原来卡在哪
一家汽车维修零部件供应链企业（轻生产：采购零部件＋简单加工组装）：已使用管家婆 ERP，订单、生产任务、采购、库存、发货等数据都有，但并没有形成老板需要的「经营视角」——数据都有但老板还是看不清：供应商发来 5000 个扳手、实际只到 4980 个，按 ERP 标准逻辑这笔订单可能无法正常入库，但仓库里实实在在多了 4980 个。老板每天只能「到处问人」：订单走到哪了、为什么卡住。
具体怎么做的
先把老板的经营诉求拆出来：不问「你想要什么 AI 功能」（会得到一堆功能需求），问「你每天最担心企业发生什么」「哪些异常一旦发生你希望第一时间知道」。
先明确老板要看什么：围绕订单、生产、采购、库存、发货、回款关键环节，把老板真正关心的信息梳理出来。
保留原来的 ERP，把必要的数据拿出来重新组织：不重做一套系统，在原有数据基础上做二次加工——把数据按老板的经营逻辑串起来。
让 AI 去做过去大量依靠人工的数据匹配和核对：把 AI 理解成一个「数据关系处理器」——帮系统判断不同业务环节之间到底是什么关系、有没有对得上。
把异常从「人去发现」变成「系统主动提醒」：给关键业务节点设判断标准（价格是否合理、库存是否异常、应付款能否对应），异常通过飞书卡片提醒；形成闭环：正常自动运行→持续匹配核对→发现异常→主动提醒→人处理异常。
效果 · Before → After
经营信息
财务应付款
老板工作方式
踩过的坑
- 老板的认知——先理解他的经营逻辑，同时让他知道 AI 到底能做到什么、不能做到什么
- 行业 Know-how——行业理解是 FDE 进入业务现场的门票
- 数据——同行业不同企业的数据口径、业务流程差很多：方法论可复用，底层数据和业务逻辑未必能直接复制
- ROI——FDE 的核心成本就是人的时间，不只看「能不能做」，还看「值不值得做、长期维护成本是什么」