彼屯 X Datawhale AI + X 创造节 · FDE 实践工作坊现场实录
两个小时，让一线员工把真实业务问题变成可验证的 AI 方案
一个真实的业务问题，在多数公司里是这样被处理的：
一线察觉到不对劲，逐级上报；信息在往上走的过程中被压缩、被润色；到了决策层，老板对着一份已经失真的材料冥思苦想，定下一个大方向；方向再拆成指令逐级下发；三个月后回头看，做出来的东西和最初那个问题已经隔了很远。
离问题最近的人没有定义解法的权力，有权力定义解法的人离问题最远。这是树状管理结构的天然代价。过去我们只能接受它，因为一线员工即便看得再准，也没有能力把判断变成一个能拿出来讨论的东西——他提不出方案，只能提意见。而意见在组织里是最廉价的东西。
真正卡住企业创新的，从来不是缺乏好想法，而是好想法没有落地的通道。
AI 把这条通道打开了。
7 月的 AI+X 创造节上，彼屯推出了「真题 FDE 实践工作坊」，在现场验证 AI Native 组织创新方法论。
我们请来彼山设计的创始人晨歌，把她的公司里三个每天都在发生的真实麻烦拿出来当题目，她亲自来做评委。报名参加的跨行业伙伴分成若干小组，有的组是纯业务背景，有的组由业务专家和 AI 技术专家组队。
分享嘉宾：Cherry Studio 合伙人 Michael Yu
两个小时后，各组代表上台展示他们从零手搓出来的原型工具。
结果超出了所有人的预期，也包括晨歌自己。有两三个组给出的解法，是她作为深耕行业多年的创始人从来没想过的方向——不是因为她不够专业，恰恰是因为她太专业了。行业经验在给你判断力的同时，也在给你边界。
OBSERVATION
企业的创新生态，可以由一线伙伴驱动。
条件有两个：一线要对真实业务痛点和用户需求有足够的洞察，这本来就是他们的优势；同时他们要有足够的自由度，能用 AI 工具敏捷地做出判断、快速搭出原型、直接推动业务调整。而当这些过程被沉淀成组织内部的经验和 Skill，创新生态就一点点建起来了。
从树状的指令下发，转向一线的敏捷闭环——这是我们做这场工作坊真正想证明的事。
图 01｜从树状指令到一线闭环
钱花在了模型上，问题不在模型
分享嘉宾：Cherry Studio 合伙人 Michael Yu
上半场由 Cherry Studio 联合创始人 Michael 分享，他开场十分钟就单刀直入：今天不讲怎么用 AI，也不讲提示词怎么写，因为这些东西的天花板很低。真正值钱的事情只有一件——把 AI 放进流程里，让它在流程里干活。
先看一个企业主容易误判的事实：模型这一层，中国已经不落后了。DeepSeek、通义、GLM 这一批出来之后，日常业务和开发场景里国内模型已经相当能打，在需要反复处理复杂任务的场景下性价比很高。选型不该再是决策层焦虑的问题，因为它已经不是差距的来源。
真正卡住的是下一层。
图 02｜差距不在模型，在于把模型用起来的人
"企业里 90% 的 AI 使用，还停留在个人聊天层。"这句话说完，台下没什么反应，因为在座的人都知道这是实情。员工各自开一个对话框，各自问各自的问题，各自把结果复制回自己的文档。
从公司的角度看，这里有个很致命的后果：这些能力从来没有变成公司的资产。它长在个人身上，人一走，方法就跟着走。你付了订阅费、付了培训费，最后买到的是一批员工的个人技巧，不是一套可以交接、可以复制、可以写进 SOP 的组织能力。
问题出在使用方式本身。
Michael 说他自己也经历过左边那一栏。去年做业务负责人时，他天天和 AI 讨论业务场景，每次都要把庞大的背景重喂一遍，喂完才发现真正该做的是另一件事
FDE 换了个思路：先把流程定义清楚，让 AI 知道自己在哪一步、上一步是什么、这一步要交出什么。上下文自动往下传，输出质量由流程结构保证，而不是靠某个员工临场发挥。方法沉淀成 Skill 之后，同类工作可以一键复用——新人入职当天就能调用老员工三年的判断标准。
顺带说一下 FDE 这个词的来历，因为它决定了你该派谁去做这件事。FDE 不是从 AI 圈长出来的，源头是 Palantir。
2000 年代，Palantir 给 CIA 做情报分析平台，核心难题是分析师的业务判断逻辑没法直接翻译成系统，于是他们设了 Forward Deployed Engineer 这个岗位：常驻客户现场，既懂业务流程又懂数据系统，负责把两者接起来。这个角色比工程师更懂业务，比顾问更懂技术，至今仍被视为 Palantir 最难复制的护城河。
到了今天的 AI 语境，重心从"驻场"移到了"流程驱动"（Flow-Driven Engineering），但内核没变：让技术真正在业务里跑起来的人，永远最稀缺。
这件事该派谁去做
到这一步，大多数企业主会问同一个问题：那我是不是得招一批技术人？
Michael 被问得最多的那句话是反过来的——"我不会写代码，能做 FDE 吗？"
OBSERVATION
FDE 最稀缺的能力是懂业务流程 × 懂 AI 边界。前者只有职场经验能给，编程课给不了。
这个判断对企业主的意义很实际：AI 转型的主力，应该是你现有的骨干，而不是新招的技术团队。外部技术人能把系统搭起来，但没人比你的业务骨干更清楚哪一步最低效、哪个判断最值钱、哪里绝对不能交给机器。
图 04｜三层能力路径关于窗口期
Michael 的判断是现在入场还不算晚，但在收窄。Cherry Studio 目前已服务 100 多家付费企业，用户规模突破百万，每天有千亿 token 在跑。这些数字背后是大量普通职场人——设计师、运营、研究员、销售——在日常工作里用 FDE 的方式，把自己的产出扩大了五到十倍。提前一两年练出来的团队，已经在建优势了。
下半场：把真实业务搬进现场
前面讲的是"应该怎么做"。下半场，我们把它变成了一次可复制的组织练习。
这也是彼屯这几年一直在验证的一件事：企业创新培训真正的难点，从来不是讲师讲得好不好，而是学员回到岗位上，第二天能不能用。大部分内训失败在同一个地方——课上讲的是通用案例，课下面对的是自己公司的烂摊子，中间没有桥。
所以我们把桥直接建在了工作坊里。
题目来自真实客户，案主本人坐在台下，三道真题的前期工作是客户访谈和案例采编。题目来自彼山设计每天都在发生的三个具体麻烦，需求做了分级分层。创始人晨歌本人到场担任评委——学员交付的东西，是给真正需要它的人看的。
第一道，商业案例情报库。 公司积累了大量商业空间案例，散落在各种收藏夹、文档和聊天记录里。做新方案想找参照，只能靠记忆和翻找，越资深的人越是活体索引，人一休假整个组就卡住。题目要求把案例整理成可搜索的卡片，统一字段，能按关键词和空间类型筛选，并保留原始来源方便人工复核。
第二道，商业空间图片搜索。 图片比文字更难管理。一个项目组手里几千张空间照片，只有文件名，想找"有木材、自然采光、有人在社交"的场景，全靠人一张张翻。题目要求让图片按内容可筛选，为每张图生成空间、材料、光线、氛围和活动的描述，用文字就能搜到，并保留原文件名以便回到原图。
第三道，项目资料知识库。 做完的项目文档、PDF、PPT、表格沉在硬盘里，新项目启动时，历史经验基本调不出来。题目要求让这些资料可以被查询，整理出项目、阶段、摘要、关键词和可复用信息，回答问题时必须显示原文件依据，没有依据就明确说"当前资料中未找到"。
这三个麻烦，本质上都是同一件事：公司的经验资产化程度太低。任何一家做了几年、积累了大量项目和素材的公司，都能在里面认出自己。
边界比功能更重要，每道题都明确写了今天不做什么：不做全网爬虫、不做向量数据库、不做企业级 RAG、不做权限系统。
这不是降低难度，而是我们在企业项目里反复验证过的一条经验：先跑通一次最小闭环，比先规划一个宏大系统重要得多。边界划清楚，两个小时内人真的能跑通一次，而不是又做出一个漂亮但没人用的 PoC。企业 AI 转型里烧掉的钱，很大一部分就烧在那些从立项就注定用不起来的大方案上。
三个动作，任何岗位都能用上
实操环节由彼屯的 AI 导师 Terence 带领。
他先复盘了此前给一家本地生活平台市场团队做的需求：各片区能自己生成餐厅网页，包含名称、素材、招牌菜、地址；网页里要加入 Schema 结构化推荐算法；最后要能实际部署上线。整个过程从零到部署完成，大约十五分钟。比结果更值得记的是过程里的三个动作。
不知道该用什么，就先让 AI 推荐。 工具的技能库很大，一上来不知道该调哪个是常态。做法是把需求描述清楚，让它先推荐几个技能，再往下走。
不懂的概念，直接问，而且要问到位。 Terence 坦言自己也不知道 Schema 算法具体是什么。第一次问，AI 给的东西"总觉得不太对"；他把提示词补充了一次，明确限定在餐厅场景下再问，才拿到足够细致的介绍和一个可用方案。这个动作看起来很小，却是把模糊需求变成可执行任务的关键一步。
报错是常态，说一声就行。 要对 AI 的能力边界有清晰认知，一次性跑通大概率是不可能的。过程中出现报错或不满意的结果，直接告诉它"为什么报错，帮我改一下"就可以。在企业内推行 AI，卡在这一步放弃的人，远多于卡在技术上的。
两个小时后，台上发生了什么
各组代表依次上台，向案主晨歌展示自己手搓出来的原型。
成果汇报｜从业务问题出发，各组展示两小时内完成的 AI 原型与解决路径。
跨背景组队的效果最明显。 有两三个组由业务专家和 AI 技术专家搭档，原型搭得又快又准。业务的人负责把"什么叫有用"说清楚，技术的人负责把它变成能跑的东西，中间几乎没有翻译损耗——这恰恰就是 FDE 这个角色本来要解决的问题，只不过在现场，它由两个人合成了一个。
最惊艳的部分，是超出案主预期的解法。 有几个组给出的方向，晨歌自己从来没有想过。这不是因为他不够懂这个行业，而是因为他太懂了。深耕带来判断力，也带来边界。一个在行业里做了很多年的人，会自动过滤掉那些"我们这行不这么干"的可能性，而外部视角加上一个能在两小时内验证想法的工具，恰好能把这些被过滤掉的东西捞回来。
我们现场共分了 11 个小组，在 2 小时内竟然提交了 19 份 FDE 提案，且 90% 均使用 AI 工具做出 产品 Demo 和展示 PPT。
FDE 实践工作坊｜现场提报作品
参与者中，仅有 30% 的人是有技术和工程背景，70% 的伙伴在此之前鲜少体验过 AI 深度应用，但彼屯的 FDE 实践工作坊，能够让组织进入到 AI Native 的创新螺旋中，激发每个人的能动性（Agency）。
现场的小组中，甚至涌现出超预期的团队，例如「日照江河组」在拆解真题二（设计图片知识库）之后，洞察到甲方的真实需求是如何更快更好地找到精美且合适的图片，那么“一个更智能的标签图片知识库”仍然是中间件，不如直接做出一个私有化部署的图片设计顾问 AI 工具，直接端到端解决客户需求。
日照江河小组成果｜“寻景”专业 AI 设计顾问
这才是那天最重要的结论。不是 AI 做出了多好的产品，两个小时的原型当然粗糙。真正的价值在于：一个真实的业务问题，第一次不是由老板定义解法，而是由离问题最近的一群人在两小时内给出了多个可验证的方向，其中还有几个是决策者本人想不到的。
在过去，这件事不可能发生。不是因为一线没有洞察，而是因为洞察无法在这么短的时间里变成一个能被看见、被讨论、被否定的东西。
成果认可｜优秀实践小组现场获得证书表彰，记录一次真实业务共创的阶段性成果。
这场工作坊只是一个切面。它验证的，是彼屯这几年在做的一件更长期的事：
把企业真实的业务问题，变成组织可以反复练习的题目；再把练习的结果，沉淀成企业自己的能力资产。
具体来说，我们和企业的合作通常包含三段。
第一段，业务场景采编。 我们进到企业内部做访谈，把散落在各个部门的低效环节挖出来，判断哪些适合作为 AI 的第一批介入点，并做需求分级分层。这一步产出的不是方案，是一张诚实的场景地图——哪些能做、哪些现在不该做、哪些其实不用 AI 就能解决。
第二段，真题式内训。 用企业自己的真实业务场景出题，让业务骨干在有边界、有验收、有真实评委的条件下跑通一次完整闭环。他们做出来的不是练习作业，而是可以直接带回岗位使用的东西。这是内训与交付的合一。
第三段，能力沉淀与生态共建。 把跑通的流程沉淀成企业内部的 Skill 与标准，配套评审机制和迭代节奏；同时把这些企业接进彼屯的创新社区——独立老师、AI Builder、内容创作者，以及其他正在做同样探索的企业。创新很难在一家公司内部闭门发生，它需要一个可以持续交换的场。
这不是一次性的培训采购，也不是外包一个 AI 项目。它更接近于：我们陪你把公司里那批最懂业务的人，训练成能把 AI 装进流程的人。
回到开头那个问题。
过去企业的创新只能自上而下，是因为只有决策层有资源把想法变成现实。今天这个前提变了。一线员工用两个小时就能把一个判断变成可以拿出来讨论的原型，组织里最稀缺的东西——离问题最近的洞察——第一次有了直接的出口。
企业要做的，是给他们自由度，然后把跑通的东西留在组织里。
如果你正在推进企业内部的 AI 转型，或者已经试过一轮但没跑起来，欢迎和我们聊聊你的具体场景。我们的第一步通常不是提方案，而是先陪你把问题问对。
FDE 实践工作坊合影
本文依据彼屯 X Datawhale AI+X 创造节 · FDE 实践工作坊现场分享与正式实录整理。
如果你也在关注 AI+FDE 的进展，如果你也有垂直行业的从业经验，希望可以跟彼屯一起共创新时代的课程；如果你希望将自己的 AI 产品和方法论在更多行业应用，并产生商业化收入，欢迎你扫码加入彼屯的 AI 共创者社群：
此外，彼屯深度合作伙伴 Datawhale 发起 FDE 100 计划，希望征集并整理 100 个真实的 AI 落地案例，在获得作者及相关方同意后，以开放案例的形式分享出来，帮助更多行业降低对 AI 的理解和探索成本。同时，这也不只是一次单向的内容征集。对于入选案例，我们将协助完成案例梳理与内容呈现，让案例提供者和交付团队的真实能力被更多人看见。案例中的核心实践者还有机会入选 「FDE 100｜AI 落地先锋榜」，将优先进入 FDE 全国实践网络，参与后续线上分享、城市活动及真实项目推荐。
如果你是企业、机构或团队，愿意开放真实场景和问题，并期待共创线上线下活动，欢迎向我们提交信息。
彼屯共创场 Between Works · 上海
