大模型普及之后，很多企业已经不缺“模型能力”。真正缺的是：把模型塞进自己的老系统、脏数据、部门墙和合规要求里，跑出可验收、可回款、可复用的业务结果。对欧美云原生企业而言，这套工作已经很难；对中国企业而言，难度通常更高。高承实在《FDE决策现场》里把FDE定义为“当方法论遭遇现实”的判断者，而不是单纯写代码的人——这一点恰恰切中中国企业AI落地的要害。

一、需求端：老板说“要用AI”，业务说不清“解决什么”

中国企业上AI，常见起点不是“某个流程痛到必须改”，而是“政策要求”“同行都在做”“老板想试点”。结果需求到FDE手里往往是“智能客服”“知识库”“AI赋能供应链”这种方案词，不是问题词。《FDE决策现场》第4章反复强调：客户说的“想要”和真正“需要”之间，隔着一次需求挖掘；三个痛点只够做一个时，不看谁抱怨响，而看“不解决谁会停摆、是否不可逆、是否能带动其他问题”。

中国企业层级多、岗位细，业务负责人常给“功能清单”，但FDE要的是“业务问题清单”。比如“智能客服”可能背后是自动回复省人力，也可能是投诉情绪识别降流失；不坐到客服旁边看真实工单，只开访谈会，很容易做成“能演示但没人用”的玩具。书里用最小可点原型激活需求、用“成功标准写成一个数字”来替代“提升效率就行”，对需求模糊的中国项目尤其重要。

二、数据端：孤岛、老系统、语义脏，比模型问题更致命 

中国企业AI落地最常卡在 data，而不是 algorithm。中大型企业往往CRM、ERP、MES、OA、财务、采购各一套，分属不同部门，接口标准不一，部分老系统无API；中小企业则Excel、微信截图、手写本、口头单并存。《FDE决策现场》第5章把这类问题拆得很实：国企“数据不出域”，中小企业“三无”，数据质量“客户说很干净”但字段混含税不含税、状态字段混进度与类型，数据孤岛则每个部门把数据当私产。

通用大模型懂公开知识，不懂某家国企二十年ERP的隐性规则。书里给的原则是：签约前先要数据样本，Day1读库不读PPT，看行数趋势、空值率、分类值歧义；确认“可访问性”和“业务语义”谁定义；中小场景不追求建数仓，先用Pandas把数据读出来、拼成能回答业务问题的表。 这类“数据考古+胶水工程”通用厂商交付完就走，做不到；只有驻场FDE会持续做，因为模型不接数据就没有任何业务价值。

行业材料也印证这一点：企业AI失败常被归为数据孤岛与遗留系统两道墙，通用RAG直接喂文档效果差，必须先做口径统一、老接口适配、权限映射；先小场景打通“数据—系统—权限”闭环，再向核心推进，避免一上来全量打通把老系统搞崩。

三、合规端：不出域、等保、信创、审计，决定方案形态

中国政企、金融、能源、军工类项目有硬性制度约束。《FDE决策现场》把“合规红线”列为数据接入前必须处理的事项：分类分级、最小必要、RAG权限把源系统权限作为元数据；国企不出域时不靠说服客户上公有云，而把模型和开发环境搬进内网，必要时用开源替代降性能换合规。 外部材料进一步显示，央国企常面临等保三级、密评、信创适配、审计追溯、“可用不可见”等门槛，某供应商准入案例技术测试一次过、合规审查打回四次，分别卡国产化证明、密评、不出域、审计方案。

这意味着中国企业很多AI项目不是“选最强模型”，而是“在合规边界内选可运行模型”。FDE的价值是把合规前置：先定数据级别和出域范围，再定私有化/联邦/脱敏/权限化RAG，而不是先训模型再补安全。对国企而言，FDE不是技术外包，而是合规可交付的设计者。

四、组织端：部门墙、决策者不到场、考核短期化

技术可解的问题，常常被组织拖死。《FDE决策现场》第1章讲“三个条件缺一不可”：痛点明确、数据可接入、决策者有决心；缺决心等于死刑，因为项目随时被叫停。第11章讲国企一把手工程里对接人不是真owner、数据孤岛是组织问题不是技术问题、CTO关心安全而研究员关心效果，第3章则强调合同要有配合承诺和退出机制。

中国企业还有两类特殊摩擦。其一是部门墙与数据私产：跨部门共享要多方审批，MES、SCM、ERP编码不统一，IT推不动业务、业务不信任IT。 其二是考核短期化：央企有年度/任期考核，AI回报周期可能更长，导致“先上几个看得见的场景交差”，但数据治理没做完，后期难规模化；甚至AI提速后仍以“审了多少份”而非“审得多准”考核，系统被绕过。FDE的作用不是替组织做决策，而是在现场找推动者、把成功标准量化、用阶段性MVP让各部门看到收益，从而把“配合”从口头变成责任。

五、交付端：从“系统上线”到“业务结果+回款+沉淀”

很多中国企业AI项目死在验收：技术验收通过，业务没人用，尾款收不回。《FDE决策现场》第3、13章把验收分成技术层和业务层，业务层不仅看指标改善，也看目标用户是否持续使用、是否主动确认价值；报价端用ROI天花板、三档成本估算、数字员工替代成本来避免“做得多亏得多”；收尾端要求把踩坑记录、评估集、连接器、业务规则沉淀为团队资产，而不是随人离职。

这对中国企业特别关键。标准化的SaaS卖账号，传统外包卖功能清单，都解决不了“说不清需求—接不进数据—过不了合规—推不动部门—证不了效果”的连环问题。FDE以驻场小队把Scoping、数据、原型、部署、培训、验收串起来，并按结果而非仅按人天交付，才能把AI从PPT试点推到生产系统。

六、结论：中国企业缺的不是模型，是“现场把模型变成业务”的能力

中国企业AI落地更难，难在四件事叠加：业务非标且需求模糊、数据分散且老系统多、合规刚性且审计严格、组织层级多且部门利益固化。单靠买大模型、买平台、做几次培训，通常只能得到“演示惊艳、上线闲置”。FDE的价值正在于此——它用一周筛项目判断该不该接，用现场调研把假需求换成真痛点，用工程化手段把脏数据接成可用，用私有化与权限方案过合规，用双角色和推动者机制破部门墙，用业务验收和数字结果收回款、沉淀资产。

可以说，模型能力越强的时代，中国企业越需要FDE：模型负责“可能”，FDE负责“确定”。没有FDE，AI在中国企业里往往停在实验室；有FDE，才有可能把最后一公里修成可重复走的路。