第 16 章 关键行业 FDE 实践
第 16 章 关键行业 FDE 实践：能源、金融与重大基础设施¶
Note
本章导读：第 14、15 章按"供给方"讲运营商与云厂商，本章换成"需求方"视角——414 号文要求开放真实场景、推动规模化应用，关键行业正是政策最先要打开的场景。本章看 2026 年 FDE 在能源、金融两类关键行业里是怎么落地的，同时如实交代电力、交通等重大基础设施领域的公开证据缺口。本章案例均为 2026 年 6-9 月的公开报道，统一按第 15 章的七段式展开；企业披露的效率、准确率、成本数字一律视为企业口径，不当作第三方验证结论。读完本章，你能说清关键行业的 FDE 与互联网场景有什么不同，并能判断一篇"FDE 案例"报道里，哪些是可复用的方法，哪些只是宣传数字。
16.1 关键行业为什么需要单独看¶
关键行业的 FDE 交付，和一般企业有四个共同差异，本章每个案例都会回到这四点：
| 差异 | 具体表现 | 对 FDE 的要求 |
|---|---|---|
| 安全等级高 | 生产控制系统分区、涉密或关键信息基础设施 | 私有化部署、人工确认环、责任留痕（见第 18 章） |
| 经验在人脑里 | 老师傅、评标专家、风控人员的判断难以文档化 | 把"专家经验"转成规则、知识库与评测集 |
| 规模大、链条长 | 一个集团下有数百家单位、上千个采购人 | 先做最小闭环，再按单位复制 |
| 客户自己要"会用" | 上线后需要内部持续运营，不能永远靠驻场 | 培训内部教练，把能力留在客户侧 |
Important
读案例的纪律：本章所有量化结果都来自企业或媒体报道，正文会写明"企业口径"。它们说明方向，不构成可直接引用到你项目里的基准值。评估一篇案例，重点看方法是否可复用，而不是数字是否漂亮。
16.2 能源与流程工业¶
能源是 2026 年 FDE 公开案例最密集的领域，而且出现了三种不同的组织形态：甲方自己的科技公司 + 云厂商联合组队、甲方科技公司 + 云厂商培训 + FDE 驻场、模型厂商长期驻场共创。
16.2.1 案例：昆仑数智 × 阿里云（炼化工业智能体）¶
1. 背景与挑战：炼化装置的设备报警排查高度依赖老师傅经验，报警多、根因难定位，新员工上手慢。
2. FDE 介入方式：中国石油旗下昆仑数智与阿里云组建 FDE 联合专项团队，是"甲方科技公司 + 云厂商"的混编形态，而不是乙方单独驻场（上海证券报，2026-07-18，见附录 D-10）。
3. 技术方案：以大模型与智能体承载报警分析与根因推理，把专家排查经验沉淀为可调用的知识与规则。
4. 交付过程：报道称团队用 60 多天完成首个场景从立项到落地。
5. 业务成果（企业口径）：单次报警分析从约 30 分钟缩短到约 2 分钟；根因定位准确率超过 90%；现场排查工作量下降约 70%。
6. 能力回注：联合团队本身就是回注通道——甲方科技公司把行业知识留在集团内部，云厂商把工程方法沉淀为平台能力，下一套装置可以复用。
7. 方法论启示：对央企而言，"自有科技公司 + 外部 FDE"混编比纯外采更可持续：外部带方法，内部留资产。这与第 9 章"回注要有接收方"的要求一致。
16.2.2 案例：石化盈科 × 火山引擎（工具底座 + 培训 + FDE 驻场）¶
1. 背景与挑战：中国石化旗下石化盈科需要在大规模内部员工中推开 AI 应用，难点是"怎么让几千人真的用起来"。
2. FDE 介入方式：火山引擎采用"工具底座 + 实操培训 + FDE 驻场"三件套（火山引擎稿，2026-09-20，见附录 D-10）。
3. 技术方案：以火山引擎的模型与智能体工具为底座，面向 2000 多个座席开放使用，月度 Token 消耗超过 1000 亿（企业口径）。
4. 交付过程：先用约 1 个月做出最小闭环，再用约 4 个月推进到覆盖多业务的智能运营管理平台（iMOM）。
5. 业务成果（企业口径）：相关研发周期缩短约 50%，成本降低约 30%。
6. 能力回注：这个案例最值得学的是回注到人：项目培养了 120 名内部教练，并编写了一份"给 AI 看的新人手册"，把业务规范写成模型与智能体能直接读懂的上下文。
7. 方法论启示："给 AI 看的新人手册"是上下文工程（见第 13、18 章）的一个很好的落地形态：同一份业务知识，既培训新员工，也喂给智能体。120 名内部教练则把第 8 章的"客户自运营"做成了量化目标。
16.2.3 案例：科大讯飞 × 国家能源集团（智慧招采）¶
1. 背景与挑战：国家能源集团每年采购项目超过 14 万个、年采购额数千亿元，涉及 1385 家采购人、20 余万份报价文件、每年 20 万人次以上的评标评审；规则复杂、口径不一，专业判断高度依赖人工经验（界面新闻，见附录 D-10）。
2. FDE 介入方式：科大讯飞以"前置部署工程师"模式自 2022 年起持续驻场，围绕"编、报、评、核"环节与业务专家共同梳理规则。2026 年 7 月再次中标"智慧招标体系研究与应用开发项目"。
3. 技术方案：基于星火大模型、星辰智能体底座与招采智能体平台，围绕供应商、标的物、评标办法、评分要素、合同、风险规则等核心业务对象建设 12 类标准化知识库，形成统一的招采业务语义体系；客观项由 AI 识别并自动评分，主观项由"多维 AI 专家"评审后交专家复核；配套可信执行、数据脱敏、权限管控与全程留痕。
4. 交付过程：从智能无人评审起步，逐步扩展到采购文件编制审核、投标响应、评标生成与专家复核的全流程。
5. 业务成果（企业口径）：累计稳定运行超过 21 万个项目；智能评审准确率 97%；非招标采购询价通知单智能评审无人化率超过 89%；每年节约人工评审成本超过 1 亿元。
6. 能力回注：报道提出"业务即标注，标注即业务"——专家的每一次复核、每一条规则修正都转化为训练与评测数据，持续反哺平台。能力已复用到电力电网、能源化工、基建工程等十余个行业。
7. 方法论启示：这是国内最接近 Palantir"业务对象 + 专家复核 + 持续回注"完整闭环的公开样本之一。要注意两点：一是"12 类知识库"本质上就是业务本体（见第 14 章）；二是"主观项交专家复核"说明人工确认环始终在，无人化率 89% 只针对规则最清晰的询价通知单这一子场景。
Caution
警惕"零人工干预"式表述。部分能源行业报道会使用"全流程零人工干预"一类措辞。在生产、安全与资金相关环节，这类表述不能替代验收中的责任设计：谁确认、谁担责、异常时如何接管，必须写进交付物。讯飞案例把主观项留给专家复核，正是正确做法。
16.3 金融¶
金融行业的公开信号主要来自两类主体：软件服务商把实施团队改造成 FDE，以及银行科技公司自建 FDE 团队。
16.3.1 案例：明略科技（交付团队整体转向 FDE）¶
1. 背景与挑战：传统项目制交付毛利低、复用难，AI 智能体业务需要新的交付形态。
2. FDE 介入方式：据明略科技 2026 年中期业绩相关报道，公司约 30% 的交付人员已转向 FDE 岗位（界面新闻，见附录 D-10）。
3. 技术方案：以 Octo 等智能体产品为载体，沉淀了 359 个 Skill，覆盖 172 个业务场景。
4. 交付过程：以场景为单位推进，按 Skill 形式积累可复用能力。
5. 业务成果（企业口径）：场景平均效率提升 56.1%；智能体服务（Agentic Services）收入 1.709 亿元，同比增长 605.7%，占总收入 22.5%。与此同时，整体毛利率从 55.9% 降至 51.3%，研发投入增长 52.3%。
6. 能力回注：359 个 Skill 是典型的回注资产，与第 9 章"抽象为可配置组件"一致。
7. 方法论启示：这组数据完整呈现了FDE 转型期的财务代价：新业务高速增长，但毛利率下行、研发投入上升。它印证了第 2 章的判断——飞轮启动期要先投入，边际成本递减要等资产积累到一定规模之后才会出现。明略此后收购普联软件（交易额约 8.59 亿元），被部分评论解读为补足行业客户与交付能力（作者观点，见附录 D-10）。
16.3.2 银行 FDE 团队与一个"不是 FDE"的反例¶
宇信科技在 2026 年 9 月披露已组建面向银行客户的 FDE 团队，定位是驻场协助银行把智能体接入核心业务流程（南方财经，见附录 D-10）。这类银行 IT 服务商转 FDE，是国内金融行业最典型的路径。
Warning
不要把"平台上线"当成"FDE 案例"。阿里云 2026 年 6 月发布的"点金"金融智能体平台，报道中披露了中信证券等机构约 81.4% 的建议采纳率，但报道全文并未提及 FDE（经济日报，见附录 D-10）。它是一个平台产品案例，本书不把它计入 FDE 实践。识别方法很简单：看报道里有没有驻场团队、现场共创和能力回注的描述。
16.4 重大基础设施：公开证据缺口¶
电力电网、交通运输、水利等重大基础设施领域，截至本书成稿，尚未检索到可按七段式分析的公开 FDE 交付案例。可以确认的只有间接信号：
- 科大讯飞的招采能力已服务电力电网等行业客户；
- 中软国际与华为云的"伙伴智能体先锋计划"把能源列为重点行业之一，并提出以 Skill、MCP、业务本体、场景包为交付单元（见附录 D-10）。
Note
为什么这里要写"缺口"：关键基础设施项目多涉及安全保密，公开披露少是常态，没有公开案例不等于没有实践。本书不以推测填补空白；读者若在这些行业做 FDE，应把本章能源案例中的"人工确认环 + 专家复核 + 责任留痕"作为最低要求，并优先遵守行业主管部门的安全规定。
16.5 跨行业共性与交付单元¶
把本章案例放在一起，可以看到关键行业 FDE 的三个共同做法，它们与本书前面的方法论一一对应：
| 共同做法 | 案例证据 | 对应本书方法 |
|---|---|---|
| 先最小闭环，再复制 | 昆仑数智 60 多天首场景；石化盈科 1 个月最小闭环 | 第 5–6 章快赢与原型 |
| 专家经验转为可计算资产 | 讯飞 12 类知识库；石化盈科"给 AI 看的新人手册" | 第 9 章回注、第 14 章业务本体 |
| 能力留在客户侧 | 石化盈科 120 名内部教练；昆仑数智甲方科技公司混编 | 第 8 章客户自运营 |
交付单元也在变化。中软国际与华为云的"伙伴智能体先锋计划"提出以 Skill、MCP、业务本体、场景包作为交付物，并用"业务 Loop + 工程 Loop"双循环组织 Worker 与 Coding 两类智能体。这说明关键行业的 FDE 交付，正在从"交一套系统"转向"交一组可组合、可复用的能力单元"。
16.6 甲乙方对照：关键行业的 FDE，谁该对结果负责？¶
| 视角 | 甲方该问 | 乙方该做 |
|---|---|---|
| 组队方式 | 有没有自己的科技公司或内部团队接住资产？ | 主动提出混编，把"培养内部教练"写进交付范围 |
| 安全责任 | AI 给出建议后，谁确认、谁担责？ | 设计人工确认环与责任留痕，拒绝"零人工干预"式承诺 |
| 效果验收 | 报道里的效率数字，在我这里用什么口径验证？ | 事先约定基线与评测集，按第 17 章 ROI 三口径汇报 |
| 长期复用 | 第二个单位、第二个场景的增量成本是多少？ | 把知识库、Skill、场景包作为可移交资产登记 |
Important
本章小结：关键行业的 FDE 不是"更强的实施团队"，而是把专家经验变成可复用资产、把能力留在客户侧的一套方法。能源行业已经给出可参考的样本，金融正在把实施团队改造成 FDE，重大基础设施还缺公开样本——越是高风险行业，越要先把人工确认与责任边界设计清楚。
Tip
本篇小结 · 第五篇"中国实践篇"：从本土观察走向 AI 解决方案落地 中国实践篇以 414 号文为主线：先读懂政策对服务商和 FDE 团队的要求，再用政策的尺子审视乙方转型的六大挑战、回应对 FDE 模式的权威质疑，并给出三阶段路线图、就绪度自评清单与 PPT 转型纲领；随后依次看政策框架下的三类主体——三大运营商作为服务商与服务团牵头方，四家云厂商与 2026 年入场的模型厂商、数字化服务商作为能力供给方，能源、金融等关键行业作为需求方。到这一篇为止，我们已经完成了从 FDE 基本认知、Palantir 标杆、四阶段流程、团队角色，到中国本土转型的完整推演。
但新的问题正在出现：当 AI/智能体不仅成为 FDE 的工作工具，也成为 FDE 交付给客户的解决方案本身时，原有方法论需要补充哪些能力与边界？——这不再是"方法论有没有讲完"的问题，而是"新工具给这套方法论带来哪些必须处理的新问题"。第六篇（AI 解决方案篇）将在前五篇基础上继续回答： Echo 如何定义 AI 项目的价值与成功标准，Delta 与 Engineering 如何把 AI 方案做成可评测、可控制、可运维的生产系统，以及甲乙双方如何共同判断一个 AI 项目是否值得继续投入。
在进入第六篇之前，若你读的是组织转型视角，请先回到自己的组织，用第 13 章的 就绪度自评清单打个分，找到最弱的那一维度，从那里开始转动飞轮——这是第五篇的实践落点；第六篇则在方法论层面继续延伸。
本篇收尾 · 甲乙方对照：为什么你们的方案这么贵¶
同一个问题，甲方怎么问、乙方怎么答。这一专栏不占章节编号，回应中国实践篇最常见的三组价格异议。
Q1：人天单价能不能再低点？
甲方："你们报价这么贵，别人家按人天便宜多了，能不能再让让？"
乙方："国内'买一送三'、人天单价十年未涨的习惯确实普遍，但我们不得不诚实面对一个结构性差异：Palantir 的早期客户是 CIA、NSA，单个合同动辄数千万美元，客户关注价值而非成本；而国内客户长期习惯按人头砍价。在'卖人力'的市场里比人天，我们必然输给更便宜的外包——所以 FDE 要谈的从来不是'人天单价'，而是'这笔投入换回多少业务价值'（据调研报告口径，见报告"中国实践篇"付费习惯一节的论述）。如果你只想要更便宜的人天，我们可能不是对的供应商。"
Q2：凭什么按价值收费？
甲方："价值你说得清楚吗？我凭什么在效果没出来之前就多付钱？"
乙方："正因如此，我们不要求你一开始就按价值买单——先用 PoV（2 周价值证明），用一套脱敏数据现场给你跑出一个看得见的业务闭环，证明值得继续；进入正式合作后，再把成功指标（第 9 章的可度量指标，如 TTFV、健康度、效率提升）写进合同，按里程碑验收。先证明、后绑定，就是'价值收费'对'效果未出'疑虑的回答。"
Q3：你们跟大厂比有什么优势？
甲方："阿里、华为、腾讯都有驻场团队，你们凭什么？"
乙方："我们的差异化定位不同：大厂是平台广度——用统一底座覆盖海量客户、拼生态拼规模；我们聚焦细分行业的深度——在你们这一行打穿几个场景、沉淀行业 Know-how 与组件，做'小而深'而非'大而广'。这正呼应第 15 章对阿里、华为、腾讯、火山四家的对比：各有强项，但深度场景服务的护城河，恰恰留给了愿意下沉的专注型团队。选择我们，不是因为更便宜，而是因为更懂你这个行业。"