试图证明AI什么都能做，我们做的，是通过一次真实业务落地，把“哪些事情交给AI、哪些事情留给人”这件事重新划分了一遍。当这个边界划对了，AI才真正开始变成业务生产力。