企业AI战略 - 企业要不要搞AI？9年产品经理的实战建议

原文首发于人人都是产品经理，作者：李嘻嘻 原文链接：点击查看

最近FDE（Forward-Deployed Engineer）岗位暴增800%+，年薪200万起步。所有人都在聊"这个岗位多重要"，但没人告诉你：当你真的走进一家企业，面对"我们ERP是SaaS的、数据在三个系统里、自研团队就两个人"时，第一步该干什么。

这篇文章就是答案。

一、企业AI Coding落地的四个阶段

两个维度交叉：自研占比 × 数据准备度。

阶段1：第三方采购为主

ERP/WMS/CRM全是SaaS，自研团队1-2人。数据在SaaS厂商手里。

核心不是AI Coding，是AI提效。 做统一AI培训，让业务部门用AI写会议纪要、做数据分析、生成营销文案。

阶段2：开始自研，自研团队没几个人

核心系统还是三方的，有自研小项目。

分开打：三方系统外挂AI工作流，自研模块用AI做独立小模块，业务侧重点投入AI工具培训。

最有价值的一句话：教业务用AI，不要什么都指望数字化。

阶段3：大部分自研，核心三方维持

自研占比60%+，有统一技术栈和CI/CD流程。

替换低价值开发工作：中级开发拆需求→标记简单耗时部分→AI写初版→人review→人接手复杂逻辑。

渐进式信任建设：单测→工具函数→CRUD接口→简单业务逻辑。每级跑满一个Sprint，质检通过率90%+才进下一级。

阶段4：全自研

自研占比80%+，有技术平台、中间件、组件库。

三级模型推进：

• 初阶：人肉路由+AI执行（Tech Lead分任务为纯人工/人+AI/AI优先）
• 中阶：成熟工具二次开发（Jira/飞书项目上加AI层）
• 高阶：自研任务分发平台

二、数据基建：AI Coding的隐形天花板

AI Coding的上限，不取决于模型多强，取决于你能给AI看到多少数据。

三层数据分级：

1. 公开数据：代码仓库、接口文档 → 随便喂AI
2. 内部数据：测试用例、业务数据 → 脱敏后用
3. 敏感数据：密钥证书、客户隐私 → 永远不碰

别一上来就搞大一统数据中台，从"AI需要的最小数据集"开始。 先打通代码仓库、接口文档、测试用例，就解决了80%需求。

三、核心认知

Cursor/Copilot是执行层工具，不是企业AI化的答案。

把"用Cursor"和"完成AI转型"混淆，就像把"办了健身卡"当成"健完了身"。

企业AI Coding真正要解决的是：谁来拆任务、谁来决定AI做哪个、做完了怎么验收、代码规范怎么保持一致。

四、AI Coding的边界

AI从外层往内核打，但尽量晚点碰内核。

• 营销/内容 → 适合AI
• 工具/脚本 → 适合AI
• 业务逻辑 → 人+AI协作
• 交易/支付 → 纯人工
• 数据/安全 → 纯人工

五、总结

企业AI Coding不是选工具，是选路径。

工具会变，模型会迭代，但判断力——那些由经验、经历和人的视角构成的判断力，是不会过时的。

最不会被AI替代的，是那个能做AI老大的脑子。

延伸阅读：个人AI编程实战看Vibe Coding从0到1和从0到N；企业级问数系统看ChatBI全指南。

---

关于作者

李嘻嘻，9年产品经理 + 3年AI实践者，专注于AI产品落地和工具开发。

• 个人站：https://yourhelper.me
• 项目：FormAI、TargetLink、XixiType等6个AI工具