案例库

给想知道「FDE 到底怎么干活、干成了什么、又是怎么干砸的」的人。这里只收有公开来源的案例，每条结果都标了数字口径和证据等级，方便你判断该信到什么程度。

这个库收什么、不收什么

收：能在公开材料里回溯到出处的真实交付。判断标准四条，缺一条就降级或不收。

1. 有具体的甲方主体（可以是「财富 20 强医保公司」这样的匿名标签，但必须有行业、规模、场景）。
2. 有可核对的结果（效率、成本、质量、采纳率、收入，任一维度有数字或有明确的定性结论）。
3. 讲得清方法（为什么这么做，而不是只有结果）。
4. 来源可点开。

不收：没有出处的「某大厂」故事、纯营销的百分比堆砌、以及为了教学编出来的复合案例。fde-arsenal 案例库里的「POC 陷阱」「冠军离职」两篇明确标注为教学复合案例，公司与人物非实指，因此不进本库的案例索引，只在 写作模板 里作为「合成案例该怎么标注」的示例被引用。

证据等级

本库每个案例卡都标一个等级。这是全库最重要的约定，请先读懂再看案例。

等级	含义	典型来源	引用建议
A	一手且可独立核对	当事人署名自述、上市公司披露、议会/审计/法院文件、政府合同公告、含明确口径的官方公告，以及能回溯到具体事实的署名媒体调查报道	可以直接引用数字
B	一方自述，方向可信、口径无第三方审计	官网客户案例页、公司通稿、行业评奖收录的自选送案例、厂商博客	引用时必须写明「公司自述口径」
C	行业流传、二手转述、匿名信源，数字无法回溯	未署名的公众号叙述、社群转述、聚合站二手数据	只能当教学素材，不可作事实或统计引用

和 05 章标注体系的对应关系。 05 最佳实践 里的清单页用的是另一套记号，两者一一对应，不要混着看：【一手】≈ A，【转述】≈ C，介于两者之间的一方自述材料在 05 章通常直接写明来源方，对应本页的 B。05 章还有一档【复合案例】——多个公开报道中反复出现的模式的合成叙述，公司与人物非实指，这一档在本库不进案例索引，只在 写作模板 里当作标注示例。对照见 反模式清单 页首的「关于证据强度」一段。

一条经验：看别人的案例，先找绝对值和有分母的数字，跳过没有基准的百分比。 「效率提升 300%」不说明起点和终点，「年省 2300 万美元」「审核平均时间缩短到 2 小时以内」「AI 代码采纳率 50%」这类才有讨论的余地。「准确率 100%」几乎一定是口径问题，不是结果。

本库页面

• global-cases.md — 海外案例 20 条。Palantir 系、前沿实验室系（OpenAI / Anthropic）、独立交付商（Distyl / Sierra / Decagon / Harvey）、企业自建，以及四条公开的失败与回摆。
• china-cases.md — 中国案例 15 条。企业内部推动（安克）、外部交付商（澜码、实在智能、循环智能、毕昇、嘉环）、金融业评奖收录案例（平安人寿、晋商银行）、生态动作（Datawhale、南京 FDE 联盟），以及两条行业流传的教学素材。
• case-template.md — 案例卡模板、脱敏规则、数字口径规则、来源等级判定、投稿检查清单。
• how-to-read-a-vendor-case.md — 怎么读别人递过来的案例：五步拆解法、六种常见注水手法及本库实例、现场能问的十个问题，以及写自己案例时的反向自查。

全库索引

结果一栏的口径：成 = 有可核对的业务结果且项目在跑；败 = 公开可见的失败、退出、回摆或经营崩塌；未知 = 在跑但无量化结果，或结果本身有公开争议。

#	案例	地区	行业	交付形态	结果	证据
G1	Palantir × Airbus，A350 产能爬坡	欧洲	航空制造	外部驻场	成	A
G2	Palantir × Tampa General Hospital	美国	医疗	外部驻场 + 平台	成	B
G3	Palantir × Cleveland Clinic	美国	医疗	外部驻场 + 平台	成	B
G4	Palantir × NHS 联邦数据平台	英国	公共医疗	政府合同	未知	A
G5	Palantir × 美国国防部 Maven Smart System	美国	国防	政府合同	成	A
G6	Palantir × Scuderia Ferrari	欧洲	赛车/制造	平台 + 赞助	未知	B
G7	Palantir AIP Bootcamp 作为交付机制	全球	跨行业	交付即获客	成	B
G8	OpenAI FDE × Morgan Stanley	美国	财富管理	厂商 FDE	成	B
G9	OpenAI FDE × John Deere	美国	农机	厂商 FDE	成	C
G10	OpenAI FDE × Klarna / T-Mobile	欧美	金融科技/电信	厂商 FDE	成	B
G11	OpenAI Deployment Company 成立	全球	跨行业	生态事件	未知	A
G12	Anthropic 客户案例集	美国	法律/SaaS	厂商 Applied AI	成	B
G13	Distyl AI × 财富 20 强医保公司	美国	医疗保险	独立交付商	成	B
G14	Distyl AI × 财富 100 强电信	美国	电信	独立交付商	成	B
G15	Sierra AI 客户群	美国	消费金融/SaaS	产品 + 交付	成	B
G16	Decagon 客户群	美国	教育/消费	产品 + 交付	成	B
G17	Harvey × 律所与企业法务	全球	法律	产品 + 交付	成	B
G18	Kavak，自家融资渗透率 50%	拉美	二手车/金融	企业内部团队	成（后估值腰斩）	A
G19	Klarna：从替代 700 人到回聘人工	欧洲	金融科技	厂商 + 自建	败（回摆）	A
G20	三个反面：Builder.ai / Scale AI / Deloitte 澳洲	全球	跨行业	—	败	A
C1	安克创新，AI 代码采纳率 30%→50%	中国	消费硬件	企业内部团队	成	A
C2	澜码科技，最像 FDE 的外部服务商	中国	AI 交付服务商	独立交付商	败	A
C3	澜码 × 桃李中文	中国	教育	独立交付商	成	B
C4	澜码 × 国网浙江智能结算审核	中国	电力	独立交付商	未知	B
C5	平安人寿数字员工平台	中国	保险	企业内部团队	成	B
C6	晋商银行智能保函审核	中国	银行	企业内部 + 外部	成	B
C7	实在智能的 Logo 墙打法	中国	跨行业	独立交付商	未知	C
C8	循环智能 × 招商信诺人寿	中国	保险	独立交付商	成	B
C9	毕昇 BISHENG 的百家企业观察	中国	跨行业	开源平台 + 陪跑	未知	A
C10	嘉环科技的 FDE 驻场陪跑	中国	制造	独立交付商	未知	B
C11	Datawhale 长三角 FDE 联合行动	中国	跨行业	生态事件	未知	A
C12	南京 AI-FDE 大会与三份白皮书	中国	制造	生态事件	未知	B
C13	设备检修知识库，日活 12 到 1800	中国	制造	外部驻场	成	C
C14	专业边界，统计经验差点酿成的事故	中国	制造	外部驻场	败	C
C15	中国 FDE 岗位市场的公开数字	中国	跨行业	背景数据	未知	C

行业 × 结果 交叉表

行业	成	败	未知
航空 / 高端制造	G1	—	G6
一般制造	C13	C14	C10、C12
医疗 / 医保	G2、G3、G13	—	G4
国防 / 政府	G5	G20（Deloitte 澳洲）	—
金融科技 / 支付	G10、G15	G19	—
银行 / 保险 / 财富管理	C5、C6、C8、G8	—	—
电信	G14、G10	—	—
法律	G12、G17	—	—
教育	C3、G16	—	—
消费硬件 / 零售	C1	—	—
农业 / 农机	G9	—	—
电力 / 能源	—	—	C4
二手车 / 新兴市场	G18	—	—
AI 交付服务商自身	G7	C2、G20（Builder.ai、Scale AI）	G11、C7、C9、C11、C15

看这张表可以先注意两件事。第一，「成」的格子高度集中在有清晰单据、有对错、有闭环的场景：理赔调查、保函审核、合同审阅、客服工单、产线站位。第二，「败」的格子几乎都不在技术上，而在商业结构（C2）、客户关系（Scale AI）、验证机制（Deloitte 澳洲）、专业边界（C14）和期望管理（G19）。

读法

三组值得成对读的案例：

• 任务定义的正反面：G1（Palantir × Airbus，客户用业务指标下题目）对 C13（设备检修知识库，题目定成了「建知识库」）。
• 把价值钉进组织的正反面：G13（Distyl 把收入绑在节省金额上）对 C1（安克把 AI 提效写进部门一号位 OKR）。
• 商业结构的正反面：C2（澜码，最重的活在合同里接近免费）对 G7（Palantir 把 5 天交付当成获客成本）。

延伸阅读

• ../03-role/README.md — 案例里那些人的岗位定义与能力模型。
• ../04-methodology/README.md — 案例里反复出现的动作（发现问题、造 Context、做 Eval、算账）在方法论章有系统写法。
• ../05-practice/README.md — 失败模式与反模式，本库的「败」类案例是它的证据。
• ../00-start/glossary.md — FDE、FDSE、Ontology、Eval、MVD 等术语。
• fde-arsenal 案例库（任鑫 / Mars 整理）：中文哈佛式教学案例九则，第一人称立论、每则停在决策点。本库对其中五则做了摘要并回溯到原始公开来源，见各案例卡的「来源」栏。公开发布地址【待核实】（与 ../05-practice/README.md 的口径一致）。

来源

1. MIT Media Lab NANDA 项目《The GenAI Divide: State of AI in Business 2025》，2025 年。中英文圈广泛流传的「约 95% 企业生成式 AI 试点没有可测的损益回报」出自此报告，报告口径为 150 场访谈、350 份员工问卷与 300 个公开部署案例。PDF 见 https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf（与 ../05-practice/demo-to-production.md 用同一份托管地址；该 PDF 的原始托管地址在 2026 年变更过，MIT 官方页面本次未取到）。该报告的抽样方法与统计口径受到过公开质疑，本库把这个数字当作背景参照而非结论，引用时务必写明「该口径存在争议」。
2. 各案例的逐条来源见 global-cases.md 与 china-cases.md 页末。