工厂如何做FDE？从Excel台账到AI生产闭环

工厂如何做FDE？从Excel台账到AI生产闭环

FDE不是一套买回去就能运行的软件，而是一种进入现场、围绕真实问题持续落地的工程方法。

最近，我们走访了河北正定、宁晋和湖北蕲春等地的多家制造企业。

这些企业分属不同产业，有电缆、机械设备、充气制品、童车和医药等，但谈到AI时，却出现了两个很相似的情况。

一是在对外营销上，不少工厂仍然主要靠业务员跑客户、参加展会或等待贸易公司下单，网站、搜索、社媒和客户数据没有形成持续运营。业务员一个人出去跑，像拿着一根鱼竿钓鱼；网络营销如果真正建立起来，则更像撒下一张网，可以同时连接不同地区、不同国家的潜在客户。

二是在工厂内部，订单、报价、采购、库存、排产、质检和交付仍然散落在Excel、微信群和各种文档里。每个部门都在忙，但同一份数据要反复录入，订单进展还要不断问人，老板看到的报表往往已经滞后。

这正是工厂做FDE最值得解决的问题：不是再增加一个“AI聊天窗口”，而是让FDE工程师进入现场，把一个真实流程从头到尾理顺，再让数据、规则、AI和员工协同起来。

FDE是什么？工厂为什么需要FDE工程师

FDE的英文是Forward Deployed Engineer，国内常译作“前线部署工程师”或“前沿部署工程师”。本文统一称为前线部署工程师。

严格来说，FDE首先是一类岗位和工作方式，不是一套可以买回去直接安装的软件，也不是“工厂数字员工”的另一种叫法。行业里常说的“工厂做FDE”，通常是让FDE工程师或FDE团队进入现场，对一个真实业务场景从需求梳理一直负责到上线使用。

FDE工程师既要理解业务，也要有技术落地能力。他需要跟着一张订单走完整个流程：客户需求从哪里来，谁负责报价，订单由谁确认，物料是否齐全，怎样排产，质量问题如何记录，什么时候入库，最终怎样交付。

OpenAI公开的FDE岗位职责包括需求发现、技术范围界定、系统设计、生产环境上线、用户采用和业务结果验证。也就是说，FDE不能做完一次演示就算结束，而要对“这套东西有没有进入实际工作”负责。

放到工厂里，FDE的价值就是把老板的目标、车间的流程、员工的经验、现有的软件和AI能力连接起来。

FDE也能用于营销、销售和客户服务等业务流程。本文重点讨论更难标准化、也更需要进入现场的生产管理环节，再用一个对外营销案例说明这种方法如何延伸。

Excel不是问题，断裂的数据链才是问题

很多人一谈工厂数字化，就先批评企业还在使用Excel。

这种判断并不准确。Excel简单、灵活，很多一线员工都会用，它完全可以继续作为部分数据的录入和分析工具。真正的问题，不是表格本身，而是数据链断了。

常见的情况是：销售有一张订单表，采购有一张原料表，仓库有一张库存表，生产有一张排产表，财务还有自己的应收应付表。产品名称、客户名称和订单编号的写法不统一，同一条信息要复制多次，不同版本之间也无法确认哪个才是最新的。

在这种基础上，即使接入再强的AI，也只能得到不完整或相互冲突的结果。

所以工厂做FDE，第一步不是买模型，也不是先做一个大平台，而是完成一个最基本的闭环：

收集真实数据，统一关键口径，连接业务流程，由AI分析并提出建议，关键动作由人审批，执行结果再回写系统。

只有结果能够回到下一次决策里，AI才不是一次性的问答工具，而是生产经营系统的一部分。

这里还要避免一个误区：工厂的所有问题并不都应该交给大语言模型。

订单、合同和质检记录等非结构化内容，可以用大模型提取和整理；固定的审批与数据搬运，更适合流程自动化；排产通常需要业务规则与优化算法；设备预测性维护则需要传感器、历史故障和时序数据。FDE工程师的职责不是把所有环节都套上同一种AI，而是判断每个问题应该使用什么技术，再把它们接进同一条业务流程。

工厂做FDE，可以按照七步落地

第一步：只选一个最痛的业务问题

不要一上来就说“我们要建设AI工厂”，也不要同时改造销售、采购、库存、排产、质检和财务。

先找一个老板真正关心、现场每天都在发生、结果能够计算的问题。例如：订单经常延期，原料到了但配件没到，库存很多却仍然缺料，小订单频繁插单，报价速度太慢，质量问题反复出现，或者设备停机以后才发现异常。

第一个项目越具体，越容易跑通。

第二步：跟着一张真实订单走现场

工厂的需求往往不是开会“问”出来的，而是沿着真实业务“理”出来的。

FDE需要跟着销售、跟单、采购、仓库、生产、质检和财务，把一张订单从询价到交付走一遍。现场要记录每一步由谁完成、使用什么表格或系统、需要哪些输入、输出给谁、在哪里等待、在哪里重复录入、出现异常后由谁判断。

老板说的是“交付太慢”，生产部门可能说是“插单太多”，采购说是“物料到货不稳定”，仓库说是“产品名称对不上”。只有把流程连起来，才能找到真正的堵点。

第三步：先统一数据，再讨论AI

确定订单号、客户、产品、规格、物料、设备、工序、交期、库存和质量记录等关键字段，明确每个数据由谁产生、在哪里保存、哪个版本是唯一可信来源。

如果工厂已经有ERP、MES或WMS，不必为了做AI全部推翻。FDE应该先连接现有系统和必要的Excel表，补齐缺失数据，再在上面增加轻量的分析和协同层。

这一阶段还要同步确定权限、操作日志、备份和商业秘密保护。客户价格、配方、供应商、成本和工艺参数，不能因为接入AI就失去边界。

第四步：把老师傅的经验变成规则

许多工厂真正有价值的知识并不在系统里，而在老板、生产经理和老师傅脑子里。

什么订单可以合并生产，什么情况下必须换线，哪种原料能够替代，哪类客户不能延期，哪种质量异常必须停机，这些都需要被整理成规则、标准作业流程和例外条件。

AI可以帮助整理文档、查找相关记录和汇总异常证据，但不能在不了解工艺边界的情况下替老师傅作最终决定。

第五步：先做出最小可用版本

第一个版本不求功能多，只求能处理一个真实场景。

它可以只是一个订单解析工具、一张缺料预警表、一个排产建议页面，或者一个把质检记录自动归类的助手。前期可以运行在原有系统旁边，不急着自动回写ERP，更不要让AI直接控制设备。

简单且数据较完整的场景，可以先用几周做出试用版本；数据越乱、系统越多、流程越复杂，梳理时间就越长。FDE项目不应该先承诺一个统一周期，而应先确认问题范围、数据条件和验收标准。

第六步：让AI建议，让负责人审批

在生产环境里，AI给出的建议必须能够说明依据。

例如它建议把两张订单合并生产，就应该同时展示产品规格、原料库存、设备产能、交期冲突和换线成本。生产经理确认后再执行；如果拒绝，也要记录原因。

这种“AI建议、人工审批、结果回写”的方式，比一开始追求全自动更适合多数工厂。它既保留责任边界，也能利用每次人工判断继续修正规则。

第七步：用结果验收，再复制到下一环节

FDE项目不能用“上线了几个智能体”“生成了多少份报告”验收。

不同场景要有不同指标，例如人工重复录入次数、订单处理时间、报价周期、缺料次数、延期交付率、库存周转、返工率、设备停机时长和预测偏差。

第一个场景跑通后，再把通用的数据标准、接口、权限和实施方法沉淀下来，复制到采购、仓库、质量、财务或销售环节。外部FDE团队还要培养企业内部的业务负责人，否则项目一结束，工厂仍然不会自己继续改进。

案例一：电缆工厂先解决排产和缺料

以我们在宁晋接触的电缆产业为例，这里只做典型场景说明，不对应某一家具体企业。

一张电缆订单可能涉及导体规格、绝缘和护套材料、长度、交期、设备能力、模具以及原料库存。传统流程中，销售确认订单后，生产人员再分别查看订单表、库存表和设备安排。临时插单或物料延期一发生，后面的排产就要人工重新调整。

FDE可以先把订单字段标准化，再连接库存、物料清单和设备产能。AI可以解析非结构化订单、识别缺失信息并解释建议；规则或优化程序负责约束交期、产能和换线条件；生产负责人决定最终方案。

这里不能只依赖大语言模型“凭感觉排产”。真正可用的系统通常要把业务规则、数学优化、实时数据和人工经验组合起来。

做完以后，最先观察的不是“AI聪不聪明”，而是订单确认到形成生产计划用了多久，缺料是否更早暴露，临时插单造成的调整是否减少，延期交付率有没有下降。

案例二：把业务员跑客户变成持续获客

我们在正定走访的一家工厂，营销仍以业务员外出拜访为主。线下拜访不是没有价值，但它受时间、距离和个人精力限制，企业也很难沉淀一套持续获得客户的方法。这也是不少县域企业把生产留在本地、把外贸营销放在大城市的重要原因之一。

对外营销同样可以用FDE的思路改造：先梳理产品、客户和成交过程，再建设网站、搜索、社媒和内容渠道，把不同渠道的访问、询盘、报价、跟进和成交记录进CRM，由AI辅助完成多语言内容、客户背景核验、询盘分类、回复建议和跟进提醒。

这样做不是简单地“建一个网站就有订单”，而是把过去分散在业务员个人手里的经验，逐步变成企业可以持续运营、可以衡量的获客流程。

工厂内部和外部最终还要连接起来。销售端拿到的新需求，应该反馈给研发、报价、库存和生产；生产端的交期、成本和质量数据，也应该帮助销售给客户更准确的承诺，形成从外贸获客到生产交付的完整链路。

做完FDE，工厂应该发生什么变化

第一，数据从重复填写，变成一次产生、多处使用。

第二，订单状态从到处问人，变成按权限实时查看。

第三，老师傅口口相传的经验，逐步变成可以复用的规则和知识。

第四，AI从回答问题，变成参与分析、预警、建议和复盘。

第五，企业不再只依赖外部服务商，而是逐步形成自己的内部负责人和持续改进能力。

这些变化不一定轰轰烈烈，甚至第一步看起来只是减少一张重复填写的表格。但只要真实数据开始流动，决策有依据，结果能回写，工厂就已经从“做一个AI演示”走向了“用AI改造经营”。

谁最适合在工厂里牵头FDE

外部FDE工程师不能单独把这件事做成。工厂内部必须有一名能协调销售、生产、采购、仓库、质量和财务的人共同负责。

这个人可以是厂二代、生产负责人、运营负责人、数字化负责人，也可以是老板充分授权的项目经理。关键不是职位名称，而是他能进入现场、拿到真实数据、理解业务取舍，并推动各部门配合。

一个比较实际的组合是：老板确定业务目标和资源边界，内部负责人推动流程和数据，外部FDE团队负责技术实现和实施方法，一线员工负责验证这套流程在现场到底能不能用。

FDE的“D”之所以重要，就在于人必须被部署到真实问题前面。只在会议室听需求，很容易做出一个逻辑正确、现场不用的系统。

工厂做FDE，先买的不是系统，而是一个结果

工厂真正需要的，不是再采购一套名字里带“AI”的软件，而是先解决一个能够计算的问题。

从一张订单开始，把数据、规则、责任人和结果连起来；从一个部门开始，让AI建议、让人审批、让结果回写；跑通以后，再复制到更多流程。

对内，从分散的Excel台账走向生产经营闭环；对外，从业务员单点跑客户走向持续的网络获客。两边的方法其实一致：进入现场，理解业务，连接数据，改造流程，并用真实结果验证。

这才是工厂做FDE最务实的路径。

资料说明：FDE职责和实施理念参考OpenAI公开的Forward Deployed Engineer岗位说明及OpenAI Frontier；制造业数据和业务对象连接方式参考Palantir公开的Foundry Architecture Center与Ontology说明。文中的正定、宁晋和蕲春情况来自走访观察；两个案例用于解释实施方法，不代表对具体企业的公开诊断或效果承诺。