活的知识:AI 咨询与 FDE 交付白皮书
为什么 90% 的 AI Agent 项目交付后变成空壳——派宝用 Palantir 的 FDE 模式做活的知识交付:客户历史装进 AI、人机切换变训练样本、Agent 越用越像你。
⬇ 下载完整版 PDF白皮书 · WHITE PAPER
活的知识
为什么 95% 的企业 AI 颗粒无收,
以及如何把人的经验真正装进机器
一份关于「AI 咨询 + 前沿部署交付(FDE)」的白皮书
发布:派宝 PulseAgent(泓森互联(北京)科技有限公司)
v1.0 · 2026
活的知识 · AI 咨询 + FDE 交付白皮书
执行摘要
过去两年,全球企业在生成式 AI 上投入了约三四百亿美元。但据麻省理工学院(MIT)2026
年发布、覆盖逾 50 次高管访谈与 300 多个公开部署案例的研究,约 95% 的企业生成式 AI 试
点没有带来任何可衡量的回报。
一个反常识的结论正在浮现:阻碍企业 AI 落地的,不是模型不够聪明——今天的大模型足够
强;而是知识。通用 SaaS 平台把行业平均水平的公开知识塞进一个所谓的「数字员工」,却
复刻不了你公司里那位资深员工脑子里的隐性经验。它说的每句话都对,也每句都是正确的废
话。
本白皮书提出一个判断:企业 AI 落地的真正瓶颈是知识,不是技术。解药既不是更强的模型,
也不是又一个 SaaS 账号,而是一种被 Palantir 验证、如今在 AI 时代复兴的交付范式——FDE
(前沿部署交付)+ 系统化知识萃取 + 严谨的 Agent 工程。
全文沿三段式展开:第一部分诊断病象(SaaS 空壳与死知识库为何导致系统性失败),第二
部分剖析病因(为什么 SaaS 平台必然失败于隐性经验复刻),第三部分给出药方(FDE 交付
如何把人的经验真正装进机器)。
派宝 PulseAgent
·
2
活的知识 · AI 咨询 + FDE 交付白皮书
目录
派宝 PulseAgent
·
3
活的知识 · AI 咨询 + FDE 交付白皮书
引言:一个价值三百亿的悖论
这是一个奇怪的时刻。一方面,大模型的能力以月为单位跃升,几乎每家企业都相信 AI 会重
写自己的行业;另一方面,真正把 AI 用出回报的企业凤毛麟角。投入与产出之间,裂开了一
道鸿沟。
MIT 把这道鸿沟称为「GenAI Divide」。麦肯锡 2026 年的全球调研同样发现,约 88% 的组织
已在至少一个业务环节使用 AI,但只有约 39% 报告企业级利润(EBIT)受到了可衡量的影响,
且其中大多数影响低于 5%。两项独立研究指向同一个残酷比例:真正跑通的,大约只有
5%。
人们习惯把失败归咎于技术——模型不够好、算力不够、数据不够多。但越来越多的证据指向
一个更不舒服的解释:技术早已就位,卡住企业的是一个更古老的问题——如何把一个人脑子
里的本事,转移到另一个载体上。这正是本白皮书要回答的问题。
派宝 PulseAgent
·
4
活的知识 · AI 咨询 + FDE 交付白皮书
第一部分(病):SaaS 空壳与死知识库,正在制造系统性失败
1.1
数据不会说谎:95% 的颗粒无收
先把三组来自权威机构的数据摆在一起,它们独立得出、却互相印证:
来源
关键发现
MIT(2026)
约 95% 的企业生成式 AI 试点零可测回报;企业投入约 300–400 亿美元
Gartner(2025)
预测到 2027 年底,逾 40% 的 agentic AI 项目将因成本高、价值不明、风
控不足被取消
麦肯锡(2026)
约 88% 组织已采用 AI,但仅约 39% 有可测 EBIT 影响;真正的高绩效
者约 5.5%
交叉印证:MIT 的 5% 成功率与麦肯锡的约 5.5% 高绩效者,来自两项方法完全不同的独
立研究,却几乎重合。这不是噪声,是信号。
1.2
Agent Washing:大部分「数字员工」是包装壳
为什么这么多项目失败?第一层原因是市场上充斥着名不副实的产品。Gartner 直言行业存在
严重的「agent washing」——把现有的聊天机器人、RPA、AI 助手重新包装成「智能体」。据
其估计,宣称做 agentic AI 的数千家厂商里,真正名副其实的只有约 130 家。
MIT 的报告里,一位受访 CIO 的描述更直接:看过的几十个演示中,真正有用的只有一两个,
其余大多是「包装壳」或「科研玩具」。对采购方而言,分辨真伪的成本极高,而踩坑的代价
由企业自己承担。
1.3
死知识库:为什么你的 Agent 只会说正确的废话
第二层、也是更深的原因,藏在「知识库」这三个字里。今天主流的数字员工,技术上是一个
通用大模型加一套检索增强生成(RAG):把企业文档切片、灌进向量库,提问时检索最相
似的片段拼进上下文。听起来很美,但它有两个结构性缺陷。
其一,垃圾进,垃圾出。RAG 的根本瓶颈从来不是检索算法,而是源数据质量。一项发表于
《JMIR Cancer》(2025)的同行评审研究给出了量化证据:同一个模型,配上经过专业策展
派宝 PulseAgent
·
5
活的知识 · AI 咨询 + FDE 交付白皮书
的知识库时,幻觉率仅 0–6%;改用通用网络检索,升至 19%;完全不用知识库的传统聊天机
器人,约 40%。知识库的质量,几乎决定了一切。
其二,知识库会腐烂。企业知识是活的——产品规格在变、法规在更新、组织在演化。可大多
数知识库在灌入的那一刻就停止了生长。服务商交付完即离场,知识库从第二天开始发霉。更
要命的是,提示工程修不了一个坏掉的知识库:如果 Slack 里说一套、Confluence 里说另一套,
再精巧的提示也只能暴露矛盾,无法调和。
1.4
学习鸿沟:通用工具不从你的工作流学习
MIT 把失败的核心归因为「学习鸿沟」(learning gap):问题不在模型本身,而在工具与组
织无法相互学习。像通用对话工具这样的产品之所以在企业里停滞,正是因为它们不从企业的
具体工作流中学习、也不为之适应。
一个耐人寻味的旁证是「影子 AI 经济」:MIT 发现,只有约 40% 的公司购买了官方的大模
型订阅,但逾 90% 的受访组织里,员工在用自己的个人 AI 工具干活。这说明个体已经尝到
AI 的甜头,可一旦上升到组织层面、要求工具真正嵌入业务流程,就集体卡壳。差的不是工
具的智能,而是工具与你生意之间的那条学习回路。
派宝 PulseAgent
·
6
活的知识 · AI 咨询 + FDE 交付白皮书
第二部分(因):为什么 SaaS 平台必然失败于隐性经验复刻
如果说第一部分是病象,那么这一部分要回答更根本的问题:为什么把经验装进通用平台这件
事,从原理上就行不通?答案,知识管理学界其实在六十年前就给出了。
2.1
Polanyi 悖论:我们所知,多于我们所能言说
1966 年,哲学家迈克尔·波兰尼(Michael Polanyi)在《The Tacit Dimension》中提出一个著名
论断:我们所知道的,多于我们所能言说的。他举的例子是:我们能在上百万张脸里一眼认出
一个熟人,却说不清自己究竟是怎么认出来的;一个人把开车的理论背得滚瓜烂熟,也不等于
会开车。
这类无法被完全言说、却真实存在的能力,就是隐性知识(tacit knowledge)。经济学家大卫·
奥托(David Autor)在 2014 年的一篇 NBER 论文里把这一现象正式命名为「Polanyi 悖论」,
并指出:最难自动化的任务,恰恰是那些依赖判断、灵活性与常识、我们只能隐性掌握的技能。
这正是问题的核心:你最值钱的销售、最资深的工程师,他们的本事大部分是隐性的。指
望他们把这些写成文档上传到一个 SaaS 平台,等于要求他们说出那些本就说不清的东西。
2.2
五十年前就栽过的坑:知识获取瓶颈
这不是新问题。早在 1980 年代,人工智能先驱爱德华·费根鲍姆(Edward Feigenbaum)在构
建专家系统时就发现:整个系统最大的瓶颈,不是推理引擎,而是知识获取(knowledge
acquisition)——如何把专家脑中的知识提取出来、形式化进程序。
他描述的「知识工程师悖论」与波兰尼遥相呼应:知识工程师对领域的了解远不如专家,沟通
本身就是障碍;而专家又往往无法清晰地表达和形式化自己的本事。半个世纪过去,大模型让
推理这一端突飞猛进,但获取隐性知识这一端的难题,一寸都没有自动消失。今天的「死知识
库」,不过是这个老瓶颈穿上了新外衣。
派宝 PulseAgent
·
7
活的知识 · AI 咨询 + FDE 交付白皮书
2.3
SECI 模型:SaaS 只做了知识创造的四分之一
要看清 SaaS 平台到底漏掉了什么,最好的工具是日本管理学家野中郁次郎(Ikujiro Nonaka)
提出的 SECI 模型。它把组织的知识创造拆成四种相互转化的模式,循环往复,构成一个不断
放大的「知识螺旋」:
模式
含义
SaaS 平台做到了吗
社会化(隐→隐)
通过观察、模仿、共处分享经验性知识
没有
外化(隐→显)
把隐性经验表达为显性概念,知识创造的关键一
步
没有
组合(显→显)
整合既有显性知识为新体系(即灌文档进库)
只做了这一步
内化(显→隐)
通过实践把显性知识吸收为个人本事
无法触及
看清楚了:通用 SaaS 平台只做了「组合」——把现成的文档拼进知识库。它完整地跳过了
「社会化」(嵌入现场、观察真实工作)和「外化」(把藏在老手脑中的隐性经验萃取成显性
规则)。而恰恰是后两步,才是知识创造真正的源头。跳过源头、只搬运现成文档,得到的当
然是一具空壳。
2.4
缺失的「场」:远程标准化部署无法创造知识转化的情境
野中后来又补充了一个关键概念——「场」(Ba),指知识被共享、创造和转化所必需的那
个共享情境,可以是物理的、虚拟的或心智的。知识转化不会凭空发生,它需要一个场。
而一次远程的、标准化的、自助式的 SaaS 部署,恰恰创造不出这个场。没有人坐在你的资深
员工旁边看他怎么应对一个刁难的客户,没有人在真实工单里追问「你这一步为什么这么判
断」。缺了场,社会化与外化无从谈起,隐性知识就永远留在原地。这就是为什么——无论模
型多强——纯 SaaS 模式注定复刻不了人的经验。
派宝 PulseAgent
·
8
活的知识 · AI 咨询 + FDE 交付白皮书
第三部分(药):FDE 交付 + 知识萃取 + Agent 工程
诊断到此清晰:病在隐性知识没有被萃取,因在 SaaS 模式结构性地跳过了萃取。那么药方也
就顺理成章——把被跳过的步骤补回来。这需要三件事的合流。
3.1
FDE 交付:把工程师嵌进现场
第一件事,是交付模式的根本转变:从「发你一个账号」转为「派人下场」。这正是 Forward
Deployed Engineer(FDE,前沿部署工程师)模式的内核。
FDE 模式由数据公司 Palantir 在 2010 年代初开创。它的情报机构客户出于保密,根本无法在
常规的产品发现流程里说清自己要什么,于是 Palantir 把工程师直接嵌入客户现场。联合创始
人 Shyam Sankar 有一句广为流传的判断(大意):凡是能靠一份需求文档解决的问题,早就
被解决了。复杂场景无法靠远程访谈理解,工程师必须亲临真实工作流。
Palantir 的做法被称为「碎石路到高速公路」:FDE 先为单个客户铺一条「碎石路」(定制方
案解决最紧迫的问题),核心团队再观察、把它升级为可服务后续几十家客户的「高速公路」
(标准化能力)。进入 AI 时代,这个模式正在复兴——OpenAI、Anthropic、Scale AI 等前沿
公司都在大力招募 FDE,原因正是 AI agent 是全新品类,没有成熟产品可对标,客户往往不
知道自己具体要什么。
数据为 FDE 背书:MIT 发现,从专业伙伴外购交付的成功率约为企业内部自建的两倍
(约 67% 对 33%);麦肯锡则发现,在所有影响因素里,「工作流重塑」对 EBIT 的影响
最大——价值来自重新布线企业的运作方式,而非仅仅采购工具。
3.2
系统化知识萃取:把 SECI 漏掉的两步补回来
第二件事,是把 FDE 在现场要做的核心动作,做成一套可复制的方法论——这正对应 SECI
里被 SaaS 跳过的「社会化」与「外化」。
关键原则只有一条,却反直觉:不要做问卷。你越是直接问专家「你是怎么做的」,得到的越
是事后编排的官方话术,而非真正在用的隐性逻辑——这就是费根鲍姆瓶颈的现实表现。正确
的做法是锚定真实案例与真实记录去逼问:让专家挑一个新人必然搞砸的难单,沿时间线在每
派宝 PulseAgent
·
9
活的知识 · AI 咨询 + FDE 交付白皮书
个岔路口追问他的判断依据;打开一段真实对话,停在某条消息上问他「为什么这么回,而不
是那么回」。要的是判断依据,不是结果。
萃取出来的知识,还要被沉淀成「活」的上下文,而不是又一个会腐烂的死库。这与
Anthropic 提出的「上下文工程」(context engineering)不谋而合:目标是找到能最大化期望
结果的、尽可能小的高信号上下文集合。Anthropic 还观察到「上下文腐烂」(context rot)
——上下文越长越杂,模型回忆准确信息的能力反而下降。换言之,知识库不是越大越好,而
是越精准、越新鲜、可治理越好。
3.3
严谨的 Agent 工程:把经验变成可靠运行的系统
第三件事,是把萃取出的知识,用严谨的工程方法转化为真正可靠的 agentic 系统。这里,全
球两家前沿实验室的公开方法论高度收敛,值得直接借鉴。
简单性优先。Anthropic 在《构建高效 Agent》中反复强调:最成功的实现用的是简单、可组
合的模式,而非复杂框架;很多场景下,优化好一次检索加上下文的单次调用就已足够,未必
需要自主 agent。OpenAI 的实践指南同样建议先把单个 agent 的能力做到极致,确有必要再拆
分多 agent。盲目堆叠复杂度,是失败的常见起点。
分清工作流与智能体。Anthropic 把按预定义路径编排的「工作流」和让模型自主决策的「智
能体」明确区分开。开放式、步骤难以预测的任务才值得用 agent;能用固定流程解决的,就
别为了时髦而上自主性——它只会带来更高的成本与错误累积。
把工具当界面来设计。Anthropic 提出 Agent-Computer Interface(ACI)的概念:你投入多少心
力打磨人机界面,就该投入同样多去打磨智能体与工具之间的接口。工具描述要像给新人写文
档一样清晰。
护栏与人在回路。OpenAI 强调把护栏(guardrails)作为分层防御,并为高风险、不可逆的动
作设置「人在回路」(human-in-the-loop)——当 agent 反复无法理解意图、或要执行敏感操
作时,应交还人类。
派宝 PulseAgent
·
10
活的知识 · AI 咨询 + FDE 交付白皮书
一个现实教训:某金融科技公司曾高调宣称其 AI 助手首月处理了相当于数百名坐席的工
作量;但一年后又重新引入人工坐席处理复杂案例。纯自动化处理不了那些需要人类隐性
判断的场景——人机协同,不是过渡方案,而是终态。
3.4
闭环:知识螺旋作为复利护城河
把三件事接起来,会发现它们构成一个闭环,而非一次性项目。FDE 下场(社会化)→ 萃取
隐性经验为显性规则(外化)→ 工程化为 agentic 系统并整合既有知识(组合)→ 在真实使
用中被团队吸收、且每一次人接管都回流为新的训练样本(内化)→ 暴露出新的隐性知识,
进入下一轮。这正是野中所说的知识螺旋,从个人放大到组织。
这个闭环的商业含义是决定性的:纯 SaaS 空壳交付完即停止生长,而 FDE 交付的系统越用
越懂这家企业的客户。竞争对手可以抄走界面、功能清单和定价表,却抄不走从你自己业务里
一轮轮跑出来的隐性经验。这是一道随时间加深的复利护城河——也是为什么我们相信,AI
落地的胜负手不在模型,而在交付。
派宝 PulseAgent
·
11
活的知识 · AI 咨询 + FDE 交付白皮书
结语:AI 落地的第三条路
企业面对 AI,长期以来只看到两条路。一条是自建:自己招人、自己摸索——MIT 的数据说,
这条路的成功率约只有三分之一。另一条是买 SaaS 空壳:开通一个通用数字员工——这条路
通向那个 95% 颗粒无收的大多数。
本白皮书想指出的是第三条路:FDE 交付。它不把 AI 当成一个可以自助开通的工具,而当成
一项需要被嵌入、被萃取、被工程化的能力。它承认一个朴素的事实——你最值钱的经验是隐
性的,而隐性知识只能被人萃取、不能被平台自动吸走。
模型会越来越强,这毫无悬念。真正稀缺的,是那个肯下场、把你公司里那个人的本事,一句
句装进机器里的人。
派宝 PulseAgent
·
12
活的知识 · AI 咨询 + FDE 交付白皮书
主要参考来源
本白皮书所引数据与框架均来自以下公开来源;文中论述为作者转述,具体表述请以原文为准。
— MIT Project NANDA:《The GenAI Divide: State of AI in Business 2026》
— Gartner 新闻稿:《Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of
2027》(2025)
— McKinsey:《The State of AI: Agents, innovation, and transformation》(2026)
— Anthropic:《Building Effective Agents》《Effective context engineering for AI agents》
(2024–2025)
— OpenAI:《A Practical Guide to Building Agents》
— Michael Polanyi:《The Tacit Dimension》(1966)
— David Autor:《Polanyi's Paradox and the Shape of Employment Growth》,NBER WP
20485(2014)
— Ikujiro Nonaka & Hirotaka Takeuchi:《The Knowledge-Creating Company》;Nonaka &
Konno:「Ba」概念(1998)
— Edward Feigenbaum:知识获取瓶颈(knowledge acquisition bottleneck),1980 年代
— JMIR Cancer:《Reducing Hallucinations...in Generative AI Chatbots for Cancer
Information》(2025)
— FDE 模式综述:The Pragmatic Engineer、fde.academy 等公开资料(Palantir 起源与 AI 时
代复兴)
派宝 PulseAgent
·
13