🏭 100 行业 AI 落地适用性

金融机构受监管最严，FDE 介入的首要任务是在隔离沙盒环境内完成 PoC，确保模型输出符合反洗钱（AML）、KYC、Basel III 等合规框架再推生产。

典型交付物为「风控规则可解释报告」+「压力测试报告」，而非单纯 Demo；审批链往往跨越 IT、合规、法务三条线，项目周期比其他行业约长 1.5–2 倍。

FDE 需具备基本的金融产品常识（衍生品、ABS、清算流程），否则难以有效拆解业务需求。

医疗数据高度分散于 HIS、LIS、PACS 等异构系统，FDE 上线前须完成数据标准化映射（HL7 FHIR 或本地等保标准），数据治理本身就是核心交付物之一。

AI 辅助诊断类项目在国内须通过二类或三类医疗器械注册，FDE 需将模型版本、训练数据来源、标注协议纳入合规包；「辅助决策」而非「替代决策」是唯一被监管接受的口径。

与金融不同，医疗客户的 KPI 往往是临床路径时效缩减（如平均住院天数），而非直接财务 ROI，FDE 须提前对齐评估指标。

制造 FDE 的核心难点是OT（操作技术）与 IT（信息技术）的网络隔离：PLC、SCADA 系统往往运行在无互联网的封闭网络，AI 模型需以「边缘盒子」形式部署，而非云端 API 调用。

质量检测、预测性维护是最高频的落地场景；FDE 需掌握基本的传感器数据采集知识（OPC-UA、MQTT），才能完成从设备到模型的全链路打通。

现场产线工人的接受度决定项目成败，FDE 须参与现场试跑与人机协作 SOP 设计，而非仅交付模型文件。

政务项目须通过政府采购法定程序（招投标、框架协议），FDE 介入节点通常是概念验证阶段，最终交付须转交集成商；FDE 的价值在于「跑通方案」，而非拿合同。

国内政务场景普遍要求信创适配（鲲鹏/飞腾 CPU、麒麟/统信 OS、人大金仓/达梦数据库），FDE 需提前验证模型推理框架的兼容性，避免交付物在信创环境无法运行。

政务客户最看重的是「可解释、可审计、可追溯」，黑盒模型通常无法通过验收，知识图谱+规则引擎的混合架构比纯深度学习更受认可。

零售客户决策链短、试错意愿强，FDE 通常可在4–8 周内完成首版上线，是五大行业中交付最快的赛道；但客户对效果的容忍窗口同样最短，通常要求首个促销季见效。

个性化推荐、动态定价、库存预测是三大高频场景；冷启动问题（新 SKU、新用户无历史数据）是 FDE 必须在方案设计阶段就给出明确降级策略的痛点。

零售数据通常比金融/医疗更易获取，但数据质量差（重复 SKU、促销期异常值、线下线上数据不对齐）往往是真正的瓶颈，数据清洗管道的交付物价值不亚于模型本身。

无论行业如何，成熟 FDE 普遍遵循发现（Discovery）→ 验证（Validation）→ 扩展（Scale）三段式节奏：发现阶段聚焦业务痛点与数据摸底，验证阶段用最小数据集跑通核心指标，扩展阶段才做系统集成与培训。

各行业的差异主要体现在验证阶段的合规门槛（金融/医疗最高）、数据获取难度（政务/制造 OT 最难）和客户决策速度（零售最快、政务最慢）三个维度。

FDE 需根据行业特性动态调整三段式的时间分配，避免用零售的节奏做金融项目，或用政务的严谨度拖慢零售 MVP。