FDE最贵的信息差,是项目做了一半,才发现别人早已证明这条路走不通。
还有一种情况更隐蔽,半年前因为能力不够暂停的项目,今天已经能做了,团队还守着半年前的结论。
假设一家制造企业在做采购Agent。Agent读取供应商报价、匹配物料、生成采购建议,采购经理审批以后继续执行。测试跑到这里出了问题:审批等几个小时,任务恢复不稳定。项目暂停。几个月后,供应商升级了长任务恢复能力。
普通AI资讯会告诉团队:“新增任务恢复功能。”FDE需要的东西完全不同。
系统应该把几个月前暂停项目的原因翻出来,判断这次更新碰到了哪个旧问题,再去核对:恢复能力究竟覆盖什么场景,有没有生产案例,还有哪些风险没有解决。最后只给负责人一句有用的话:
这个项目值得重新启动了。
这就是FDE情报系统和AI新闻聚合最大的区别。互联网上从来不缺信息。缺的是一种能力:外面的世界一发生变化,公司内部哪些判断可能过期,系统能立刻找出来。
FDE要搭的,就是这套能力。

SECTION 01先盯决定,再盯新闻
很多团队一开始就把事情做反了。先列几百个信息源:OpenAI、Anthropic、Microsoft、AWS、GitHub、Hacker News、Reddit、论文、财报、招聘、客户案例,再让AI每天抓几万条、摘要几百条。
结果通常是造出一个非常勤奋的AI新闻站。问题出在最前面:系统根本不知道这些信息准备改变什么。
FDE每天真正面对的,其实是一组决策。这个需求值不值得做?当前模型已经够了吗?需要Agent,还是普通Workflow更合适?流程能自动做到哪一步?哪一步必须留给人?项目卡在模型、数据、权限、流程,还是组织?今天不能做的东西,什么变化发生以后值得重试?某家公司跑通的方案,为什么换一个客户就可能失效?
这些问题才应该成为情报系统的第一层对象。
以前面的采购项目为例,系统保存的内容不应该只是“项目暂停”,而应该是:
当前决定:采购审批后的自动执行暂缓。
核心原因:长时间等待后的任务恢复尚未达到生产要求。
重新评估条件:恢复机制出现重大改进,或者出现可信的同类生产实践。有了这一层,一条普通产品更新才突然拥有价值。系统看到“新增长任务恢复能力”,会立刻知道:这条信息可能影响一个历史判断。
“新闻只是原料。决定才是索引。
没有这一层,抓得越多,噪音越大。当然,系统不能只盯现有项目。否则它只会优化已经知道的问题。
还要保留一条独立的探索线:哪些过去没人提出的业务问题,因为模型、Agent、Computer Use或者基础设施变化,突然进入了可行区间?
于是整个系统实际上在跑两套雷达。一套盯旧项目:什么变化正在让过去的判断失效。另一套盯新机会:什么过去不值得做的事情,现在开始值得做了。
前者减少重复交学费,后者负责发现新机会。
SECTION 02信息没什么稀缺性,“什么条件下有效”才有
互联网每天都在生产AI成功案例。客服效率提升40%。故障分析从两小时缩短到十分钟。研发效率提高30%。采购周期缩短50%。
这些数字最容易被AI抓进数据库,也最容易制造错觉。因为FDE真正关心的问题全部藏在数字后面。
所谓“效率提高40%”,到底是坐席平均处理时间下降40%,还是整个客服部门的人工成本下降40%?测试环境跑了两周,和生产环境连续运行半年,意义完全不同。一个演示流程跑通,也不能说明异常处理、权限、人工接管和维护成本已经解决。
所以一条材料进入系统以后,AI还要继续往下拆。谁做的?具体解决哪一段工作?做到流程的什么位置?上线范围多大?人还在什么地方参与?依赖哪些数据条件?需要什么权限?效果怎么测?运行多久?出了什么问题?哪些关键条件没有披露?
最后留下来的知识,应该更接近这种形式:在物料编码高度标准化、供应商数据结构稳定、人工保留最终审批的情况下,Agent可以显著减少报价整理和物料匹配工作。
精准的定位和表达,比“某制造企业采购用了AI”值钱得多。
因此,FDE情报系统应该围绕项目组织,而不是围绕文章组织。
一个项目可能先出现在招聘启事里。三个月以后,公司宣布试点。半年以后,供应商把它包装成客户案例。一年以后,管理层在财报电话会上说,已经推广到20个工厂。
如果系统把它们当成四条新闻,只会得到四篇摘要。识别成同一个项目,得到的是一条轨迹:
筹备、试点、上线、扩张。
这条轨迹才有判断价值。甚至“后来再也没有公开消息”,也值得保留。
企业公开信息天然偏向成功。项目启动有人宣传,停掉往往没人公告;效率提升有人写案例,半年以后维护成本失控,很少有人主动复盘。
所以系统必须学会克制。没有找到失败记录,只能写:
目前没有找到公开的失败披露。
缺失的信息就留在那里。优秀的情报系统不替世界补全故事。它只负责告诉FDE:哪些是事实,哪些是推断,哪些目前没人知道。
SECTION 03AI最有价值的工作,是长期管住那些“还没有答案”的问题
如果AI只负责抓取、摘要、分类,能力其实浪费了一大半。最值得交给AI的,是那些今天没有答案、但未来可能因为外部变化而出现答案的问题。
继续看采购Agent。系统一直保留一个未决问题:审批等待以后,Agent能否稳定继续执行?
某天,产品新增任务恢复能力。AI先查官方文档,再找工程团队测试,再找有没有客户在生产里使用,同时专门找负面案例、限制条件和边界。
如果调查完以后,只有官方能力说明,系统应该给出这样的判断:产品能力已经变化,值得重新测试;目前还没有足够证据修改上线判断。
简单直接的一句话,却可能替团队省掉一次错误决策。
更重要的能力出现在下一步。调查过程中发现:恢复机制已经基本解决,但等待六小时以后,供应商报价可能变化。
问题于是被改写了。以前研究“Agent能不能继续跑”。现在真正值得研究的是:
六小时以后,这笔业务还允许按照六小时前的状态继续跑吗?
这就是研究系统和搜索工具之间的分水岭。搜索擅长回答已有问题。情报系统还要允许证据重新定义问题。
多Agent很适合承担这种工作,但分工应该围绕证据。一个负责官方能力,一个负责客户案例,一个专门找失败和限制,一个负责把新增证据和历史项目比较,最后再汇总判断。
这里必须守住一条纪律:五个AI得出同一个结论,也可能只有一份证据。
五个Agent最后都引用同一篇厂商新闻稿,证据依然只有一份。系统要统计的是来源独立性,不是AI意见数量。
还要知道什么时候停止调查。关键问题已经回答,停。继续搜索不再增加有效信息,停。剩下的问题只能在客户现场验证,停。等新的触发条件出现,再启动下一轮。
否则所谓“自主研究”,很容易变成自主浪费Token。
SECTION 04情报的终点,是让项目动作发生变化
回到采购Agent。任务恢复能力更新以后,系统首先要查清楚:究竟恢复什么?
主动暂停后恢复?执行失败后恢复?机器重启以后还能恢复?恢复以后保留哪些状态?审批结果能不能正确带回任务?
这些问题回答不清楚,“支持恢复”四个字几乎没用。即使全部确认,也只意味着可以进入下一轮验证。
因为技术状态恢复了,业务状态可能已经变了。采购经理可能换人。报价可能过期。采购单可能已经被人工处理。供应商资质可能发生变化。预算可能已经被其他采购占用。
于是新的工程问题出现:
任务重新启动之前,哪些业务状态必须重新确认?
到这里,情报系统给项目负责人的内容反而应该越来越短:
**当前决定**
采购审批后的自动执行继续暂停。
**新增变化**
供应商新增任务恢复能力,原来的技术限制可能已经部分解除。
**证据状态**
官方能力已经确认,暂无充分的同类生产验证。
**下一步**
重新测试审批续接,同时验证报价有效性、重复执行和权限变化。
**改变决定的条件**
测试通过,并由业务负责人确认续接规则。够了。
负责人没必要读二十篇新闻,也没必要看一份8000字报告。他真正需要知道的是:原来的判断哪里变了,现在该干什么。
这才是情报系统应该追求的压缩率。一万条材料,最后只改变一个决定,也完全可能是一套成功的系统。因为那个决定才值钱。

所以日报、周报和项目提醒最好完全拆开。日报回答:过去24小时出现了哪些值得关注的新信号。周报回答:这一周哪些旧判断变强了,哪些变弱了,哪些值得重新检查。项目提醒只回答一件事:某个外部变化已经可能影响手里的项目。
没有实质变化,就不要发。安静,也是情报系统的能力。
SECTION 05公司最后应该积累的,是“适用条件”
很多公司做AI几年以后,会攒出一大堆案例。采购Agent。客服Agent。知识库。合同审核。代码生成。
看起来经验丰富,下一支团队真正开始做项目的时候,还是从头研究。因为过去保存的是项目名字,没有保存项目为什么能跑。
一个采购Agent最终成功上线,真正应该留下的是:物料编码需要达到什么质量,供应商数据需要稳定到什么程度,哪些审批必须由人承担,等待多久以后必须重新确认报价,什么异常一出现就停止自动执行,哪些场景已经验证,哪些场景还没有证据。
下一次再遇到采购Agent,AI先比较这些条件。条件相近,再调用历史经验。条件差异太大,就提醒团队别照抄。
到这里,知识才开始产生复利。
两个客户都属于制造业,意义并不大。两个项目都叫采购Agent,意义也有限。
真正决定经验能不能迁移的,是业务结构。数据结构接不接近?权限结构接不接近?责任边界接不接近?异常类型接不接近?
只有这些条件接近,历史案例才开始有参考价值。
还要系统保存失败条件。什么情况下流程跑不通?哪里经常需要人工接管?哪些数据问题再强的模型也救不了?什么场景看起来自动化率很高,最后维护成本却失控?什么时候继续投入已经不划算?
成功案例告诉团队哪里可能有机会。
失败条件告诉团队哪里应该尽早停手。
对FDE而言,后者经常更贵。
SECTION 06比知识库更重要的,是“过期判断库”
企业知识库最危险的时候,往往不是没有答案。是里面装着大量曾经正确的答案。
六个月前:长任务恢复不稳定。今天可能已经不成立。
一年前:视觉模型看不懂某类复杂图纸。今天可能也变了。
两年前:这个流程自动化ROI太低。模型成本跌掉一个数量级以后,账可能要重算。
所以任何重要判断,都应该同时保存四件东西:这个结论什么时候形成,当时依据什么,在哪些条件下成立,什么变化出现以后应该重查。
于是新信息进入以后,AI可以主动做一件过去几乎没人做得了的事:
扫描公司所有历史判断,找出可能已经过期的那一批。
这可能才是FDE情报系统最有杀伤力的能力。过去的知识系统擅长保存答案。AI时代,系统还要管理答案的保质期。
如果一个旧结论被推翻,事情也不能停在修改知识库。系统应该继续往下找:过去哪些项目引用过这条结论?哪些方案因为它被否决?哪些需求因此被搁置?哪些客户当时被告知“暂时做不了”?
然后把这些项目重新翻出来。告诉负责人:
当初暂停这个项目的关键前提已经发生变化。
这时候,情报才从“知道了什么”,走到“公司下一步应该重新看什么”。
SECTION 07最后看的,是少交了多少学费
FDE情报系统特别容易陷入数字游戏。每天抓20000条。覆盖5000家公司。监控1000个来源。生成300条摘要。
这些数字证明系统很勤奋,却证明不了它有价值。
有价值的事情通常更具体。一个项目准备投入两周开发,系统提前发现类似方案在其他企业已经暴露出结构性问题,于是团队先验证最危险的环节。一个暂停半年的项目,因为关键能力升级,被重新捞出来,结果发现已经进入可行区间。
一个供应商案例看起来极其漂亮,系统却发现成功依赖一组客户根本没有的数据条件,于是团队没有照搬。一个新Agent展示效果惊艳,继续调查以后发现生产运行仍然需要大量人工兜底,于是销售没有提前承诺。
这些才应该成为评估单位。
系统有没有提前发现重要变化?有没有减少无意义的实验?有没有缩小验证范围?有没有把已经过期的判断找出来?有没有帮助团队更早停掉错误方向?
还有一个指标不能少:系统自己错过了什么,又判断错了什么。
某次把试点写成正式生产。某次过度相信供应商宣传。某次没有找到客户侧信息。某次把一个特殊案例推广得太远。某次信息发现得很早,送到项目手里却已经晚了。
这些错误都应该留下。然后让AI调整下一轮调查方式。
哪类来源最容易夸大?哪类指标最容易被误读?什么项目必须找到客户侧证据?什么结论不能只靠一个案例?什么情况下应该主动寻找反例?
系统经历的项目越多,越应该知道自己容易在哪里犯错。这才叫积累。
SECTION 08结语
从零开始,没必要先造一个覆盖全球AI的庞然大物。先选一类高频、代价明确的问题。
长期运行Agent。企业知识库。采购Agent。客服Agent。挑一个都可以。
让系统完整跑过一次:发现变化,找到证据,联系历史项目,形成判断,进入验证,获得结果,再修正原来的认识。
这条链路跑通,再扩大覆盖。
因为FDE情报系统最后拼的根本不是信息量。信息已经多到不值钱了。
真正稀缺的是:知道哪一条新信息,正在让哪一个旧判断失效。
一家公司的AI能力,也不会只来自模型更强。更大的差距,会来自另一件事:
别人每做一个项目,经验只留在参与者脑子里;这家公司每做一个项目,都会让下一次判断变得更快、更准。
别人遇到新问题,从Google、ChatGPT和供应商重新查一遍。这家公司先问自己的系统:我们以前在哪里见过类似问题?当时为什么失败?后来什么发生了变化?现在还缺什么证据?
到了这一步,FDE情报系统已经不再是一套新闻系统。它开始变成公司的AI交付记忆。
AI负责盯住全球不断变化的能力、案例和失败经验,把旧判断一遍遍重新拿出来检查。FDE把昂贵的现场试错,留给那些世界上真的还没有答案的问题。
这才是情报系统最值钱的地方:让公司犯过一次的错,尽量别再犯第二次;让曾经做不到的事,也别永远停在“做不到”。
评论