https://zlbigger.com/fde/
比如今天更新的：
Agent 化会让软件更容易定制，但也会让客户更难理解“产品到底能做什么”，因此 FDE 的现场共创价值可能上升。
FDE 工程师除了技术能力，还必须能代表公司直接面对客户、管理预期和解释取舍。
过去 SaaS 的理想是“产品足够标准化，所以不需要人”；生成式 AI 时代可能正在反过来——产品越强、越灵活、越可塑，越需要有人深入业务，把这种无限可能收敛成一个真正能产生结果的东西。
来自Shopify 首席执行官 Tobi Lütke 在访谈中探讨了人工智能对现代商业结构的重塑，指出企业不应仅将 AI 视为工具，而应将其作为具备「独立人格与记忆的“数字同事”」。
工程师大量依赖 AI Agent 写代码，而且不是只开一个 Agent，而可能同时跑 10、20、甚至 50 个实例。
这已经不是简单 RAG，而更像： 工作 → 反思 → 更新 Skill → 下一轮工作。
–面对一个重要问题，他不会只问一个模型，而是：
一个问题 → 5~6 个角色 → 多模型分别分析 → 再由另一个模型综合 → 最终给他结论。
相当于，AI 不替你做决定，而是帮你构造一个更好的“决策环境”。
–AI 最大的问题已经从“产出不足”变成“产出过剩”。
比如以前偷懒表现为“不干活”。现在是干太多了，比如，让AI 写一封 3000 字邮件 → 自己不看，对方其实也不看 → 对方会直接用 AI 压缩成 300 字看个大概……
所以 AI 时代一个新的能力是： 对 AI 输出负责。
–机器越来越聪明，但“责任”仍然属于人。
但有一件事情机器做不了：承担责任。
所以人的核心角色会从： 执行者 变成： 判断者 + 责任承担者。
–AI 越强，真正稀缺的不是“能不能做出来”，而是： 什么值得做？
品味。知道什么是好的。
判断力。知道在复杂约束下应该选哪个。
而所谓“直觉”，本质上就是： 被压缩后的判断力。 大量经验 → 判断 → 重复 → 最终变成直觉。
–最难的不是找到一个正确答案，而是在很多“都对”的答案里做选择。
Tobi 的一个反直觉观点是： 如果一个方案特别容易在短期证明自己正确，反而值得警惕。
-AI 时代真正的优化，不只是不断增加能力，而是敢于删除、重构、重新开始。
AI 把“实现”变便宜以后，开发真正要往上走的，不是把代码写得更快，而是更靠近业务、形成判断、设计系统，并对最终结果负责。
这和我昨天说的“产品自己用 AI 做一个小工具，比开发做得还快”其实是同一件事：执行正在被压价，理解业务 + 判断什么值得做，正在升值。
3，
–企业 AI 的重点，正在从“工具”转向“干活”
曾鸣对当前阶段的判断很明确：2026 年基础模型已经越来越像基础设施，真正进入第二阶段后，重点开始转向 Agent 应用。
判断一个 Agent 有没有价值，不再只是“能不能生成 PPT、写文案”，而是： 它能不能独立完成一个足够复杂、足够重要的任务。
这个观点其实特别适合企业落地：
不要问：“这个部门能不能做个 AI？”
而要问： “企业里有没有一件原来需要 3 个人、5 个系统、20 个步骤才能完成的活，现在可以让 Agent 接过去一大块？”
–企业 Agent 最值得关注的方向之一：组织大脑
它不是帮某一个员工写东西，而是站在整个组织层面理解目标、任务、信息和决策。
AI 能够持续理解企业里的自然语言信息，然后判断，这跟现在很多企业所谓的“AI 数据看板”其实不是一回事。
数据看板告诉你发生了什么；组织大脑应该开始理解：为什么发生、是否偏航、下一步该干什么。
–企业 AI 最大的变化：组织基本单元从“岗位”变成“任务” 。
这是整篇里，我觉得对企业 AI 最有价值的一个观点。
这意味着以后企业做 AI，不应该只是： 销售部 + AI、市场部 + AI、客服部 + AI。
更值得研究的是： “成交一个客户”这件事怎么拆？
–“把 AI 嵌入工作流”只是过渡阶段
这句话也非常重要。 现在企业 AI 最常见的方法是：
找到现有工作流 → 塞进去一个 AI 节点。
曾鸣认为这只是阶段性的，因为：
现有工作流本来就是为人设计的。
真正 AI 原生的方式，是重新从任务本身开始：
任务是什么 → 怎么拆 → 人做什么 → AI 做什么 → 怎么协同。
–企业 AI 的壁垒，不是 Prompt，而是“智能飞轮”
而这个飞轮有一个关键前提： Agent 必须真正下场干活。
如果 AI 永远只是给人生成一个建议，然后人重新执行整个流程，就很难形成强反馈闭环。
所以企业做 Agent 时，可以问一个特别简单的问题：
这个 Agent 每完成 1000 次任务以后，会不会比第一次更懂这家公司？
如果答案是不会，那大概率还是个“套壳工具”。
–企业 AI 不应该从“我要做 Agent”开始，而应该从“大任务”开始
他强调应该寻找：足够大、足够复杂、足够有价值的任务。
举例，
不是： “我们能不能做一个销售话术 Agent？” 而是： “AI 能不能参与完成‘把一个销售线索推进到成交’这整件事？”
不是： “做一个知识库问答。” 而是： “当员工遇到一个业务问题时，AI 能不能找到知识 → 判断场景 → 给出行动方案 → 调用系统 → 完成后续动作？”
这两种需求的商业价值完全不是一个级别。
–AI 原生企业甚至会重新写自己的内部系统
访谈里还有一个很激进、但很值得企业思考的观察。
曾鸣提到，一些走得比较前面的 AI 原生创业者，已经不是简单使用飞书、ERP、OA 的 AI 升级，而是自己重新写企业内部运行系统。
原因是传统 ERP 更像： 固定道路。
而 AI 原生企业需要的是： 实时反应的神经网络。企业的目标、任务、知识、人、Agent、客户信息、决策，都应该能够实时连接和流转。
这其实给“企业 AI 平台”指出了一个很大的方向： 未来企业 AI 平台未必只是： 模型 + 知识库 + 工作流。 它可能逐渐变成： 企业的任务网络 + Context 网络 + Agent 网络。
–曾鸣用了一个很有意思的说法：未来企业会越来越像“全员合伙人”。
因此未来团队人数可能减少，但留下来的人差异化更强、互补性更强。
这对企业培训也很有启发：
以后不能只是培训员工： “怎么用 ChatGPT。” 而应该训练： “当执行工作大量交给 AI 后，你还能提供什么不可替代的判断和价值？”
–AI 时代，“组织”甚至可能先于“战略”
传统企业逻辑： 先制定战略 → 再调整组织。 但曾鸣的观点是，在 AI 时代，这个顺序开始发生变化。
组织本身必须具备： 持续感知 → 持续判断 → 持续试验 → 持续生成战略的能力。
不是写完战略 PPT，然后执行一年。 而是： 组织每天都在产生信息和反馈 → 不断形成新的判断 → 调整下一步行动。
–企业 AI 战略，最重要的是中间那“三步”
曾鸣沿用了一个方法：看十年、想三年、干一年。
但重点实际上不是“看十年”，而是：想三年。
比如你现在给客户设计 AI，可以直接变成：
第一阶段：AI 能辅助完成任务。
第二阶段：Agent 能独立完成任务。
第三阶段：多个 Agent + 企业数据形成智能闭环。
也就是说，企业 AI 的终局，不是在每个岗位旁边放一个 AI，而是把企业重新拆成一个个任务，让人和 Agent 围绕任务重新组织，再通过真实业务反馈形成智能飞轮。
三块内容说的是同一件事：
AI 把“做出来”变便宜之后，价值从执行上移到收敛、判断和责任。
FDE、数字同事、组织大脑，都是在补最后一公里——把无限可能压成能产生结果的任务，而不是再堆一个工具。
产品越可塑、Agent 越能干，越需要人深入业务、拆任务、做取舍，并对输出负责；企业也要从“岗位旁边塞 AI”变成“围绕大任务重组人和 Agent，用真干活形成飞轮”。
ps：好了，已经很长了，你能真看到这里，而不是扔给 AI，我都得给你🙇♀️一个。