如果要选一个 FDE 落地行业，我投制造业
本文主张制造业是FDE（Field Deployment Engineer，现场部署工程师）最具潜力的落地行业。理由包括：制造业系统林立但“最后一公里”问题未解；生产问题天然具象、指标明确，价值可量化；AI价值可逐层递进至损益表；工厂高度非标，适配FDE“先现场攻坚、再产品化”的路径；单点突破后易形成场景飞轮效应。文章强调制造业不缺数据、场景与价值，唯缺真正深入现场的系统性连接。
FDE 到底最适合落在哪些行业？
互联网？金融？零售？政企？这些行业当然都有机会。
但如果今天让我只选一个，我反而会把票投给制造业。
不是因为制造业最容易做。恰恰相反，是因为它足够难，而且过去的软件一直没有真正吃透它。这可能正是 FDE 最大的机会。
一、制造业从来不缺系统，缺的是最后一公里
很多制造企业的信息化已经做了很多年：ERP、MES、WMS、设备管理、质量管理、供应链系统，一套又一套。
乍一看会觉得制造业已经被软件公司做得差不多了。但真正进到工厂就会发现：系统很多，不代表现场的问题已经解决了。
传统软件很擅长把订单记录下来、把流程跑起来、把库存管起来、把生产结果记下来。但设备为什么频繁停机？某道工序为什么良率突然下降？这个订单到底应该怎么排？为什么同样的原材料、同样的设备，不同班组做出来的结果就是不一样？
这些问题，最后往往还是靠现场的人解决：工艺工程师、设备工程师、计划员，甚至干了二十年的老师傅。
制造业在中国经济中占比很高，但过去大量 To B 软件更擅长解决线上和经营管理问题，很难真正深入线下复杂生产现场。
而 FDE 恰恰适合干这件事——不是再卖一套标准软件进去，而是进入现场，把设备、数据、规则、模型和人的经验接起来。
二、问题足够具体，价值容易被逼出来
很多 AI 项目最大的问题是：问题太虚。
“提升管理效率”“提高员工智能化水平”“建设企业知识大脑”—听起来都没错，但真做起来，很容易不知道项目到底算成功还是失败。
制造业不是。停机时间能不能少 10%？良率能不能提高 0.5 个百分点？报废率能不能下降？库存周期能不能再缩短一天？
只要进入生产现场，很多问题天然就带着指标。
这件事对 FDE 特别重要。因为 FDE 最怕做成高级驻场开发，而制造业天然逼着团队回答你到底创造了什么业务结果？
三、真正有吸引力的是可以一路做到钱
制造业 AI 的价值可以分三层。
第一层：提效。原来排产要几小时甚至几天，现在几分钟完成；原来分析异常要几天，现在几小时定位。最容易做，也最容易被感知—但只到这里，价值还不够大，省下的只是几个人的时间。
第二层：提质。良率提升、缺陷减少、返工下降。到了这一层，AI 改变的已经不是人做事快不快，而是生产结果好不好。
第三层：降本。库存下降多少、损耗减少多少、停机减少带来多少真实收益—这些最后都能进经营账。
“提效、提质、降本”三级，本质上是价值越来越靠近损益表，能够支撑的项目预算也越来越大。
很多行业的 AI 项目最后还要努力证明“这个东西有价值”。制造业一旦做对了，价值本身就会说话。
四、为什么更适合 FDE，而不是标准 SaaS？
因为制造业最大的特点就是：没有两家工厂完全一样。设备、工艺、原材料、供应链、人员经验都不同，甚至同一家集团下面两个工厂，生产逻辑都可能不一样。
所以你很难做一套标准 AI 产品，然后告诉所有工厂打开就能用。这也是传统软件过去很难进入生产深水区的原因。
而 FDE 的逻辑正好相反：不先假设客户应该怎么用，而是先进现场，先解决一个真实的问题。找数据、找老师傅、找业务负责人，把规则、数据和模型接起来。第一仗打通以后，再复制到第二个、第三个场景。
所以制造业不是不适合产品化，而是它的产品化路径和互联网时代不一样：以前是先做标准产品，再找客户；制造业里的 FDE 很可能是先解决现场问题，再从现场里长出产品。
五、真正的机会：从一个场景长出二十个
未来制造业 FDE 最有意思的地方，不是做出某一个漂亮项目，而是能不能在一家企业里持续往下做。
比如一开始做排产。跑通以后，你已经理解了一部分订单、设备、产能、物料数据；接下来可以做设备利用率，然后做库存、做质量、做损耗。场景之间并不独立—前一个项目沉淀的数据、业务实体和指标口径，本身就是下一个项目的基础。
这才是 FDE 最漂亮的商业逻辑：不是做完一个项目再重新做一个项目，而是第一个项目让第二个项目更便宜，第二个项目让第三个项目更快。
一旦这个飞轮转起来，FDE 就不再只是交付团队，它开始变成企业内部持续发现和解决生产问题的一种能力。
六、制造业可能才是 FDE 真正的大场景
过去十几年，中国企业数字化很大一部分精力花在管理系统上：财务、人力、采购、合同、流程、CRM。这些地方能被标准软件覆盖的，基本已经覆盖得差不多了。
下一阶段真正难啃的，反而是那些一直没被软件彻底解决的问题：机器为什么停、产品为什么坏、良率为什么掉、库存为什么高、计划为什么总被现场打乱、损耗到底发生在哪里。
这些问题过去靠经验。未来可能会变成：数据 + 规则 + AI + 现场专家。而把这几样东西真正接起来的人，就是 FDE。
所以如果今天还有人问 FDE 到底适合落在哪里，我的答案会越来越明确：先去制造业。
因为制造业不缺场景、不缺数据、不缺价值，更不缺那些过去几十年一直没有真正被软件解决的问题。
难是真的难。但也正因为难，这里才可能长出中国 FDE 最有价值的一批项目。
JOTO 企业落地观察
- 制造业现场问题天然带指标（如停机时长、良率变化），使FDE交付成果可被业务方直接验证，降低了AI项目的价值确认成本。
- 工厂高度非标意味着通用SaaS难以覆盖核心生产逻辑，企业更倾向接受FDE主导的渐进式共建模式，而非一次性采购标准产品。
- 排产、设备、质量等场景间存在强数据与业务耦合，FDE在首个场景中沉淀的实体建模、指标口径与数据链路，可显著降低后续场景的工程实施边际成本。
- 当FDE从单点问题解决者升级为持续优化能力提供方，其角色已接近企业级AI基础设施的运营伙伴，这对FDE团队的领域建模、知识复用与跨场景协同能力提出系统性要求。
立即咨询 JOTO
JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务，帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。 联系 JOTO 获取 AI 落地咨询
想把这些做法用到你的业务里?
留下你的场景和痛点,我们帮你判断从哪一步开始。
联系我们
