FDE × Harness 商業飛輪：如何把一次現場經驗，變成下一位客戶的機器能力

先看結論：企業買的不是模型，而是完成工作的能力

FDE 與 Harness 分別解決企業 AI 的兩個缺口：FDE 回答客戶真正怎麼做生意、哪些規則不能違反；Harness 則讓 Agent 在實際執行時持續遵守這些規則。兩者結合後，人的隱性經驗可以被轉成技能模組、工具、工作流程、本體模型、測試資料集與執行限制；Agent 上線後產生的錯誤與人工接管，再由 FDE 解讀並寫回系統。這是企業 AI 由人力複製走向能力複製的核心飛輪。

這個題目值得獨立拆解，因為企業 AI 已經走到第二個階段。第一階段比的是模型能不能回答，第二階段比的是系統能不能在資料不完整、權限複雜、流程跨部門的環境裡，穩定交付可衡量結果。FDE × Harness 商業飛輪：如何把一次現場經驗，變成下一位客戶的機器能力不是技術名詞的排列組合，而是一個組織、工程與財務必須同時成立的問題。

運作機制：把人的經驗翻成 Agent 可執行的規則

飛輪從前線開始：FDE 進入客戶流程，辨識高價值知識與例外；Harness 把知識編進任務脈絡、工具、權限、驗證與復原；正式環境產生真實任務、失敗軌跡與使用者回饋；FDE 區分問題來自模型、資料、工具、規則或組織；團隊再把修正寫回共用技能與平台。當同類客戶增加，共通物件與流程逐步產品化，新部署由從零開發改成設定與少量調整。

Harness 可以理解為包在模型外面的 Agent 執行環境。它管理任務脈絡、記憶、工具、狀態、權限、驗證、監控與錯誤復原，把一次文字生成變成可以持續做事的系統。模型像大腦，Harness 更像神經、手腳、安全帶與行車紀錄器；少一樣，正式上路都會讓法務和資訊長睡不好。

實務上應先畫出原有流程的輸入、判斷、工具、輸出與例外，再決定哪些環節交給 Agent、哪些需要人工核准。這個順序很重要：若先拿模型找題目，團隊容易做出技術可行但商業低頻的功能；若先找出高成本、高等待或高錯誤的流程，再設計資料與執行環境，投資報酬率才有機會被驗證。

財務視角：從專案收入走向能力複製

飛輪是否成立，可用收入與交付人力的增速差驗證。早期進入新產業時，人力與客製成本較高；隨著技能、連接器、測試與本體模型累積，同類客戶的上線時間與 FDE 人天應下降，訂閱與用量收入則上升。若收入每增加一倍仍要增加一倍工程人員，飛輪只是圖；若收入成長快過人力，現場學習才真正轉成軟體毛利。

財務長應把成本拆成五層：場景診斷、資料與系統串接、模型推論、執行框架、上線後的人工作業。初期毛利偏低不必然代表模式失敗，因為第一批客戶可能同時支付產品學習成本；但下一批同類客戶若沒有明顯縮短交付週期，代表知識沒有資產化。最重要的曲線，是每一元新增收入需要多少新增工程人力與模型成本。

收入品質也要分開看。一次性顧問費能證明客戶願意付錢，訂閱與用量收入則更能反映系統已進入日常流程；成果分成若能建立清楚基線，可能提高上限，但也會帶來歸因與合約爭議。健康的商業組合通常是以前期服務完成導入，再讓軟體、技能模組與執行量成為後續擴張主體。

執行方法：從一個高價值流程開始

每次上線都要同時設計業務閉環與學習閉環。業務閉環確認任務是否完成、價值是否實現；學習閉環則記錄失敗類型、人工介入、規則缺口與可產品化項目。團隊應固定召開跨客戶產品化會議，由 FDE、平台工程、產品與風險角色共同決定哪些經驗進共用層，並用下一個客戶驗證。沒有這個節奏，現場知識會再次散落在個人腦中。

導入時應先定義成功與失敗。成功不只包含平均任務時間下降，也包括錯誤率、人工覆核、法遵事件與使用者採用；失敗則要能被分成模型、資料、權限、工具、流程或組織責任。分類清楚後，每次錯誤才會變成測試資料與產品改進，而不是群組裡又多一張『AI 怎麼又壞了』的截圖。

反方論證：重交付也可能只是昂貴的人力生意

飛輪敘事最容易把所有服務都美化成學習。不是每次客製都有產品價值，有些客戶流程過於獨特，有些需求只是暫時補丁。公司需要計算資產後續被採用的次數與帶來的節省，若產出長期無人重用，就應停止投入。飛輪不是讓每個專案合理化，而是更嚴格地淘汰無法複用的工作。

最複雜的 Harness 不一定最好。每多一個規劃器、評估器或子 Agent，都會增加模型呼叫、延遲與故障點。合理做法是以真實任務做刪減測試：拿掉元件後成功率是否下降、下降多少、值不值得額外成本。最終要最佳化的是每個成功任務的總成本，而不是單次 Token 最便宜。

此外，報告整理的數據包含企業調查、公司案例、產品公告與研究判斷，可信度與時間點並不完全相同。本文保留原始頁碼，並把已發生事實、廠商所述規畫與延伸分析分開呈現。對快速變動的 Agent 市場而言，最危險的不是判斷暫時錯，而是把尚未驗證的規畫寫成已經實現的財務成果。

台灣企業可以怎麼用：先做流程資產負債表

台灣產業的優勢是現場密度高，製造、物流、零售與金融都有大量具體流程。可以用『一個產業、一條主流程、三位標竿客戶』建立飛輪：先在第一位客戶深入學習，第二位驗證共通與差異，第三位測試部署速度與平台複用。三次之後仍無法抽象的部分留在客製層，其餘則成為可銷售資產。

接下來可固定追蹤：1、失敗軌跡被轉成測試的比例；2、共用技能與連接器採用次數；3、同類客戶部署時間；4、收入成長與交付人力成長差。這些指標同時涵蓋技術、流程與財務，能避免團隊只挑對自己有利的數字。對台灣企業而言，最務實的起點通常不是成立一支龐大 AI 部門，而是選一條跨資料、跨系統、又能直接衡量成本或營收的流程，讓小型 FDE 團隊與業務負責人共同完成第一個生產閉環。

最後要記住，真正的護城河不是 Prompt 數量，而是企業願不願意把規則、失敗案例與決策邊界持續沉澱。模型會升級、單價會下降、工具名稱也會換季；留在公司裡的本體模型、測試資料集、連接器、技能模組、權限設計與營運紀錄，才是能在下一輪技術變化中繼續複利的資產。