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？
我觉得做FDE，第一件事其实是先把老板真正想解决的问题搞清楚，再判断这里能不能用AI。
工程租赁就是一个很典型的例子。我们接触到的客户，本身是一个比较典型的中小企业。这个行业有一个很明显的特点：老板往往就是唯一的销售、唯一的调度，很多管理工作也都在老板身上。
这家企业的客户结构也很典型：营收3000万的时候，可能2500万来自几个大客户，剩下500万来自大量的小客户。在业务上行的时候，这500万的长尾客户其实可以不管。老板精力有限，大客户就已经够忙了，小客户丢了也就丢了。
但是到了下行周期，情况完全不一样。原来觉得无所谓的500万，可能明天就真的没有了。这时候老板就会发现，自己有客户，却没有能力把所有客户都接住。
所以我们真正要解决的，是一个更具体的问题：老板没办法服务的那些长尾客户，能不能被接住？
再往下拆，问题就更清楚了。
比如一个10万元左右的小订单，看起来金额不大，但真正报价的时候，远比简单的加减法复杂。客户租什么车、要不要配操作员、油费怎么算、距离多远、运输成本是多少、具体干什么活，不同作业类型又会影响折价。这些因素叠在一起，最后形成的是一个比较复杂的报价判断。
面对这种情况，我不会纠结方案“是不是纯AI”，因为真正解决问题的东西，本来就应该是混合的：一部分是模型和Prompt，一部分是传统的业务规则，还有一部分甚至是运筹学。只要最后能解决老板的问题就行。
Q2：在你参与之前，这个问题过去是怎么解决的？
其实过去这种方式完全可以运行，而且在业务增长期甚至是比较合理的。
因为大客户的价值足够高，老板亲自谈、亲自报价，是最有效率的方式。价格不透明、订单金额大、影响因素复杂，这些事情交给老板判断，反而比做一个复杂系统更靠谱。
真正的问题出现在长尾订单上。
一个小客户进来之后，老板同样要把需求、车型、运输成本、人员、油费这些因素都过一遍，再决定最终价格。如果老板正在谈一个大客户，这个小订单就只能放掉。
所以过去的问题，是随着市场环境变化，原来合理的人工分工开始出现了瓶颈。
尤其进入下行期以后，企业开始重新重视那些过去没有被充分服务的小客户。这个时候，原来的模式就出现了矛盾：老板最应该做高价值客户，却被大量低价值、但不能完全放弃的订单占用了精力。
这也是我觉得FDE很重要的地方。
如果只是站在技术视角，可能很容易得到一个“做智能报价系统”的结论。但真正进入业务现场以后，你会发现，问题其实是老板的时间应该花在哪里，以及企业有没有能力把老板不应该亲自处理的事情接下来。
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？
我们的思路其实比较简单，但真正做起来，比单纯做一个AI报价机器人复杂得多。
第一步，是先把整个业务链路梳理出来。
我们先把客户怎么获客、客户从哪里进来、怎么询价、哪些订单老板必须亲自处理、哪些订单其实可以标准化这些问题看清楚，再考虑模型怎么选。
这里面我们甚至会把抖音、快手、小程序这些东西一起考虑进去。因为如果前面没有获客入口，后面做一个很漂亮的报价工具，其实没有意义。对于这类客户来说，让客户为了询价专门下载一个App也不现实，所以入口反而应该足够轻，比如直接通过小程序承接订单。
第二步，是把订单做分层。
大客户不能交给AI。因为大客户的价格不透明，而且订单价值足够高，老板自己判断才是合理的。所以我们的做法，是把大客户和长尾客户分开。
对于相对标准化的小订单，系统先收集需求，再根据车型、操作员、油费、距离、作业类型等因素计算一个合理的报价区间。AI负责和客户沟通，判断订单能不能快速成交。
如果在这个区间里客户接受了，就可以继续往后走；如果不接受，或者判断这个订单比较复杂，就直接放弃，或者转人工。
甚至我们设想的节奏是：一个订单几分钟内完成判断，能成交的就快速进入调度，不能成交的就不要继续消耗老板的时间。
第三步，是把AI放进原来的业务流程，让客户沿用原来的工作方式。
这一点其实特别重要。
除了工厂租赁这个客户，我们面对的很多其他中小企业客户，一线员工可能是中年人，学历也不高，甚至不愿意使用小程序。那如果为了技术上的“最优解”，要求他们换工具、改习惯，最后这个东西很可能根本没人用。
所以我们会围绕客户原来的使用习惯做适配。必要的时候，前端做得足够简单，甚至加入语音或者微信Bot。技术方案未必最优雅，但在真实业务里，它才能真正跑起来。
这也是我对FDE的一个理解：适配的方向，是把AI做成适合客户业务的人，有的时候让传统企业客户快速进行组织和流程变革 反而会出现大问题。
Q4：相比传统方式，使用AI后的实际效果如何？
这个项目目前还比较早，我们实际开始做这类业务只有一个多月。但从已经落地的几个点来看，客户对效率提升的感受是比较明显的，他们也是认可这个结果之后，才愿意继续从这个点往下做。
工程租赁这个案例里，我们解决的核心价值，也远远超过“少用几个人”。真正有价值的是，把原来老板没有精力处理的长尾客户接住。
过去一个小订单进来，老板如果正在处理大客户，很可能直接放弃；现在可以先由系统完成信息收集、报价区间判断和初步沟通。只有真正值得老板介入的客户，才把人的精力重新拉回来。
所以我觉得这里的价值应该从三个层面看。
第一，是效率。
原来一个小订单也要消耗老板的时间，现在很多判断可以由AI前置完成。
第二，是增收。
长尾订单被承接之后，本身就带来新增收入，这也是我们和客户谈合作时比较核心的价值。
第三，是人的工作方式发生变化。
AI在这里的作用，是把人的带宽释放出来。老板可以把更多时间放在真正高价值的客户和决策上，而企业也有可能承接更多订单。
我们和这个客户讨论的，除了按年走的系统维护费，还有增收分成的合作方式。不过增收分成的方式在其他客户那里也并不是很好得到泛化，因为增收分成在实际谈判里比较难量化，所以最后怎么设计更好的商业模式，还在探索。
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？
真正落地以后，我发现最大的挑战，很多时候在AI之外。
第一个挑战，是需求看起来很简单，但真正做起来很复杂。
比如客户说“我要一个内部数据库，再做一个基于数据的搜索”，听起来好像很简单。但真正进去之后，你会发现数据库到底怎么搭、数据怎么清、数据量多大、检索怎么做，这些成本都很难提前估算。
有些项目最后真正难的地方，其实是数据库和业务数据的整理，跟AI模型本身没太大关系。
所以我们后来会特别注意一个问题：不能因为客户说得简单，就默认交付也简单。
第二个挑战，是客户的接受程度。
中小企业老板通常不会因为你告诉他“这是一套先进的AI技术”就愿意大规模改造企业。相反，大刀阔斧地改内部流程，对他们来说风险很高。
所以我们的打法一直是从一个很小的点切进去。
先找一个客户能看见结果、试错成本比较低的问题，做一个POC（Proof of Concept，概念验证）。POC跑通之后，客户觉得你靠谱，再继续往下梳理路线图。这条路是边做、边证明、边挖下一步需求，先让客户看到结果，再去谈更大的蓝图。
第三个挑战，是AI工具本身不能决定项目成败。
我们接触的几个案例，其实并没有简单套用一个通用AI工具。能用现成工具解决当然最好，但解决不了的时候，我们会自己做工程化。
因为真实业务里，很多东西本来就是混合的，智能报价就是这样，光靠一个通用AI工具往往解决不了全部问题。
还有一个很现实的问题：使用率可能很低。
如果老板自己都不用，这个项目基本推不下去。所以我们会把“一号位是否愿意采用”当成很重要的判断标准。同时，不能指望客户员工突然学会一堆新工具，更实际的做法，是把入口做得足够简单，尽可能嵌入他们已经习惯的工作方式。
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？
下面是一些我的理解。
第一条，不要先找AI场景，要先找业务问题。
我们不会刻意要求自己每个项目都必须“AI味很重”。如果一个问题用传统数字化就能解决，那就用传统数字化；如果AI能够让原来的流程效率提升，那就把AI放进去。
比如工程租赁这个项目，真正解决问题的其实是整个获客、询价、报价、调度链路，AI只是其中的一部分。
第二条，是先做小点，再进入大流程。
尤其对于没有品牌、没有咨询溢价的FDE团队来说，上来就告诉客户“我们帮你做一次企业AI转型”，基本很难。
更现实的办法，是找到一个足够小、足够具体、又能让客户马上看到效果的问题。
先做出结果，再让客户相信你的能力；有了信任，再去谈更大的路线图。这个过程本身就是FDE的价值。
第三条，是不要把“标准化”理解成100%复制。
我们确实会沉淀一些东西。比如销售Agent、非结构化数据检索、报价系统等，底层工程框架可以复用，代码和经验也可以沉淀下来，下一次遇到类似问题，交付速度就会更快。
但真正做到一个完全标准化、跨行业直接复制的产品，我觉得很难，且绝对的标准化产品往往竞争烈度也是极高的，且对真正想要做AI转型的企业客户来说不够深。因为一旦进入客户真实业务，数据、流程和行业规则都会发生变化。
所以FDE更适合做的是：底层能力标准化，业务解决方案保持一定程度的定制化。
FDE真正需要的人，是既懂AI、又懂业务、还最后还有一点，我现在越来越觉得重要：能够理解企业经营的人，只会写代码或只懂咨询都还不够。
因为AI真正进入企业之后，价值远远超过“少三个人”，员工的工作方式、管理方式、评价体系，以及企业能够承接的业务规模都会发生变化。要看到这些变化，就必须理解客户真正的生意。
所以对我来说，我们正在做的事情，是进入业务现场，找到企业原来做不到、做不好或者没精力做的那一小块，然后用AI和工程化能力，把这块真正跑通。跑通以后，再一点点往外扩。
这可能才是AI从“技术能力”真正变成“业务能力”的过程。