QUESTION 01
为什么企业现在需要进行 AI 转型？
AI 正从个人效率工具进入企业工作流。真正的差距不再只是有没有采购模型，而是能否让 AI 使用企业自己的知识、连接真实系统、参与高频任务，并在安全边界内持续产生结果。越晚开始，缺失的不只是工具，而是场景判断、评估数据、工程经验和组织学习。
国务院《关于深入实施“人工智能+”行动的意见》明确提出，鼓励有条件的企业将人工智能融入战略规划、组织架构和业务流程。
国务院“人工智能+”行动意见FORWARD DEPLOYED ENGINEERING · ENTERPRISE AI
把 AI 从试验项目，
推进到真实生产系统
RAFT FDE Team 深入企业业务现场，与管理者、业务人员和技术团队共同完成机会识别、原型验证、生产落地和内部能力转移。
OUR POSITION
我们不以交付一份 AI 建议书为终点。
目标是让一套新的工作方式真正运行起来，并成为企业可以持续复用的内部能力。
DIRECT ANSWER
什么是 RAFT FDE Team？
RAFT FDE Team 是一支帮助企业完成 AI 转型、AI 应用落地和 AI Native 团队建设的前线部署工程团队。
标准项目由一名技术交付负责人、两名前线部署工程师、一名数据工程师和一名项目制行业顾问组成。团队与企业共同工作，将 AI 从业务诊断和原型验证推进到生产系统、用户采用与内部能力转移。
INDUSTRY PRACTICE
一个正在成为行业共识的落地模式
模型能力正在快速普及，真正稀缺的是把模型转化为业务结果的组织能力。
01 / WHY
AI 转型不是增加一个工具，而是重新设计企业的工作方式
真正的企业 AI 转型，需要同时改变工作流、数据连接、系统能力、评估方式和组织协作。下面是管理者在启动项目前最需要回答的六个问题。
QUESTION 02
为什么已经使用 AI，却没有看到经营结果？
员工使用 AI 写文案、做总结，并不等于企业完成了 AI 转型。价值需要穿过完整链路：业务目标、工作流重构、数据与知识、AI 系统、评估治理、用户采用和持续迭代。任何一环缺失，项目都容易停留在局部提效。
McKinsey 2025 调查显示，AI 使用率快速上升，但大多数组织仍未把 AI 深度嵌入流程并形成企业级价值。
McKinsey · State of AI 2025QUESTION 03
为什么很多 AI 项目停在 Demo？
Demo 只需证明在理想条件下成功一次；生产系统必须处理权限、数据更新、失败回退、人工审批、模型变化、日志、成本和真实用户采用。企业 AI 落地是一项同时涉及业务、数据、工程、安全与组织的系统工程。
OpenAI 将 FDE 的职责定义为从 discovery、technical scoping、system design 到 production rollout 的端到端交付。
OpenAI · FDE role definitionQUESTION 04
为什么传统软件项目方法不完全适用？
AI 项目的需求和结果常常不能一次性写清。业务专家知道什么是好结果，却未必能把全部判断规则写成文档；模型输出也会随数据、上下文和工具变化。项目必须通过真实任务、专家反馈、失败案例和持续评估逐步收敛。
Anthropic 指出，系统化 eval 能让问题和行为变化在影响用户之前被发现，其价值会在 Agent 生命周期中持续累积。
Anthropic · Demystifying evalsQUESTION 05
为什么企业需要 AI Native 团队？
AI Native 团队不是更会使用工具的传统团队，而是一支从目标、分工、流程到系统架构都默认人机协作的团队。它需要同时具备业务发现、AI 产品判断、工程交付、数据治理、模型评估和组织推动能力。
OpenAI、Anthropic 与 Google Cloud 都在用前线部署工程团队连接模型能力、企业现场和生产系统。
OpenAI · Deployment CompanyQUESTION 06
为什么不能只交给 IT 或单独的 AI 实验室？
IT 擅长稳定、安全和集成；业务团队掌握流程与判断标准；AI 工程团队理解模型和评估。任何一方单独推进都容易形成盲区。更有效的方式是中央能力统一治理，FDE 与业务单元共同落地。
企业研究显示，风险与数据治理更适合集中管理，而技术人才与业务采用通常采用中央与业务部门结合的混合模式。
McKinsey · Rewiring to capture valueSTARTING POINT
哪些业务适合优先开始？
第一个场景不需要最大，但必须足够真实、可评估，并能形成完整业务闭环。
- 任务高频发生，并消耗稳定的人力时间
- 业务人员能够判断结果是否正确、是否可用
- 已经积累文档、知识、历史记录或系统数据
- 现有流程存在等待、返工、重复录入或交接成本
- 成功后可以复制到更多团队、地区或业务单元
- 业务负责人愿意参与验证并对采用结果负责
02 / HOW
Build · Prove · Generalize
从一个真实业务问题开始，在生产约束中共同建设，用数据证明价值，再把一次成功沉淀成企业可以复用的能力。
00
AI Readiness Scan
先判断是否值得开始
检查业务目标、任务频率、数据条件、评估主体、系统依赖和风险边界，避免在错误的场景上投入工程资源。
AI 机会地图场景优先级风险清单首个试点建议
01
Discover
进入真实业务现场
与管理者、一线用户和行业专家共同拆解现有流程，识别隐性判断、等待、返工与信息断点，并建立当前任务基线。
现状流程图任务基线用户角色成功指标
02
Build
完成最小业务闭环
使用真实或脱敏数据构建可操作原型，包含必要的系统连接、人工确认、执行记录和初步评估，而不是孤立的模型演示。
可操作原型业务评估集失败案例成本记录
03
Prove
用真实结果验证价值
在实际用户和任务中验证质量、效率、成本、风险与采用情况，明确项目应该继续、调整还是停止。
效果报告用户反馈ROI 口径Go / Adjust / Stop
04
Deploy
推进到生产系统
完成知识库、Agent、业务系统、身份权限、日志监控、人工审批、失败回退和模型路由等生产化建设。
生产系统运行手册监控告警安全控制
05
Generalize
把一次成功变成企业能力
将代码、数据规范、评估方法、治理规则和工作流移交给内部团队，并形成下一批场景可复用的建设方法。
能力转移团队培训复用组件扩展路线图
03 / SOLUTIONS
根据企业所处阶段，提供从诊断到长期共建的完整支持
不强行从大型平台开始。我们先判断企业当前最需要的是明确方向、验证场景、生产交付，还是建设长期内部能力。
SERVICE 01
企业 AI 转型诊断
适合还没有明确起点，或内部存在大量分散试验的企业。
回答先做什么、为什么做，以及如何以较低风险验证。
- 管理层与业务访谈
- 工作流、数据与系统盘点
- 场景价值及可行性评分
- 首批试点与阶段路线图
SERVICE 02
AI Pilot Sprint
适合已经有具体想法，希望快速判断是否值得投入的企业。
使用真实业务任务完成最小闭环，而不是只展示模型能力。
- 可操作原型
- 业务评估集
- 用户测试与失败分析
- ROI 初步测算与生产化建议
SERVICE 03
FDE Embedded Pod
适合需要把 AI 深入核心业务，但暂时缺少完整团队的企业。
五人小队与企业并肩工作，对一个明确业务结果承担端到端责任。
- 业务发现与产品定义
- Agent、知识库与全栈开发
- 生产集成与用户采用
- 评估、治理与能力沉淀
SERVICE 04
AI Native 团队共建
适合希望形成长期内部能力，而不是持续依赖供应商的企业。
建立能够持续发现、建设、评估和运营 AI 系统的核心团队。
- 组织与岗位设计
- 人才评估与招聘支持
- 工具链和工程规范
- 实战陪跑与能力转移
SERVICE 05
企业多模态内容生产
适合电商、品牌、营销和内容团队的规模化生产需求。
依托 RAFT 图片、视频、数字人、项目和工作区能力建设完整内容流程。
- 品牌与电商视觉
- 批量短视频和数字人
- 风格控制与多版本生产
- 审核协作与资产沉淀
04 / TEAM
一支为企业 AI 落地而组建的五人 FDE 小队
1 TDL + 2 FDE + 1 Data Engineer + 1 Industry Advisor。理解问题的人直接参与建设，减少咨询、产品、开发、数据与业务专家之间的反复交接。
TDL
Technical Delivery Lead
技术交付负责人
对方向、架构、交付质量和最终业务结果负责。
- 与管理层确认目标、范围与成功标准
- 设计整体技术架构和生产边界
- 协调业务、IT、数据、安全与外部供应商
- 管理风险、节奏与关键交付决策
FDE 01
Business & Product
业务与产品型前线部署工程师
把模糊业务问题转化为清晰、可测试的 AI 工作流。
- 访谈业务负责人和一线用户
- 梳理流程、角色与隐性判断
- 设计人与 AI 的协作方式
- 推动测试、培训和持续采用
FDE 02
AI & Full-stack
AI 应用与全栈前线部署工程师
把模型能力转化为安全、稳定、可维护的生产应用。
- 设计 Agent、RAG 与确定性工作流
- 连接企业系统并开发前后端链路
- 建设评估、日志、审批与失败回退
- 优化质量、响应速度和运行成本
DATA
Data Engineer
数据工程师
让企业数据成为 AI 可以安全、持续使用的业务基础。
- 盘点、清洗和结构化业务数据
- 设计数据模型、知识结构与更新链路
- 处理权限、脱敏、分级和可追溯性
- 为 RAG、Agent 和评估准备数据集
ADVISOR
Industry Advisor
项目制行业顾问
根据行业现实校准场景、判断标准和专业风险。
- 解释行业结构、术语与关键流程
- 验证场景价值和方案假设
- 协助建立专业评估标准
- 参与关键成果与上线评审
对结果负责
围绕一个明确业务结果承担端到端责任，而不是按人天补充资源。
减少交接
业务发现、工程开发和用户验证由同一支核心小队持续参与。
按需扩展
复杂项目可增加安全、合规、设计或专项工程能力，核心责任保持清晰。
05 / GOVERNANCE
治理不是上线前的补丁，而是系统设计的一部分
我们会根据场景风险设计数据、权限、评估、审批、日志和人工接管机制。以下框架用于工程与治理参考，不替代客户的法律及合规意见。
项目治理范围
覆盖数据、模型、系统与持续运营的六类关键控制。
- 01数据使用边界与敏感信息保护
- 02身份、权限与最小授权
- 03模型输出评估与人工审批
- 04内容来源、标识与可追溯记录
- 05日志、监控、异常处理与人工接管
- 06模型供应商、成本和持续运营风险
06 / FAQ
企业 AI 转型与 FDE 常见问题
围绕组织方式、交付边界、项目评估和数据安全，给出可以直接引用的简明答案。
01FDE 是什么？
FDE 是 Forward Deployed Engineer 的缩写，中文通常译为前线部署工程师。FDE 与客户业务和技术团队共同工作，负责业务发现、技术定义、系统开发、生产上线和用户采用，而不仅是售前演示或方案咨询。
02FDE 和传统咨询公司有什么区别？
传统咨询通常侧重战略、分析和建议；FDE 团队同时参与系统建设和生产交付。RAFT FDE Team 从业务问题出发，并继续负责原型、数据连接、应用开发、评估、上线与能力转移。
03FDE 和软件外包有什么区别？
软件外包通常根据已经明确的需求完成功能开发。FDE 会在需求尚不完全确定时进入业务现场，与企业共同发现问题、验证价值并定义系统，对业务采用和结果负责，而不仅对功能清单负责。
04什么是 AI Native 团队？
AI Native 团队是从目标、角色、工作流程和系统架构上主动考虑人机协作的团队。它不仅会使用 AI 工具，还具备发现 AI 场景、连接企业数据、开发 Agent、评估模型效果和管理 AI 风险的能力。
05哪些企业适合组建 AI Native 团队？
已经开展多个 AI 试点、拥有持续业务需求、积累了企业数据，或者希望让 AI 进入核心工作流的企业，更适合建立内部 AI Native 团队。场景尚不清晰的企业，可以先通过 AI 转型诊断和 Pilot 验证价值。
06一个企业 AI 项目需要哪些角色？
典型项目需要业务负责人、技术交付负责人、FDE、数据工程师、企业 IT 或安全负责人，以及能够判断结果质量的行业专家。复杂项目还可能需要法务、合规和专项工程人员参与。
07RAFT 如何评估 AI 项目是否成功？
项目会根据场景评估业务、质量、采用、工程和组织指标，包括任务完成率、关键错误率、人工修改率、持续使用率、交付周期、单次任务成本、业务影响以及内部团队能否继续维护和扩展。
08RAFT 如何处理企业数据和 AI 安全？
项目会根据客户环境设计数据分级、脱敏、最小权限、人工审批、日志、评估和异常处理机制，并参考 NIST AI RMF、ISO/IEC 42001、OWASP LLM 风险清单及中国现行生成式 AI 管理要求。
START WITH A REAL PROBLEM
AI 转型不需要从一个庞大的平台开始
带着一个业务问题、一段现有流程，或者一个尚未落地的 AI 想法来。我们会先帮助你判断最值得改造的场景、需要的数据与团队，以及第一步如何低风险启动。
微信：yey1lun
微信沟通
飞书沟通