老板向AI许愿，员工让AI滚蛋｜深氪 - 星空体育首页

作者丨赵芮 

编辑丨张雨忻 

老板的“愿望清单” 

“你清楚马斯克是怎么带队伍的吗？”一听到这个问题，胡芯兰就意识到情况不妙。 

对面这位来自一家员工数量过万的重工业企业老板，在社交平台看到马斯克用Agent替代真实员工的报道后，也动了类似的念头。他直截了当地告诉胡芯兰：“能不能把我的整个IT部门都砍掉？我每天只和Agent沟通就行。” 

在胡芯兰接触的众多老板中，关于“减员”的想法相当普遍。他们来自金融、制造、互联网等不同领域，公司规模从几百人到上万人不等。有的试探性地抛出问题：“你不觉得我们公司人手有点多吗？”有的则直接问出最核心的问题：“最多能减多少人？”那个想学马斯克的，是她遇到的最极端的一位。 

还有一些老板，虽然没有直接提减员，但希望AI能监视员工的一举一动。“能不能帮我装一个Agent，记录每个员工每天做了什么、产出了什么、项目进度如何，最好还能随时监控和调动这些Agent，再根据完整的日志算出每个人的投入产出比。” 

胡芯兰心里明白，提出这类需求的老板，只是暂时还没把减员的话放到台面上，他们想先收集足够的人效数据，再“尽量精准地裁人”，以免“裁到关键岗位”。 

天天和“减员”需求打交道的胡芯兰，做的并不是人力资源工作，她的职位是现在AI圈最热门的工种之一——FDE，也就是前线（前沿）部署工程师。

眼下，AI的发展速度令人瞠目：模型更新飞快，应用发布一个接一个，创业公司的融资速度也没有放缓。但这种速度和热度，并没有成功传递到那些希望用AI提升效率、改进生产的企业中。埃森哲曾对七个行业的163家中国企业进行调研，结果显示只有9%的企业通过AI应用实现了生产效率、收入和利润的增长。 

FDE这个职业正是从“技术发展与技术落地之间的差距”中诞生的。它最初由硅谷公司Palantir提出，后来被OpenAI和Anthropic推广开来，并在2026年借助这股风潮从硅谷传到了中国。这个工作就像AI和企业之间的一座桥梁，FDE在客户公司驻场，深入了解他们的业务需求，然后针对性地为他们落地大模型、Agent等AI能力，以此缩小AI和真实工作场景之间的鸿沟。 

但在中国，大多数FDE的工作处境很尴尬——企业提出的很多要求，就像“许愿”一样不切实际。

有一次，胡芯兰在会议上向不同行业的客户介绍公司的AI产品，一位老板突然接过话头，声情并茂地描述AI对人类的重要意义：“不只是工作，我们的身体、生命健康数据什么时候才能交给AI？让硅基生物复制并造福我们碳基生物。你们应该想办法把这个做出来。” 

话音刚落，全场鸦雀无声。胡芯兰努力管理好表情后，控制住场面说：“这需要从长计议了。”随后她匆匆结束了会议，这才没让需求从工作提效跨越到改造人类生命。 

FDE创业者朱莉也有类似的烦恼。她不久前收到一位电商客户发来一个叫“AI CMO”产品的宣传片：只要输入公司网站，产品就能实现从文案、运营到投放的全流程营销工作，过程非常顺畅。宣传片的配乐很燃，而老板的态度比片子更燃：“如果能实现，我愿意高价购买！” 

朱莉心里一紧，“没想到AI公司画的饼，现在竟然要我来实现。”她很清楚，只给AI看一个公司网站上的信息，它绝对不可能实现宣传片里的效果，“能自动发广告，但没法保证发给用户的是有价值的信息。” 

这正是另一种错配带来的尴尬：企业老板不清楚自己真正需要什么，也不清楚AI能实现什么。“对客户来说，我们就是个许愿池。”朱莉说。 

实际上，这些“愿望”背后，隐藏着大量企业老板深深的焦虑：公司很多生产环节，或多或少都存在低效的问题，更重要的是，他们太害怕因为错过AI这趟车而被时代抛弃。

不只是企业老板，在AI的另一端，那些拥有技术和产品的AI公司同样有自己的焦虑。

举个例子，今年3月腾讯上线了WorkBuddy，字节和阿里随后也快速跟进。字节推出了豆包工作，阿里推出了千问办公，主攻企业级市场。三家大厂都把战火烧向了AI办公入口，但实际上，办公Agent的功能并没有太大差异，技术上也缺乏壁垒。如何让客户选择自己，成了大厂们眼下最头疼的问题之一。 

于是，大厂开始密集组建FDE团队，希望通过这种服务模式把自家AI送进企业。FDE，也成了大厂缓解商业化焦虑的一张新牌。 

一位阿里云的销售经理告诉36氪，面对WorkBuddy的市场先发优势，他的方法是先给企业免费使用额度，再派更多的人做FDE。“现在就是比谁更舍得投入，公司里不少技术、售前等员工都转岗去做FDE了，百炼（阿里云MaaS平台）这类战略地位强的产品还有专门的FDE团队。” 

Workbuddy最近也建立了自己的FDE团队，腾讯一位售前经理本来不愿意让团队做FDE的工作，但因为担心客户被竞争对手抢走，也选择了这样的方式“稳住”客户。 

大厂想用FDE争夺市场，中小企业想让FDE把AI转化为真实效率。焦虑的两端，正在同时对FDE下注。 

而FDE面临的难题并不是AI时代独有的，它不过是20年前SaaS时代的一次重演。棘手的是，当技术能接手的工作更多，技术与落地之间的鸿沟也会更大。

似乎，过去的难题，正在以更复杂的方式重现。 

减员阴影下的博弈

面对客户的许愿，胡芯兰从不拒绝，而是用“魔法打败魔法”。 

对于那位想学马斯克的客户，胡芯兰先是诚恳地点头，然后顺着对方的逻辑推演：“明白，不过这样需要每天看上万份AI执行日志，您看能不能腾出精力？”老板犹豫了一下，胡芯兰继续加码：“而且员工一旦使用其他工具，您就拿不到上下文了。” 

如果道理不足以让对方冷静，胡芯兰会拿出杀手锏：“这样实现下来，每天Token费用可能要花到一万美金。”这句话之后，客户瞬间冷静下来。胡芯兰知道，是时候聊现实方案了。 

胡芯兰所在的公司规模不大，她做FDE的同时还承担着销售工作，为了争取订单，她没有太多立场去争论，而是需要用客户能接受的方式让对方明白“不是不行，只是目前不适合你”。 

林凌是一家头部大厂的FDE，这半年，她发现客户对AI项目的工期要求逐渐缩短。原来以年为单位的项目交付期已经没有了。四个月的交付期，客户经常开口压到三个月。而随着项目deadline临近，客户希望实现的新想法也会越多。针对这些，她不会全盘满足，而是翻出最初的邮件和合同，逐条核对当初说好了什么，“就像情侣吵架时翻聊天记录”。 

相比小创业公司，大厂在客户面前确实更有掌控力：客户通常已经绑定了自家的云服务，迁移成本较大，所以不会轻易取消合作。在被客户气得上头时，林凌总是提醒自己：老夫老妻了，还能离咋的？ 

而在和老板对齐了预期之后，FDE又遇到了新的困难：老板对AI的急切很难被员工理解。

潘科霖是一家汽车零件厂的厂二代，困扰于工厂的低效，他尝试用AI帮忙改造。起初，他每做一款AI工具，都会先把方案发进微信群，再叫来十几个部门负责人，开会征求意见，但会议通常走向两个极端，“要么没有问题，要么全是问题”。 

有时，员工纷纷点头，“没问题，都听领导的。”但等到真正落地执行，问题便从各处冒出来：有人忙着解释这会如何增加工作量和难度，有人说资源不够、部门配合难，甚至搬出家中难处，总之“实在难以推进”。 

成为厂二代之前，潘科霖没上过班，“不懂职场”。在几次会议后，他逐渐意识到老板和员工的视角差异：老板关心公司的效率和营收，而员工关心会不会增加工作，是否要承担更多责任，更直接的是，会不会因为AI而遭遇裁员。

在成为FDE之前，胡芯兰没有料到：“比做AI工具更难的，是跟老板、员工间的人性博弈。”

在请求客户的技术人员配合时，胡芯兰常常碰壁。第一次去到研发部门，她询问大家有什么需要AI提效的需求，研发各自盯着电脑屏幕，只有键盘的啪啪声回应。两分钟过去，最边上的员工回了一句：最近工作很多，没时间迁移工具。 

后来在需求对接会上，研发犀利提问：“你们这个产品有Claude Code好用吗，换了以后工作进度如何保证？”胡芯兰很快意识到，“忙”更像是一个借口，更主要的原因可能是研发的“工具洁癖”，他们在心里有自己认为好用的工具。

还有直接摆烂的。一次，胡芯兰提出为邻桌的IT员工提供免费的Agent席位，这位员工语气平静，回复到：不用，豆包挺好的。 

如果AI提效的举措触碰到员工饭碗，就更是走进了死胡同。

朱莉曾服务一家小型银行，老板诉求明确：希望AI能优化贷款审批流程。 

对此，朱莉需要先向一线业务员了解业务流程，做出运行试点，再拿着效果向业务经理争取预算。在贷款审批中，不同银行的风险偏好和计算口径不同，朱莉意识到这是比通用流程更关键的，而这高度依赖于人的经验。 

但被朱莉找来询问经验的业务员似乎不愿配合：朱莉问得越急切、越具体，业务员的回应就越迟疑、越模糊。直到一句反问：“你们做这个，到底是为了什么？”朱莉这才意识到，她想要了解的是业务员在工作中最重要的知识壁垒，当试图让AI来优化这项工作，业务员瞬间产生了被裁员的恐惧。 

后来，朱莉与这家公司员工之间的会议，开始被各种理由推脱。第一版Agent试跑出了错，朱莉发给一位业务员想请他指正，也始终没有收到对方的回复。 

老板想拥抱AI，但不了解业务；一线员工了解业务，但不想拥抱AI；中层大多表现出支持，但前提是效果明显、且自己不用担风险。

揪扯在不同角色间，朱莉发现老板一句“支持AI”远远不够。这其中最大的矛盾在于：想用AI替代人的老板，恰恰需要那些可被替代的员工，先教会AI“如何工作”。

补“债”

FDE创业者Edison给客户接入Agent后的第一天，就收到近300条报错信息。 

他的客户是一家服装制造公司，公司老板过去每天查看生产信息，都需要花费至少两小时的时间。工厂的所有生产信息都被统计在一张巨大的Excel表上，百款服装的所有订单排成行，面料、拉链、吊牌等不同环节的生产情况分布成列，由数十位产线负责人共同更新维护。 

工厂虽然有ERP系统，但只记录最基本的静态数据：产品类型、客户、金额、交付时间。实际生产中会涉及到的数据，比如上述生产信息，都不在这个系统里。这些数据往往细碎多变，且散落在不同部门的本地Excel表、聊天记录和人脑中。 

Edison原本打算在这张Excel表格上接入Agent，帮老板识别生产风险。结果，由于负责人们总是无法及时维护好这个表格，导致Agent不断拉响警报。员工忙碌时，没第一时间更新，AI判为订单将延期；字少了一个空格，AI判为生产异常......人类能理解的变通，到了AI这里全部被视为问题。 

让AI进入企业的核心生产/工作流程，关键之一是拥有可随时调用的数据。但对不少企业来说，这是埋藏已久的旧债。

刚用AI改造工厂时，潘科霖也发现工厂到处是数据漏洞。比如，十个车间就有十套日报表，大家写法各不相同。而记录方式不统一，跨车间的信息汇总就低效，后续的排产等一系列环节也随之变慢。当AI介入，别说提效，甚至难以准确读懂这些信息。 

于是，企业原本设想的AI提效被卡住，变成了“补债”——退回到“数据清洗和治理”环节。

对于潘科霖来说，就是从源头开始重新梳理日报记录的标准。他把十个版本摊在一起逐项比较，一边问车间负责人，一边和AI讨论，花两周时间重新整理出车间日报的记录规范。而这项工作也只是开始，“把过去散乱的数据全部梳理清楚，还不知道要多长时间。” 

让不少FDE感到惊讶的是，在考虑接入AI之前，大量企业压根没觉得“不规范的数据”是个问题。 

阿里云一位FDE告诉36氪，在快速发展的阶段，大部分的公司管理者的注意力都围着业务增长转，过去部门漏报信息，系统少开发一个功能，这种瑕疵并不妨碍公司赚钱，久而久之就搁置了。 

但如今他们寄希望于AI能带来新的效率和增长，过去这些不影响营收的“小毛病”，都成了要先跨过去的槛。 

“这不是豆包”

第一个月的月末对账，胡芯兰的客户被Token账单吓了一跳。一家一两百人的公司，月Token消耗达到几十万元。 

查完后台数据，胡芯兰很快找到原因：员工虽然用上了Agent，习惯却还停留在“跟豆包聊天”的阶段。比如，每一步任务，都重新开一个对话框，然后上传大文件、复述公司背景和业务规则等，相同的信息被模型反复读取，Token也在一次次重复的上下文中被迅速消耗。 

正确的做法，是把日常需要被反复执行的工作写成Skills，把长期不变的资料放进知识库，Agent每次工作，只读取与当前任务有关的信息即可。

胡芯兰一再跟客户公司的员工强调，“这不是豆包”，但收效甚微。后来她意识到，杂乱无章的对话背后，是因为大家没有系统地梳理过自己的工作流。 

每周二到周五，胡芯兰都会待在客户公司。她办公的那间大会议室像一个临时的“AI门诊”。不同部门的员工一拨拨涌入，带着工作问题，询问胡芯兰可以用什么样的Skills解决。一天接待二十人以上是常态，有时忙到快下班，门外仍有人等候。 

问题在于，来找胡芯兰的大部分人，都说不清楚到底希望AI在工作的哪一环节帮助自己。

比如，一位数据分析员工曾找到胡芯兰，希望做一个“数据分析Skill”。这个词，囊括了取数、清洗、统计、分析和写报告的整个工作流，为了弄清工作具体卡在哪里，胡芯兰只能让他把一天的工作“倒放”：数据从哪里拿，拿到后先做什么，什么数字需要判断，最后怎样交付...... 

几轮追问后，才发现员工只是想摆脱数据分析完后还要按一套固定格式输出报告这件事，她长呼一口气，“告诉对方：这叫把数据填进报告的Skill。” 

胡芯兰发现，工作中的前提、步骤、检验标准等，已经在员工的日日重复中形成一种行为惯性，在做每一步之前，他们不会清晰地意识到自己在做哪一步。但Agent不接受“含糊”，它无法在含糊不清的描述里完成工作。 

这个问题也启发了朱莉改变创业思路，她认为在现阶段，企业的第一项需求不是直接做Agent，而是先找出“哪些工作值得被AI提效”。

她跟团队开发了一个比较原始的试验产品：软件运行在员工电脑上，每隔几秒截取一次屏幕，分析员工最耗时的任务和重复的流程，帮助老板发现没被说清楚的AI提效机会。 

而比拆解工作流更麻烦的是，把员工工作里的关键技能“蒸馏”给Agent。

阿里瓴羊曾为某头部电动车品牌做一个AI客服项目。对方希望AI先听懂用户的问题，能回答的直接回答，处理不了再转给人工。但团队发现客服每天面对大量随机状况，该不该转人工、转给谁，后续又怎样处理，这些判断都藏在客服的经验里，没有可以让Agent立刻可以学习的现成资料。 

后来，阿里瓴羊派了工作人员去现场，戴上客服耳机，挨着一线员工坐了将近两个月，观察他们如何处理不同的用户诉求——产品demo两三天就能做出来，但为了让它真的好用，团队却花了几个月做了将近100场调研。 

算不清的账

前阵子，某大厂FDE姜瀚接到了一个为App开发AI助手的需求，看似简单，但实际上每项功能都要连接一套内部系统，而每套系统又对应不同的接口权限和安全要求，这导致他和团队最后做了二十多个业务Agent，每个Agent背后，是数不清的访谈、协调和等待。 

过去，