某电信公司有一支近两百人的专家队伍，党员占比超过四成。对内拆成三类角色。

Echo 扎进客户的生产现场，从流程里挖高价值的 AI 场景。Delta 做方案设计和原型验证，把业务构想变成能跑的系统。Foundry 把验证过的东西收拢成模板和能力库，让下一个项目少从头来。

这支队伍支撑过的一家央企，AI 平台日均 Token 调用量已经超过 10 亿次。

同一时期，工信部把前线部署工程师写进了人工智能应用服务商培育的文件。MIT 的报告说，95% 的生成式 AI 试点没在损益表上留下痕迹。

一头在拼命往现场加人，一头是 95% 的落空。

中间的缝，值得掰开看看。

卡点从不在模型，在人没对齐

失败率的数字，几家机构口径不一，归因却出奇一致。MIT 说 95% 的试点交白卷。RAND 早先估摸的是超过八成没兑现预期。IDC 的版本更冷，88% 的试点没能走进生产环境。BCG 在 2025 年 9 月问了 1250 家企业，六成没产生实质回报。

数字各不相同，指向同一件事：卡住 AI 的地方，早就不在模型那头。

模型这头一直在变好，没跟上的是组织。中大咨询在多家集团的 AI 项目里观察到，试点走向生产环境时反复出现的障碍有六个，几乎全落在组织侧。前三个关乎谁负责，后三个关乎怎么用，没几件是纯技术问题。

央国企的版本还要更复杂一层。同一个项目，企业内部三层人看到的是三件不同的事。

决策层看到的是战略机遇和政策要求，关心的是我们在不在牌桌上。业务部门面对的是场景选择和流程改造的压力，想知道到底先做哪一个。一线员工关心的是 AI 会帮忙还是添乱。

三层关注点之间的落差，本身就是落地速度的隐性上限。

反常的现象跟着来了。不少企业号称做了几十个智能体，Token 消耗量却撑不起来。每个部门都做了一个给自己看的演示，没有一个被嵌进日常流程。

演示跑得通，事情没跑通。

AI 落地卡住的地方，几乎从不在模型里。

Echo 是个老词，它只是编队里的一个位置

要看清加人为什么加不对，得先弄清正在加的是什么人。这波被热议的角色叫 FDE，前沿部署工程师，源头在 Palantir。

这家公司早年接的是情报机构和大型金融机构的活。客户的机房是堆着遗留系统、非结构化数据和没人写清的流程的一片沼泽，卖标准软件等于空谈。Palantir 的办法，是把工程师直接派驻进客户内部，在客户的地盘上把系统改到能用为止。

有意思的是，这批人内部有个代号，叫 Delta。

有整整十年，Palantir 的 Delta 比产品工程师还多。

但 Palantir 还有一层更少人注意的设计：Delta 旁边永远配一个 Echo，部署策略师，专管采纳、政治和高层对齐。

技术的最后一公里是让模型跑通，组织的最后一公里是让对方领导拍板同意。这是两个完全不同的问题，需要两种不同的天赋，得分开配人。

用一句大白话说，就像团长和政委搭班子。

这家公司的队伍，等于把这两类人做了个本土化的展开：Echo 管场景洞察和方案规划，Delta 管技术验证和系统部署，再加一个 Foundry 管复盘沉淀和能力回流。

看清这层就会明白，Echo 是编队里一个不可少的位置，但它终究只是一个位置。

央国企需要的不是单纯增加Echo人数，而是建立适配现场的协同编队。

只加 Echo，会漏掉三样东西

Echo 的活是挖场景、做规划、往前推进。可一个场景要从被看见走到天天在跑，中间还压着三样东西，光靠加 Echo 补不回来。

头一样是 Delta。把业务构想变成能跑的系统，靠的是另一批人：方案设计、原型验证、模型适配、系统联调。

那个央企平台项目，现场环境复杂，超过两百个模型要上线，还有多厂商集成，是 Delta 在啃这些硬骨头。关键节点上，党员骨干通宵排障，保住了全天候的支撑。

央国企的现场还多一层别的企业没有的约束。安全合规是不能碰的红线，国产芯片、国产操作系统、国产数据库，等保和信创都要优先满足。业内总结成一句话：安全大于效果。这些活，Echo 看得见，未必啃得动。

第二样是平台 Dev。没有平台研发把一次性项目沉淀成能复用的家当，每个项目都从零开始。

Palantir 的本体、对象模型、权限体系、数据溯源，没有一样是凭空设计的，全是从客户现场的泥地里一点点抠出来，再编码进产品的。

一家运营商的省级公司把交付拆成统一研发底座、全栈工程师、弹性开发人员三层。全栈工程师做客户侧的一线总负责人，核心架构和业务规则握在自有团队手里。半年跑下来，研发实施效率提升了 42.5%。

缺了平台 Dev，交付就永远是外包。做完一个是一个，攒不下东西。

第三样是 AI Agent。编码、测试、评估、文档，这些边界清晰的活，本该交给智能体。

IBM 在 2026 年 5 月推出的交付单元 FDU 把这件事说得最直白：一支小队，人类专家站在两头，中间夹一支由专业智能体组成的数字员工队伍，六个人的产能顶得上传统三十人的团队。

央国企的 AI 落地如果还停留在人海战术，等于把最能放大效率的那一环空在场上。

三样漏掉任何一样，Echo 从现场挖回来的场景，就落不成一个天天在跑的系统。

协同编队，不是四个部门，是一支小队

更合理的组合是“强Echo＋精Delta＋平台Dev＋AI Agent”。

这四样不是四个并列的部门，是一支对同一个业务结果负责的小队。

强 Echo，强在两处。一处是现场解读，从噪音里识别那个足够痛、范围可控、值得改造的真切口。另一处是高层对齐，让该拍板的人拍板，让三层人朝一个方向使劲。后一处更稀缺，也更容易被当成不干正事。

精 Delta，精在啃硬骨头。技术验证、系统部署、国产化适配、多厂商集成，这些决定成败的细节，交给能下场的人。

平台 Dev，负责把一次性的胜利变成可复用的底座。衡量一支编队成不成熟，标准只有一个：每个单点有没有变成下一个项目的起点。

AI Agent，接掉边界清晰的活，把人腾出来做判断和关系。

IBM 的 FDU、Palantir 的 Delta 加 Echo 两人组，内核都是这个。小队自带工具、方法和智能体，交付的是一段持续运转的过程。验收单只是一个刻度。

先对齐人，再跑通事

编队的技术问题讲清了，还漏一个更在前面的问题：顺序。

央国企AI落地，往往要先“对齐人”，才能真正“跑通事”。

这句话不是姿态，是被反复验证过的现实。央国企的 AI 要动的不止是技术，还有流程、岗位和考核。

而改流程、调岗位、动考核的权力，通常分属好几个部门，哪一个都不在一线工程师手上。一个项目推不动，卡点常常不在方案，而在没人能拍板去改那一步。

Palantir 给 Delta 配 Echo，配的就是这个。技术让模型跑通是一回事，让组织点头是另一回事。两件事得有人分别去扛，又必须搭在一个班子里。

对齐人，还关乎信任能不能接上。MIT 那份报告给失败的根子起了个名字，叫学习鸿沟。通用工具对个人好用，一进企业就卡住，因为它不学你的工作流，也不适应你的流程。工人周一纠正过的错误，周五同一个工具还会再犯。信任一旦断掉，就再也接不回来。

让现场的人愿意纠错、愿意反馈，是工具变成同事的前提。这一步绕不过去。

考核也要跟着换锚。传统交付看交付物，方案交了、系统上线了、验收单签了，项目就算完。可智能体这类系统今天做对的事，明天遇到新数据可能就做错，质量要跑上一段时间才看得出来。

验收标准就得从有没有做出来，变成准不准、快不快、替人省下多少时间。锚一换，甲方的验收部门和乙方的交付团队，都得重新找自己的位置。

编队是组出来的，不是招出来的

想清楚顺序，落地反而简单。有三件事比招人更靠前。

头一件，从一个真实的切口进去，先把验收标准立起来，再谈铺开。

深圳一场行业沙龙上，有嘉宾把 FDE 总结成找准场景、推动落地、复制价值三步。顺序不能颠倒。场景没选对，标准没立住，摊子铺得越大，返工越贵。

第二件，把能力沉淀写进流程。每次交付做完，复盘、方法沉淀、组件复用，回到底座里去，让下一次交付成为下一次提效的起点。Palantir 靠这个把驻场工时变成了产品，央国企要靠这个把项目变成资产。

第三件，别信速成。半年里，市面上的 FDE 培训班从几家涨到近百家，近七成周期在三天以内。第一天讲大模型趋势，第二天讲 RAG 和 Agent，第三天跑个演示就结业。

一位做了三年 AI 实施的工程师说过，课上听着都对，回去做项目全废。

辨一个人行不行，问三件事就够：他在这家公司待过多久，动过哪条流程，交付的东西今天还在不在跑。证书答不上来，简历也答不上来。

人先对齐，事才跑得通

央国企的 AI 落地，从来不缺敢投入的决心，缺的是一支编得起来的队。

光多几个 Echo 不够，要把强Echo、精Delta、平台Dev、AI Agent 各就各位，对着同一个业务结果负责。

那家电信公司把角色拆开，IBM 把人和智能体编进一个小队，Palantir 让团长和政委搭班子，说的是同一件事：AI 落地的最后一公里，从来不是一个人的长征。

人先对齐，事才跑得通。