我的判断是：再强的 FDE，也只能解决技术侧和业务侧的问题。
他能回答「这个系统该怎么搭」「这条流程该怎么改」「这个 Agent 的边界在哪」——这些都是硬功夫。但他很难回答另一类问题：员工为什么愿意用这套系统？员工为什么愿意把自己十几年攒下的经验，一条条沉淀成公司的资产？
这不是能力问题，是位置问题。FDE 是被请进来解决技术问题的，激励机制和人才体系不在他的授权范围里，也不在他的职责描述里。
麻烦在于，技术和人，是同一枚硬币的两面，缺一面，这枚硬币就不成立。
我想讲一个我印象很深的例子，一家两三百人的教育培训公司。
他们的转型是从技术侧切入的，而且说实话做得不糙。老板给全员配了 Agent，知识库搭了，工具框架和 Harness 也做完了，甚至还专门请了讲师来做培训。按很多公司的标准，这已经算是「该做的都做了」。
一周之后，我们把网关上的数据拉下来看：平均每个人那一周花掉的 Token，不到 10 块钱。
看到这个数的时候，我第一反应也是去查技术。但翻完他们的数据字典，Harness 写得像模像样，工具链是通的，知识库的召回效果也不差。技术上没有明显病灶。
那这是什么问题？
你把工具给到了别人手上，但没有给这个人「为什么一定要用这个工具」的理由。
这个理由是什么？得先算一笔账。
对一个普通员工来说，把 AI 真放进工作里，成本和风险高得吓人：
他得先花时间学。学完要自己找场景练。练的过程中，Skill 跑出来的效果不好，他不光要反复迭代，还得额外花时间手动去给 Agent 补锅——把没干好的活儿重新干一遍。
反过来，如果 Skill 跑得特别好，那沉淀下来的是公司的资产，跟他个人的关系其实不大。他甚至在私下里还会嘀咕一句：这玩意儿做出来，会不会哪天把我和我同事给替了。
所以，在没有任何额外激励的情况下，一个理性人的最优选择就是：不碰。
这跟懒没关系，这是最朴素的成本收益判断。
那激励怎么做？那天聊出来的原则其实就八个字：让风险和收益成正比。
手段可以有很多。给现金表彰是一种；用衡量创新业务的 OKR 和绩效来强化收益，是一种；专门划出时间给大家学习、做业务试点，把实践的风险降下来，也是一种。
但有一条底线不能破：不能一边要求员工去创新，一边继续拿旧的 KPI 考核他。你让他额外付出时间、承担失败风险，最后试点成功了，成果全归组织——这个循环是关不上的。员工不傻。
激励之外，还有第二件事，我觉得比激励更容易被误判，那就是人才。
很多人下意识觉得，给一家一百人的企业做完培训，这百来号人就都能沉淀出能给公司复用的通用 Skill。但实际情况不是这样。
培训完之后，真正能做出跨团队可用 Skill 的，也就是那种我们叫「AI 先锋」的人，占全员的比例大概在 15%–20%。剩下那 80% 多，其实不需要每天去做新的 AI 探索，他们只要把先锋做出来的 Skill 和工作流用明白，就已经很好了。
所以所谓 AI 人才体系，本质上就是围绕这一小撮真正能产生价值的人来搭的：怎么把他们挖出来，怎么培养，怎么按他们的画像去招新人。
我们陪跑的时候，会跟客户的管理层和 HR 坐在一起，看每个人的 AI usage 数据，据此定不同岗位的 AI 能效指标，再给先锋设计成长路径。因为几乎每个企业都有这样的人，只是没人认真去找过。而且其中有一些，最后是能被培养成企业 in-house 的 FDE 的。
最后总结下来，不是在说 FDE 不重要。
我想说的是另一件事：别以为找了 FDE、把系统搭起来，AI 转型就完成了。 那只是把路修到了山脚下，山上那群人愿不愿意往上走，是另一个工程。
如果你正在推这件事，可以先回答两个问题：
你的员工，用 AI 做出来的东西，收益归谁？失败的成本，谁承担？
这两个答案如果都是「公司」，那人均一周 10 块钱的 Token，大概就是你能拿到的全部结果。