FDE 與 Harness 投資框架：別只看 AI 題材，先看收入是否快過交付人力

先看結論：企業買的不是模型，而是完成工作的能力

報告認為企業 AI 的產業價值正從單純模型能力，移向業務理解、工程交付、Agent 執行環境與平台複用。投資判讀可分兩類：一類是能深入核心流程、具產業知識與 FDE 能力的交付型廠商；另一類是擁有 Harness、Agent 平台、本體模型或 AIOS，能把知識固化成執行能力的產品型廠商。真正優質公司往往跨越兩類，但必須用收入、人力、毛利、續約與任務成功成本證明，而不是只靠 AI 專案公告。

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 與 Harness 投資框架：別只看 AI 題材，先看收入是否快過交付人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

五項檢查依序是：第一，是否掌握客戶願意付費的核心流程；第二，FDE 是否同時具備 Echo 與 Delta；第三，是否有權限、觀測、驗證、復原等生產級 Harness；第四，技能、連接器、測試與本體是否被跨專案重用；第五，收入與毛利是否快過交付人力與推論成本。前四項是能力，第五項才把能力翻成股東價值。

企業 AI 的價值鏈正在從模型本身，往業務理解、工程交付、Agent 執行環境與平台複用移動。投資人與經營者都要辨識：誰掌握客戶的核心工作流程，誰能把現場經驗變成軟體資產，誰的收入成長能快過交付人力，以及誰只是在新名詞裡重新包裝舊服務。

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

報告附表以2026年8月12日收盤價與市場一致預期比較多家中國與香港上市公司，2027年預估本益比差異很大，例如海康威視約16.89倍、金蝶國際約42.05倍、賽意資訊約64.16倍、科大訊飛約64.33倍、中軟國際約13.04倍。這些數字只是特定日期與預測口徑的快照，不是現價或保證；高倍數需要更快收入、毛利與現金流兌現，低倍數則可能反映成長、治理或競爭疑慮。

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

建立追蹤表時，每季記錄 AI 相關合約、正式上線客戶、擴單與續約、FDE 人數、人均收入、平台用量、交付週期與研發資本化。產品公告只放在領先指標，財報數字放在落後指標，兩者不能混成一列。若公司案例很多但服務毛利、人效與現金流沒有改善，應降低『軟體資產化』假設。

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

報告也列出三大風險：企業 AI 規模部署慢於預期；客戶預算、場景與投資報酬率不如預期；競爭與技術路線快速改變。模型變強可能壓縮部分 Harness 功能，平台標準化也可能削弱單一廠商差異；另一方面，客戶若無法完成資料與流程改造，再好的供應商也難把試點轉成收入。投資風險來自供需兩端，而不只是技術。

估值與採購都應採情境法。先設定基準、樂觀與保守情境，再把客戶預算、擴單率、交付週期、人工接管、模型成本與競爭變化放進敏感度分析。預測不是水晶球，而是把最容易讓結論翻盤的假設攤在桌上；桌面愈透明，會議就愈少靠嗓門決勝。

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

台灣投資人若研究中國或全球企業 AI 公司，應先把報告估值當成假設地圖，而非買賣指令。台灣企業採購也能使用同一張計分卡，因為供應商能否規模化，會直接影響價格、服務品質與長期維護。最值得追蹤的訊號，是正式客戶擴張、交付人天下降、任務成功成本降低與自由現金流改善。

接下來可固定追蹤：1、AI 收入與 FDE 人數的增速差；2、續約、擴單與平台用量；3、交付毛利與自由現金流；4、模型與 Agent 架構變化造成的產品淘汰。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。