FDE 交付实战营

Appearance

第二章 进场诊断 ​

2.5 案例：Anthropic Applied AI ​

承前：本章前四节讲的都是方法——访谈、干系人地图、交叉验证、本体草图。方法要有照镜子式的对照才学得深。这一节我们拆一个当红的真实案例：Anthropic 的 Applied AI 团队——一家前沿模型厂商如何亲自下场做驻场交付，第一周堆多少场访谈、用什么节奏工作，以及它在 AIG 的案例里交付出了什么结果。这是对 W2 整套"诊断方法"的一次实战检验。

2.5.1 Applied AI 是个什么组织 ​

先摆清组织事实。Anthropic（Claude 的开发商）在自己的企业服务体系里建了一支叫 Applied AI 的团队。按 Anthropic 官方新闻稿的表述，其工作模式是：Applied AI 工程师与客户（及其合作方）的工程团队并肩工作，识别 Claude 能产生最大影响的环节、构建定制方案、并长期支持客户——同一个"驻场交付"的谱系，可以追溯到 Palantir 在 2010 年代早期发明的 Forward Deployed Engineer（FDE）模式。

几个经过核实的时间线事实：

  • 2025 年 9 月，据 CNBC 报道，Anthropic 宣布将国际员工扩充三倍，并把 Applied AI 团队在 2025 年内扩大五倍——一支原本就成建制的队伍被加速扩编，说明企业侧需求远超预期。
  • 同期，Anthropic 与 Blackstone、Hellman & Friedman、Goldman Sachs 合作成立企业 AI 服务合资公司（据 Anthropic 官方新闻稿），Applied AI 工程师向合资公司输出驻场交付能力。
  • AIG 在其 2025 年 Investor Day 上，CEO Peter Zaffino 与 Anthropic CEO Dario Amodei、Palantir CEO Alex Karp 同台——一家保险巨头和两家 AI/数据公司最高层的同框，标志着这个交付模式已经进入全球最大型企业客户的采购视野。

对 FDE 学习者的含义：**这个岗位不是风口装饰，是被最大客户用真金白银投票出来的组织形态。**为什么模型厂商要亲自下场？因为前沿模型落地企业生产的最后一公里，问题不是"模型不够强"，而是"业务、数据、组织没有为模型准备好"——这正是 W2 诊断要解决的课题，也是标准售前搞不定的课题。一份售前方案可以纸上谈兵，一个驻场团队必须五天内摸清真问题。

2.5.2 第一周：访谈密度就是交付质量 ​

Anthropic Applied AI 的驻场方法有个被广泛引用的特征：**进场第一周安排极其密集的干系人访谈——按课程大纲的表述，第一周 8 到 15 场。**换算一下工作量：一天 2-3 场、每场 45-60 分钟、加上当天整理纪要和交叉验证，五天排满。

为什么把密度堆这么高？结合本章前四节的方法，可以反推出三个理由：

**理由一：矛盾需要样本量。**2.3 节讲过，交叉验证靠的是"同一事实的独立来源"。一场访谈只给你一个视角；8-15 场才够把"三个部门三个会员数"这类矛盾暴露出来。如果第一周只聊 3 个人，你大概率拿到三个"彼此一致"的说法——因为约得少的人往往来自同一汇报链，口径早就统一了。一致是样本不足的假象，矛盾才是信息。

**理由二：时间窗口不对称。**进场第一周，客户各层级对"新来的厂商团队"有天然的好奇和配合度，约人成功率高。两周后你变成"常驻的那个"，大家都忙了。老 FDE 都懂：第一周的访谈产能，是整个项目期的峰值，不收割就没有了。

**理由三：访谈是信任的播种期。**2.2 节的干系人地图逻辑——你见没见过门店店长，店长心里有数。8-15 场访谈覆盖决策人、评估人、使用者三层，等于在第一周就把整张地图点亮，后续每个动作都有人情基础。

值得注意的还有节奏设计：访谈不是均速进行的。典型节奏是前松后紧再回访——头两天是开放式的（2.1 节的漏斗上层），后两天带着具体假设去验证（2.3 节的探针），最后半天留出来做"复访"：拿着交叉验证发现的矛盾，回去找关键人追问。青禾沙盘里 W2 的"周五拆三个会员数"，就是这种复访的演练。

顺便说一句行业的另一面：并非所有驻场团队都自己跑完所有访谈。据行业分析，一些驻场工程师团队已开始把"广度"类访谈交给 AI 访谈工具批量执行，自己保留"高信号"的深访场次。这是工具演进的方向，但判断和交叉验证仍归人——和 2.4 节 LLM 辅助提取的逻辑一模一样。

2.5.3 AIG 案例：诊断驱动的交付结果 ​

AIG（美国国际集团，全球最大商业保险公司之一）是这套方法的标志性客户。经过核实的公开信息如下：

**背景与架构。**据行业媒体报道，AIG 在 CEO Peter Zaffino 主导下整合了超过 750 个遗留应用，并部署 Claude 用于内部承保环节，与 Palantir（数据本体层）和 Salesforce（面向经纪人的工作流）共同构建内部品牌为 AIG Underwriter Companion 的系统：读取经纪人提交的投保申请（任意格式）、对照保单与风险敞口数据做归一化、用 Claude 提炼资深核保师会关注的叙事性风险信号、给核保师生成结构化的追问与理由草稿。

**结果数字。**在 2025 年 4 月的行业演讲中，Zaffino 用了"加速端到端承保流程 2X–5X"的表述（据 Carrier Management 报道）；据后续公开转述，AIG 披露核保审查周期压缩到约 5 倍速度，数据准确率从 75% 提升到 90% 左右。课程大纲沿用的"业务审查周期压缩 5 倍以上"即来自这组披露。

对我们的教学价值在于回看它的路径——为什么 AIG 的 AI 能落进核保这个核心流程，而很多保险公司的 AI 停在客服机器人？

  1. **诊断先于方案。**750 个遗留应用意味着"数据在哪个系统里、口径是什么、核保师每天时间花在哪"这些问题不先摸清，任何模型都无处发力。Palantir Foundry 的本体层（2.4 节讲的对象/链接/动作）就是这轮诊断的结构化沉淀——保单、风险敞口、历史损失被建成显式对象，Claude 的推理才有落点。
  2. **自动化的是"摄取与初稿"，判断留给人。**据公开报道，被自动化的是提交分类、数据摄取、理由草稿这些占据核保师大量时间的工作，而定价、条款、承保权限的判断仍由人类核保师掌握。这个切分让"AI 抢饭碗"的组织阻力大幅下降——对应 2.2 节的立场分析：先化解评估人和使用者的 KPI 焦虑，落地才顺。
  3. **把推理过程透给经纪人。**拒保或加费时，核保理由通过同一对话层透出给经纪人——经纪人拿到的是可商量的风险发现，不是黑箱的"不"。这是给外部干系人（经纪人）也做了立场设计。

一句话总结 AIG 的启示：**5 倍提速不是模型的功劳，是"诊断出核保师 50% 时间花在数据摄取"这个发现的功劳。**模型只是执行器，发现问题的那五天访谈才是杠杆的支点。

2.5.4 和青禾沙盘的对照 ​

把 AIG 映射回我们的沙盘，你会发现 W2 的每个方法都有对应物：

方法（本章节）AIG 对应青禾对应
高密度首轮访谈驻场团队进场密集访谈W2 五天 6 人
干系人三层覆盖核保师/IT/经纪人/高管决策人/评估人/使用者
交叉验证数据口径整合进本体层三个会员数拆解
本体草图Foundry 保单/敞口/损失对象会员/券/订单/门店草图
自动化切分边界摄取/初稿自动，判断留人备注标签结构化先做，发券决策留人

注意最后一个对应——AIG 选择自动化"数据摄取和初稿"而非"核保决策"，映射到青禾就是：**先做会员标签从备注到结构化的诊断修复，而不是上来就做"AI 自动决定给谁发券"。**同样的道理：一线收银员/店长的抵触最小化，数据地基同步打好。这就是诊断周结论对方案边界的直接塑造。

还有一层对照值得玩味：AIG 项目里 IT 侧（750 个遗留应用整合）从第一天就是共建方，而不是被绕开方——对照 2.1.5 节 IT 负责人的防御心处理，青禾的 IT 负责人也应该被请进本体草图的校对会，让他从守门人变成地图绘制者之一。

还有一层组织细节值得展开：为什么 Anthropic 给这个团队起名"Applied AI"而不沿用业界通行的"Forward Deployed"？据行业分析，这个命名刻意避免"field/deployed"这类暗示"远离研发一线"的词——它把驻场工程师定位为"从研究到部署这一条连续光谱的生产端"，而不是销售体系的外围。对学习者的启示：**交付团队的定位感会影响客户对它的态度。**被当成"售后支持"的团队，见到的是工单；被当成"研究伙伴"的团队，见到的是战略问题。你在青禾的自我介绍里说"我是来帮你们接需求写代码的"还是"我是来和你们一起搞清楚复购率为什么上不去的"，第一周拿到的信息质量会有肉眼可见的差别。这也呼应 2.1 节的原则：访谈是研究行为，不是销售行为。

2.5.5 访谈数量与节奏：给 FDE 的实用基准 ​

从 Anthropic Applied AI 的实践中，可以提炼一个可操作的基准（结合本章方法）：

**数量基准。**进场第一周，按客户规模设访谈量：中型客户（青禾量级，百店、千人）6-10 场；大型集团 8-15 场；覆盖决策/评估/使用三层，缺一层视为诊断未完成。低于 5 场的诊断结论，默认不可信——样本不足，矛盾暴露不出来。

**节奏基准。**前 40% 时间开放式广撒网，中 40% 带假设做验证式深访，最后 20% 复访收矛盾 + 出本体草图。每天访谈产能上限 4 场（含纪要整理，超过 4 场纪要质量崩塌）。

**质量信号。**判断你的首轮访谈够不够格收工，看三个标志：a) 至少出现一组被交叉验证暴露的口径矛盾；b) 本体草图上至少有一个只有一线才知道的"暗坑"被插旗；c) 每个"必访"干系人都有结构化纪要。三个都满足，诊断周才合格——AIG 那种"审查周期 5 倍压缩"的结果，支点从来都在这里。

2.5.6 要点总结 ​

  • Anthropic Applied AI 是前沿模型厂商亲自下场做驻场交付的组织：工程师嵌入客户团队、识别 Claude 最大影响点、构建方案并长期支持；2025 年该团队扩编五倍（据 CNBC），与 Palantir 谱系的 FDE 模式一脉相承
  • 驻场第一周 8-15 场访谈是方法核心：矛盾需要样本量、第一周是约人产能峰值、访谈同时是信任播种期；节奏是"开放→验证→复访"
  • AIG 案例的 5 倍审查提速（据 AIG 公开披露）支点是诊断：先发现核保师 50% 时间耗在数据摄取，本体层沉淀对象/关系，再让 Claude 落点；判断决策留给人以化解组织阻力
  • 青禾对照：先做备注标签结构化而非直接上"AI 发券决策"；IT 从守门人转为共建者
  • 实用基准：首轮访谈 6-15 场（按规模），三层覆盖缺层即诊断未完成；收工三标志——口径矛盾被暴露、一线暗坑被插旗、必访者皆有纪要

参考资料 ​