FDE案例集：24个AI落地案例证明最难的是最后一公里

本文解读：《2026FDE100案例集（浙江篇）-Datawhale&浙江省人工智能学院》 · 共 244 页 · 原文

AI落地的难点，几乎不在模型。Datawhale与浙江省人工智能学会这本244页的案例集，收录了24个企业 一线场景的访谈，反复出现的是同一个结论：项目失败的地方通常在流程、数据、组织和最后一公里。

案例都很具体。车管所的材料审核从15分钟压到三五分钟；跨境物流装车从老师傅的5小时经验判断压到 约2小时，效率提升约100%；一份跨部门的规划报告从3到5天缩到10到20分钟。

但作者和每一位受访的FDE都强调，这些数字只是结果。真正花时间的是前期的现场观察、知识地图梳理， 和上线后接近两个月的陪跑。

案例集按FDE姓名首字母排序，没有排名，也不提供标准答案。它更像一组可对照的作业本。

大多数企业AI项目的真正难点，都在让AI接进原有流程的那最后一公里。

图源：《2026FDE100案例集》（第1页）

一、24个案例，先看它们共同的形状

案例全部来自真实业务现场，行业跨度很大：德国斯图加特的零部件制造企业、中国某地车管所、诉讼 律师团队、城市规划院、中俄跨境物流企业、跨境电商卖家、央国企财务部门。

它们的起点也很像。企业最初提出的需求往往只是一句话，比如把老师傅的经验沉淀下来、让材料审核 快一点、把库存和补货打通，而这句话还不能直接变成AI项目。

FDE普遍要做的事，是先把模糊需求继续往下拆，拆成一个可以判断的问题：新人究竟缺哪些知识、这些 知识在哪里、怎么让它在需要的时候被找到。

案例集里反复被强调的是同一句判断：FDE首先应该像一个顾问，其次才是开发工程师。

企业的第一句话从来不是需求，只是焦虑的表达方式。

图源：《2026FDE100案例集》（第2页）

二、先跟着员工走一遍，再谈用什么模型

多个案例给出一致的方法：不先问要用什么模型，先看业务每天怎么跑。制造业案例里的FDE直接跟着员工 走完一天流程，看他一天在做什么、在哪里停下来、哪里需要问别人。

这么做得到的问题，比问一句“你有什么痛点”具体得多。访谈里一线员工不愿花太多时间，很多细节他 自己也说不清，只有跟着走一遍才会浮现。

车管所案例的切入点甚至更小，是一个遗留系统运维项目。它让FDE进入了现场，看见了肉眼审核的真实 工作量，才有了后面做AI审核的可能。

规划院案例把这段过程拉得更长，花了数月与业务部门沟通，重点是看真实工作过程，而不是收集需求 列表。因为需求列表不能直接变成功能列表。

小切口的意义不是省钱，是拿到进入现场和建立信任的门票。

图源：《2026FDE100案例集》（第3页）

三、知识库不是文档丢进去就完事

制造业案例的知识处理最能说明问题。企业本身有大量文档，导入、解析、检索增强就可以跑通技术通路， 但这只是其中一步。

更重的工作是把老师傅脑子里的隐性经验抽象出来，让它进入企业的知识体系。老师傅不只是知道标准 答案，还知道什么时候不能机械地照标准答案执行。

验收标准也不是“能回答问题”。前期调研统计出的高频问题本身就是测试集，文档解析要达到约95%， 问题召回片段的准确率要达到80%以上，在最小范围测试里达标，才算技术路径初步跑通。

第三步是把AI放回原来的培训流程，做成类似在线课程打卡的形态。新人能看到学习进度，带教师傅能 回看进度，每节课还设置问答做验收。

关键判断是：AI进入了原来的人机流程，而不是额外加一个聊天机器人。

知识库能不能用，要拿当初调研出来的问题去考它。

图源：《2026FDE100案例集》（第4页）

四、15分钟变3分钟，数据是怎么来的

车管所案例给出了相对完整的效果链条。客户上传材料后，工作人员过去是打开图片、用肉眼审核，再人工 处理后面的业务，这套流程运行了很多年。

FDE把目标定成让机器替代重复性的“看、读、填、搬”：需要看的用视觉和OCR，需要从合同里提取信息 的用大模型，需要重复填写和系统间流转的用RPA。

难点在数据不标准。车管所材料不像实验室数据集，身份证有只拍到一个国徽的，合同格式各家金融机构 都不一样。团队最终做了大约9类图像材料，每类都要重新收集真实素材、标注、训练、上线观察。

结果是单笔业务的全流程审核从约15分钟缩短到三五分钟，识别准确率从70%多提升到98%左右，办件量 保持并略有增长。

跨境物流案例的对照更直白。一辆约110方的货车，老师傅人工装载要5小时，空间利用率通常只有六成多； 引入AI规划后预计压到约2小时，装车效率提升约100%，同样工时内车次接近翻倍。

这些数字不好看，却是一个场景一个场景磨出来的。

图源：《2026FDE100案例集》（第5页）

五、AI要嵌进原来的工作台，不是另开一个框

规划院案例有一段很值得抄的经验：他们没有把所有功能塞进一个聊天框。规划师的工作中心是地图， 所以最后的交互保留了他们熟悉的方式。

左边是筛选条件和专业工具，中间是地图，右边才是Copilot。AI调用工具或完成分析后，结果直接回显 到地图上。这条原则被概括为：产品要顺着原来的工作习惯长出来。做AI产品容易陷入的误区是既然有Agent，那就 把所有能力装进一个输入框。

同样的逻辑出现在财务流程和跨境经营案例里。企业真正的需求不是再生成一份报告，而是数据能进系统、 每个数字点得开、结论能进周会。

有个案例还设置了硬约束：不是模型直接吐一个答案，而是模型帮你定位到那一行原始数据，保证每个 数字都看得见来源。

用户不会为了AI重学一遍工作方式，AI得挤进他原来的界面里。

图源：《2026FDE100案例集》（第6页）

六、组织才是最大的变量，算法排在后面

被问到最难的部分时，车管所案例的回答是组织和规则，算法反而排在后面。材料不标准能靠收集和 训练解决，跨部门协同却没有技术解法。

规划院要协调10个部门。有人天然支持AI，也有人担心上线后影响自己的岗位和价值，问业务规则和要 数据时，回复会很慢，甚至直接说这些网上都有。

案例给出的经验是找到真正能推动项目的“执行一号位”。项目发起人可能是副院长，但真正知道谁最难 推动、谁掌握什么数据的人，往往是负责总调度的那个。

案件集里另一条判断更狠：中大型企业的AI落地一定是一号位工程，老板只扔给IT部门，最后很容易变成 一个技术项目。

上面引用的数据都能在原文里找到出处，报告放在运营动脉（www.yydm.cn），搜标题即可。

遇到统计口径不一致的地方，回原文核一眼，比对两三篇二手解读要快得多。

还有案例提到，老板、中层、一线关注的东西完全不同。前期不把各层级的目标、预期、责任讲清楚， 最后容易变成“做得不好就是FDE的问题”。

技术能做但落地不了，卡的多半是部门不给你数据和规则。

七、验收之后还愿意做第二个，才算成功

案例集里对“成功”的定义很克制。车管所案例的原话是：验收通过之后，客户还愿意继续和你做第二个、 第三个项目，这比某个技术指标更能说明项目是否真的创造了价值。

为此有几个明确的交付原则。一是上线之后不能立刻撤人，制造业案例仅陪跑就接近两个月，整个项目 从立项到陪跑大约半年。

二是要盯效果是否衰减。有FDE直接说，如果业务部门最终不用，或者三个月之后效果消失了，那这个应用 就不能算真正落地。

三是边界要讲清楚。技术在能力上能实现的，和业务部门敢不敢用是两件事，哪些材料存在问题、 审核尺度怎么定，最终决策要交给业务负责人。

案例集还给了一条成本曲线：第一次做同一个场景可能需要100%的成本，第二次可能变成80%，第三次60%， 前提是经验、工作流和业务理解被沉淀下来。

项目交付那天不是终点，是能力有没有留在组织里的起点。

八、读这本案例集，可以带三个问题

第一个问题是：这个项目的真问题是什么。案例集里的FDE反复强调，不要拿着AI去找问题，要先进入 业务现场，判断这件事是不是高频发生、是否影响效率或成本，业务部门有没有解决意愿。

第二个问题是：知识和技术如何组织。多个案例都落到同一处：数据底座、知识底座、模板结构要先做 扎实，让AI在真实数据、专业规则和固定结构里工作，而不是凭空写作。

第三个问题是：谁来持续运营。案例集的落点很明确，一次项目结束不该意味着AI能力的离开，企业 要逐渐形成使用AI、理解AI和建设AI的能力。

244页、24个案例的完整访谈原文与实施细节，都在运营动脉 （www.yydm.cn）上，搜报告名即可打开。