先把访谈讲清楚
开场与快问快答:从 BCG 走出的 60 人「卷 AI」团队
本期《十字路口》由 Koji 对谈 Rolling AI 两位合伙人阿甘与刘开(官方简介作「刘开」,机器转写记为「刘凯」)。谈话缘起于 5 月初 OpenAI 与 Anthropic 在同一天宣布各自成立十亿美元级企业 AI 合资公司,并共同抛出 FDE(Forward-Deployed Engineer,前置部署工程师)一词——该岗位源自 Palantir,指派驻工程师深入客户内部,从零定制、构建并落地 AI 系统。外界常调侃硅谷擅长造新词(把「套壳」叫 Agent Harness、把「售前」叫 FDE),Koji 希望借两位中国一线落地团队的亲身经历,拆解新概念背后的真实趋势。开场快问快答信息如下:
AI 不是软件,是劳动力:从 BCG 的 200 页 PPT 到「15 天上线智能体」
Koji 首先追问:在 AI 大背景下,FDE 到底在解决什么新问题?阿甘给出一个底层定位:传统软件是工具,必须由人来操纵;而 AI 本身就是劳动力。因此 FDE 干的活远不只是卖完软件教员工点按钮,而更像 HRBP(人力资源业务伙伴)——把一位「数字员工」带进企业,帮他准备好工作台、输入公司上下文、梳理流程并打通 IT 系统,亲自培养并看着他上岗。刘开补充,团队平时不叫自己 FDE,而叫 Business Builder(简称 Builder),但看过 Palantir FDE 进企的视频后确认,两者干的完全是同一件事。
谈及为何离开 MBB(麦肯锡、BCG、贝恩)创业,阿甘直指传统跨国咨询在中国本土遇到的瓶颈:中国民营企业家大多是一代或二代 owner(企业主),不像 1990 年代末、2000 年代初那样迷信海外专家,他们根本不在意阶段性的 paperwork 写得多漂亮,只在乎能否做下去、出利润、带来组织变革;而 MBB 的定位与成本结构(阿甘透露自己在 BCG 做过最贵的项目接近九位数、近一亿元人民币)导致其很难扎得足够深。
刘开对比昔日与今日:客户从跨国公司换成了中国民企,内核依然是「解决特定商业问题」,但交付形态已被 AI 彻底重写——过去咨询调研完交付一份 200 页的 PPT,企业要把里面的新业务模式落地往往要耗时半年甚至一年;如今 Rolling AI 直接把最佳协同与信息流转逻辑做成智能体,重新 build business。公司内部甚至立下一条明文铁律:所有智能体必须在 15 天内上线。理由很直白:「你雇一个新员工,不会先送他去学校学 3 个月再来上班;最多给 15 天培训期,他就得开始干活。」
案例一:乳品企业营养服务——一个人带 50 多个机器人,承载 600 万用户
请他们举一个最具代表性的早期实战,阿甘回到了 2022 年启动的乳品企业项目。受出生率下滑影响,乳品行业整体承压,企业急需开辟第二曲线——有的转向水、饮料等快消品,有的推出蛋白饮、益生菌等高溢价品类。但原有经销渠道根本卖不动高溢价新品,必须建立一套全新的线上服务型销售方式。
团队最初想请专业营养师在线上服务用户,一算全国盘子傻了眼:全中国真正的注册营养师大约只有 40 万人,而该企业目标人群高达 8,000 万人(访谈口述将差距称作「约 10 倍」,直接相除实际为 200 倍,节目官方简介亦校为 200 倍),且人工单次服务成本高达 16 元。恰逢 GPT-3 面世,团队决定微调营养健康模型,造出「几十万个营养师」。最终上线的平台承载了这家企业 600 万在线用户,后台仅由一个小姑娘运营,她一人带着 50 多个不同分工的机器人(有的做测评、有的写帖子、有的做营养咨询),单次服务成本压低到了 1 毛钱甚至 4 分钱。
阿甘顺势讲了一个「找好师傅」的精彩细节:如果你今天随便去问豆包或千问「我要减肥」,模型一定会立刻甩出一套饮食运动方案。但正经的资深减肥师一眼指出大错特错——当客户说「我要减肥」时,第一句话必须是:「你又不胖,为什么要减肥?」第一步是先给足情绪价值,第二步才自然引导对方说出近一周的饮食、健身习惯与减肥目标,完成客户转化(onboarding)。想让 AI 员工真正能打,FDE 最关键也最难的工作之一,就是找到行业里的好师傅,把这套专业服务流程教给它。
从自上而下访谈,到自下而上「学徒学习」:AI + 人强过人,人强过 AI
聊到奶茶连锁等线下门店客户,阿甘复盘了团队方法论的一次重大转向:
- 2025 年之前(Top-Down):进场后找最顶尖的金牌销售、培训师和优秀店长做深度访谈,把最佳实践和标准话术总结成文档喂给 AI。
- 2025 年下半年起(Bottom-Up「学徒学习」):团队突然意识到,真实的商业世界里根本不存在唯一权威的「标准答案」——卖奶茶、卖货还是卖保险,千千万万种成功打法都很精彩。于是他们改在每位优秀店长、顾问、教练与金牌销售身边放一个类似咨询 shadow(陪跑学徒)的 AI 助手,日常在旁观察,每天下班后陪店长复盘「今天做了什么、好不好、为什么」,彼此互问互答,相当于持续「蒸馏」一线老师傅的活经验。
Koji 敏锐追问:老师傅难道不抵触吗?「你把我的经验蒸馏走了,我以后在公司岂不是没价值了?」阿甘给出三层解法:第一,想拜师得先干活——学徒进去必须先替店长分担排班建议、营业额预估等琐事,让他切身感到好用才愿意教;第二,一线实战反复验证了一条铁律——绝大多数场景下,AI + 人强过人,人强过 AI,商业环境与竞争态势天天在变,AI 能帮你想,但绝不能替代一线人做现场决策;第三,优秀员工的杠杆反而放大了——过去金牌销售顶多卖出别人两三倍业绩、带好一个小团队,如今他的经验能被复制到全国 1,000 个甚至 10,000 个销售身上,企业必须配套新激励,重奖那些能替公司带出优秀 AI 智能体的老师傅。
案例二与案例三:AI 副店长的「书本智慧」遇上店长的「街头智慧」
紧接着,两人一口气抛出了连锁业里三个极接地气的门店实战故事,生动展示了什么是「AI 副店长」:
- 营业额预估与拆掉总部统一算法:连锁业每天最核心的事是预估次日营业额,据此排班和进货。以前靠总部一套算法统一算,但常常不准——有的街区下暴雨、有的门店旁突然新开竞品、有的开在夜店门口,每家店的经营上下文天差地别。Rolling AI 干脆拆掉总部一刀切做法,给每位店长配一个 AI 副店长,综合天气与周边活动给出情景推演,而把店长变成最关键的一线上下文提供者与最终拍板人,预估准确率随之大幅攀升。阿甘总结:「AI 拥有的是书本智慧,而中国商业场景里满是街头智慧。」
- 连锁餐饮的暴雨排班:刘开举例,暴雨天下午门店营收骤降,可班前一天已经排好,直接造成人力浪费——按 1,000 家门店估算,一年可能白白浪费数百万元。一位聪明的店长摸索出土办法:看到次日大暴雨预报,提前给临时员工打电话预警「明天可能不叫你来,提前有个准备」,既省下工资又不至于临时放鸽子惹怒员工。过去这条经验靠人传人或总部硬压根本推不开,如今靠 AI 副店长就能推送给全网门店,整套体系一年有望省出数百万元。
- 社区店「冷柜酸奶」反杀家乐福:刘开最传神的一个案例发生在一家社区零售店的冷柜盘点中。AI 副店长分析数据后主动发问:「你家大包装酸奶(如晨光等品牌)卖得远不如周边七八家店,但高价的卡士优酸乳卖得特别好——是不是你这家店的客群更高端?」店长直接纠偏:「哪有什么高端客群,我就是普通社区店!只是 5 米之外新开了一家比我大两倍的家乐福,凡是它也卖的大包装酸奶都比我便宜,所以我卖不动;那些高端卡士款它不卖,大家才在我这儿买。」AI 副店长瞬间调整策略:既然拼不过低价,冷柜干脆全部改卖供应商独供品与高端差异化商品,彻底避开直接比价。刘开称调整后该品类销量很快增长了 40% 到 50%。单靠 AI 会得出彻底错误的「高端客群」假说,只有把 AI 的数据洞察与店长的现场信息拼在一起,才能跑出正解。
Koji 顺势联想到日本 7-Eleven 反超并收购美国母公司的经典拐点——正是把每天进多少酸奶、巧克力的决策权从总部下放到一线店长。过去店长受限于信息采集能力与分析时间,今天 AI 副店长相当于在 10,000 名非商科出身的店长和销售身边配了 10,000 个教练,帮他们把周边 500 米到 2 公里内的信息理清。
FDE 究竟是什么角色:「带着清北斯坦福毕业生去便利店上班的工头」
听完案例,Koji 追问 FDE 在整件事里到底站在什么位置。阿甘甩出一个让 Koji 拍案叫绝的比喻:今天的 Rolling AI 像一家 AI 人力外包公司,而 FDE 就是带队的「工头」——领着一群智商极高、宛如清华、北大或斯坦福毕业的「数字年轻人」(AI)去便利店、营销部甚至人事部上岗。以 AI 面试为例,绝不能把模型直接扔上去面候选人,FDE 必须在现场和企业深度对齐:到底考察什么能力、怎样提问才算友好与尊重。工头不能把人丢下就跑,必须亲手完成三大块工作才能撤场:
- 业务融合:找准真实痛点与业务流切入点;
- 知识治理:把一线隐性经验与企业规章梳理为 AI 可用的活知识;
- 系统对接:把智能体真正接进客户现有的业务与 IT 系统,确认高质量稳定运转。
至于一个好 FDE 与平庸 FDE 的分水岭,阿甘列出三项硬核能力:① 具备咨询穿透力,能一眼看穿痛点本质究竟是缺人、缺知识还是缺沟通协作;② 拥有人机协作的原生感知,懂得拆分任务,把审核、评判、规划留在人类手里,其余交给机器补位;③ 极强的动手原型力,能掏出 AI 与 Vibe Coding 工具在半天到两天内搭出可跑的体系原型与智能体编排。被问这种人才是否能短期速成,阿甘直言「未必能培养出来」——当 AI 已经能给出一堆答案时,决定下一步往哪走的商业判断力与品味(taste / gut feeling)带点玄学,很难靠标准化课程速成。
「SOP 代表落后」、兰开夏郡电力革命教训,与 AI 落地失败率超 50% 的三大死法
谈到管理范式的剧变,刘开抛出一句自称「有点暴论」的重磅判断:「SOP 代表着慢,代表着落后。」传统咨询公司脱胎于工业时代,核心工作是帮企业做标准化,但标准化的本质只是用一刀切把全局托底在 60 分,却锁死了每家店冲上 85 分、90 分的可能。正如抖音在消费端用算法实现了「千人千面」,AI 正在生产端让每个门店、每个最小商业单元实现千人千面的本地最优解。阿甘补充,这意味着总部角色将发生根本逆转:过去总部囤积大量标准化、信息化、内审和采购部门,核心职责是「管控」一线别乱来;未来总部要瘦身并转向「赋能型」,让一线带着智能体多拿业绩。两位甚至判断,下一代全球管理智慧极可能由重结果正义、老板亲力亲为的中国民营企业率先摸索出来(对比欧美成熟企业偏重过程正义的职业经理人治理)。
当 Koji 追问「AI 进企业,技术到底占多大比重」,阿甘给出的数字出人意料:技术占比不超过 1/3。他把 AI 比作一场将持续 10 到 20 年的完整生产力革命——当年电力革命大规模取代体力劳动,催生了夜间商业、大商场与现代娱乐业;AI 革命则大规模取代智力劳动,真正起决定作用的是剩下超过 2/3 的组织、商业模式与人才重构。他引用了一个振聋发聩的工业史典故:
工业革命时期,英国兰开夏郡的纺织业一度占到全世界 70%,却在电力革命中惨遭反超。它并不是没用电,而是只把电机接到了原先蒸汽机时代的那根大轴上,厂房布局与生产组织纹丝不动;而美国、日本和德国用完全「电力原生」的方式重新设计了厂房与工序。阿甘认为,每次大生产力革命约有 95% 的企业消失,它们全都接了电、上了网、将来也会接上大模型,但只接技术却不重构做事方式,依然逃不过消亡。
结合近百家企业实战,阿甘直言当下企业 AI 转型项目的失败率超过 50%,核心死法集中在三个大坑:
- CEO 怀有超现实预期:以为 AI 是超人,买来一接上企业就能自动起飞,缺乏合理的分阶段预期管理。
- 让 IT 团队立项主导、业务团队把自己当乙方:懂怎么选货盘、预估营业额、劝客户买保险的是业务团队,绝不是 IT。阿甘回忆早年进驻大型跨国公司,第一场硬仗往往是和把过程正义与数据安全排在第一顺位的 IT governance(IT 治理)反复拉扯。
- 底层激励机制没跟着生产关系一起变:刘开举出做销售项目的惨痛教训——销售极度结果导向,跟自己利益无关的新工具绝不肯用。团队最后必须联手业务方改造考核,把原本 100% 结果导向绩效改成 80% 结果绩效 + 20% 过程绩效,员工每向 AI 贡献一条有效经验就计积分发钱,项目才真正转得起来。
案例四:租房平台管家——从「1 对 500」到「1 对 2,000」,零裁员且改写好员工标准
刘开顺势转述了华熙生物(转写记「华西生物」)董事长在一次 AI 工作坊上讲过的话:如果做 AI 提效只能做到 50%,那就干脆别做;要做就做 3 倍、5 倍、10 倍,能重构商业模式或核心流程的事。
他随即抛出第四个详实案例——一家租房平台的「管家」团队。客户起初的构想很浅:让 AI 帮管家自动回复,回消息快一点就行。Rolling AI 进场深挖后发现了两个业务死穴:一方面城市化率见顶,单纯租房业务本身在下滑,平台急需向租客售卖家政保洁、宠物上门喂养等高毛利增值服务;另一方面,管家每天被「邻居家的狗吵架」「邻居妈妈带男朋友来」「空调漏水」等海量情绪化琐事淹死,根本没时间卖服务。
团队于是重画人机边界:日常标准化琐事全部交给 AI 处理,人则专攻有温度的情绪安抚与主动关怀;同时配上一名「销售机会探查智能体」——一旦发现某租客养猫且聊天中提到这几天要出差,立刻提醒管家推销上门喂猫和除猫毛服务。结果,一名管家的覆盖半径从原来的 1 对 500 跃升至年底的 1 对 1,200,今年目标直指 1 对 2,000;不仅整个部门零裁员,管家日常烦心事变少,服务质量、好感度、续约率与增值服务售卖全面上扬。更耐人寻味的是负责人对「好员工」的定义彻底变了:过去好员工是「打字快、记得准」,今天好员工是能提供情绪价值、开口就能让人放松下来(「姐姐、哥哥,你不用急,我来问」)的人。
心理辅导、中间层退场、拒掉 800 万软件单,与震撼的应届生面试
Koji 提到阿甘曾说「咨询与销售的本质是给董事长和 CEO 做心理咨询」。阿甘展开道:管理的本质是对善意的激发与释放,而 AI 会把管理者的发心放大 10 倍——如果发心是管控与压榨,不如全换成机器人;如果发心是赋能员工成长、让大家多挣钱,才能真正种进 AI 副店长里。而如今团队花在一线员工心理辅导上的精力已经远远超过 CEO——反复向他们阐明:「被时代淘汰的不是你,而是那个落后的岗位。」
哪些岗位最先消失?阿甘直指只负责上传下达的中间管理层(例如销售网络里总部—省总—分区—小片区的两三层中层)。刘开进一步剖析,传统上传下达其实包含两项真实的智力加工:一是信息清理(一线销售只会抱怨「这客户太傻不听我讲」,中层得把它降维提炼成结构化报告);二是信息聚合(把 100 名乃至 10,000 名销售的反馈汇总浓缩,否则董事长没法看)。而这两项恰恰是当前大模型最擅长接管的工作。同样承压的还有靠打字快、记忆好的执行型智力岗位。出路只有两条:要么学会驾驭 Agent,要么沉淀大模型拿不到的专家智慧或街头智慧。长远看,人类正从「智力劳动时代」迈入「智力决策劳动时代」——不再亲手写方案、画图、写代码,而是专注拍板方向、给预算、判行与不行。
在客户选择上,Rolling AI 边界划得极清:喜欢的是一把手直聊 3 次内就能拍板、坦诚拿出 3 个晚上睡不着觉的业务痛点共同求解的客户;坚决不接决策链冗长、或者「不想改业务、只想买个软件提效」的客户。阿甘透露,今年初他们就拒掉了几个 600 万到 800 万元的软件加定制大单——反复追问「最终业务目标到底是什么」却没人能说清、找不到验收责任人,这种单子进去了只会泥足深陷。
被问及想进咨询的应届毕业生该去 MBB 还是来 AI-native 的 FDE 公司,阿甘反而建议先去大平台攒商业 sense。讲到这里,对话抛出了整期最冷峻的一段面试故事:一位非常优秀、基本已经通过面试的应届生追问「我上岗后能给公司提供什么价值、怎么放大价值」,面试官坦白回应:「以你刚毕业的情况,我想不到任何一件 AI 做不了、但你能做的事情。」甚至开玩笑说「要不前两年你付我钱,后面几年我翻倍还你」。纯靠桌面研究和写材料锻炼新人的阶梯正在断层。但硬币的另一面同样惊人:年龄与资历的权重急剧下滑,商业判断力、好奇心、以及看到问题眼睛会发光的 problem solver 特质成为核心——Rolling AI 最小的实习生是一名高二学生,阿甘评价他在老练程度与解题方式上丝毫不输平庸的 5 年经验咨询师。不过他也坦承,这种商业意识似乎带点天赋或早年生活观察,团队至今还没找到系统的培养路径。
OpenAI 与 Anthropic 为何押注 PE 结构:向「Result as a Service」与「Service as Software」跃迁
回到开篇新闻,Koji 追问:OpenAI 和 Anthropic 为何偏偏在这个节点重金下场做 FDE,且合资公司全部采用 PE(私募股权)结构?两人拆出三股推力:
- 数据与行业知识饥渴(刘开):公域互联网数据见顶,大模型进深水行业撞上了知识短板;Anthropic 花上万时薪一个个雇专家标注效率太低,不如直接派人扎进企业现场解题。
- To B 本质上是服务业(刘开):改变政府与企业靠的不是卖软件接 API,而是靠既懂 AI 又愿意钻进流程、组织与人才里的服务者。
- 利润与 Upside 饥渴(阿甘):单纯卖 Token 或按年收 600 万陪跑费,根本分不到帮企业省下几千万、多赚几千万的巨大增值(upside);唯有联手 PE 切入股权结构,才能拿到资本层的真实回报。
由此,阿甘抛出一个大胆预判:FDE 公司不仅值得被 VC/PE 投资,更应该被 VC/PE 亲自「拥有」,变成投后部门的核心 AI 赋能中心。他以零售为例:帮一家 100 店或 1,000 店的企业长到 10,000 店,资本除了给钱,最核心的壁垒就是供应链与 AI 数字化——这套能力绝不能同时服务竞争对手。Rolling AI 自己也立下排他原则:连锁餐饮、茶饮、咖啡、零食店等同一赛道,服务了一家就绝不再服务另一家。
面对 Koji 追问「这和过去 MBB 服务 PE 被投企业(如他们昔日服务过的大客户)有什么区别」,阿甘指出:过去 MBB 只能向中高层交一份「PPT 式的有限增长」,今天 AI 把战略变成了每天驻守在每位店长和销售身边的智能体,增长变得扎实可验收,咨询方才第一次敢跟客户对赌业绩——从按天收 1 万美元咨询费,走向 Result as a Service(结果即服务)。至于中国能否长出 AI 时代比肩 MBB 的咨询巨头,刘开提醒,除 MBB 外 Mercer(人力)和埃森哲(IT)年营收也在 300 亿至 400 亿美元量级,MBB 之所以独一档是因为直击 CEO 收入权力核心且对结果有执念;中国因尚未全面进入高度标准化、职业经理人掌舵的时代,传统管理咨询的黄金期或许还要等 30 年,但 Rolling AI 这类被投资人称为 Service as Software(服务即软件)的新物种——外表上线的是智能体软件,内核交付的是深度业务重构服务——正迎来属于自己的时代窗口。
门店算例:一个「AI 副店长」决策闭环是怎样跑通的
本文自拟例子:一家连锁茶饮店上周日均卖出 100 杯饮品,明天下午天气预报提示有大暴雨,同时距离门店 200 米的商场将举办大型线下活动。系统如果只沿用总部历史均值算法,会按 100 杯备货排班;如果只套用「暴雨降幅 30%」的僵化规则,则会给出 70 杯的预测并建议提前裁减一名兼职员工。
在「AI 副店长 + 一线店长」协作闭环里,信息流分五步运转:
- 外部与历史输入:系统自动汇总过去四周同日销量、小时级暴雨预报、周边活动日历及原料保质期。
- 一线上下文补充:AI 向店长推送两项冲突信号并提问;店长补充了系统不知道的「街头智慧」——活动主入口恰好紧邻本店雨棚,下雨天观众散场反而容易扎堆进来买热饮避雨。
- 情景化建议生成:AI 不再给单一预测数,而是输出「热饮加备 25%、冷饮减备 15%,提前通知一名弹性兼职待命、视 14:00 实况决定是否到岗」的方案区间。
- 人类决策与动作执行:店长结合本地劳动约定与库存实况拍板,确认最终订货单与弹性班表。
- 次日复盘与学徒沉淀:营业结束后,系统对比真实销量、缺货杯数与报废损耗,与店长花 3 分钟复盘并打上场景标签(暴雨 + 紧邻室内活动入口),供同商圈门店参考。
独立判断:个性化落地、组织重构与商业对赌的三道硬约束
1. 反抗「一刀切 SOP」很有洞察,但标准化必须拆成「安全底线」与「本地策略」
刘开用「SOP 只能拿 60 分、千人千面才能拿 90 分」精准击中了连锁企业总部僵化管控的痛点。不过在真实运营里,把所有标准化统统贴上「落后」标签容易走偏:选品、定价、促销和弹性排班确实应该高度本地化,但食品安全、财务合规、数据隐私与客诉退款红线恰恰依赖刚性 SOP 守住下限。成熟的架构不是消灭 SOP,而是把不可逾越的规则写进系统硬护栏,再在护栏之内把本地策略权与 AI 赋能交还给店长。
2. 蒸馏一线「街头智慧」离不开归属标注、适用边界与防错扩散机制
从冷柜酸奶到暴雨排班,节目中最具说服力的证据全部来自「AI 找异常、人类补现场」。但一旦要把某位明星店长的经验复制到 1,000 家门店,必须警惕经验的盲目泛化:社区店紧邻家乐福的避价打法,搬到没有竞品的写字楼店反而会丢掉基础走量品;提前通知兼职员工待命的做法,在不同城市的用工协议与排班法规下也有合规边界。此外,把员工绩效改为 80% 结果 + 20% 过程虽能破冰冷启动,若缺少对建议实际效果的后验追踪,极易滑向「为刷积分灌水复盘」。因此学徒知识库必须记录贡献者、适用条件与反例,并与真实业务增量挂钩。
3. 走向「Result as a Service」前,最难写进合同的是反事实归因
阿甘提出按结果对赌或借 PE 股权分享 upside,直指传统咨询按人天收费的天花板。但在企业现实中,单店月销售额从 100 万元涨到 120 万元,背后往往同时叠着季节波动、平台补贴、新品爆款、竞品撤店与 AI 副店长优化。若未在事前约定对照组门店、基线窗口、数据口径与宏观因子剥离方法,按结果分成很快会在复盘验收时演变成旷日持久的归因扯皮;而如节目案例本身也提示的,像「销量增长 40%–50%」「一年省数百万」「1 对 2,000 覆盖」这类口述战绩,只有补齐对照实验与成本明细(含 FDE 驻场人力与模型推理成本),才能证明 Service as Software 真正具备跨客户规模化扩张的单位经济模型。
证据边界与资料索引
本文依据《十字路口》官方单集简介与完整第三方机器转写整理,未逐字听审原音频,亦未查阅 Rolling AI 的客户合同、账目或独立对照测试数据。机器转写存在若干人名与机构名误差,正文已据官方简介核对标注:合伙人姓名从转写「刘凯」校为官方简介「刘开」;「华西生物」按常见企业名上下文校为「华熙生物」;转写中提及的过往服务 PE 机构「大马西」及个别口述品牌名(如「晨光」「卡式/卡士」)保留口述语境而不作未核验断言。乳品案例中嘉宾口述全国 40 万注册营养师对应 8,000 万目标用户为「10 倍左右」,经简单算术及官方简介核对实为 200 倍(未含服务频次折算)。服务近百家企业、几百万至上千万元客单价、600 万用户、单次 4 分至 1 毛成本、40%–50% 销量增长、1 对 2,000 管家覆盖率、项目失败率超 50% 等均为 2026 年 6 月录制时点服务方口述数据与经验判断;健康减重话术不构成医疗或营养建议;暴雨与商场活动门店算例为本文自拟。