如果一份发债说明书里有一个数据错了，后果是什么？
不是重写，是事故。
金智维创始人廖万里在金融行业干了这么多年，太清楚这个底线了。
大模型来了之后，所有人都觉得AI能写报告了——确实能写。但写出来的报告能不能用在真正的金融交易里？“你这里面任何一个数据都不能错。”廖万里说。
金融客户对AI的“准”，要求是100%。
廖万里第一次注意到FDE（Forward Deployed Engineer，前沿部署工程师）这个词，是2024年9月，金智维正在准备港股上市材料。
研究对标企业的时候，他看到了Palantir。“第一反应是，诶？他做的事情跟我们一直在做的工作模式非常类似。”
金智维做RPA起家，180多万个数字员工部署在六大行和上百家券商的系统里。RPA本身就意味着大量现场交付——驻场、对接、调优。
“以前觉得自己没有掌握好一套完整的方法论。没有真正像Palantir那样，把知识和数据形成飞轮。”
这句话让我想起上一期采访的句子互动创始人李佳芮。她2023年开始做Prompt Engineer的时候，也不知道这叫FDE。
两位创始人，一个做在线教育营销，一个做金融RPA，殊途同归地走到了同一个答案。
中国的FDE实践，是业务逼出来的，不是学来的。
廖万里不是一个容易被概念打动的人。他关注FDE，是因为三个信号越来越强烈。
第一个信号：客户不满足于原来的东西了。
以前交付一个RPA自动化流程，客户能用两三年不出声。现在AI来了，客户觉得原来的模式“智能化不够”，要求快速演进。
第二个信号：客户开始问「更难的问题」。
被AI小作文洗过脑的客户，觉得大模型无所不能。“他们有更高的期待，但他自己可能也没搞明白什么是好的，什么是不好的。”
第三个信号：竞争格局变了。
“以前做RPA的，大家比的是功能、稳定性、价格。现在竞争对手变成了AI公司——他们跑得更快，能快速出demo。”虽然demo落不了地，但足够影响客户的决策心理。
这三个信号，指向同一个结论：原来的组织和交付方式，不行了。
我问了廖万里一个问题：你在客户现场总结的「干得准、干得稳、干得好」三要素，哪个最容易崩？
他几乎没有犹豫：“准”。
“稳是技术问题，有好的架构和运维体系基本能保障。干得好是结果，前面两个解决了大概率都能干好。但准——是最难的。”
他举了个例子。同一份金融文档，在不同监管环境下，处理模式完全不同。通用大模型不可能懂这些。
发债说明书里每个数据都有“勾稽关系”——A数据和B数据之间必须符合特定的逻辑规则。
这规则不在任何公开文档里，它藏在业务人员的经验里，藏在合规部门的审批习惯里，藏在历次被驳回的修改记录里。
“你没有深度的行业知识和业务逻辑沉淀，你很难干得准。”
这才是FDE在金融场景下的真正价值——不是驻场写代码的人，而是能把这些隐性规则挖出来、系统化、喂给AI的人。
但廖万里没有停留在“应该有方法论”的阶段。
他正在做一个组织实验：组建了一个独立小团队，直接向他汇报，成员包括他自己、新设的CKO（首席知识官）和CTO。
用他的话说，“基本上是模拟一个小公司的运作主体”。
这个团队要用一套“知识本体驱动”的新方法论，从零重构一个已经在跑的产品线。目标：两个月跑通。
“如果把这条路跑通了，就是革命性的变化。”廖万里说。
跑通意味着什么？意味着未来面对任何一个客户的业务需求，梳理出来就是一个知识本体，跟模型直接联动——“快速构造业务能力，同时做到精准可靠。”
一个做了十几年的创业者，在AI转型的关键节点，选择了最笨的办法：自己下场，拿一个真实客户的真实需求，用新方法重新做一遍。
这不是一个技术实验。这是一个组织实验。
但实验的成本是真实的。
“第一个项目肯定是亏本的。”廖万里很清醒。硅谷的FDE模式依托的是美国客户的付费能力。中国的现实是——客户愿意为AI花钱，但利润率撑不起大量驻场工程师。
廖万里的底气在于金融客户的复制网络。“我们做金融文档的场景，一个券商做完了，100多个券商都有类似需求。关键在于能不能做到场景的产品化、市场的规模化。”
这不是一道技术题，是一道组织设计题：FDE挖出来的知识，能不能变成可复制的产品能力？能，FDE就是投资；不能，FDE就是成本。
他跟我约了两个月后再聊一次。实验跑通了，我来补上这个答案。
廖万里对自己的定义很有意思：“我们肯定不是AI技术最强的公司，可能也不是部署最多AI能力的公司——但我们就是希望它真正在业务流程里产生价值。”
不是最有噱头的，是最会干活的。
我问三年后他希望金智维在AI交付这件事上留下什么口碑，他说：“真正帮客户把活干了，还产生了真正的价值。你帮他创造了价值，自然可以分享价值的成果。”
这句话，可能比任何技术白皮书都更接近FDE的本质。
粤ICP备14082021号
免费POC，
零成本试错
