36氪那篇FDE报道里有一个细节，我反复看了三遍。

一家连锁超市，大规格酸奶卖不动，高端酸奶却卖得好。总部看数据，可能会判断这个门店位于高端社区，然后调整整体选品策略。但店长知道真相：门店周边有另一家更大的超市，平价酸奶比这边便宜，但不卖高端酸奶。于是他选择了错位竞争——不打价格战，打品类差。

总部看数据看到的是"高端酸奶卖得好"，店长知道的是"为什么高端酸奶卖得好"。两个答案差了十万八千里，但真正的商业判断，全部藏在那个"为什么"里。

报道里管这个叫"街头智慧"。我觉得这个词用得特别好——它不是学历、不是资历、不是可以从PPT里学到的东西，它是人在一线待久了以后，长出来的一种直觉。

FDE要做的，就是下到现场，把这种街头智慧挖出来，再让AI学会它。阿即的团队花了4个月为客户上线一个智能体，其中一个月是花在理解业务术语和黑话上。

作为设计总监，我读到这里的时候，心里的共鸣强烈到几乎不真实。

工业设计行业对"现场感"的需求，和FDE对"街头智慧"的需求，本质上是同一种东西。

我做设计这些年，见过太多这样的场景：设计师在办公室里对着brief做方案，brief上写着"目标用户是25到35岁的一线城市白领女性"。设计师打开Pinterest、打开花瓣、打开Behance，搜一堆参考图，做出来一个在屏幕上看起来很美的方案。客户看了也说不错。

然后方案落地了。产品上市以后卖不动。复盘的时候发现，目标用户确实是一线城市白领女性，但她们买这个东西的场景根本不是办公室里对着屏幕比参数——是在地铁上单手操作、是在健身房更衣室里快速塞进包里、是早上出门前最后三秒抓起一个就走。而方案里的那些精致的细节、那些需要双手配合的交互、那些容易刮花的高光表面，全部和真实使用场景对着干。

设计师错了吗？他没错，brief就是这么写的。brief错了吗？brief也没错，用户画像确实是对的。错的是：没有人去现场看那些白领女性到底是怎么用这类产品的。

我后来在团队里定了一条规矩：任何项目，设计师必须在方案评审之前，去三个地方待够至少半天——客户的生产线、产品的销售终端、使用者的真实场景。缺一个都不行。

去生产线，不是为了学工艺，是为了理解你画的每一根线、每一个曲面，到了模具师傅手里意味着什么。有些设计师画的分模线，在屏幕上是一条优美的弧线，到了模具厂师傅看了一眼说"这个位置出不了模"。如果设计师去过现场、看过注塑机是怎么开合的、看过滑块是怎么进退的，他在画图的时候脑子里就已经在模拟模具动作了。这种"模具思维"，坐在办公室里培养不出来。

去销售终端，不是为了做市场调研，是为了理解你的设计在真实的货架环境里是怎么被"看见"的。你在渲染器里打光、调角度、选背景，产品看起来像一件艺术品。但在真实的商场里，你的产品左右两边是竞品，头顶是日光灯管，前面可能还挡着一个价签牌。消费者给你的时间可能只有0.3秒——就是扫一眼货架的那一瞬间。你的设计能不能在这0.3秒里抓住视线，不是靠渲染图能判断的，是靠站在货架前看一百个消费者怎么扫货架才能判断的。

去使用场景，不是为了验证人机工程数据，是为了理解那些数据里装不下的东西。比如我们做过一个厨房小家电项目，人机数据说把手的最佳位置在机身重心的正上方。但去了真实厨房发现，很多用户是把机器塞在橱柜角落里的，侧面和后面都贴着墙，把手在上面根本没法发力。最后我们把把手改到了斜45度的前上方，人机数据不是最优，但使用体验是最优的。

这些事情，AI永远做不到。不是AI不够聪明，是因为这些信息根本没有被数字化。它们不存在于任何数据库里，不存在于任何用户调研报告里，它们只存在于那些愿意下到现场、蹲在角落看、跟使用者聊天、自己上手操作的人脑子里。

这就是为什么我认为"现场感"是设计总监最核心的能力之一，也是最不可能被AI替代的能力。

江苏创品工业设计的四力五维框架里，"专业力"的定义里面有一个被很多人忽略的子项：场景洞察。专业力不只是技术深度、不只是行业知识，更重要的是一套获取第一手信息的方法论——你怎么保证你的设计判断是基于真实场景，而不是基于二手信息？

我们在做装备类项目的时候，设计团队进工厂的第一件事不是开会、不是看图纸，是换工装、上产线、跟着工人干半天活。不是为了体验生活，是为了理解那些工人自己都说不出来的痛点——这个操作面板为什么总是被误触？因为这个工位的操作空间太窄，工人转身的时候屁股会蹭到面板边缘。这个痛点没有任何设备说明书会写，没有任何生产管理报表会统计。但它真实存在，而且只有在现场才能发现。

FDE要下到客户现场，理解业务黑话、梳理真实流程、把老板那句"能不能用AI提效"翻译成可落地的方案。设计总监也一样。只不过我们翻译的不是AI模型和企业需求之间的语言，是真实世界和设计图纸之间的语言。

一个从不下现场的设计总监，做出来的判断和总部看酸奶销售数据做出的判断一样——看起来有数据支撑，实际上离真相很远。因为最关键的变量，不在数据里，在现场。