AI Agent能替代FDE吗？边界在哪里

这个问题现在被问得越来越多，答案是：能替掉大部分工程劳动，替不掉判断和在场。而恰恰是替不掉的那部分，决定了项目的成败。把这条边界想清楚，工具才能真正省钱而不是添乱。

一、能替掉的部分：占工时最多，含金量最低

拆一个典型交付项目的工时构成，重复性工程劳动占了大头：写样板代码、清洗数据、封装接口、生成文档、做基础页面、写测试用例。这些工作有明确输入输出，规则清晰，正是智能体最擅长的。

实际效果相当可观。过去三个人一个月的活，现在一个人带一组工具链两周能出第一版。这不是概念，是我们每天在做的事。

更重要的一层影响是：成本降下来之后，客单价几十万的中小企业项目第一次算得过账。Palantir 那套只有千万级客单价才养得起的方法，被压缩到了中小企业买得起的区间。

二、替不掉的第一件事：现场观察

企业里最值钱的知识是隐性的——老师傅听声音就知道轴承要坏，但他说不清依据。这类知识只能通过长时间现场观察和在具体动作后追问才能获得。

智能体没有身体，进不了车间，看不到老师傅在哪个动作前停顿了两秒。而那个停顿，恰恰是规则需要被编码的分叉点。

所以蹲现场这件事，短期内没有替代方案。这也是「一个人加一组 Agent」这个组合里，人必须存在的第一个理由。

三、替不掉的另两件事：判断与人

第二件是判断与取舍。客户提十个需求，哪三个值得做、哪七个该砍掉，这需要对业务价值、实施难度、组织阻力做综合权衡。智能体可以给出分析，但拍板要人负责——因为拍错了要承担后果。

第三件是处理人。约 29% 的员工会暗中抵制新的 AI 工具。他们不会在会上反对，而是继续用老办法、把新系统的数据随便填填。要化解这种情绪，靠的是察言观色、私下沟通、给对方找台阶——这些都需要一个真实的人在场。

行业里 95% 的 AI 试点未见回报，失败原因绝大多数落在这三件替不掉的事上，而不是技术不够好。把工具用在能替的地方，把人留在替不掉的地方，这就是最优配置。

工具让一个人变成一个团队，但它没法替一个人走进车间、做出取舍、承担后果。

四、阿优至简的视角

阿优的交付线就是按这条边界设计的：一位负责人承担诊断、判断和沟通，一组智能体承担脚本、原型、文档等重复劳动。四周一轮，每轮出可验证结果。

我们不宣传全自动，因为那不诚实。AI 让交付成本降了一个量级，但没有降低对判断力的要求，反而提高了——工具产出得越快，越需要有人及时校验方向对不对。

落地前的三条至简建议

1. 分清人机边界：重复劳动交给工具，判断、观察、沟通留给人。
2. 校验不能省：工具产出越快，越要建立人工校验环节。
3. 把省下的时间投回现场：成本降下来之后，多花在蹲点和沟通上，收益最大。

工具的进步不会让这个岗位消失，只会改变它的形状——从一支队伍变成一个人加一套工具链。而对中小企业来说，这个变化恰好是好消息。