企业 AI 落地：企业上下文、内部 FDE 与场景闸门
过去两年，企业买 AI 的动作高度雷同：采购一批席位，做几场培训，挑两个部门试点，然后等汇报。半年后回头看，多数停在"个人会用了"，组织能力一寸没长。
原因一般不复杂。AI 项目止步试点的死因，是组织、数据和流程没人管，不是技术。
下面这套东西，是我们给一家专业知识服务型企业做落地方案时整理出来的框架。它回答四个问题：差距到底在哪、路径怎么分四级、谁来干、从哪个场景开始。原文是宣导稿，这里重写成可执行版本。
先统一三个判断
一、企业 AI 不是工具升级，是组织进化。
个人会用，解决的是局部效率；组织能复制、能治理、能沉淀，才形成长期竞争力。这两件事的投入结构完全不同：前者买席位，后者要动流程、动责任边界、动考核。
二、模型是同质的，上下文是独占的。
通用模型能力可以采购、可以替换，差异不在这里。真正的差异在于：企业自己的材料、规则、判断、版本、责任和成果，能不能被持续调用。用得越多，模型越懂你的业务——这个"越懂"是可以积累的，而模型版本不是。
三、超级个体不是"管"出来的，是在环境里长出来的。
组织该做的是提供工具、真实问题、展示舞台和容错空间，并把成长过程记录下来。规定每一种用法，等于提前掐掉它长出来的可能。
四级进化：效率只是起点
企业用 AI 的水平是可分层的，而且必须按顺序走：
| 层级 | 形态 | 覆盖范围 | 关键动作 |
|---|---|---|---|
| L1 | 超级个体 | 个人 | 海选 + 训练 + 练习 + 晒成果 + 奖励 |
| L2 | 超级团队 | 部门 | 流程在真实业务里重构，Agent 与 Agent 协作 |
| L3 | 超级记忆 | 全公司 | 能回答：在做什么、为什么、成果在哪 |
| L4 | 超级大脑 | 决策层 | 汇总关键事项、变化与待决策问题 |
绝大多数企业的实际状态是：L1 有一批人跑得很快，L3 完全空白。表现是每次问"这个项目现在什么情况"，答案还靠人翻记录、靠开会同步。
跳级的诱惑很大，但 L3 缺位时，L4 一定是假的——没有完整上下文，决策层的汇总只能靠猜。
四个变量决定竞争力
组织竞争力 = 人才密度 × AI 杠杆 × 上下文厚度 ÷ 组织摩擦
四个变量各自对应一个组织动作：
| 变量 | 动作 | 具体做法 |
|---|---|---|
| 人才密度 | 保 | 找到超级个体，放大他们，给展示舞台 |
| AI 杠杆 | 提 | 给工具、给完整问题、给真实任务与展示机会 |
| 上下文厚度 | 沉 | 形成组织记忆，让 AI 越用越懂业务 |
| 组织摩擦 | 降 | 精简流程、容许试错、小步快跑 |
分母这一项最容易被忽略。流程越长、审批越多、试错成本越高，前面三项的乘积被除得越快。组织要做的不是替员工规定每一种用法，而是把环境准备好，然后克制住过早修剪的手。
企业上下文：四类东西，缺一类就漏
企业上下文不是"把所有文件喂给 AI"。喂进去的东西没有版本、没有责任、没有可信度标记，只会让模型更自信地错。
有用的上下文有四类：
| 类型 | 内容 | 缺了会怎样 |
|---|---|---|
| 可信材料 | 原件、卷宗、检索结果、客户档案、制度模板 | AI 拿二手转述当依据 |
| 有效规则 | 业务口径、期限规则、撰写规范、禁止项 | 每次输出都得人工重讲规则 |
| 可复用方法 | 提示词、Skill、方法论、作业流程 | 好做法留在个人手里，人走方法走 |
| 持续反馈 | 专业核验、局部修正、版本更新、复盘 | 错误被反复复制，无人纠正 |
打个比方：通用模型是公共水源，企业上下文是私有水库。水源人人可接，水库要自己修、自己清淤。
能积累的护城河不是模型参数，是可信依据 + 业务规则 + 已验证方法 + 持续反馈这四样的组合。
飞轮：让工作不再从零开始
上下文不是整理出来的，是干活干出来的。一圈飞轮分三段：
- 来源——协作工具与业务系统先产生真实业务数据。人机双写、落表即入库，别指望事后补录。
- 沉淀——资料入库，按目录和权限整理成可信知识。
- 调用——Agent 产物自动归档，下一个任务即问即取。
一圈下来的业务结果，不是"多接了几个工具"，而是工作不再从零开始。
这里有个容易被做反的顺序：先建知识库再想怎么用，通常建出来没人用。正确的是让真实任务先跑，跑出来的产物进库，库再服务下一次任务。知识库是飞轮的产物，不是飞轮的前置条件。
内部 FDE：能力必须留在业务侧
企业请外部团队做 AI 落地，最常见的失败形态是"驻场时好用，人撤了回到原样"。差别不在技术，在能力归属：
| 能力归外部 | 能力归内部 | |
|---|---|---|
| 人员 | 外部驻场 | 业务骨干 + AI |
| 懂不懂业务 | 懂 AI，不懂具体业务口径 | 最懂业务的人掌握 AI 方法 |
| 上手速度 | 快 | 多数日常场景几天到几周 |
| 人走了之后 | 回到原样 | 方法沉淀为 Skill，可跨部门复制 |
结论很直接：需要的不是长期依赖外部人员，而是通过外部方法 + 内部实践，把能力留在自己团队里。
内部 FDE（Forward Deployed Engineer，前置交付工程师）的四步：
- 选人——先海选再选拔，第一标准是业务判断力，不是技术热情。想筛出十个人，候选池要按十倍铺。
- 训练——集中 1–2 天上手，再用一个月在真实工作里练。培训只是起跑。
- 动手——业务骨干亲手搭场景，IT 只做支持和陪跑，不代劳。代劳一次，能力就永远在 IT 手里。
- 沉淀复制——好做法封装成 Skill，管理层把成果晒出来，再复制到下一个部门。
中间的激活机制是四个字：训、练、晒、奖。
其中**“晒"比"奖"重要**。奖励影响的是个人，公开展示影响的是全公司——它把一个部门的成果变成组织共识，也让还在观望的人看到"这事真能干成”。
还有一条边界要提前说清：方法可以迁移，业务答案不能复制。
机制、模板、Skill、训练方式都能搬；但每条业务线的场景、数据口径、责任边界必须自己定。IT 侧的角色是配速员——工具和方法归它，业务判断归业务线。把答案一起搬过去，通常第一个季度就会失效。
场景闸门：三道，缺一道就别开工
选题比选模型重要得多。我们用一个三闸门筛子：
- 闸门一：输入可获得。 材料、数据、样例能在授权范围内拿到。拿不到，做得再漂亮也是演示。
- 闸门二：规则可表达。 口径、期限、规范、禁止项、异常处理能说清楚。说不清，AI 只能编。
- 闸门三：结果可核验。 专业人员能拿着原始材料判断对错。判不了，就没有验收标准。
三道都过，才算合格的首批场景。典型特征是高频、耗时、重复、边界清楚、容易验收：材料整理、初稿撰写、检索素材汇总、条款核对、期限与费用核对、报告汇编、进度报告、翻译初稿。
反过来，有些事必须明确划在红线外，不由 AI 直接决定：
- 对外定稿类文件
- 法律意见与专业结论
- 费用缴纳与付款审批
- 对客户的承诺与报价
- 质量放行与奖惩
- 其他高风险的责任判断
AI 在这里的角色是准备材料和组织证据，签字的人还是人。
五阶段：每一步都要能验收，能叫停
| 阶段 | 周期 | 关键动作 | 验收物 |
|---|---|---|---|
| L0 场景识别 | 1–2 周 | 访谈 2–3 个关键岗位、场景价值排序、可行性评估、明确责任人与预算 | 场景清单 |
| L1 原型验证 | 2–4 周 | 真实数据跑通核心路径、关键用户试用、确认技术边界 | 可运行 Demo |
| L2 试点运行 | 1–3 月 | 小范围真实使用、异常处理机制、建测试集、每周复盘数据 | 使用数据达标 |
| L3 生产部署 | 1–2 月 | 权限审计、全员培训、回滚兜底、运维值守、与现有系统打通 | 正式上线 |
| L4 规模扩展 | 持续 | 跨部门复制、模板与 Skill 复用、内部专家梯队 | 扩展场景数 |
两点必须守住：
- L1 阶段先不接敏感数据。 原型是验证路径，不是验证安全。
- 每一步都有验收物和叫停点。 没有验收物的阶段，最后一定变成"做了但说不清做到哪"。
治理四项：规模化之后必须同时管住
个人会用解决效率，企业规模化必须同时解决四件事：
| 项 | 管什么 |
|---|---|
| 管人 | 组织、成员、部门、席位、入离职、项目协作 |
| 管 AI | 模型、Skill、专家、连接器、企业规则、自有能力 |
| 管钱 | 按成员/部门/场景看用量、资源消耗、异常使用、价值产出 |
| 管安全 | 文件与工具权限、连接器与 MCP、网络访问、对话与操作审计 |
安全底线压缩成四条：有授权、有范围、有记录、有核验。
治理顺序也有讲究：先让真实任务用起来，再把有效用法聚起来，最后才通过制度和平台管起来。 反过来做——先立规矩再让人用——通常一个季度后没人用了，规矩还在。
最后
这套路径里没有一步是技术难题。真正的难点在三个地方：谁负责、数据通不通、流程配不配合。
所以检查一个企业 AI 项目值不值得继续投，我看三个信号就够了：有没有真实的验收物、有没有业务侧的责任人、有没有东西被沉淀成可复用的方法。三个都有，慢一点也能到；三个都没有，做得再热闹也只是在演示。