FDE 实战|我给爸妈的物流公司做 AI 落地

图像

这是一家小物流公司,有多小?一共只有 4 个人。老板是我爸,会计是我妈。

公司虽然小,业务却一点也不少。

每天要安排几十台车、登记司机信息、在系统里报车、核对装货情况,还要处理回单、账单。

正好最近 FDE(Forward Deployed Engineer,前线部署工程师)这个概念挺火,我就把自己当成一名 FDE,找了个真实客户,准备从需求调研、方案设计一直做到落地交付。

本来以为,无非就是登录几个系统、处理几张 Excel,应该不是什么难事。

结果真正开始做,才发现远没有想象中那么简单。

01 商机发现:我妈不相信 AI 能干她的活

我妈其实早就在用 AI 了。

她平时会用豆包,但她从来没想过,AI 还能帮她处理每天的工作。

我给她打开 Codex,它自己操作浏览器,去网上找当天排名前十的新闻,再整理好返回给我。

“你可以认为,以前你在电脑上能干的活,现在都可以尝试让 AI 帮你干。”

她还是不相信。每天要登录不同的业务系统查询,数据对不上,又要去问司机、问我爸。

“先别管能不能实现,你把每天干的活告诉我,我先研究研究。”

我平时上班、带娃,只能抽空研究,反倒是我爸妈一直惦记着这件事,隔三差五问我什么时候有时间,能不能再对一下、讲讲咋用。

图像

他们对 AI 的技术原理没什么兴趣,也不关心什么 Agent、MCP、Computer Use。

他们只关心一件事:每天这些重复的活,能不能少干一点?

很多时候,不是用户不需要 AI,而是他们根本不知道 AI 已经能帮自己做些什么。

但演示归演示,真正落地之前,我得先弄清楚:

我妈每天到底在干什么?

02 需求调研:我差点没搞明白他们怎么干活

我先让我妈把每天的工作梳理一下。

“想让 AI 干活,至少得先让我这个 FDE 搞明白怎么干。”

我妈还挺配合,给我录了几个操作视频,又写了一份说明文档,附带着发来一堆 Excel。

图像

结果我看了好几遍,还是没弄明白。

比如她说,填完车号之后,再和表格里的信息核对一下。

那我就得问了:和哪张表核对?数据从哪里来?查不到司机怎么办?两个地方的信息对不上又怎么处理?

这一问,才知道背后还有一套司机注册流程,如果是新司机,还得先完成注册和信息维护。

她原本一句话就讲完的事情,实际上涉及好几个操作步骤,只有深入了解才能挖掘出来。

文字和视频实在搞不清楚,我就约她开了个腾讯会议,让她共享屏幕,一步一步演示。

没想到业务还没开始聊,先折腾了半天电脑。微信视频教她下载安装腾讯会议、共享屏幕。

图像

总算能正常沟通了,结果发现更麻烦的还在后面。

一开始让我妈自己讲,我一边听一边记录。她讲着讲着就跑偏了,一会儿说今天这辆车是什么情况,一会儿又说昨天有个司机怎么回事。

后来我干脆接过了主导权,不再让她从头讲到尾,而是按照业务流程,一步一步往下过。

每一步都搞清楚:谁来做?在哪个系统做?输入什么?数据从哪里来?怎样算完成?异常怎么办?

光是沟通业务流程,就花了一下午。最后我把整个流程整理成了一张流程图。

图像

原本以为就是几个 Excel 加几个网站,没想到前前后后涉及这么多步骤。

很多业务规则根本没有写下来,而是存在个人的脑子里。

比如前一天报了车,第二天没装上,应该怎么处理?

有时候靠司机给我爸发微信反馈,有时候要去业务系统查实际装车情况,再人工标记重报。

这家小公司虽然没有什么标准化流程,但靠着几个人多年积累的经验和默契,业务照样能运转。

而要让 AI 接手,就得把这些藏在脑子里的规则,一点点整理出来。

03 方案设计:不是所有工作都适合交给 AI

业务流程总算梳理清楚了,接下来就是考虑怎么让 AI 执行。

首先碰到的是技术问题。

他们用的是 Windows 电脑,平时自己操作都卡,动不动还弹出各种广告窗口。

业务又涉及好几个系统,有的要登录,有的要上传 Excel,有的要等系统处理。

这些操作别说 AI 了,人自己做都经常碰到问题。

更麻烦的是数据。

比如每天要报哪些车,原始信息是我爸手写的一张纸。

图像

车牌号有时候只写后面几位,省份简称直接省略。

“你看你爸写的这个车号,AI 能直接识别吗?”

识别本身不一定是问题。问题在于,这些信息背后还有一大堆默认规则:哪个司机对应哪辆车、哪些车是固定司机、换了司机要怎么处理。

如果原始信息不完整,AI 就算猜出了一个结果,我也不敢直接让它往业务系统里填。

真正让我不敢放手的,是业务风险。

比如报车时填错了,就可能导致司机当天装不上货,在车里多等一天。

他们还有一个环节,需要核对实际运输的货物数量和回单信息。

如果数量不对、回单有问题,却被 AI 直接确认了,一辆车就可能造成两三万块钱的损失。

AI 出错了可以重新执行任务,但业务上的损失,谁来承担?

肯定不能指望 AI 负责。

所以我决定不追求一步到位,而是把业务分成三个阶段。

第一阶段,先解决我妈每天的信息核对和检查。

比如第二天早上,她要把前一天报的车辆和系统里实际下发的车辆进行核对。

这部分主要是查询、提取、对比数据,即使 AI 判断错了,也可以通过人工检查发现问题,不会直接修改业务系统里的关键数据。每天都要做,重复性又高,正适合先验证。

第二阶段,再尝试让 AI 在业务系统里报车。

让 AI 整理、填写司机和车辆信息,生成报车表,人工确认无误后再提交,稳定之后再考虑扩大自动化范围。

第三阶段,再考虑回单、财务等其他业务。

特别是涉及资金结算的操作,暂时不考虑完全交给 AI,必须保留人工审核。

这样一来,第一阶段的目标反而很简单:

先让 AI 把车辆信息查出来、核对清楚,最后由我妈来验收。

04 落地交付:终于让 AI 干上活了

工具方面,我最终选择了腾讯的 WorkBuddy。

第一阶段先做最简单的任务:让 AI 登录业务系统,查询指定日期的车辆记录,筛选出已下发的车辆,提取明细并生成 Excel。

验证通过后,我让它把整套操作流程封装成 Skill,把安装包和 Word 使用指南发给我妈,让她在自己的电脑上安装。

10 月 19 日,第一次使用就碰到了问题。

原来她把账号密码直接发到了 AI 聊天框里。我赶紧让她别这么干,自己登录系统,再交给 AI 操作。

折腾了一会儿,终于跑通了。

“真好用啊。”

原本要做1小时的工作,AI 一分钟就完成了,她核对下来一个都没错。

图像

一个月前,她还不相信 AI 能处理自己的工作。现在已经开始主动找活给 AI 干,遇到问题还会让它排查、修改。

05 项目复盘:AI 真正落地,比我想的还难

这次项目虽然只完成了第一阶段的一部分,但整个过程下来,还是有不少意料之外的发现。

第一个意外,是客户比我想象中还激进。

原本我只打算先教会我妈做车辆信息核对,没想到她自己开始疯狂探索。

从查车辆、整理 Excel,到查询磅单,甚至开始让 AI 直接核对回单。

我赶紧提醒她,别太相信 AI,尤其涉及运费、资金的操作,必须由人验收。

AI 的能力越来越强,用户敢交给它的事情也越来越多,但用户未必有能力判断风险。

第二个意外,是交付真的需要手把手教。

我以前觉得,现在的 AI 已经这么简单了,只要会打字,应该就能用。

实际根本不是这么回事。

有一次,我给我妈发了一段使用说明,大概是:

“你先打开这个页面,我来登录,登录完成之后,你再去执行后面的任务,巴拉巴拉……”

这里的“巴拉巴拉”只是我省略后续内容的表达。

结果我妈把“巴拉巴拉”几个字也原封不动地发给了 WorkBuddy。

图像

真是哭笑不得。

第三个问题,是传统小公司的数字化基础太薄弱了。

现在大家都在讲数字化转型、智能化转型。

但我爸妈公司连基础的数据和流程标准化都没做好。

但 AI 不知道那些没有写下来的规则,也不知道遇到异常应该找谁。

想让 AI 接手,就得先把这些信息一点点整理出来。

原本以为是在做 AI 落地,最后发现还得先补数字化、流程标准化的课。

第四个问题,是信任。

这次能顺利推进,还有一个很特殊的前提:客户是我爸妈。

他们愿意把业务系统、Excel、司机资料,甚至涉及资金的数据都交给我。

我有什么不清楚的,直接打电话问;需要看哪个系统,随时可以让我进去研究。

但如果换成一家陌生公司呢?别人凭什么把这些数据交给我?

最后一个问题,是这门生意到底赚不赚钱?

AI 即使能替代一部分重复劳动,客户愿意为此付多少钱?

他们公司雇一个普通员工,一个月工资也就三千块钱。

一次报车或者回单处理错误,就可能造成两三万的损失。

节省了多少人工成本,和出了问题可能损失多少钱,根本不是一个量级。

现在 AI 已经能干很多活了,但如何让它稳定、低成本地进入这些小公司的日常业务,才是真正困难的地方。

最后:技术终要为人服务

这次给爸妈公司做 AI 落地,远谈不上大功告成。

目前只是跑通了部分业务,后面还有报车、账单等工作要做,离稳定运行还有不少距离。

我妈第一次跑成功,兴奋地给我发消息:“真好用啊。”

后来她开始自己探索,恨不得把所有活都交给 AI。我得不断提醒她,文件要备份,结果要核对,涉及钱的操作千万别随便放手。

而她转头又会提醒我,早点吃饭,别太累。

平时做产品,我们总在算效率提升了多少、节省了多少成本。这次当然也要算,但对我来说,还有一点不一样。

我妈平时喜欢弹电子琴,以前经常忙完工作才有时间练。

我希望以后那些每天都要反复核对的车辆信息、整理不完的 Excel,能少占用她一些时间。

如果她能因此多练一会儿琴,那我折腾这一趟就挺值了。

图像