大数跨境
首页
>
把愿望问成需求，是AI时代最笨也最贵的功课
>

把愿望问成需求，是AI时代最笨也最贵的功课

把愿望问成需求，是AI时代最笨也最贵的功课 AI驱动数字化转型
2026-10-26
4
导读：云计算行业最大的公司，最近做了一笔看起来最不划算的生意。2026年6月30日，AWS宣布拿出10亿美元，组建一支叫FDE的工程师队伍。
云计算行业最大的公司，最近做了一笔看起来最不划算的生意。
2026年6月30日，AWS宣布拿出10亿美元，组建一支叫FDE的工程师队伍。这批人不当算法研究员，也不维护数据中心，他们的工作是把行李箱拖进客户的公司，在客户工位旁边坐下来，一坐45天。NBA、NFL这些体育联盟，都在第一批名单里。
卖云的生意本来可以越做越轻：客户刷卡，AWS卖算力，中间最好连客服都省了。现在它倒过来，主动把自己变重，几千个工程师要住进别人的办公室。
云计算的老大宁可变重，也要买一样东西。买的不是工时，是“坐在现场”这个动作本身。
为什么？因为企业AI这件事，卡住的从来不是模型。
产业智能化这个说法，这两年被讲得很多，讲法大多不对劲。多数人把它讲成技术的故事：大模型多强，算力多便宜，所以机器要变聪明了。
数据不站在这一边。麻省理工的一个研究项目2025年发过报告，分析了300多个公开部署案例、150多场高管访谈，结论是95%的企业生成式AI试点，没有产生任何可衡量的损益影响。调研方自己拆过原因，模型质量很少是瓶颈，瓶颈是企业集成，是工具没有适配真实的工作流，工作流也没有为工具改动过一寸。
95%的项目不是死于模型不行。是死于没有那个人，坐在现场，把一句含糊的愿望，一句一句问成需求。

PART 01
NBA的需求翻译样本

NBA是最好的样本，因为它的需求出了名的难翻译。
2025年10月底，NBA和AWS签了多年合作，AWS成了NBA的官方云与云AI合作伙伴。对外的说法很简单：用AI提升球迷体验。这句话交给工程师，等于什么都没说。球迷体验是个愿望，不是需求。需求得回答：改哪个环节，多花多少钱，怎么算成功。
这场合作到今天满一年，AWS拿出来的东西是几个具体的数字产品，跟“智能推荐”四个字没关系。
  • 一个叫投篮难度。机器学习把每一次出手拆开算：出手人的姿态，防守人的距离，干扰的强度，算出一个预期命中率，再跟真实结果对账。
  • 一个叫引力。衡量的是球星没拿球时被几个人盯着，给队友腾出了多少空间。
  • 防守正负值则把过去记不进记分本的活儿补上：这次挡拆之后换防的是谁，谁在包夹，责任算到个人头上。每个球员身上有29个追踪数据点，光学系统每秒扫60次，一年下来是数十亿个数据点。
这些功能对应的，全是过去说不出口的东西。防守好不好，教练看了一辈子录像，心里有数，嘴上讲不清。引力这个东西，懂球的人说得出“他往那一站防守就收缩”，可它没法进统计表。
翻译干的就是这个活：把“心里有数”变成“能算的数”。
AI在这个过程里是原料，主角是那个动手翻译的人。
还有一个叫Play Finder的工具，管的是另一头的活：数算出来了，还得让人看得懂。它用AI翻遍几千场比赛的录像，找出历史上相似的战术回合，推给解说员。传统统计告诉你发生了什么。Leverage Score这种新指标回答的是另一个问题：如果换个选择，结果会怎样。

PART 02
FDE岗位的兴起

把话翻译成机器语言的人，有个共同的名字，FDE，前沿部署工程师。
这个岗位不是AWS发明的。Palantir在二十年前就这么干，把工程师直接派进CIA和美军的现场，蹲在用户旁边改系统。这两年这个岗位火了：路透引用LinkedIn的数据，2023到2025年，FDE的需求涨了42倍。三年里翻着倍涨的，通常是一个行业开始缺人，而不是赶时髦。
Anthropic拉上黑石和高盛成立了独立服务公司，专门往社区银行、区域制造商里派人。谷歌云出了7.5亿美元，把自己的工程师塞进埃森哲这些咨询巨头的项目组，和AWS买的是同一样东西。
AWS给这套工作定过一个很具体的节拍，叫45/45/45：45分钟内形成一个创意，45小时完成验证，45天交付一个能用的东西。三个数字没什么神秘，限定的其实是一件事：别坐在会议室里讨论，去现场，快问，快改。这套打法笨得很。它没有模型微调那样体面，可它省不掉，恰恰是整件事里最贵的部分。

PART 03
真正值钱的沉淀

真正值钱的部分发生在工程师撤走之后。
AWS一位负责合作的副总裁说，FDE完成一轮冲刺，留给客户的东西里最要紧的不是应用，是一套语义层，把这家企业的软件、业务知识、流程和组织结构连成一张关系网，机器可以在这张网上推理。她管这张网叫“客户信息的本体论”，原话说，对很多企业而言，这就是真正的金矿。
这句话值得展开一层。翻译的产出不是代码，是这家公司几十年的经验第一次被写成了机器读得懂的结构。代码会过时，结构会一直被用下去。

工厂场景的落地实践
工厂里的版本，比球馆里朴素，也更贵。
一家塑料包装商有22台注塑机，过去的状态是坏了才修。装上振动监测之后，液压泵的故障被提前最多两个月预警，一年多来消掉了7000多个小时的非计划停机，废品率从2%压到1%。
另一家注塑厂的案例更细。液压系统的压力读数一切正常，振动的RMS值却在两周里悄悄涨了15%，模型提前12天预警叶轮泵磨损。操作员不信，压力没掉，油温没升，听着也没异响。工厂还是换了。拆开一看，叶轮上两条裂纹。
这类案例里有个容易被略过的细节：AI翻译的对象，除了设备，还有老师傅的耳朵。听声辨故障这门手艺，师傅带徒弟要带十年，人一退休就带走。振动频谱分析把它变成了可以复制的东西。
这里头藏着一个不太好听的事实。很多工厂引以为傲的“经验”，是没能翻译成语言的知识，它平时靠忠诚度维持，出事的时候靠运气。
预测性维护也不是所有设备都值得装。国际自动化协会专门提醒过，投资回报要逐案算，设备便宜、坏了不心疼的，传统维护更划算。翻译的第一步，是挑出值得翻译的那台机器。

PART 04
95%项目失败的共性

说回那95%。它们的死法高度一致：POC阶段，数据是洗过的，场景是裁过的，用户是最好说话的几个人，demo当然漂亮。一到生产环境，数据有噪音，流程有审批，系统有二十年历史，部门之间各有各的利益。
没有人坐在现场把这层一层拆开，项目就停在那里。麦肯锡2026年的调查里，88%的组织至少在一个职能用上了AI，可只有7%做到了全企业规模化。用的人很多，用出结果的很少，中间隔着的，就是那段没人肯坐下来完成的翻译。

PART 05
中国市场的特殊现状

中国市场还有一层独特的问题。有媒体翻过招聘网站上200多个挂“大模型解决方案”“AI实施”标签的岗位，真符合FDE标准的不到5%。剩下的多数是高配实施工程师，被等保、信创、数据不出域这三道锁按在客户现场。
有一家头部AI公司的员工，头衔从解决方案专家改成了FDE，驻场银行做合同审核的智能体，本体前后重写了两遍，最后交付的不是产品，是一套只在那家银行机房里能跑的工作流，没有平台回流，没有沉淀。
这种做法有个老名字，高级外包。
高级外包和翻译的分界线不在态度，在结构。翻译的成果要沉淀成能复用的那张网，让下一个客户站在上一个的肩膀上；外包的成果只留在那一个客户那儿，下一次一切从零开始。同样驻场45天，一条路越走越轻，一条路越走越重。

PART 06
10亿美元的真正价值

所以回头看AWS那10亿美元，它买的到底是什么？买的不是人多，是一批不用背着销售指标说话的工程师。传统的售前顾问也去客户现场，但他们拿的是建议书的KPI，讲完就走。FDE拿的是交付的KPI，45天里做不出能用的东西，就是失败。
考核方式一换，“听懂”就从一句口号变成了一个岗位的生死。
NBA的球馆里，引力这个数据下个赛季会推给每一个看球的人。球迷不用知道背后是哪家云，就像注塑厂的老板不用知道振动频谱的算法。他们只是忽然发现，那些过去说不清的东西，现在有数了。有数了就能商量，能商量就能改。
产业智能化走到今天，比拼的早已不是谁的模型更聪明，是谁能派出够多的人，拖着行李箱，在客户的现场坐得住。模型在收敛，人人都有最好的AI，慢慢拉开的差距在别处。把愿望问成需求，这门功课说它最笨，是因为没有捷径，只能一个字一个字地问；说它最贵，是因为AWS出的价是10亿美元，那95%失败的项目，已经从反面替它交过学费。谁的公司里还有人在做它，把一句“提升体验”或“减少停机”，问成机器听得懂、业务方肯签字的需求，谁的AI才算真的进了车间。

【声明】内容源于网络
0
0
AI驱动数字化转型
专注AI，促进智造行业数据衍生，服务智能制造企业的数字化、智能化，聚焦大模型私域部署、大模型微调、数据清洗、AI模型训练、私域知识库及agent技术延展等。行业智能，落地为先。
内容 1111
粉丝 1
AI驱动数字化转型 专注AI，促进智造行业数据衍生，服务智能制造企业的数字化、智能化，聚焦大模型私域部署、大模型微调、数据清洗、AI模型训练、私域知识库及agent技术延展等。行业智能，落地为先。
总阅读14.4k
粉丝1
内容1.1k