# OpenAI 和 Anthropic 共同看好的 FDE：AI 时代的新岗位出现，旧分工松动｜对谈 Rolling AI 十字路口Crossing · 2026-06-03 Koji 与 Rolling AI 的合伙人阿甘和刘开探讨 FDE（前置部署工程师）这个由 OpenAI 和 Anthropic 重新定义的岗位。他们分享了中国企业 AI 落地的实践：一个乳品企业用 50 个 AI 营养师服务 600 万用户，以及连锁门店用 AI 副店长赋能一线决策。两位嘉宾认为，AI 是劳动力而非工具，技术仅占成功的三分之一，组织变革、激励机制和业务融合才是关键。他们预判，中层管理者中仅做信息传递的岗位将消失，而具备商业判断力的年轻人将比资历更受重视。 ## Key moments - **[0:00] 开场** - **[2:19] 定义** - [2:30] 阿甘指出AI与传统软件本质不同：AI本身就是劳动力，FDE如同HRBP将数字员工送入企业上岗 - [5:30] 刘开解释从BCG出走原因：一代二代创业者不关心PPT，只关心能否落地并改变组织，传统咨询模式受限 - [7:08] 刘开对比新旧咨询：过去交付200页PPT，现在交付一个能在15天内上线的智能体 - [8:03] 刘开抛出公司铁律：'所有智能体必须在15天内上线'，否则就是不合格的数字员工 - **[8:22] 案例** - [9:07] 阿甘分享首个AI落地案例：乳品企业面对40万营养师与8000万用户200倍供需差，AI填补人力缺口并降成本至4分钱一次 - [10:06] 阿甘演示AI话术：面对'我要减肥'，第一句话应该是'你又不胖，你为什么要减肥？'——先提供情绪价值 - [11:36] 刘开讲述方法论迭代：从25年起，不再自上而下定义最佳实践，而是让AI作为'学徒'在一线向师傅持续学习 - [13:44] 刘开强调：AI可将金牌销售的经验复制给全国一万小时，员工价值成倍放大，企业应重新设计激励机制 - [17:13] 刘开详述AI副店长实战：发现门店周围超市竞争后，AI快速提议切换独家高端品策略，预测销量提升40% - [19:00] '当我说副店长的时候是AI，我们已经习惯这个语境了。'——刘开揭示人机协作已融入日常经营语言 - **[19:58] 角色** - [21:01] 刘开用'工头'比喻FDE：带着一群'清北学生'般的AI到企业上班，确认能独立高效工作后才撤离 - [22:26] 刘开列出优秀FDE三大硬核能力：一眼看穿业务痛点本质、天生人机协作感、能用AI工具半天内搭出原型 - [23:44] 阿甘直言：'这样的FDE短期培养不出来'，商业判断力如同taste，部分源自天赋 - [25:05] 刘开发表暴论：'SOP代表着慢，代表着落后'，标准化只能保底60分，AI要让每个店做到85-90分 - **[25:09] 变局** - [27:15] 刘开断言：过去因智力生产力不足而无法赋能一线，AI时代智力生产力无限，个性化经营成为可能 - [28:44] 刘开预测：AI革命将像电力革命取代体力一样，大量取代智力劳动，影响幅度远超互联网，持续10-20年 - [29:44] 阿甘警告：每次生产力革命中95%的企业消失，它们并非没接电或没上网，而是没有围绕新技术重构商业 - [31:14] 刘开总结AI落地逾50%失败率的三大死因：CEO不切实际幻想、IT部门主导、激励机制滞后 - **[32:01] 死法** - [33:27] 刘开引用华熙生物董事长金句：'做AI提效若只提升50%就不要做了，要做就做3倍、5倍、10倍的事' - [35:45] 阿甘讲述租房平台转型：AI让管家管理半径从500人扩至1200人，不裁员，通过主动关怀提升续约与增值销售 - [36:15] 刘开分享意外发现：AI入场后好员工标准被重塑，打字快不如能提供情绪价值，人机协同中人的优势被重新定义 - [37:04] 阿甘阐述管理哲学：'管理的本质是激发善意的释放'，AI放大效应下，以控制为发心会招致10倍反噬 - [38:26] 阿甘直断：所有仅做信息上传下达的管理层岗位，在AI时代应当消失，因其价值已被AI覆盖 - [40:24] 刘开展望劳动力演化：人类将告别执行性智力劳动，转向'智力决策劳动'，聚焦方向与决策 - **[43:29] 人才** - [43:49] 阿甘建议毕业生：'我会建议他们去更大平台培养商业sense和judgment，这东西目前我还找不到培养路径' - [44:20] 刘开面试犀利对话：'以你刚毕业，我想不到任何你能做的事情AI做不了的'，坦言应届生价值被AI重估 - [46:14] 阿甘举例颠覆认知：公司高二实习生'丝毫不输任何一个平庸的五年经验咨询师'，AI时代年龄与资历不再重要 - **[46:49] 巨头** - [47:04] 阿甘剖析OpenAI与Anthropic下场FDE动机：大模型遭遇行业知识与数据短板，ToB落地本质是服务而非软件 - [49:10] 刘开激进预测：FDE公司应被PE/VC直接拥有，投后部门核心能力将变为AI转型，成为独占性武器 - [53:55] 刘开重新定义公司定位：被投资人称为'Service as Software'，本质提供服务但以智能体软件交付 - **[54:30] 结尾** ## Speakers - **Koji 杨远骋** (host) - **刘开** (guest) - **阿甘** (guest) ## Topics 行业应用, 个人发展 ## Mentioned Anthropic (company), BCG (company), OpenAI (company), Palantir (company), Rolling AI (company), Claude Code (product), DaVinci (product), GPT-3.5 (product), 千问 (product), 豆包 (product) ## Transcript ### 开场 **Koji 杨远骋** [0:00] 嗨 ， 我是 Koji， 那本周十字路口呢我们来聊一个最近非常热门的话题 ：FDE。 然后请到了 Rolling AI 的两位合伙人， 呃 ， 阿甘和刘开 。 二位好 ， 欢迎来到 《 十字路口 》。 **阿甘** [0:12] 大家好 。 **刘开** [0:12] 大家好 。 **Koji 杨远骋** [0:13] 事情的起因呢是 5 月初 ，OpenAI 和 Anthropic 在同一天发布了一个大新闻 ： 他们都宣布各自做了一个 10 亿美元级别的企业 AI 合资公司 ，并且称自己做的事情叫做 FDE， 叫 Forward-Deployed Engineer， 就是前置部署工程师 。 这个词呢最早来自 Palantir， 指的是派驻一位 FDE 工程师深入到客户公司的内部 ， 去从零开始帮他们定制 、 构建 、 落地一套 AI 的系统 。 那也有很多人说 ， 这硅谷就是会造概念 ， 对吧 ？ 以前我们说套壳 ，他们要说 agent harness； 那我们之前说这个售前 ，他们要说是这个 FDE。 对 ，但不管怎么样 ， 我觉得当有一个概念出现的时候 ， 它背后一定也是一些现象 、 趋势 、 有一些共识 ， 大家愿意用一个词去凝聚它 。 所以我们今天就请到二位 ， 来给我们讲一讲这个新的概念背后它出现的原因 ，以及在中国的一些实践 。 那我们还是先从快问快答开始 ： 请问二位的年龄 ？ **阿甘** [1:10] 我 88 年的 ， 今年应该 37 了 。 **刘开** [1:13] 我 83 年的 。 **Koji 杨远骋** [1:15] 毕业的院校 ？ **阿甘** [1:16] 呃 ， 我是米兰理工和统计 。 **刘开** [1:18] 我是北京交通大学的研究生 。 **Koji 杨远骋** [1:20] MBTI 和星座 ？ **阿甘** [1:21] 我原来是 ENFP， 现在是 ENFJ。 **刘开** [1:24] 我是 ENTJ， 我星座是水瓶 。 **阿甘** [1:28] 我是天秤 。 **Koji 杨远骋** [1:29] 一句话介绍一下你们的公司 ：Rolling AI。 **阿甘** [1:31] Rolling AI 就字面上就是 rolling， 就卷 AI， 就是我们卷的是 AI， 我们不卷人。 呃 ， 实际上我们自己本身是一个 AI 相关咨询公司 。 **Koji 杨远骋** [1:39] 那咱们的收入和利润目前方便讲吗 ？ **阿甘** [1:41] 有人说如果问就是千亿以内 。 **Koji 杨远骋** [1:43] 哈哈哈 。 团队的规模呢 ？ **阿甘** [1:46] 呃 ， 目前 60 多人。 **Koji 杨远骋** [1:47] 在做 Rolling AI 之前 ， 二位在做什么 ？ **阿甘** [1:50] 我和刘开其实都是连续创业者 ， 然后呃 ， 我们俩之前认识是因为在 BCG 认识的 。 我原来做过 IP 的孵化 ， 我有做过这个海外的投资的一个平台 。 **刘开** [2:00] 我是 07 年， 第一次创业 ， 然后做的是社交媒体监控 。15 年这个公司卖给了欧洲最大的社交媒体分析公司 ， 后来进入了这个咨询这个行业 ，在 BCG 一家 ， 然后出来创业 。 **Koji 杨远骋** [2:15] OK， 所以你们是 BCG 的同事 。 **阿甘** [2:16] 没错没错 。 **Koji 杨远骋** [2:17] 哎 ， 要不要先给大家讲一讲 ， 就是在你们看来 FDE、OpenAI、Anthropic 他们讲的 FDE 的时候 ，他们在讲什么 ？ 然后以及为什么在这个 AI 的大背景之下，FDE 这个词突然被提出来了 ？ ### 定义 **阿甘** [2:30] 我们有个本质的认知 ， 就 AI 跟传统软件是本来是非常不一样的 。 因为传统软件是个工具 ， 你必须要有呃 ， 人去操纵这个工具 ，而 AI 本身就是劳动力 。 所以呃 ，在很多情况下，FDE 做的事情其实有点像 ， 嗯 ， 像一个 HRBP： 我把一个数字员工放到这个企业里面 ， 帮你培养好 ， 然后呢 ， 我看着他去上岗的那个过程 ，而不是传统的软件 。 **刘开** [2:54] 今天的 AI 在企业 ， 你们别把它看成一个软件 ， 别把它看成一个 IT 解决方案 。 你得把它看成一个新的员工在上岗 ，不管他的能力有没有做到 ， 就我们觉得能力在逐渐接近人的水平 。 那一个人在企业里面上岗 ，他需要是 mentor， 帮他准备好他的工作台 、 资料 、 理解流程 ， 当然也存在一些 IT 的系统 。 这是最大的区别 ， 叫做真正你想要一个 AI 在一个公司里面上岗 ， 你怎么把公司的上下文能够教给他 ， 能够给他一个工作台运作起来 ， 这是 FDE 要干的事 。 **Koji 杨远骋** [3:28] 我觉得这个蛮有意思的 ， 就是原来是卖个软件 ， 然后我们的这个服务可能是来教你的员工怎么用软件 ，但其实现在有点像就是卖了一个数字员工给你 。其实这个 FDE 就是帮数字员工更好地融入企业 ， 去产生他的价值的一个角色 。 **阿甘** [3:44] 帮他上岗 。 **Koji 杨远骋** [3:45] 帮他上岗 ， 哦 ， 这还挺有意思的 。 你们原来也会叫自己 FDE 吗 ？ 原来就有这个岗位吗 ？ **阿甘** [3:52] 嗯 ， 我们不太叫自己 FDE， 我们更多把自己叫 builder， 就是 business builder。 **刘开** [3:59] OK，但这个岗位都是像 FDE 这种工作 ， 包括我们甚至我去看了 Palantir，他的 FDE 在企业工作的那些视频 ， 做的事情跟我们一样 。 **Koji 杨远骋** [4:09] 咱们开始做这个给企业 AI 的 ，不管叫 FDE 也好 ， 叫 business builder 也好 ， 我们做了多久了呀 ？ 我们服务了大概多少企业 ？ 这里面可能最大的企业 ， 如果不能说名字 ， 我们可以说一下规模大概是什么 ？ **阿甘** [4:23] 我们实际上从 22 年开始 ， 就是那时候 GPT-3.5、DaVinci 刚有接口的时候 ， 我们就正好有这个客户 ，有这个相应的需求 。 我们实际上从那时候到现在快 4 年多了 ， 我们是最早的一批开始帮企业做 AI 转型的这个服务的 。 我们到现在基本上服务了快 100 多个企业了 ， 现在基本上都是这种全年制的 。 所以呃 ， 目前都是大客户 ， 每个每个客户都是大客户 。 **Koji 杨远骋** [4:47] 哈哈哈 。 平均客单价是 ？ **阿甘** [4:48] 呃 ， 我们几百万到千万 。 **Koji 杨远骋** [4:50] 好 ， 我们待会会重点来聊一聊 ， 就是你们服务这些客户里面的案例的故事 ， 包括踩过的坑 。 但在此之前 ， 还是想聊一聊 ，因为二位都是 BCG 的背景 ， 我们的听众里面有非常多 MBB 的朋友 。 **刘开** [5:02] OK。 **Koji 杨远骋** [5:03] 或者前校友 ， 然后大家可能多多少少也有一些这个在职业的十字路口的感觉 。 所以想先听二位讲一讲 ， 就你们当时是出于什么考虑 ， 从 BCG 出来做现在这个 Rolling AI？ **刘开** [5:15] 我们也很明确地发现 ，MBB 这样的企业在服务中国的本土企业里面遇到了一些困难 ，不管是它的收费的模式 ， 包括它能够落地真正帮助中国企业家的这种方式 ， 遇到了一些困难 。 中国企业家也不像 90 年代末 、00 年初的那个时代那么迷信说海外的咨询公司或者一个所谓的专家 ，他们会非常在意 。 就中国就这一点是特别不同的 ， 就中国的企业家基本上还是一代和二代 ， 没有 ， 几乎很少有职业经理人。 而一代和二代都是为了自己企业的利润 ， 或者自己企业的长效发展 、 长治久安来来思考问题的 。 所以他不会太在意这种阶段性的 paperwork 写得怎么样 ，他非常在意能不能做下去 ， 能不能做出结果来 ， 能不能带来组织上的改变 。 这件事情其实虽然 MBB 也在做 ，但是它的成本结构和它的定位导致它很难做得非常深入 。 **Koji 杨远骋** [6:19] 你们当时在 BCG 做过最贵的一个项目是多少钱的项目呀 ？ **阿甘** [6:23] 相当贵 。 哈哈哈 ， 相就只能说相相当贵 。 **刘开** [6:28] 九位数 ？ **阿甘** [6:28] 呃 ， 快接接近九位数 。 **Koji 杨远骋** [6:31] 哦 ， 就一亿人民币 。 **阿甘** [6:33] 对 ， 就接近接近九位数 。 **Koji 杨远骋** [6:35] 哎 ， 之前在 BCG 做咨询 ， 然后现在在 Rolling AI，也其实通过咨询的方式给客户提供服务 。 然后当时的项目 、 今天的项目 ， 当时的客户 、 今天的客户有什么相同哪些不同 ？ **阿甘** [6:47] 客户类型最大不同就是当时主要服务跨国企业 ， 就现在主要服务民企 。 实际上做的事情的本质 ， 我觉得还是比较像的 ， 都是为了解决呃 ， 商业上的一个特定的问题 。 然后第二就是在解决问题的时候 ， 我们的呈现形式是我们重新 build 一个 business。 **Koji 杨远骋** [7:04] 有没有 AI 这个带来的影响大吗 ？ **阿甘** [7:06] 呃 ， 我觉得影响非常非常大 。 **刘开** [7:08] 对 ， 我觉得非常大 。 传统咨询行业简化它就是我得到一个问题 ， 我进到这个产业和这个企业里面去做调研 ， 去用以往的经验 、 以往的成功和失败去梳理一个框架 ，并且交付出来一个 200 页的 PPT。 但今天不是 。 今天我们做完咨询 ， 前面做的所有事情都一样 ， 我依然要理解这个行业 ， 理解这个公司 ， 理解它背后做过的努力 ， 背后解题的资源 。 但我交出来不是 PPT， 我交出来是一个智能体 。 因为所有 PPT 里面讲的最好的做事方式 、 最好的协同方式 、 最好的呃 ， 信息流转方式 ， 我都可以在智能体里面实现 。在当年要实现一套新的业务模式 ， 可能它的成本是半年甚至一年， 今年做一个智能体上线可能是几个月 、 几周 。 甚至在我们公司内部其实有一个明文的标准 ， 叫做所有的智能体必须在 15 天内上线 。 **Koji 杨远骋** [8:02] 15 天 ？ **刘开** [8:03] 对 ， 原因也很简单 ，因为你雇一个员工 ， 你不会让他去一个学校学习三个月再来上班的 ， 你会最多给他 15 天的培训期 ，他就得开始干活了 。 **Koji 杨远骋** [8:13] 哎 ， 你们如果要分享一个案例 ， 特别能够代表你们 ， 今天把一个智能体送去一个企业 ， 让它开始干活 ，并且 build business， 然后最后产生一些结果 ， 你们会想到什么样的案例啊 ？ ### 案例 **阿甘** [8:24] 我们第一个就是 2022 年开始的那个 。 当时的状况是这样 ， 就是它是一个乳品的企业 ， 就是大家知道 ， 就是当出生率不是那么呃 ， 旺盛的时候 ， 实际上整个乳品是一个下滑的这个态势 。 所以呢 ， 很多乳品企业其实它想到的是第二曲线 ， 比如说有的企业它想做快消 ， 就是做水啊 、 做饮料啊 ，其实有的企业会想去做跟乳品相关更高溢价的东西 ， 比如说呃 ， 蛋白饮 、 益生菌 ， 就等等之类的 。 但它们的最大的问题在于 ， 它原有的这个经销的渠道其实不适合于卖这些高溢价的东西 ， 它需要有一种全新的销售方式 。 这是我们的 problem， 我们的第一个解决方案其实是 ， 我们在看全市场有没有足够多的营养师在线上能够服务这群人。 我们当时把全中国的营养师大概算了一遍 ， 全中国真正出生营养师可能就 40 万人 ，而它要服务的群体是 8,000 万人。 我们算了一下， 这个差距大概 10 倍左右 ， 要服务这么多人。 **刘开** [9:17] 而且它每次服务成本我们当时核算下来 16 块钱 。 **阿甘** [9:20] 对 ， 那当时就正好 GPT-3.5 发的结果 ， 我们就有一个感觉说 ， 能不能把它变成一个几十万的这种营养师什么等等之类 ， 来服务这家企业 。 于是我们当时呃 ， 做了营养健康的模型的微调 。 **刘开** [9:33] 这个平台最后承载了这家企业 600 万的在线用户 ， 就这一个小姑娘在运营 ， 然后这小姑娘带了 50 多个机器人， 有的做测评 ，有的写帖子 ，有的做营养咨询啊 。 **Koji 杨远骋** [9:44] 这是没有 AI 做不到的 ？ **阿甘** [9:47] 没有 AI 是完全做不到的 。 **刘开** [9:49] 我刚才说的成本呢 ， 这个当时我们核算下来 ， 一次的服务成本已经降到一毛钱还是 4 分钱 。 **阿甘** [9:56] 对 ， 然后然后讲一讲一个小故事 ， 就是一开始的时候 ， 实际上现在大家比如说用豆包用千问 ， 你去问一个说我要减肥 ，他一定就开始给你一个 solution。 但实际上我们发现 ， 一个正经的减肥师过来看到这个答案 ，他说你这样说的不对 。 如果有个人问说我要减肥 ， 你的第一回答是 " 你又不胖 ， 你为什么要减肥 ？" 就上来第一步其实是一个情绪价值 ， 然后呢 ， 第二步问你最近吃了什么 ， 你最近一周的饮食习惯是怎么样 ， 你的健身习惯是怎么样 ， 你减肥的目标是什么 。 **Koji 杨远骋** [10:26] 所以这个 onboarding 或者转化客户的过程 ， 要先有情绪价值 ， 然后让他给 input。 **阿甘** [10:31] 类似这样的员工上岗 ， 都是要找到一个好的师傅 。 **刘开** [10:34] 好的师傅教给这个 AI 的是一个专业的服务流程 。 **Koji 杨远骋** [10:38] 哎 ， 我记得之前你们也分享过 ， 就是你们应该也有一些客户是比如线下的奶茶连锁 ， 那在这样的奶茶连锁的企业里面 ，他的师傅是谁啊 ？ **刘开** [10:47] 是优秀的店长 。 **Koji 杨远骋** [10:49] 就找到企业的这个优秀的师傅是非常重要的 ， 然后所以进到每个企业都要去识别谁是这个最优秀的 ，在一线有最多实践的这种过程经验的人。FDE 要去和他做什么 ？ **刘开** [11:01] 在 25 年之前 ， 我们会把最好的金牌销售拉过来 ， 最好的培训师拉过来 ， 我们做访谈 ， 我们总结他的最佳实践 ， 总结他的最佳的思维方式 ， 自上而下的这么一个梳理方式 ， 然后把这个梳理的结果和最佳实践话术等等的放到 AI 里面去 。 呃 ， 从 25 年下半年之后， 我们开始逐渐的不这么做了 。 呃 ，因为我们发现在整个商业社会中， 所谓的做生意的最佳实践 ， 它可能就没有一个权威的 top-down 的解法或者正确答案 。 呃 ， 事实上在一个门店里面 ，不管做奶茶还是在一个门店里面卖货 ， 还是在一个城市里面卖保险 ， 成功的方式有千千万 ， 都很不错 。 所以我们现在从 top-down 变成了 bottom-up， 比如说在一些连锁经营的门店里面 ， 我们就会有一些 AI 的机器人， 每天下班之后就跟店长复盘 ， 今天做了什么 ， 做得好做得不好 ， 你觉得为什么 ， 对吧 ， 把复盘的经验采集下来 ， 把每一个店长 、 呃 ， 优秀顾问 、 教练 、 金牌销售身边都放一个助手 ， 然后这个助手就有点像我们咨询行业做 shadow 一样 ， 就做一个陪 跑生 ，在旁边观察着 ， 逐渐的他会越来越聪明 ， 越来越理解 。 **Koji 杨远骋** [12:18] 就是不是提问去获得信息 ，而是就是在他旁边去观察他 。他也会有互问互答的方式 。 这听起来也很像在蒸馏一个员工 。 **阿甘** [12:28] 这套东西我们叫学徒 ， 学习最好的老师傅 ， 变成这个这个状态 。 **Koji 杨远骋** [12:33] 哎 ， 那会遇到一些抵触吗 ？ 比如说老师傅会说啊 ， 你把我的蒸馏了 ， 或你把我的学走了 ， 那我之后在企业的价值也没了 。 **阿甘** [12:41] 你要学习他的东西 ， 首先你要给他付出一点东西 。 所以呢 ， 我们所有的学徒进去之后， 肯定是先帮这个老师傅去干一点活 ， 比如说呃 ， 实际上这个智能体不仅仅只是学习 ， 我们会日常 ， 比如说他要排班的时候 ， 我会给他一些建议 ， 比如说这个他要去做这个营业的预估的时候 ， 我们会给他提出一些东西 ，他会觉得这个学徒在他身边是 有用的 ，他才会教这个学徒 。 **刘开** [13:04] 我们并没有觉得 AI 比人强 ， 我们绝大多数发现都是 AI 加人强过人， 然后人强过 AI。 所以绝大多数情况下， 一个能被蒸馏出经验的优秀基层员工 ，其实是这个企业最大的资产 。其实是不应该被你放弃的 ，因为每天商业场景都在变化 ， 每天都有新的竞争事态 ， 每天都要做新的判断 。AI 能够帮你想很多事情 ，但不能取代你的决策 。 这是一个点 。 第二个点是 ， 确实因为这样的机制存在 ， 我们会发现能产生复盘和经验的优秀员工 ，他的价值变化了 。 呃 ， 举个例子 ， 就以前你是一个金牌销售 ， 对吧 ， 你能卖人家的两倍三倍很了不起了 ， 你再做得厉害一点 ， 你说我带土地 ， 我整个团队都能做到人家两倍三倍 ， 很了不起了 。 但今天不是 ， 今天你积累的经验和方法论 ，是可以复制到全国所有的省， 所有 1,000 个小时 、1 万个小时身上的 。 那意味着说你对企业的价值就此增大了 ，而这个增大应该配对一些对应的激励 。 这也是我们在转型过程中会告诉企业家去做的 ， 你得激励那些能给你的 AI 带出好的 AI 智能的这些员工 。 **Koji 杨远骋** [14:20] 还有一个具体的案例可以分享一下吗 ？ **阿甘** [14:23] 通常连锁里面 ， 它很重要的一个工作就是预估第二天的营业额 ，因为预估了营业额之后， 它就能基于这个营业额去排班 ， 它就能预估第二天我要去进多少的货 。 呃 ， 这种的预估通常以前都是总部的一个某种算法 ， 后来我们发现这个算法通常是不准的 。 为什么 ？ 因为每个门店的情况太不一样 ，有些地区下雨 ，有些地区不下雨 ，有些门店旁边忽然有个新店开张 ，有些门店它就是在夜店边上等等之类 ，有各种各样的奇奇怪怪的因素 ， 会导致每个门店的经营上下文特别不一样 。 后来我们把总部的这种比较一刀切的这种算法全部拆掉 ， 我们拆成说 ， 我们给每一个店长都配一个帮助到他预估营业额的这种呃 ， 副店长或智能体 ， 我们告诉他说哦 ， 明天下午可能会下暴雨 ， 明天哦 ， 我看到你周边忽然有一个店在做活动 ， 明天呃 ， 会发生什么事 ，由他最终来决定他应该雇一个什么样的职 ，而不是由一个系统告诉他应该雇 一个什么样的职 。 就呃 ， 我们做了这个改变之后， 我们发现整体的这个预估准确率高了非常非常多 。 我们现在越来越觉得 ， 就赋能一线是一个特别有值得做的一件事情 ，因为所有的经营的事情都发生在一线 ，而他们作为一个店长 ，他们反而变成了一个上下文的提供者 。 上下文越准 ， 就大模型能够帮到他的地方越多 ，而每家门店的上下文都不一样 。 给更好的上下文的时候 ， 人加 AI 比人又更强了一些 。 我们觉得 AI 更多是书本智慧 ，但中国的很多很多商业场景里面有太多的街头智慧 ， 就有一个店长 ，他在某一个方面曾经想过一个街头智慧的东西 ，他就特别特别的厉害 ，而那件事情 AI 一定没有办法就在那个情况下想到 。 对 ， 所以呢 ， 我们会收集这些所谓的街头智慧 。 **Koji 杨远骋** [16:10] 还有这样类似街头智慧的故事吗 ？ **阿甘** [16:13] 我再举个那个零售门店的那个案例 ， 比如说我们我们之前在这个这个连连锁的某某个餐饮 ， 我们发现就是当呃 ， 这个区域下暴雨的时候 ， 呃 ， 这个门店那天下午的营业额就会比较差 ， 然后呢 ， 呃 ， 这时候就带来一个问题 ， 就是因为之前头一天都排过班了 ， 然后呢 ， 如果下了暴雨营业额又很差 ， 那个人员必然是浪费的 。 就那个浪费我们统计了一下， 如果按照 1,000 个门店算的话 ， 一年可能大几百万的钱 。在这种情况下， 聪明的店长会怎么做 ？ 就在他知道可能会下大暴雨的情况下 ，他会和临时员工先打好电话说 ， 第二天我有可能不会叫你来 ， 就但是呢 ， 你可能要做好这个相应准备 ， 这样的话 ， 那个临时员工心里也有也有数嘛 ， 就他不会生气啊等等之类的 。 就当这个街头智慧如果能够推行到足够多门店 ， 整个体系一年就能省几百万 。 而这种案例 ， 呃 ， 原来其实通过每个人是没有办法推行的 ， 就一层一层的往下压 ，也没有办法推行 。 **刘开** [17:13] 我们有一套 AI， 它也像一个副店长一样 ， 帮助店长去选他的货盘 ， 然后定他的价盘等等的 。 然后我记得当时有一个 AI 副店长和店长聊 ，他们在看那个冷柜 ，他们专门在做冷柜的酸奶品类的盘点 ， 这一家店为什么酸奶卖的不好 ， 然后那个副店长说 ， 哎 ， 你们家店为什么大包装的 ， 我记得叫成功还是叫哪一个品牌的大酸奶 ，他说根据我拿数据分 析 ，在你周边的七八家店都卖的很好 ， 为什么你这里就卖的不好 ， 呃 ，是不是你这里人都觉得比较高端 。 店长说不是呀 ， 我这里人没有很高端 ， 我就是一个社区店 。他说那你为什么卖的不好呢 ，但是我看到你这里的卡士 ， 当时有个品牌叫卡士啊 ， 说你这里卡士的这种优酸乳啊 ， 卖的特别好 ， 还是很贵的 。 所以 AI 说我觉得你是因为你人群很高端 。 店长说不是的 ，是因为我 5 米之外开了一家叫乐福的超市 ， 比我大两倍 ， 然后只要他卖的东西就比较便宜 ， 这些高端的卡士东西他不卖 ， 那个大包装的他也卖 ，他卖的更便宜 ， 所以我卖不掉 。 然后 AI 说哦 ， 那行 ， 那咱换个方式 ， 咱就抢不过那家店 ， 咱的所有的酸奶或者冷藏饮品的策略全部改成我只卖我们家供应商独供的东西 ，以及高端的东西 ， 这样子大家不关心价格 ， 只关心进不进货品好不好 ， 马上我们销量能增 40%。 啊 ，但这些你说没有光靠 AI 去判断 ，他可能完全得出一个错误的结论 ，因为他不知道一线发生了什么 ， 得店长和 AI 在一起才能得出正确的结论 。AI 是能给店长很多补充补充思考的 。 **Koji 杨远骋** [18:57] 所以当你说到副店长的时候 ，他就是 AI 是吧 ？ **刘开** [19:00] 对 ， 我当我说副店长的时候是 AI， 我们已经习惯这个语境了 。 **Koji 杨远骋** [19:03] 我记得原来看这个 711 的一个故事 ， 就是我当时知道一个冷知识 ，是 711 其实一开始是美国企业对吧 ， 然后日本拿了他的授权 ， 然后但日本越做越大越做越强 ， 就把美国收购了 ， 现在 711 是一个日本企业 。 当时 711 有一个拐点 ， 就是当时他们给到一线的店长进货的决策权 ， 所以每个店长可以自己决策 ， 明天我要加多少酸奶 ， 明天我要加多少巧克力 ， 原来都是统一调度 。 然后 711 在日本做了这个改变之后， 然后业绩带来了一个非常大的提升 ， 所以还是这个把权利下放到一线去决策 。 但在过去其实有很多的困难是店长不管是他的这个信息采集和信息分析的能力 ， 包括他去做这些分析或采集的时间 ， 都没有那么的充分和全面 ，但现在有了一个 AI 副店长的帮助 ，他可以做得更好 。 **刘开** [19:56] 没错没错 ， 这就就您说的特别对 ， 就是 AI 最大的红利不在于说我能在顶部或者总部做一些自上而下的策略性的事 ，而是我能够把一个普通的智慧陪在我们的店长 、 销售人员身边 。 ### 角色 **刘开** [20:11] 这店长 、 销售人员他不是学商科出身的 ，他不是有完整的经过什么逻辑训练能力出身的 ，他需要一些基础的智慧帮他理清楚这些事情啊 ，以前是做不到的 ，以前你没办法有 1 万个教练 ， 今天你可以有 1 万个教练陪着他们 。 **Koji 杨远骋** [20:28] 而且也像我们今天在说这个呃 ， 越来越多的通用 agent 在电脑上面 ，他要变得更聪明 ，他需要拥有更多的上下文 ， 所以我们开始让他录我的屏幕 ， 然后开始让他听我所有的会议 ，他知道的越多他就会越聪明 。 所以在一个店感觉是类似的 ，他如果能够知道这个店越多的情况 ， 甚至知道这个店周边 500 米 、2 公里就越多的信息 ，他能做的这个决策就会越准 。 **刘开** [20:54] 没错没错 。 **Koji 杨远骋** [20:55] 那聊到这里 ， 这个我们说的这些和 FDE 它的关系在哪里啊 ？ 就 FDE 在这里面扮演的角色是什么呀 ？ **刘开** [21:01] FDE 在这过程中承担了好几个角色 ， 呃 ， 本质上它带着一群像呃 ， 北大清华或者斯坦福的年轻人， 这些年轻人是 AI 啊 ， 带着一些年轻人去一个便利店 ， 去一个营销部门 ， 甚至去一个人事部门上班 ， 对吧 ， 比如说做面试这件事情 ， 你是没办法让一个 AI 上直接就面的 ， 我们在内部要做大量的对齐 ， 对我们考察的是什么样的能力 ， 我们觉得什 么样是呃 ，是对面试者不友好的 、 不尊重的 ， 什么样的方式才是友好和尊重的 ， 这都是 FDE 在现场去做判断的 。 我们今天好像是一个 AI 人力外包公司 ， 对吧 ， 这个 AI FDE 就是那个人力外包公司的工头 ， 哈哈 ，他带着这些员工进去 ，但他要不是把人扔在那就行 ，他得确定他们能够执行工作 ， 甚至确定他能执行足够高质量的工作 ，他才能离开 。 所以他要做呃 ， 我们说三大块嘛 ， 就是业务的融合 ，他要做知识的治理 ，他要做系统的对接啊 ，他这三件事情都做好了 ，他才能够离开 。 **Koji 杨远骋** [22:06] 我觉得这个工头这个比喻很有意思啊 ， 就我们说 FDE 的时候感觉很高大上 ，但是有点云里雾里 ，不知道到底干嘛 ，但是一说工头好像一下子就懂了 。 嗯啊 ， 那一个好的工头和一个不好的工头 ， 就是一个好的 FDE 和不好的 FDE，因为你们有 60 多位员工 ， 对吧 ， 那呃 ，他需要一些什么样的品质才能做好 ？ **刘开** [22:26] 我觉得它核心要有这么几个能力 ， 第一个能力叫做它有某种咨询背景的能力 ， 能够一眼看穿这个业务的痛点本质到底是什么 ，是缺人还是缺知识 ， 还是缺沟通 ， 还是缺协作 。 当他缺人的时候 ， 你去做沟通的事情 ， 当他缺沟通的时候 ， 你去死拼干活 ， 都都不解决问题 ， 对吧 ， 这是第一 。 然后第二 ， 它需要有一定的我们叫做人机协作的原生能力 ，他能很快的理解到说任何一个工作都不是机器人全部干完的 ， 我怎么样把这个合理的拆解成若干个小任务或者小工种 ， 然后把人放在最重要的位置上 ，并且告诉人类员工说这件事情还是得你来做 ， 审核 、 评判 、 规划还是得你来做 ， 剩下的事情我让机器员工补偿 。 第三者 ，他能够很快的构建起来 ，他真的拿出我们的 AI 工具 、Vibe Coding 的工具 ， 能够在半天 、 一天 、 两天的时间把体系的原型就构建起来 ，他能够写智能体 ，他知道怎么编排 ， 对吧 ， 这就为什么我们前面说 FDE 它不像一个 engineer，也不像个销售 ，有点销售的这种感觉在里面啊 ， 确实 。 **Koji 杨远骋** [23:40] 听起来很厉害 。 **刘开** [23:42] 听起来很厉害 。 **Koji 杨远骋** [23:42] 这样的人是可以培养的吗 ？ **阿甘** [23:44] 未必短期能培养起来 。 **刘开** [23:47] 可能培养不出来 。 **Koji 杨远骋** [23:48] 哈哈哈 。 这个问题就是 AI 时代需要什么样的人才 ？ **阿甘** [23:54] 是 。 商业判断力也是某种 taste， 它是在当 AI 能给出足够多答案 ， 然后呢 ， 能采集会足够多信息的时候 ， 下步应该怎么做 ， 应该往哪个方向的那种 got feeling， 就是有有一点点玄学 ， 它并不是非常非常系统 。 **Koji 杨远骋** [24:12] 哎 ， 所以我听下来可能和之前 BCG 做的事情真的还挺不一样的 。 **刘开** [24:17] 我们会觉得内核其实挺相近 ，但是所有的做事方式和呈现出来的结果都非常不一样 。 **Koji 杨远骋** [24:23] 内核还是解决问题 。 **刘开** [24:24] 内核还是解决问题 。 **Koji 杨远骋** [24:25] 但是这个做的方式 、 工具 、 需要的人才都不一样 。 **刘开** [24:29] 都不一样 。 对 。 **阿甘** [24:31] 而且我我们发现有一个有一个有趣的地方是 ， 传统的咨询公司来自于上一个所谓上一个时代 ， 就工业时代有很多东西 ， 我们觉得 AI 来的时候就这些事情都变了 ， 比如说呃 ， 管理层 ， 管理层的核心工作是传递信息 ，而现在传递信息这件事情就越来越被替代 。 之前我们做的大量的工作 ， 实际上是帮助一个公司去做标准化 ，而现在我们对于标准化这件事情 ， 对这三个字是有反抗的 ， 每个门店都应该有每个门店自己的经营上下文 、 经营的思路 、 经营的方式 。 **刘开** [25:05] 中国的企业家其实很厉害 ，在 AI 赋能的这个时代里面 ， 原来的很多语境和智慧已经不对了 ， 就比如说我们认为 SOP 代表着落后， 有点暴论啊 ， 我们认为 SOP 代表着慢 ， 代表着落后， 呃 ， 标准化代表着你只做到了全局 60 分 ， 你没有去让每个人都能拿到 90 分 ，而今天 AI 做的是保证你每个店都能做到 85 分 、90 分 。 ### 变局 **刘开** [25:30] 我觉得这种思维方式可能只有在中国这么剧烈竞争又剧烈迭代的市场才能产生出来 。 所以在我心中， 作为一个中国人， 我觉得下一代的管理智慧可能会由中国企业家和中国企业来引领 。 **Koji 杨远骋** [25:45] 这个让我想到这个 ， 比如说抖音也是改变了媒体分发的机制 ， 对吧 ， 千人千面 ， 每个人看到的东西都更加个性化 ， 所以它得到了更高的这个留存和商业价值 ，但这消费端 ， 那现在我们在生产端也开始让每个店或者每一个这个最小的商业单元 ， 每个服务者 ，他都可以这个千人千面的生产 。 所以你们觉得这个下一代的管理智慧 ， 如果是来自中国企业家的话 ， 你们觉得他可能会来自哪里 ，以什么样的方式呈现 ？ **刘开** [26:15] 我们认为标准化这件事情 ， 它的本质是保底线的 ， 从怎么样用标准化保底线 ， 变成怎么样用好的智能到一线去提供最优解啊 ， 我觉得这是一个很重大的管理智慧的变化 ， 这个管理智慧的变化就会导致我的管理方式会变啊 ，以前每一个总部都有大量的标化部门 、 呃 ， 信息化部门 、 呃 ， 内审部门 、 各种采购部门 ， 本质上都在管着门店和销售 人员和销售网络的每一个节点 ， 说你不能乱搞 ，而我们觉得这件事情会逐渐的降低和降温 ，而变成总部会要变成一个赋能型的企业 ， 每一个人或者每一个组织都带来自己的智能体 ， 告诉你门店怎么样弄 ， 能够再多拿一点业绩啊 ， 这是一个巨大的不仅仅是管理模式上的变化 ， 甚至从我的组织模式 、 从部门设置上可能都会有变化 。 **Koji 杨远骋** [27:12] 你觉得这个有没有 AI 是有天壤之别的吗 ？ **刘开** [27:15] 我觉得会有天壤之别 。 我觉得没有 AI 做不到 ，是因为原来叫做在一个组织里面经营智慧的脑力或者智力生产力是不够的 ， 真的懂得又讲得清楚的 ， 又能培养和辅导的人是不够的 ， 对吧 ， 今天够了 ， 只要顺利开跑 ， 你你有无限的智力生产力 。 **阿甘** [27:35] 海外的公司 ， 它的主要的管理方式是过程争议 ， 它要把所有的过程尽可能地争议 ， 国内的企业家才不管那么多过程 ，他只要结果争议了 ， 什么样的路径他都可以接受 。 第二就是我们认为所有的中国企业家都亲力亲为 ， 我觉得亲力亲为这件事情在 AI 时代特别重要 ， 自己打智能体 ， 自己上 Claude Code 什么等等之类的 。 **刘开** [27:57] 可能底层原因是因为企业家是不是是不是企业的 owner， 可能决定了绝大多数事情 。 **Koji 杨远骋** [28:02] 就我们可能一代二代还在一线 ， 对吧 ，但可能美国有太多企业已经是企业经理人在接班 ， 大家的这个目标函数不同 。 对 ， 哎 ， 那在你们看来 ， 比如说呃 ，AI 通过 FDE， 对吧 ， 进企业去赋能他们 ， 呃 ， 技术占比有多少呀 ？ 就其他方面又有什么样的占比 ？ **刘开** [28:20] 我个人会感觉技术占比不会超过 1/3。AI 的这次变革 ， 它不是一次所谓的呃 ， 技术浪潮 ， 它是一次完整的生产力革命 ， 它的对社会的影响幅度会超过互联网 ， 它会像当年电力革命一样 ， 电力革命大量地取代了体力劳动 ， 那今天 AI 革命或者大模型革命会大量地取代智力劳动 。 如果我们回头去看电力时代 ， 人变了 ， 生产工序变了 ， 员工的培训方式变了 ， 商业也变了 ，以前没有夜间商业 ，以前没有大商场 ，以前没有娱乐业 ， 现在都有了 。 我们认为 AI 革命会是像这么一个革命 ， 当然我们还在整个革命可能 10 年、15 年、20 年的非常早期的这么几年 。 如果是做这样的革命的话 ， 它的核心是组织的变化 、 商业模式的变化 、 人才的变化 ， 它的核心就接上电或者接上模型那个技术的事情 ， 只占它很小很小的一部分 。 **阿甘** [29:18] 当时英国一个地方叫兰开夏郡 ， 对吧 ， 那时候纺织业本身占全世界 70% 左右的 ，在电力革命被落下了 。 你说他用没用电 ，他用电了 ，但他用电的方式是他只把电接到了他原来蒸汽机的那个大轴上 ，他的整个生产方式还是蒸汽时代的生产方式 ，而那个时间段 ， 美国 、 日本 、 德国全部都用完全电力原生 ， 就像现在说 AI 原生的方式 ， 重新构建了它的整个生产组织 ， 包括 厂房 。 所以它的变化是非常非常大的 ， 它不仅只是接了电而已 。在每一次大的生产力革命 、 电力革命 、 互联网革命 、 移动互联网革命 ， 每一次都有 95% 的企业在这个过程中就消失了啊 ， 这真正能跨越周期的企业可能就是 5%。 而所有消失的 95% 的企业 ， 相信我 ， 它都接了电 ， 它都上了网 ， 它不是因为不上网才被消失的 ， 它是因为没有全心全意地把它当成一个原力去围绕它重构自己的商业 ， 所以才被消失的 。 仅仅接上电 ， 仅仅接上网 ， 仅仅接上大模型 ，是不能阻止你的企业在这个过程中被消亡的啊 ， 如果你的做事方式不变的话 。 **Koji 杨远骋** [30:27] 所以就是 AI 这个技术本身 ， 可能在企业落地 AI 的过程中占比很小 ， 就是更多的其实可能还是其他的方面 。 对 ， 可以具体展开一下吗 ？ **阿甘** [30:38] 我们做很多跟销售相关的 ， 我们发现呃 ， 销售这个群体呃 ， 特别奇妙 ， 就是他们非常结构导向 ， 所以呢 ， 只要跟自己的利益没有太大的变化情况下， 什么东西他们都不爱用 。 所以呢 ， 我们会和业务方一起去改他的绩效 ， 你可能原来是 100% 结果的绩效 ， 我现在会把它改成 80% 结果的绩效和 20% 的过程的绩效 ， 你提供越多的东西 ， 你能够积分 ， 然后你能够得到相应的钱等等之类的 。 就是这些东西如果不推动 ， 我们相信 AI 就在里面是不可能落得了地的 。 **Koji 杨远骋** [31:09] 嗯 ， 所以这听起来都是曾经踩过一些 AI 无法落地的坑 。 还有什么坑吗 ？ **刘开** [31:14] AI 整体的 AI 转型项目的成功率应该不到 50%， 超过 50% 的失败率最重要的三个原因 ， 第一个大的原因叫做今天的有一些 CEO 对 AI 能做什么有超出现实的预期 ， 呃 ， 这个是要去管理控制和帮助他理解的啊 ， 就他不能理解 AI 是超人， 就所有事情就我企业反正怎么弄都行 ， 只要上了 AI 企业就起飞了 ， 一定不是这样啊 ， 这是第一啊 。 第二 ， 呃 ， 我觉得最核心的叫做不要让 IT 团队来 lead 啊 ， 得让业务团队来 lead 啊 ， 业务团队如果把自己当成一个乙方 ， 呃 ， 让 IT 团队 lead 这件事情几乎一定会失败 。 你会发现谁懂怎么选货盘 ， 谁懂怎么去预估营业额 ， 谁懂怎么去对付一个客户 ， 怎么让他买保险 ， 都是业务团队 ，IT 团队提供不了这样的知识和经验 ， 对吧 ， 大量的企业依然它的思维定式叫做 IT 团队承接 AI 的这件事情一定会败啊 ， 这是我觉得第二大问题 。 ### 死法 **刘开** [32:24] 第三大问题就是在底层没有业务团队和组织的对应的激励的改变去配合这个模式的改变 ，因为大家不要把它看成一个 工具的上线 ， 它是一堆员工上线 ， 一堆新的生产力来了 ， 我们的生产关系要改变了 ， 对吧 ， 人和人的关系变了 ， 人和机的关系变了 ， 我们的目标可能也变了 。在这个过程中， 我做什么样的事情应该被激励 ， 什么样的事情已经不需要我做了也要跟着变 。 我觉得可能最大的三个坑在这里面 。 **Koji 杨远骋** [32:58] 就这里能想到什么故事吗 ？ 尤其是这个 ， 比如说 IT 人员 ，他们可能在中间成了这个 AI 落地的拦路虎的故事 。 **阿甘** [33:07] 就是我们当时进很多大的这种跨国公司的时候 ， 我们第一要搏斗的实际上是 IT 里面的 IT governance， 就是他们的第一诉求是我怎么样能确保过程正义 ， 确保我的数据安全性下去 。 我觉得都没有错 ，但是呢 ，他们把这个列为第一优先级 。 **刘开** [33:27] 华熙生物的董事长在我们一个 AI 工作坊里面 ，他在内部说说如果你做 AI 提效 ， 做什么 50% 的提效你就不要做了 ， 你就做 3 倍 、5 倍 、10 倍的事 。 如果你仔细摊开你的业务 ， 想想无穷无尽的智力生产力 ， 你应该总能找到不是一个 ， 可能是若干个能够重构你的整个商业模式 ， 或者再退一步 ， 至少重构你整个做事的工作流程的这样的事情 。 这样的事情给你的提升应该是不说 100 倍 ， 应该是几十倍或者几倍的提升 。 **Koji 杨远骋** [34:03] 有这样的案例吗 ？ **阿甘** [34:04] 我举个例子 ， 我们曾经帮个租房平台 ， 就是租房平台都有一个角色叫做管家嘛 ， 就管家就是管所有的租房的人的大小的事情 ， 就是什么邻居家狗吵架啊 ， 就是叫啊 ， 什么这个什么那个邻居妈妈又来啊 ， 带男朋友进来啊 ， 空调漏水啊 ， 就各种各样的事情 。 然后呢 ，但实际上我们进去的时候 ， 呃 ，他们想象中就是啊 ，AI 能不能帮我的每个人自动回复 ， 回复得更快啊等等之类的 。 但实际上当我们进去的时候 ， 我们发现他们在业务上， 呃 ，有两个巨大的痛点 ， 就是本身呃 ， 成熟化率足够的情况下， 租房它这个业务本身是在下降的 ， 所以呢 ， 它应该卖更多的服务 ， 什么家政保洁啊 ， 什么宠物上门喂啊 ， 各种各样的服务 。 但是实际上就管家这个角色被日常的所有的琐事困住了 ， 就是每天要回复大量的带有情绪的问题 ， 然后呢 ， 根本没有时间去去卖这些东西 。 而我们进去之后， 首先定义清楚机应该做什么 ， 人应该做什么 ， 人应该做有温暖的 ， 带就是更多的照顾人情绪的关怀啊 ， 日常的这些所有的琐事应该由 AI 来负责来解决 。 基本上从呃 ， 那一年结束的时候是呃 ， 一对 500 到一对 1,200， 然后呢 ， 呃 ， 今年我们的目标是一个人能对 2,000 个人 ，但这一个人实际上他的日常的工作是变少了 ，而他更多的精力会放在比如说关怀等等。 我们会用一个这个偏销售机会探查的智能体告诉他说 ， 哎 ， 你看到了这家的租客家里有猫 ， 然后他跟你说这几天要出差 ， 这时候有个机会你应该给他卖宠物上门喂养 ，以及什么上门保洁 ， 什么什么什么除猫毛什么之类的 。 所以呃 ， 基本上我们在改变他的整个商业结构和这个商业的目标 。 **刘开** [35:45] 这个部门其实没有裁员 ， 呃 ， 它只是用人做更多主动关怀 ， 所以它的服务质量提升了 ， 它的呃 ， 好感度提升了 ， 它的续约率提升了 ， 它的呃 ， 服务售卖提升了 。 所以我们不觉得 AI 进场应该是个降本的事啊 。 第二个 ， 呃 ， 这个负责人说说发现我们的好员工的标准变了 ， 原来好员工叫做打字快记得准的人， 现在好员工的标准是那种特别能提供情绪价值啊 ， 就是咯咯啊 ， 姐姐啊 ， 你不用急 ， 我来帮你 。 就这种好员工 ， 这种才是好员工 ，因为所有的琐碎的事情 ， 反正内容书写啊 ， 查资料 AI 都可以做嘛啊 ，但是让人开心起来 ， 让人放松下来 ，是人才可以做的事情啊 ， 很有意思 。 **Koji 杨远骋** [36:27] 之前阿甘说这个咨询的销售的本质是给董事长和 CEO 做心理咨询 ， 然后销售能不能成功 ， 往往第一次见面就知道了 。 这可以展开讲一下吗 ？ **阿甘** [36:38] 我觉得在传统咨询的时候 ，其实是面对职业经理人对吧 ， 职业经理人他有上升有下降的时候 ， 然后呢 ，在不同的时期在掌舵整个公司的时候 ，他需要大量的这个外部的一些信息也好 ， 资讯也好 ， 然后呢 ， 要给他更多的这个对于公司管理的书解 。 还有一部分所谓的这个心理咨询 ，其实来自一个比较本质的东西 ， 管理的本质是对呃 ， 激发善意的释放 。 我觉得在这个时代 ， 尤其是 AI 能够这么成倍地做一件事情的时候 ， 如果你的发心是管理 ，是约束 ，是限制 ， 它的能量是 10 倍 。 如果你的发心是赋能 ，是善意 ，是让每个人更好地成长 ， 让每个人都挣得更多钱 ， 让每个人挣得更多钱 ， 它有可能也是 10 倍 。 我们自己本身比较相信赋能一线这件事情 ，在加了一定能成 ，因为如果你是控制的话 ， 那你全部换成机器人好了呀 ， 机器人一定比人做得更好 ， 对吧 ？ 那在这过程中， 我们可能会和所有我们合作的这些 CEO 去碰 ， 说你自己本身想要赋能的发心在哪里 ， 善意在哪里 ， 然后呢 ， 你希望看到他们怎么样的成长 。 然后于是我们会把这个落进 ， 比如说负电闸或者是某种的智能体里面去 。 我觉得这可能也是某种的心理辅导 。 然后还有就是呃 ， 大量的心理辅导来自于对于下面的员工 ， 就是我们告诉他说这件事情不是为了替代你 ， 就是这件事情的核心来自于本身时代就变了 ， 被消失的不是你 ，而是那个落后的岗位 ， 那岗位已经不存在了 ， 你不应该再在那个落后的岗位里面去寻求一个更好的发展 ，而是看看有些什么样新的岗位会发生 ，而且哪些是更匹配 你的 。 就这种的心理辅导 ， 现在变得比给 CEO 的心理辅导的工作量大得多 。 **Koji 杨远骋** [38:24] 什么样的岗位会消失啊 ，在你们看来 ？ **阿甘** [38:26] 所有管理层如果他做的唯一事情叫做信息传递 ， 上传下达 ， 这岗位就应该消失 。 **刘开** [38:32] 挺多的 ， 就你想一个一个销售网络一二三四五级 ， 从总部到省总到分区到小片区 ， 对 ， 中间可能有两到三层 ， 就是只做上传下达 。 **Koji 杨远骋** [38:43] 但上传下达为什么在 AI 时代被消失呢 ？ 因为在过去我通过数字化 ， 通过 SOP 也能够让上传下达 ，不需要中间啊 。 **刘开** [38:51] 因为上传下达其实有几个工作 ， 第一叫做信息清理的工作啊 ， 比如说你问一个一线的店员或者一线的销售人员 ， 你今天见了客户好不好 ， 销售人员给你的不是一个结构化的报告 ， 销售人员说哇 ， 这个客户太傻了 ， 我怎么怎么卖 ，他也不听我的 。 你得到是一个这样的故事 ，而到这一层 ， 你得把它结构化 ， 然后能够把它降维 ， 然后往上传 。 这是第一个他要做的事情 。 第二个要做的事情是 ， 我接受的不是一个销售的信息 ， 我接受的是 100 个销售的信息 ， 所以我们每一层要把它汇总 ， 把它聚合 ， 对吧 ？ 聚合过程当然也会带很多我的个人观察和视角进去 ， which is ok 的啊 ， 呃 ，但得有这么一个人， 否则就会是 1 万个销售 ，1 万个信息直接到董事长面前 。其实他们这个上传下达不只是一个信息通道 ， 它还是有治理工作的 ， 信息采集和分析报告是吧 ？ 那现在确实 AI 可以做得更好 ，是非常是 。 所以一个是这样的岗位会消失 ， 还有什么岗位会消失吗 ？ **阿甘** [39:54] 原来靠大量的执行力 ， 就是打字快 ， 哈哈 ， 呃 ， 记忆力足够好的 ， 类似这种的工种其实确实会比较困难 ， 尤其是靠智力劳动执行性的那些工作者 ，他应该做一些改变 ， 要么他自己本身能够驾驭这些 agent， 然后呢 ， 要不然他自己本身在自己的岗位上沉淀了某种奇怪的大模型根本学不到的专家智慧或者街头智慧 ， 然后呢 ， 能够成为贡献街头智 慧的这些 。 **刘开** [40:24] 我们觉得可能不是今年明年， 但是更长的时间 ， 人类会逐渐地很少做智力劳动 ， 我们会从智力劳动的时代变成智力决策劳动的时代 。 于是你会更多的是告诉 AI 说我要去哪个方向 ， 这个方案行不行 ， 呃 ， 我只给你多少钱的那个那个规划 ， 我只给你多少时间 。 所以我做的都是决策 ， 叫行还是不行 ， 去哪里 。 我不再做智力劳动本身 ， 我不再写方案 ， 我不再画设计图 ， 我不再设计功能 ， 我不再写代码 ， 呃 ， 我不再做这些事情 。 我觉得可能大方向是往那个方向去的 。 **Koji 杨远骋** [41:01] 你们有不喜欢的客户吗 ？ 就比如说来找你们都是希望 AI 负责他的企业 ， 对吧 ？ 但有没有什么客户你一看就肯定负能不成 ， 这个单子再大我们都不接 ？ 就你们这样的客户大概是什么样的特点 ，以及你们拒过的最大的单有多大 ？ **阿甘** [41:16] 喜欢不喜欢来自于匹不匹配 ， 对吧 ？ 就是我们的目标是帮客户 build business， 就如果他想买的东西不是这个东西 ， 那 OK，不管你多大单子我可能不会接 。 我们其实所谓说不喜欢的 ， 都来自于他本身自己内部的决策非常的冗长 ， 对吧 ？ 我们现在其实很简单 ， 我们跟就是客户的一把手直接聊 ， 可能大概三四日之内吧 ， 我们基本上能够达成一个达成一个合作的意向 ，因为大家也非常直接 ， 对吧 ？ 我能提供的价值不是说帮你做个软件 ，而是我帮你重新去看你的 business， 你的诉求也很直接 。 你有三个最头疼的事情 ， 晚上睡不着觉 ， 我挑一个能帮你用某种方式 、 某种逻辑解决 ， 你也认可这种方式 ， 我们就可以合作 ， 对吧 ？ 就这个是我们喜欢的 ，不喜欢的就是来来回回 ， 哈哈 ， 就是决策链特别特别麻烦 。 **刘开** [42:10] 我觉得可能去的比较多的是买软件的这种工作 ， 就不管是 IT 部门发起的 ， 还是甚至董事长或者所有者 ，他也会觉得说我不想改业务 ， 我就是想买个软件 ， 买个软件体虾虾 。 不是说不对啊 ， 就是我们不提供这样的服务 。 **阿甘** [42:26] 对对 ， 最大的单我们反正今年年初我们应该拒过几个 ， 六六百万 、 八百万之类的 。 **Koji 杨远骋** [42:35] 这单也是买软件吗 ？ 现在软件能卖那么贵吗 ？ **阿甘** [42:38] 软件加这种所谓的定制化服务 ， 就是但我们就问一个问题 ， 就是它到底最终业务目标是什么 ？ 就是来来回回没有人讲的清楚 ， 我们觉得这种项目我们进去它验收不了 ， 最后可能也会很麻烦 ， 肯定很麻烦 ， 可以理解 ， 就没有责任人， 目标是移动的 ， 对吧 ？ 这种最可怕了 ， 非常恐怖 。 对啊 ， 这找对象也是 。 呃 ，exactly， 咱们刚才提到这个公司目前 60 个人， 就你们是一个怎么样的组织结构 ，以及他们是一个怎么样的工作方式 ？ 呃 ， 我们本身其实非常非常扁平 ， 我们自己两个也也是 ， 就是日常该写代码写代码 ， 该做项目的事情也做项目的事情 ， 只是他们每个个体就有点像海豹突击队 ， 就是他们是基于某一个目标临时组队的 。 我们会呃 ， 非常鼓励他们在一线 ，因为 FDE 本身也需要在一线 ，是真正在门店里面 。 ### 人才 **刘开** [43:30] 哎 ， 所以今天如果一个大学生他毕业了想去做咨询 ，他仍然是有进 MBB 的选择 ， 对吧 ？ 但他其实也有来到跟 AI native 的 ， 像类似二位这样的做 FDE 的公司的选择 。 呃 ， 你会给他们什么建议吗 ？ 就是一定选你们吗 ？ **阿甘** [43:49] 哦 ， 我我我其实反而会建议他们去更大的平台 ， 培养自己的商业 sense 和 judgment， 呃 ， 我觉得这件事情还挺重要的 。 **刘开** [44:00] 我先讲个故事啊 ， 就那天我们在面试的时候 ， 啊 ， 这个打个广告 ， 喜欢我们公司的可以可以来来应聘 ， 嗯 ， 非常优秀的应聘者 ， 然后基本上已经通过了 ， 然后问我说说凯哥 ， 呃 ， 我到这个公司来 ， 我特别想知道如果上岗 ， 我会需要我能给公司提供什么价值 ， 我怎么放大我的价值 。 我很坦诚的说 ， 我说以你刚毕业 ，他是个毕业生 ， 嗯 ，以你刚毕业 ， 我想不到任何你能做的事情 AI 做不了的 。他说啊 ， 那怎么办 ？ 我说我倒是有个收主意 ， 叫做要不前两年你付我钱 ， 后面几年我再翻倍的付你钱再付回去 ， 反正是个玩笑啊 。 但确实今天的所有的纯桌面研究型的咨询 ， 或者纯这种呃 paperwork 的咨询 ， 年轻的咨询师能够精瘦的培养 ， 或者能够上岗做的事情已经非常少了 。 这我们也很担心这个行业形成断层 ，但就从另外一个方面讲 ， 我们一直在讲说我们希喜欢的人是那些有商业 sense 的人。 我们也讲了我们发现商业 sense 这件事 ， 反正我个人没有找到一个培养的方式 ， 我觉得有些东西是天生的 。 我们发现有的家里是做小生意的啊 ， 家里是二代啊 ，有的可能是完全没有没有背景 ，他就很喜欢观察 ，他的观察能力就很强 。 呃 ， 我们会发现这样的年轻人 ，其实他比中老年的咨询师是同样好用的 ， 甚至更好用 ，因为他更开放 ， 更好奇 。 这个问题答案非常两面 ， 就一方面我看到年轻人进咨询行业会带来很大的挑战 ， 跟原来很不一样 ，但另外一方面我会发现年轻人， 如果你具备某些特质 ， 你上岗的第一天 ， 你的能力跟中年咨询师就是一模一样的 ，因为他会写的东西 ， 你跟你的 AI 也会写 ，不用担心这件事 。 **阿甘** [45:54] 现在年龄反而不是一个非常重要的去看一个东西的这个标准 ， 对吧 ？ 就是你有没有 judgment， 你对于事情有没有足够的好奇心 ， 对吧 ？ 你是不是 problem solver， 你看到问题兴不兴奋 ， 对吧 ？ 就是有些人看到问题就就头就垂下 ，有些人看到问题眼睛就发光 ， 就是那个感觉是特别不一样 ， 这个和年龄没有关系 。 我们最小的实习生也是应该是高高中吧 ， 高二的 ， 我丝毫不觉得他从老练程度和阶梯方式上输过任何一个平庸的五年左右经验的这个咨询师 。 所以我觉得这个这是一个特别神奇的时代 ， 就年龄和资历开始变得越来越不重要 ， 思维方式很重要 ， 个性很重要 ，但我我我确实没有找到特别好的培养路径 ，yes， 哈哈哈 ，也是我们在摸索的 。 **Koji 杨远骋** [46:45] 其实我们今天聊这期播客 ， 还是因为起点来自 OpenAI、Anthropic，他们不约而同提出 FDE 这个概念 ， 然后都成立了很大规模的合资公司 ， 甚至有一些收购啊 。在你们看来 ， 就是为什么就突然发生了这个事情 ，以及他们做这个事情背后的动力是他们看到了什么 ？ ### 巨头 **阿甘** [47:04] 他们就公寓的数据毕竟是有限 ， 对吧 ？ 就是当一个就是大模型想要真正进入到某一个行业里面的时候 ，他们应该是看到了所谓数据的短板或者行业知识的短板 。 那么 Anthropic 他去训练各种东西 ， 请每个专家可能时薪都上万等等之类的 ， 所以与其一个个专家请 ， 还不如直接深入到行业里面去解题 。 这是第一个 。 然后第二个是 ToB 这件事情 ， 它就不是一个单独软件能够完成的事情 ， 它本质上是一个服务业 。 **刘开** [47:35] 如果大模型企业是要改变今天的所有政府组织和企业 ， 它真正主力不来自于说我接不上模型 ，而来自于模式 ， 来自于工作流程 ， 来自于组织人才等等的 ， 这个时候需要一些又懂 AI 又愿意加入 AI 的服务者进入这些行业 ， 才能改变这个世界 。 **阿甘** [47:58] 特别有趣的是 ，因为他们合资公司全部都是 PE， 呃 ， 我觉得他们还看到了一个机会在于大模型对于这些行业的改造 ， 它最终能够获得的收益不仅仅只是一个 token 赚来的钱 ， 它能够帮这个企业能够拿到的那个 upside， 就多的那部分收益是非常非常大的 。 **刘开** [48:17] 有的人会觉得我们服务费 ， 我们服务一年的 pay 跑是 600 万 ， 呃 ，有的人觉得贵 ，有的人觉得很便宜 ， 尤其是我们背后的一些呃和我们合作的投资人会觉得说你们真的做到了 ， 帮企业省几千万甚至多赚几千万 ，但你就是收 600 万 ， 为什么 ？ 因为我收不到那个 upside， 对吧 ？ 那我只有和一些 PE 一起入场去改变他的头后企业的服务模式 、 商业模式 ， 我才能收到资本的那部分钱 。 所以本质上我觉得每一个 PE 或者 VC 自己的头后部门都要有 ， 或者甚至改组成一个 AI 赋能的这么服务中心 ，因为未来我们能见到的 10-15 年最大的企业增长的这个 enabler 或者赋能器就是什么 ？ 就是 AI。 **Koji 杨远骋** [49:06] 哎 ， 所以你们觉得这个 FDE 公司值得被 VC 投吗 ？ **刘开** [49:10] 它不仅仅值得被 VC 投 ， 它甚至值得被 VC 拥有 。VC 也好 ，PE 也好 ， 它的头后部门的一个核心能力将会变成帮助被投企业做 AI 模式转型 。 就拿我们说零售 ， 零售本质上大家就在比两件事情 ， 比数字化 ， 就是 AI 和信息化在比供应链 ， 对吧 ？ 如果我的头后服务是帮你一家已经有 100 家店或者 1,000 家店要扩展到 1 万家店 ， 我的核心除了给你钱以外， 我的核心能力就是把供应链和 AI 做好 。 帮我做供应链和 AI 的服务团队或者公司不应该为我的竞争对手服务啊 。 这是我的观点 ， 就是我甚至觉得每个 VC 和 PE 都应该有自己的独占的服务 。 就简单说 ， 呃 ， 这个问题叫做他应该投 ，但是他不应该把这样一家公司当成被投企业 ，他应该把它当成自己的一部分去服务那些被投企业 。 **阿甘** [50:10] 欢迎各个 PE 来聊这个公司的事情 ， 哈哈哈 。 **刘开** [50:14] 我们可能跟每一个领域的 PE 或者 VC 也只能做一家 ，因为所有的连锁餐饮是打架的 ， 所有的连锁的茶饮是打架的 ， 所有的咖啡是打架的 ， 所有的零食店是打架的 。 就我们服务了一家 ， 一定不能再服务另外一家 。 **Koji 杨远骋** [50:31] 那这个和 MBB 有什么区别呢 ？ 我们也其实也可以说一个 VC， 一个 PE， 你嗯没没必要去投 MBB， 对吧 ？ 但你可以拥有它去赋能你的企业 ， 这有什么区别吗 ？ **阿甘** [50:41] 我们在那个 PC 的时候 ，其实我们服务很多 PE， 就是我们在服务他的被投企业 ， 我们去帮他做战略啊 ， 做增长啊等等之类的 。 **刘开** [50:49] 淡马锡啊之类的 ， 淡马锡是我们最大的客户 。 **阿甘** [50:51] 对 ， 就当时最大的客户 。 **刘开** [50:52] 我觉得可能来自于因为 AI 带来了我们觉得战略的规划能不能落到一线的信心改变了 。 就这个可能不是我们跟 MBB 的比 ，是今天的所有的咨询公司如果愿意做落地的和之前的对比 ， 之前你只能产生一些规划 ， 你只能对上上中层 ， 对吧 ？ 你也没有能力潜到每一个店长和每个销售的身边去帮助他 。 今天有了 AI， 你可以做到这件事 ， 至少我们可以拍着胸脯说我一定能给你的业务带来 upside 的 ， 所以我有信心跟你对赌这件事 。 我相信现在 MBB 也在考虑这件事情 ， 对吧 ？ 就是如果我能给你业绩带来真实的增长 ， 我就不再满足于收你哪怕是一天 1 万美元的咨询费了 ， 对吧 ？ **Koji 杨远骋** [51:38] 暗含着好像 MBB 带来的增长没有那么的扎实 。 **刘开** [51:43] 是 PPT 的增长就很有限 ， 对吧 ？ 当你把 PPT 转成每天在一线服务的智能体和工具的时候 ， 它一定会变扎实 ，MBB 做也会变扎实 。 **Koji 杨远骋** [51:54] 嗯 ，有趣 ， 就是这个想到 Result as a Service， 就结果才是服务 。OK， 哎 ， 呃 ，MBB 出现之后， 虽然这个咨询行业也有很多的公司百花齐放 ，但是再也没有像他们那么大规模的公司出现了 。其实也想听你们讲一讲 ， 就为什么就是只有这三家公司 ， 为什么后面来的这些百花齐放的小资源公司就是长不大 。 然后第二就是你们认为 AI 时代会出现新的比肩 MBB 从规模层面啊 ， 这样的新的咨询公司吗 ？ **阿甘** [52:27] 其实上个时代 ， 呃 ， 还是有很多这个咨询公司的戏份的 ， 像 HR 的 Mercer 啊 ， 像 IT 的 Essentials 啊等等 ， 这它它规模其实也不小 ， 就是全年大概也是三四百亿美金左右的这个这个规模 。 我觉得呃 ，其实我们谈的 MBB 核心在谈管理咨询 ， 就是但咨询这个行业有管理咨询 ，有 IT 咨询 ，有 HR 咨询 ，有各种各样的这个不同的这个咨询方式 。 我觉得嗯 ，MBB 它最核心的还是在于它解决的问题是 CEO 的核心问题 ， 它最靠近这个不管是收入的核心还是还是权力的核心 。 而且之所以 MBB 能够成为 MBB，在于他们自己对于呃很多结果还是有要求的 。 对 ， 我觉得这种要求是他们跟别人我觉得特别大的不一样 。 **刘开** [53:13] 嗯 ， 我觉得在中国 ， 呃 ， 管理咨询的最好的时代还没来 ，但未必是对企业最好的时代 。 就是我觉得对管理咨询最好的时代叫做所有的企业都非常标准化规范化 ， 所有的掌舵人都是职业经理人 ，因为企业的 owner 对管理咨询的要求和职业经理人对管理咨询的要求是完全不一样的 。 我觉得那个时代还没来 ， 可能还要再过 30 年 。 但是就也就意味着说在中国 ， 我相信要么 MBB 会做大 ， 要么一些中国的优秀的咨询公司会做到 MBB 这么大 。 呃 ，但回过头来 ， 我们经常说我们是个 AI 咨询公司 ，有很多投资人会说那那你也不算咨询 ， 对吧 ？ 你肯定也不算 SAS， 叫你们 SAS 好像有点侮辱人， 现在叫谁 SAS 好像都有点侮辱人的意思 。他说你们更像什么 ？ 你们更像 Service as Software， 就你们确实交付 software，但你们提供的本质核心是一个 service， 只是大家看上去说你们在这家企业做了什么 ， 做了好多 service， 怎么解决问题 ， 那最终上了什么呢 ？ 上了一个 AI 智能体 ， 上了一个 AI 副店长 ， 上了一个 AI 销售 ， 对吧 ？ 那不是个 software 吗 ？ 不是 ， 所以我们是 Service as Software。 **Koji 杨远骋** [54:30] OK， 好 ， 今天非常有意思 ， 谢谢二位 ，因为我们过去聊很多都是这个呃模型的进步 ， 然后呃有哪些创业的机会 ，有哪些这个嗯 AI 的 application， 对吧 ？AI 的 infra，但今天我们很难得的聊了一下， 就 AI 落到真实的商业场景里面 ， 大家到底在做什么 。 ### 结尾 **Koji 杨远骋** [54:47] 而且我们看到其实已经有很多在中国的企业的一线的实践和成果了 ，也是借 FDE 这个词 ， 我们今天有了这一期播客 ， 希望未来我们可以有更多的机会 ， 聊更多的案例 ，也让大家看到就在企业在各行各业怎么能够让 AI 呃发挥更大的光与热 。 好 ， 谢谢二位 ， 谢谢谢谢谢谢 。 --- 本节目库由 PodHood（https://podhood.com）提供支持——播客网站平台。