騰訊與阿里怎麼走：FDE 往場景定義上移，Agent 平台承接規模複製

先看結論：企業買的不是模型，而是完成工作的能力

報告將騰訊與阿里的共同方向概括為：FDE 走向場景發現與需求翻譯，平台則把現場經驗轉成可重複執行的 Agent 能力。騰訊透過 ADP、AI 開發工具與客戶陪跑，讓 FDE 從技術搭建上移到『到底應該做什麼』；阿里雲則以 FDE 補齊模型與企業流程之間的交付，再由百煉、悟空等平台承接模型、資料、權限、多 Agent 協同與正式營運。

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。騰訊與阿里怎麼走：FDE 往場景定義上移，Agent 平台承接規模複製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

騰訊 ADP 從 RAG 與低程式碼工具逐步增加雲端 Agent Harness，支援集中運行、權限、沙箱、可觀測與持續最佳化；FDE 將業務規則、測試與工具寫進平台。阿里則由前線工程師辨識高價值流程、完成原型與系統串接，再將可共用部分沉澱到百煉與企業工作平台，補齊應用系統連接、權限管理與多 Agent 協同。兩家都在嘗試原廠標竿、平台產品化、夥伴複製的三層槓桿。

不同廠商的共同方向，是讓少數核心 FDE 攻克複雜現場，再用平台、夥伴與客戶自助擴大覆蓋。差別在於資產沉澱在哪裡：Palantir 放進本體模型與 AIP，模型公司放進技能與執行框架，雲端業者放進 Agent 平台與夥伴交付工具，企業軟體公司則把多年流程與權限直接寫進底座。

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

中國雲端市場競爭激烈，FDE 陪跑既能帶動模型與雲端用量，也可能成為新的服務成本。報告提到部分頭部客戶已願意在工具採購之外，單獨為 FDE 陪跑付費，這是業務價值的早期證據。長期仍要看服務投入是否轉成平台收入、客戶擴單與續約，以及同類場景是否逐步減少原廠人力。

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

企業評估雲端 Agent 平台時，不能只比較支援多少模型與工具，應以一條真實流程做端到端測試：資料與權限如何接入、任務狀態如何保存、失敗是否可重播、模型能否替換、流程能否由企業自己維護。FDE 的方法與產出也要寫入平台，而不是只留在會議紀錄。

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

平台功能快速增加，也可能造成介面與產品線複雜。雲端業者的成功案例多集中於頭部客戶，對中小企業是否能以合理成本自助部署仍待驗證。阿里 FDE 組織在報告時間點仍處於招募與能力補齊階段，不能把職缺與規畫直接當成已形成規模收入。

廠商案例多半是公司或報告選出的成功樣本，不能直接外推到所有客戶。閱讀時要分清楚已上線的實際成果、合作公告、產品規畫與券商推論；尤其 2026 年的新組織與新平台仍需時間驗證續約、毛利與複用程度。案例可以提供路線，不能替財務證據簽名。

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

台灣企業與中國市場往來時，可把騰訊、阿里視為可選平台，但核心流程語義、測試資料集與權限模型應掌握在自己手上。台灣雲端與軟體服務商則可專注跨雲、跨模型與在地產業連接器，避免與大型平台正面比算力，改在最後一哩的資料治理與流程資產建立差異。

接下來可固定追蹤：1、FDE 陪跑服務的付費與續約；2、現場經驗寫回平台的速度；3、中小企業自助部署能力；4、跨模型、跨雲與資料可攜性。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。