企业AI落地常被一个假设拖慢：FDE只有先成为行业老手，才有资格进入现场。这个判断只对了一半。行业经验固然重要，但FDE的项目不会永远停留在熟悉领域。今天服务制造企业，明天可能进入律所，下个月又要面对跨境电商或医美机构。若每进入一个新行业都要先熬三年，规模化就无从谈起。
真正需要的，是一套快速建立有效认知的机制：知道问谁、看什么、如何建模，以及怎样用PoC验证理解。三十天无法把一个人变成行业权威，却足以让合格的FDE完成五项关键动作：
1、说清行业如何创造价值、靠什么赚钱；
2、画出典型企业的核心业务链路；
3、定位关键角色、对象、规则和指标；
4、筛出3—5个值得验证的AI场景；
5、交付一个能被真实业务人员验证的PoC。
这就是“理解陌生行业”的工程化定义。
陌生行业信息量巨大。以制造业为例，研发、采购、生产、质量、仓储、销售、售后各有术语、系统和角色。若一开始就追求“全面知识”，很容易收藏大量报告、记住许多名词，却仍不知道企业卡在哪里。
FDE对行业的认知，最终要落到三个产出上：
• 找到值得解决的问题；
• 判断AI能否解决、应如何解决；
• 推动方案进入真实流程并产生结果。
因此，需要的是“最小可行行业认知”，而非行业百科全书。把这几项相乘，就得到最小可行认知：
价值链 × 关键对象 × 核心角色 × 业务规则 × 决策指标 × 异常场景
这六项能够讲清楚，FDE就具备了进入场景、设计方案和开展验证的基础。
行业面貌各异，但企业经营的基本骨架有共通之处：获取资源、创造价值、完成交付，并在约束中获得收入和利润。先放下术语，追问六个问题。
1. 客户为什么掏钱
客户买设备、法律服务或软件，真正购买的是某种结果。例如采购工业设备，也包含稳定产能、运行安全和售后保障。弄清购买结果，才能判断哪些流程最重要。
2. 价值如何交付
从需求提出到回款，中间经过哪些环节？制造业可能是：线索—询价—选型—报价—合同—排产—生产—质检—发货—安装—售后。这条链路是研究主干，资料、访谈和系统分析都应挂在上面。
3. 谁在做关键决策
老板关注利润和风险，部门负责人关注效率，一线员工关注工作量与可用性，IT关注安全、集成与稳定。同一个AI场景，在不同角色眼中价值不同。
4. 决策依赖什么信息
报价需要BOM、历史价格和利润要求；故障诊断需要设备型号、报警码、维修记录和手册。说清“谁基于什么信息做什么决定”，AI方案的输入、输出和知识边界才会清晰。
5. 哪里最易出错
AI价值常藏在异常、等待、返工和不确定性中。高频重复、知识分散、人员依赖、跨系统搬运、判断口径不一，都是重要信号。
6. 用什么指标衡量结果
没有指标，就没有真正的PoC。指标至少分三层：
• 模型指标：准确率、召回率、幻觉率、引用完整率；
• 流程指标：处理时长、一次通过率、人工接管率、响应时效；
• 业务指标：成交率、成本、停机时间、客诉率、回款周期。
只有从模型指标走到流程和业务指标，AI项目才真正进入企业价值链。
读过50份报告、记住MES、ERP、PLM等名词，却回答不了“设备报警后谁先处理、查什么、何时升级、如何闭环”，知识仍无法支撑交付。真正的理解来自所示的四层模型。
第一层：行业价值模型
这一层要回答：行业凭什么赚钱，钱花在哪里，风险藏在何处。价值地应覆盖客户角色、产品形态、收入来源、成本结构、竞争壁垒和风险类型。将其概括为“价值、成本、风险”，并指向“行业价值地”。
第二层：业务流程模型
不能只画顺畅路径，等待、返工、审批和异常升级同样要入。每个环节用五段式拆解：触发、输入、动作、输出、验收。称之为“端到端流程”。例如客户报障触发，输入设备型号、报警码和现象，客服判断并检索知识，输出建议或升级工单，以响应时间和一次解决率验收。这样描述后，Agent、工作流和评测集就有了基础。
第三层：业务本体模型
FDE眼中的本体，是一份业务语义契约：企业有哪些重要对象，它们如何关联，又受什么规则约束。以设备售后为例，关键对象包括客户、工厂、产线；设备、部件、型号、序列号；报警、故障、原因、解决方案；工单、维修人员、服务记录；手册、SOP、备件和质保合同。将其提炼为“对象、关系、规则”，并指向“业务语义契约”。这层模型决定知识切分、元数据、工具调用和证据追踪。
第四层：决策与评估模型
FDE要把“答得不错”这种模糊感受，翻译成可测试的准则：是否正确识别设备型号和版本；是否引用适用该型号的有效手册；是否遗漏安全停机条件；低置信度时是否升级人工；建议是否包含检查步骤、所需工具和风险提醒。将其总结为“正确性、证据、升级条件”，并指向“可测试标准”。把评价标准前置，就是以评估牵引开发，防止Demo演示很好、真实场景却不可控。
大模型、深度研究、知识库、语音转写、代码智能体和数据分析工具，能显著加快信息处理。AI适合充当研究助理、结构化引擎和假设生成器，最终判断仍需真实业务证据。
信息源可分四级：
1、一级证据：企业内部制度、SOP、业务数据、系统字段、工单和真实访谈；
2、二级证据：监管文件、行业标准、上市公司年报、权威协会资料；
3、三级证据：专业媒体、咨询报告、厂商案例、招聘JD；
4、四级证据：论坛问答、自媒体文章、模型直接生成内容。
越接近具体方案，越要依赖一级证据。重要结论都应标注来源、适用范围、时间和置信度。
给出了清晰的行动路线。以下按四个阶段展开。
第一阶段：第1—7天，建立行业地
第一周目标不是深入某个场景，而是建立全局坐标系，避免过早被某个部门或工具带偏。
第1天定义研究边界：研究哪类企业、服务哪段价值链、项目希望影响什么结果。第2—3天完成桌面研究：价值链与商业模式、头部公司、政策标准、系统数据对象、招聘JD中的能力、公开案例中的效率风险成本问题。不要一上来就让AI“写完整行业报告”，更可靠的方式是分问题检索、输出证据表、单列未知项。
第4—5天建立行业词典和对象清单。不要只记定义，还要记录：由谁使用、出现在哪个流程、与哪些对象关联、错误理解会导致什么后果。第6—7天形成四项交付物：一页行业价值地、一张端到端业务流程、一份行业词典、一份“已知—未知—假设”清单。此时不要急着宣布找到AI场景，桌面研究只让你获得进入访谈的资格。
第二阶段：第8—14天，进入企业现场，修正认知
第二周关键词是：证伪。访谈不是请业务人员上课，也不是问“你们希望AI做什么”。后者容易得到“做个知识库”“做个智能客服”这类解决方案式答案，却错过真正问题。
FDE应围绕最近一次真实事件追问：第一条信息从哪里来，谁先处理；查了哪些系统、文档或聊天记录；哪一步等待最久；哪个判断最依赖老师傅经验；判断错了会产生什么损失；最后如何确认问题解决。真实事件比抽象观点更可靠，因为它包含具体动作、信息、决策和结果。
访谈对象至少覆盖四类角色：
• 决策者：战略目标、预算、风险容忍度、成功标准；
• 部门负责人：流程瓶颈、团队指标、协作边界；
• 一线执行者：实际步骤、隐性经验、异常处理、工具切换；
• IT与数据人员：系统、接口、数据质量、权限、安全、部署约束。
只访老板，容易得到战略口号；只访一线，容易陷入局部优化；只访IT，容易把项目变成技术功能清单。授权录音可转写，再提取流程、痛点、隐性规则、数据线索、冲突信息、待验证项和AI机会候选，并对结论标记置信度。第二周结束，应形成当前流程、角色地、问题证据库、系统与数据清单，以及修正后的业务本体草案。
第三阶段：第15—21天，从问题池筛选AI场景
不是所有痛点都适合AI。有些来自权责不清，有些来自系统缺失，有些只需修改表单或规则。若流程调整就能解决，却强行加入大模型，成本和风险只会更高。
给出了六维筛选标准：
1、业务价值：对收入、成本、效率或风险影响多大；
2、发生频率：每天发生，还是一年一次；
3、AI适配度：是否涉及非结构化信息、复杂检索、内容生成或辅助判断；
4、数据可得性：是否有足够、合法、可访问的数据；
5、验证难度：能否在2—4周内完成小范围测试；
6、组织可行性：是否有业务负责人、一线用户和IT支持。
可设一个简单评分：
场景优先级 = 业务价值 × 发生频率 × AI适配度 × 数据可得性 × 组织意愿 ÷ 实施复杂度
公式不追求数学绝对准确，它的价值在于逼团队把判断依据摆到桌面上。底部特别强调：所有判断都要有证据，缺少证据就标记“待验证”。
场景卡必须回答九个问题：谁在什么情况下遇到问题；当前任务如何完成；最耗时或最易错的环节是什么；AI具体承担哪一步；人保留什么决策权；需要哪些数据和工具；失败会带来什么风险；用什么指标验收；如果PoC成功，如何接入原流程。
还要做反方审查：列出前三名场景可能失败的五个原因；判断能否用流程优化、规则引擎或传统搜索更低成本解决；推荐一个最适合30天内制作PoC的场景，并说明取舍。将这一阶段概括为“六维筛选、场景卡、反方审查、明确边界”。
假设经过筛选，工业设备企业选择“售后故障诊断助手”。它的价值不是替代维修专家，而是帮助一线人员快速完成信息收集、知识检索、初步排查和工单结构化，在高风险或低置信度时及时升级专家。此时，方案边界已比“做一个制造业知识库”清晰得多。
第四阶段：第22—30天，用PoC反向验证行业理解
PoC不是产品缩小版，而是最小验证实验。它要验证：企业资料能否支持任务；模型能否在边界内给出可靠结果；输出能否进入一线工作流；业务价值是否值得继续投入。
展示了最后9天的具体节奏：
• 第22—23天：定义任务与测试集，选取20—50个代表性案例，覆盖高频、复杂、信息缺失和高风险问题，由业务专家给出期望答案、必要步骤、引用依据和升级条件。
• 第24—26天：搭建最小方案。一个故障诊断助手的最小链路可包括：采集设备型号、报警码、现象和已执行操作；根据元数据过滤适用手册与历史工单；检索证据并生成分步排查建议；输出引用来源、风险提醒和置信度；信息不足或触发安全规则时转人工；将过程和结果写回工单。可结合RAG平台、工作流编排工具、代码智能体、数据库和企业API快速搭建。技术选型服从验证目标，不必为展示先进性堆叠Agent、多模型和复杂框架。
• 第27—28天：开展离线评测与红队测试。至少检查答案正确性、引用准确性、步骤完整性、风险遗漏、拒答与升级机制、不同设备版本混淆等问题。
• 第29天：让真实用户试用。观察用户如何输入、在哪里犹豫、是否理解输出、是否愿意采纳建议。不要只问“好不好用”，要记录任务完成时间、追问次数、人工接管原因和错误类型。
• 第30天：提交决策包。FDE应交付的不是宏观行业报告，而是一套可供企业决策的材料：行业与企业价值地；关键流程和业务本体；场景机会池与评分依据；PoC原型和演示路径；测试集、评测结果与失败案例；数据、权限、安全和集成约束；下一阶段实施计划与投入估算。管理层真正关心的是：问题是否值得解决，方案是否可行，风险是否可控，下一步是否值得投入。
项目结束后，不要只留下PPT。应沉淀六类资产：行业地、业务本体、访谈问题、场景卡、评测集和方案组件。下次进入相邻行业时，可复用研究框架、建模方法和技术组件，但业务事实仍须重新验证。同样是“智能客服”，跨境电商关注多语言、物流和退款；工业设备关注型号、安全规则和专家升级，二者不能直接套用。
FDE在30天里最容易犯的七个错误：
1、把行业报告当成行业理解；
2、过早确定方案，访谈前就决定做知识库或Agent；
3、只听管理者，忽略制度流程、管理者理解和一线执行的差异；
4、只研究正常流程，忽略异常、升级和失败处理；
5、把模型能力当成业务价值，回答流畅不等于缩短时长或降低风险；
6、没有固定评测集，每次演示都靠主观感受；
用AI证明AI的结论，关键事实必须回到企业文档、数据和业务专家。
企业不会因为FDE背出多少行业术语而买单。它真正需要的是：在信息不完整时，快速看懂业务，找到值得解决的问题，设计可验证方案，并推动它进入真实流程。
30天理解陌生行业，本质是一套循环：建立假设—寻找证据—进入现场—修正模型—筛选场景—构建PoC—用结果继续修正认知。第一性原理帮助穿透术语，业务本体帮助统一语义，AI工具帮助提速，评估驱动开发帮助把“感觉不错”变成可验证结果。
30天之后，你未必是行业专家。但应成为一个可靠的“行业问题翻译器”和“AI价值验证者”：在业务人员、管理层和技术团队之间建立共同语言，把模糊需求转化为可交付、可评估、可迭代的企业AI项目。
从专业咨询视角看，FDE的行业理解不是知识囤积，而是认知工程。其核心是把陌生行业拆成可建模、可验证、可复用的结构：价值链定方向，流程定场景，本体定语义，指标定验收，证据链定可信度。
30天方法的价值不在速成专家，而在用最小可行认知支撑一个高质量决策包。企业AI落地失败，常因跳过业务本体与评估标准，直接进入工具选型。朴谷认为，FDE应坚持证据优先、评估驱动、人工边界清晰，把行业地、场景卡、测试集沉淀为组织资产。唯有如此，AI项目才能从演示走向流程。
END
朴谷咨询（PGA）是一家提供投资与并购交易顾问、财税咨询、商业评估、企业AI管理创新咨询等专业服务的咨询机构，聚焦于高科技、人工智能、先进制造、医疗、消费、企业服务、互联网、教育与文化娱乐等领域。
我们服务的客户包括美国、香港与中国的上市公司或行业领军的准上市公司，大型民营企业和跨国企业，以及全球领先的人民币与美元投资机构等。我们有超100名拥有丰富经验的专业顾问人员，分布在北京、上海、杭州、武汉、深圳等地，我们的各业务线负责人和资深团队人员均具备国际头部咨询机构的职业经验。
