过去几年，企业数字化转型领域有一个岗位快速升温 ——FDE（Forward Deployed Engineer），通常可译为前线部署工程师、现场部署工程师或现场领域工程师。如果时间倒回十年前，大多数企业第一次听到这个岗位，可能会把它理解为 "高级售前"" 客户现场工程师 "或" 实施顾问 "。但进入大模型、AI 编程和智能体时代之后，FDE 的内涵已经发生了根本变化，成为把前沿技术真正嵌入企业生产系统、业务流程和组织运行机制的关键角色。

在传统数字化项目中，企业通常依靠产品经理梳理需求，项目经理推动进度，软件工程师完成开发，数据工程师负责数据治理，咨询顾问输出方案，实施团队完成上线。这套分工体系曾经支撑了企业信息化和数字化建设的长期发展。但是，当大模型开始参与知识处理、代码生成、流程编排和任务执行，当智能体开始具备工具调用、上下文理解、状态管理和多步骤行动能力，传统岗位之间的边界正在被重新定义。

从国际领先企业的实践看，FDE 已经成为 AI 时代企业级落地的共同选择。Palantir 通过 Forward Deployed Software Engineer 定义了 FDE 的早期原型；OpenAI 将 FDE 定位为把前沿模型从研究突破转化为客户生产系统的端到端负责人；Anthropic 强调 FDE 要能够交付 MCP server、sub-agent、Agent skills 等进入真实工作流的技术资产；Google Cloud 将 FDE 定义为 embedded builder（嵌入式构建）；Databricks 强调 FDE 必须懂数据，因为企业智能体的底座不是简单提示词，而是可信、可治理、可调用的数据体系。这些实践说明，AI 时代真正稀缺的不是单纯会调用模型的人，也不是只会写代码的人，而是能够进入客户现场，把复杂业务、数据系统、组织流程、模型能力和工程交付连接起来的人。

这类人，就是新一代 FDE。

图 1 全球 FDE 范式演进：从客户现场工程，到前沿模型与智能体生产部署

一、从数字化时代到 AI 时代：企业转型的底层逻辑转变

过去十多年，企业数字化转型大体经历了三个阶段。

一是业务线上化阶段，核心关键词 "系统"。企业将线下流程迁移到信息系统中，用 ERP、CRM、OA、财务系统、供应链系统、生产系统等完成流程固化和管理可视化。

二是平台化与中台化阶段，核心关键词 "平台"。随着业务系统越来越多，企业开始面对数据孤岛、流程割裂、重复建设和烟囱系统等问题，于是通过数据中台、业务中台、技术中台、集成平台等方式提升复用能力。

三是数据驱动与智能决策阶段，核心关键词 "数据"。企业开始建设数据仓库、数据湖、指标体系、标签体系、数据治理平台和算法模型，用数据辅助经营管理、风险识别、客户运营和生产调度。

但是，AI 时代带来的变化是对企业转型的基本逻辑进行重构。过去，企业转型更多围绕 "人工操作系统" 展开；现在，企业开始进入 "人、系统、模型、智能体共同协作" 的新阶段。这意味着，企业转型的核心问题已经从 "是否建设系统"，转向 "如何把业务、数据、模型、工具、流程和组织重新编排为一个可持续进化的智能工作体系"。

 图 2 从数字化时代到 AI 时代的转型逻辑变化

二、当前企业 AI 转型的主要误区

把 AI 转型等同于工具采购

部分企业将 AI 转型理解为采购大模型、接入智能问答、部署办公助手或购买代码生成工具。工具当然重要，但工具不是转型。真正的转型，必须回答工具进入哪个流程，改变哪个任务，服务哪个角色，提升哪个指标，沉淀什么能力。

把智能体等同于聊天机器人

很多企业将智能体理解为 "更聪明的问答系统"。但真正的智能体并不是简单回答问题，而是能够围绕目标进行任务拆解、上下文理解、工具调用、状态管理、执行反馈和异常处理。智能体的关键不是 "会说"，而是 "会做"。

先建平台，后找场景

一些企业延续数字化时代的建设习惯，先规划大平台、大底座、大中台，再反向寻找业务场景。这种方式在 AI 时代风险更高。平台不是 AI 转型的起点，而应是场景试点、算子沉淀、工具复用和运营闭环自然生长出来的结果。

只重技术演示，忽视生产运营

不少 AI 项目在演示阶段效果很好，但进入生产后却出现数据权限复杂、接口调用不稳定、模型输出不可控、用户不愿使用、成本难以控制、评测缺失等问题。其根本原因是项目只关注 "能不能演示"，没有关注 "能不能运营"。

把人才培养简化为提示词培训

提示词和工具培训有启蒙价值，但远远不足以支撑企业级转型。AI 时代需要的人才，不只是会问问题的人，而是能发现问题、定义场景、组织数据、设计智能体、构建原型、评测效果、推动采纳和沉淀资产的人。

三、从FDE到Lean-FDE：为什么需要中国企业自己的转型方法

直接引入 FDE 概念，并不意味着中国企业可以照搬国际科技公司的组织方式。中国企业的 AI 转型具有自身特点：业务场景复杂、行业差异巨大，政务、交通、能源、金融、教育、制造、医疗等行业都有强约束、强流程和强监管特征，不能仅靠通用模型能力解决问题。

同时，中国企业的数据基础参差不齐。许多企业拥有大量数据，但数据质量、标签体系、业务口径、权限边界、历史沉淀和系统接口并不完善。AI 落地往往首先不是模型问题，而是数据和流程问题。

此外，中国企业更重视结果可见、过程可控和投入产出。单纯技术试验难以获得持续投入，必须把场景价值、业务收益和组织能力建设结合起来。因此，需要在 FDE 基础上，引入精益思想，形成适合中国企业转型实践的 Lean-FDE 体系。

Lean-FDE 中的 Lean，不只是精益生产意义上的消除浪费，更强调以价值为牵引、以现场为中心、以小步快跑为方法、以数据闭环为基础、以持续改进为机制。

四、Lean-FDE的 "1+3+N"结构

Lean-FDE 不建议以单个英雄式人才存在，而应形成组织化机制。企业可以采用 "1+3+N" 的结构来构建 AI 时代的新型转型能力。

"1" 是一个统一价值牵引机制。企业需要建立 AI 转型委员会、数字化领导小组或智能化办公室，统一价值目标、场景优先级、资源配置和评测机制。没有这个 "1"，企业 AI 转型很容易陷入多头试点、重复建设、标准不一和价值发散。

"3" 是业务场景组、数据模型组和工程交付组三类核心能力中心。业务场景组负责进入现场、理解业务、梳理流程、识别痛点、定义价值和推动用户采纳；数据模型组负责数据盘点、知识工程、数据产品化、模型路线选择、智能体设计和评测体系建设；工程交付组负责快速原型、系统集成、接口调用、工具编排、上线部署、监控运维和安全控制。

"N" 是多个业务场景小队。每个小队围绕一个真实业务问题展开，如客服、风控、研发、运维、供应链、营销、财务、法务、生产调度、设备巡检、知识管理、流程审批等。每个场景小队不应追求一开始做大，而应围绕一个明确任务跑通闭环。

图 3 Lean-FDE 的 "1+3+N" 组织结构

五、Lean-FDE 能力画布：从结构到操作工具

Lean-FDE 的 "1+3+N" 结构解决的是组织问题，即企业如何组织一支能够面向 AI 时代持续作战的转型队伍。但仅有组织结构还不够。很多企业在数字化转型和智能化转型过程中，都经历过类似困境：组织架构搭起来了，专项小组成立了，会议机制建立了，项目也启动了，但真正进入执行阶段后，依然会出现目标不清、场景发散、数据不可用、模型路线混乱、工程交付滞后、验收标准模糊、试点难以复制等问题。这说明，企业转型需要一套能够把战略意图、业务场景、数据基础、模型能力、工程实现、运营闭环和规模复制贯通起来的操作工具。

Lean-FDE 能力画布的价值

Lean-FDE 能力画布是一套面向 AI 时代企业转型的结构化思考工具，核心作用是把一个模糊的业务想法，逐步转化为可评审、可实施、可验证、可运营、可复制的智能化场景项目。

如果说 "1+3+N" 结构回答的是 "谁来做" 的问题，那么 Lean-FDE 能力画布回答的就是 "怎么做" 的问题，可用于五类工作场景。

•用于项目策划。 在一个 AI 转型项目启动前，通过画布判断这个场景是否值得做，是否具备数据基础，是否有明确业务价值，是否适合进入试点。

•用于场景评审。 在企业内部征集大量 AI 应用场景时，通过画布筛选高价值、高频、可验证、可复制的场景，避免项目泛化和重复建设。

•用于团队组建。 通过画布识别一个场景需要哪些角色参与，包括业务专家、数据工程师、模型工程师、系统架构师、产品经理、FDE、运维人员、安全合规人员等。

•用于实施管理。 项目进入执行后，通过画布跟踪每个模块是否完成、是否存在风险、是否需要补齐资源，避免项目在实施中跑偏。

•用于验收评价。 项目验收时，不再只看系统是否上线、页面是否完整、文档是否齐备，而是看业务价值是否实现、智能能力是否有效、评测指标是否达标、运营机制是否形成、资产是否能够复用。

因此，Lean-FDE 能力画布的本质，是一张从价值到运营、从场景到资产、从试点到规模复制的转型作战图。

Lean-FDE 能力画布的基本原则

Lean-FDE 能力画布的使用顺序，应当从左到右、从上到下、从价值到运营，而不是从工具、模型或平台反向推导业务需求。这一点非常关键。

在很多企业的 AI 项目中，常见的起点是："我们要不要接入一个大模型？要不要建一个智能体平台？要不要做一个知识库？要不要采购一套 AI 工具？" 这些问题看似具体，实际上都把技术工具放在了第一位。

而 Lean-FDE 的基本立场则恰恰相反：不能从工具出发，必须从价值出发；不能从平台出发，必须从场景出发；不能从模型出发，必须从任务出发；不能从功能出发，必须从业务闭环出发。因此，Lean-FDE 能力画布的每一个模块，都必须回答四个基本问题：

第一，是否贡献业务价值？

这个模块是否能够帮助企业提升效率、降低成本、改善质量、控制风险、增强体验，或者创造新的业务增长。

第二，是否支撑智能能力？

这个模块是否能够为模型、智能体、数据产品、自动化流程或人机协同机制提供有效支撑。

第三，是否可以被验证？

这个模块是否能够形成明确的评测指标、业务指标、用户反馈或对照实验，而不是停留在主观判断。

第四，是否可以持续运营？

这个模块是否能够在项目上线后持续更新、持续反馈、持续复盘、持续优化，而不是一次性建设后失去生命力。

如果一个模块无法回答这四个问题，说明它还没有真正进入 Lean-FDE 的工作逻辑。

Lean-FDE 能力画布的整体结构

Lean-FDE 能力画布分别由价值目标、场景定义、用户主体、业务流程、数据基础、模型路线、智能体设计、工程原型、评测治理、运营迭代、资产沉淀和规模复制等十二个模块组成。这十二个模块并不是平行罗列，而是构成一条完整的价值链。

表 1 Lean-FDE 能力画布

前四个模块解决 "业务问题是否成立"，即价值目标回答为什么做，场景定义回答做什么，用户主体回答谁来用，业务流程回答怎么发生；中间四个模块解决 "智能能力如何构建"，即数据基础回答数据是否可用，模型路线回答采用什么技术路径，智能体设计回答如何进入任务执行，工程原型回答如何快速落地；后四个模块解决 "项目如何验证和复制"，即评测治理回答如何证明有效和安全，运营迭代回答如何持续改进，资产沉淀回答如何形成复用能力，规模复制回答如何推广到更多场景。

这十二个模块共同构成 Lean-FDE 的完整闭环。

六、Lean-FDE 的七步工作闭环

Lean-FDE 的工作过程可以概括为七步闭环：现场进入、价值流梳理、数据盘点、原型构建、现场验证、评测治理、运营迭代。这个闭环强调从真实问题出发，以小步快跑方式完成价值验证，并将验证结果转化为长期能力。

第一步是现场进入。 Lean-FDE 的起点是业务现场，进入现场的目的，是看见真实工作方式，看见隐性流程、人工经验、系统切换、数据断点和责任边界。

第二步是价值流梳理。 现场进入之后，不能马上写功能清单，而要梳理业务流、数据流、角色流和决策流，让 AI 转型从 "做一个工具" 变成 "改进一条业务链路"。

第三步是数据盘点。 AI 应用能否落地，很大程度取决于数据。数据盘点不是简单列目录，而是判断数据是否可用、可信、可关联、可追溯、可授权、可进入模型和智能体流程。

第四步到第七步，依次是原型构建、现场验证、评测治理和运营迭代。 原型要让真实用户试用，验证要回到现场，评测要覆盖效果、安全、成本和采纳，运营要让错误样本、用户反馈、专家修订和业务结果持续回流。

图 4 Lean-FDE 七步工作闭环

七、Lean-FDE 的成熟度模型

企业推进 Lean-FDE，可以分为五个成熟度等级。

L1 是工具试用阶段，企业开始使用 AI 编程、文档生成、智能问答等工具，但多为个人自发使用。L2 是场景试点阶段，企业选择若干场景开展试点，但场景之间相互割裂。L3 是方法成型阶段，企业开始形成统一的场景识别方法、数据盘点方法、原型开发方法、评测指标和治理要求，Lean-FDE 小队开始发挥作用。L4 是平台复用阶段，企业沉淀统一知识库、模型网关、智能体编排、权限管理、日志审计、评测平台和组件库，多个场景能够复用基础能力。L5 是组织进化阶段，业务部门主动提出场景，Lean-FDE 团队快速验证，数据和模型持续反馈，组织流程不断优化，AI 能力成为企业核心竞争力的一部分。

图 5 Lean-FDE 组织进化飞轮

八、Lean-FDE 对企业岗位体系的重构

Lean-FDE 不意味着取消传统岗位，而是推动传统岗位升级。业务人员需要从 "提需求" 升级为 "共创场景"；产品经理需要从 "写功能" 升级为 "设计人机协同流程"；项目经理需要从 "管进度" 升级为 "管价值闭环"；软件工程师需要从 "写代码" 升级为 "编排模型、工具和系统"。数据工程师需要从 "建表和治理" 升级为 "构建数据产品和模型燃料"；架构师需要从 "系统架构" 升级为 "业务、数据、模型、智能体一体化架构"；运维人员需要从 "系统稳定" 升级为 "模型与智能体运行治理"；咨询顾问需要从 "输出报告" 升级为 "现场诊断、原型验证和持续交付"。

AI 时代的人才培养，不能只培训提示词，也不能只培训工具使用，而要训练面向真实业务价值的复合能力。Lean-FDE 可以成为企业培养 AI 时代干部、专家和骨干人才的重要抓手。

九、企业如何启动 Lean-FDE

企业启动 Lean-FDE，不宜一开始追求大规模铺开，而应采取 "小切口、强验证、可复制、可运营" 的路径。

第一阶段是两周诊断。 选择一个业务部门或一个重点场景，开展现场调研。重点不是做系统，而是完成业务流、数据流、角色流、决策流梳理，识别高价值机会。

第二阶段是八周试点。 围绕一个优先场景，完成从数据准备、原型开发、用户验证、评测指标到上线试运行的闭环。交付成果包括可用原型、试点运行报告、评测结果、用户反馈和下一阶段迭代计划。

第三阶段是三到六个月扩展。 将试点经验沉淀为标准组件、模板、平台能力和组织机制，复制到更多场景。交付成果包括 Lean-FDE 方法手册、场景库、组件库、评测体系、治理规范和组织能力建设方案。

实施过程中，企业不应一开始追求 "大平台、大模型、大场景"，而应从一个高频、高价值、数据可得、风险可控的业务切口出发，用 Lean-FDE 小队跑通闭环，再逐步沉淀平台能力和组织机制。

十、治理建议：构建面向智能进化的新型组织能力

第一，建立跨部门价值牵引机制。 AI 转型不是单一信息化部门可以完成的工作。业务部门要提出价值场景，数据部门要组织数据资源，模型团队要定义技术路线，平台团队要沉淀工程能力，安全合规部门要保障边界，管理部门要负责验收和运营评价。

第二，建立场景驱动的立项机制。 AI 项目立项不能只看技术先进性，也不能只看领导关注度，而要看场景价值、数据基础、用户频率、实施复杂度、风险可控性和复制潜力。

第三，建立评测驱动的验收机制。 项目验收不能只看系统上线、页面展示和材料完整性，还要看模型效果、业务指标、用户采纳、成本收益、风险控制和反馈闭环。

第四，建立资产化沉淀机制。 每做一个场景，都应沉淀一套数据集、一个 Agent 设计模板、一组工具接口、一个评测集、一份实施手册和一套复用组件。只有这样，企业才不会陷入重复试点。

第五，建立人才培养机制。 企业应围绕 Lean-FDE 建立复合型人才培养体系，将业务分析、数据工程、模型应用、智能体编排、快速原型、评测治理和组织推动纳入统一训练框架。

十一、AI时代的企业竞争力，从系统建设转向智能进化

数字化时代，企业比拼的是系统建设能力、数据治理能力和平台集成能力。进入 AI 时代，企业比拼的将是智能进化能力。所谓智能进化能力，是指企业能否持续发现高价值场景，持续把数据转化为能力、把模型嵌入流程、让组织适应新的工作方式，进而把试点沉淀为可复制的资产。

FDE 模式的兴起，说明国际领先企业已经认识到：AI 的真正价值不在实验室，而在业务现场；不在单点工具，而在端到端闭环；不在一次演示，而在持续运营。Lean-FDE 则是在这一趋势基础上，面向中国企业复杂场景提出的能力体系。

未来，企业转型的关键岗位，不再只是会写代码、会做方案、会管项目的人，而是能够站在业务现场，把问题定义清楚、把数据组织起来、把模型用起来、把系统建出来、把价值跑出来的人。这就是 Lean-FDE 的时代价值。它不是一个新名词，而是一套面向 AI 时代企业转型的核心能力体系。谁能够率先建立 Lean-FDE 的组织结构、工作闭环、评测机制和人才体系，谁就能在新一轮智能化竞争中掌握更加坚实的场景主动权、数据主动权和组织竞争力。

（作者系CCF中国计算机学会智能体 SIG副主席，精益AI与Lean-FDE 方法论创始人，著有《精益数据方法论》《数据要素价值化蓝图》等。）