FDE与Harness助力AI商业化落地

计算机《计算机周观点第54期：FDE推动AI从Demo走向生产，L3/L4自动驾驶迈入强制标准时代》2026.08.09计算机《计算机周观点第53期：DeepSeek V4-Flash公测，海外云厂商持续加码AI基建》2026.08.02计算机《CUDA：英伟达护城河的构筑、松动与国产突围》2026.07.25计算机《计算机周观点第52期：Kimi算力需求激增，WAIC超节点集中亮相》2026.07.25计算机《计算机机构持仓1.2%，为近十年最低值》2026.07.24 本报告导读： FDE负责深入业务场景并沉淀行业经验，Harness负责保障智能体稳定执行与能力复用，两者协同有望推动企业AI实现更高效、更可复制的规模化部署。 投资要点： FDE正在重构企业AI从产品到生产的交付模式。FDE（Forward DeployedEngineer，前线部署工程师）并非传统售前或实施岗位，而是重新组合业务理解、场景识别、原型验证、系统集成、生产部署和效果评估等能力，连接客户业务现场与产品研发。AI进入企业核心流程后，需要适配差异化的数据、系统、权限、规则和组织流程，深度定制需求反而提升；与此同时，AI Coding和Agent工具又显著降低定制开发成本，使过去经济性较弱的“重交付”模式重新具备规模化可能。FDE真正的规模化不在于持续增加人员，而在于将现场经验沉淀为Skill、连接器、行业模板和平台能力，使单位客户的人力投入持续下降。 Harness成为Agent能力演进的关键基础设施，模型竞争由单点能力走向系统工程。Harness本质上是包裹在基础模型之外的Agent Runtime，负责上下文管理、记忆管理、工具调用、状态维护、权限控制、结果验证、异常恢复以及长程任务管理，将一次模型调用组织成能够持续运行的Agent。随着Agent从单轮问答走向多步骤、跨系统和长时间任务执行，错误累积、状态漂移、工具误用和安全风险随之增加，Harness的重要性反而持续提升。未来Harness竞争重点预计将由“集成多少组件”转向以合理Runtime开销提升真实任务结果，“Costper Successful Task”有望成为比单Token价格更接近Agent生产力的核心指标。 FDE×Harness形成AI商业化飞轮，推动企业AI由“人力复制”走向“能力复制”。FDE解决“业务理解与落地”，Harness解决“稳定执行与能力沉淀”，两者结合后能够将企业现场隐性的业务知识、流程规则和工程经验持续编码为Agent可执行能力。FDE进入客户现场获取高价值业务知识，Harness将其转化为Skill、Tool、Workflow、Ontology和运行规则；生产环境进一步产生真实任务、失败案例和用户反馈，再反哺FDE与Harness迭代。随着共性经验不断沉淀，新客户部署由从零开发转向配置和复用，最终形成部署速度提升、边际交付成本下降、收入增长快于交付人力增长的商业化闭环。风险提示：企业AI商业化及规模化部署进展不及预期风险；下游客户AI预 算、场景拓展及ROI兑现不及预期风险；行业竞争加剧及技术路线快速变化风险。 目录 1.FDE×Harness重构企业AI落地路径.........................................................................31.1.AI商业化瓶颈迁移：从模型能力转向企业规模化部署...............................................31.2.FDE崛起：重构企业AI从产品到生产的交付模式.....................................................41.3.Harness重塑Agent执行体系：成为Agent能力演进的关键基础设施..........................81.4.FDE×Harness形成AI商业化飞轮：将企业现场经验持续沉淀为Agent能力............112.海外厂商实践..........................................................................................................112.1.Palantir：以Ontology与AI FDE实现规模化，现场知识加速转化为机器能力...........112.2.OpenAI：FDE打通模型到业务，Harness沉淀Agent执行能力.................................142.3.Anthropic：以合作伙伴扩展FDE交付，Harness动态适配模型能力边界...................152.4.Microsoft：FDE联合行业伙伴推进组织变革，Harness产品化为标准Agent Runtime.162.5.AWS：FDE走向Agentic-first，双层Harness推动交付能力规模复制........................173.国内厂商实践..........................................................................................................183.1.腾讯：FDE上移至场景定义，云端Harness推动经验机器化....................................183.2.阿里：FDE补齐前线交付，Agent平台承接规模化复制...........................................193.3.软通动力：FDE打通咨询与实施，AI Factory重构传统项目制交付..........................203.4.金蝶国际：Harness内生ERP底座，强调业务知识沉淀与AIOS...............................203.5.赛意信息：FDE深入工业现场，平台化沉淀推动项目经验规模复制.........................213.6.科大讯飞：从专家经验到机器能力，FDE推动产业AI规模化复制..........................223.7.中软国际：BootCamp前置孵化，FDE专业化分工推动AI交付规模复制.................223.8.易鑫集团：Harness强化安全治理，推动Agent规模化进入金融生产环境.................234.投资建议.................................................................................................................255.风险提示.................................................................................................................26 1.FDE×Harness重构企业AI落地路径 1.1.AI商业化瓶颈迁移：从模型能力转向企业规模化部署 AI商业化的首要瓶颈已不再是“企业是否愿意使用AI”，而是如何跨越从试点验证到规模化部署的鸿沟。随着大模型能力持续提升，AI在企业端的渗透率已经较高，但应用深度与商业价值兑现明显滞后。Mc Kinsey《T heStateof AI 2025》显示，接近九成受访企业已经在至少一个业务职能中常态化使用AI，62%的企业已开始试验AI Agent，但接近三分之二的企业仍未进入全企业规模化阶段，目前真正实现组织级AI规模部署的企业仅约三分之一。即使在收入超过50亿美元的大型企业中，进入规模化阶段的比例也不到一半。这意味着行业正在出现明显的“能力—采用”剪刀差：模型能够完成的任务快速增加，但企业把这些能力转化为稳定生产系统的速度相 对较慢，AI商业化的核心问题已经由“模型能不能做”逐步转向“如何让AI在企业内部真正跑起来并规模复制”。 资料来源：M cKinsey & Company 资料来源：M cKinsey & Company 资料来源：M cKinsey & Company 资料来源：M cKinsey & Company 从试点走向规模化的关键制约，也正由单纯的技术能力转向业务流程、组织机制和数据治理等系统性问题。McKinsey发现，在其分析的25项影响生成式AI价值兑现的因素中，重新设计业务工作流是与企业EBIT改善相关性最高的因素之一，但目前仅21%的生成式AI使用企业表示已经对至少部分工作流进行了根本性重构。与此同时，能够有效嵌入业务流程、建立明 确的推广路线图、持续跟踪KPI、建立用户反馈机制以及推动员工采用，均与更好的AI商业化效果显著相关。2025年的进一步调查显示，AI高绩效企业更加明显地体现出这一特征：其不仅更快规模化AI，而且采用“重构业务”而非简单“增加AI工具”的思路，进行根本性工作流重构的概率接近普通企业的三倍。因此，AI商业化并不是在原有软件和流程上简单增加一个模型入口，而是需要围绕AI重新组织数据、流程、权限、人机分工与绩效评价体系；企业组织自身的改造速度，正在成为限制AI价值释放的重要因素。 资料来源：M cKinsey & Company 资料来源：M cKinsey & Company 更深层的商业化瓶颈在于，AI应用已经能够在单点场景产生效率和收入改善，但如何将局部效果转化为可持续、可衡量的企业级ROI仍未解决。McKinsey数据显示，虽然64%的企业认为AI已经促进创新，许多企业也在软件工程、制造、IT以及营销销售等具体场景看到成本下降或收入提升，但仅39%的受访者认为AI已经对企业整体EBIT产生影响，而且其中多数企业由AI贡献的EBIT比例仍低于5%。随着AI进一步由Copilot走向能够调用工具、操作系统并持续执行任务的Agent，生产环境中的可靠性、可控性和风险问题也更加突出：51%的AI使用企业至少经历过一种负面后果，接近三分之一的受访者曾遭遇AI输出不准确带来的问题。我们认为，下一阶段AI商业化竞争的关键将逐渐从模型Benchmark转向真实业务结果，即能否以可接受的成本持续提高任务成功率、降低错误和人工介入，并最终形成可量化的收入增长、成本下降与投资回报；从“AI可用”走向“AI可靠、可控、可衡量”，将成为企业AI规模化落地需要跨越的下一道门槛。 1.2.FDE崛起：重构企业AI从产品到生产的交付模式 1.2.1FDE连接业务与工程，成为企业AI规模化落地的关键角色FDE（Forward Deployed Engineer，前线部署工程师）的核心并不是多了一种面客岗位，而是将过去分散在售前、解决方案、实施、产品和客户成功等环节的能力重新组合到客户一线。腾讯研究院将FDE定义为深入客户业务现场、将技术能力转化为可运行业务结果，并将一线经验持续反哺产品和平台能力的复合型角色。传统售前主要解决“客户为什么买”，实施团队解决“产品如何部署”，咨询公司更多解决“客户应该怎么做”，而FDE需要同时回答“什么问题值得用AI解决”“怎样把AI真正做出来”“上线后业务结果有没有改善”，并直接参与原型开发、系统集成、测试评估和产品迭代。其工作状态也并非“多写一点代码的售前”或“偶尔见客户的研发”，而是长期处于 客户业务与产品研发之间，在真实环境中完成问题定义和技术落地。 FDE的核心产出应同时包含两类结果：对客户是业务结果，对厂商则是可复用的产品资产。FDE与传统咨询、外包或驻场实施最关键的区别，在于其目标不仅是完成当期项目，更要让每一次项目成为产品学习过程。AWS在介