FDE 企业 AI 落地与交付 · 组织采用与项目陪跑 · 2026-08-31

FDE:AI 落地最火的岗位,也可能是最短暂的岗位

FDE岗位成AI落地新宠,却或如20年前咨询顾问般短暂?解析其价值本质与潜在风险。 核心内容:

  1. FDE岗位现状:OpenAI等企业布局及岗位定义
  2. FDE与咨询顾问的类比:知识差高溢价与行业认知扩散
  3. FDE的核心使命:填补大模型与企业的能力断层及具体挑战

最近参加一个 CIO 论坛时,我们聊到了一个现在硅谷非常热的岗位:FDE,Forward Deployed Engineer。

这两年 FDE 确实很火。OpenAI 已经专门建立 Forward Deployed Engineering 团队,招聘页面上可以看到医疗、法律、政府以及不同地区的大量 FDE 岗位;Anthropic 的 Applied AI 团队里,也已经出现 FDE、Technical Deployment Lead 等一系列类似角色。OpenAI 对这个岗位的定义也很典型:深入客户,理解问题,从技术方案、系统设计一直做到生产部署,再把客户现场发现的问题反馈给产品和模型团队。 Anthropic 也在持续扩充类似团队。

所以我并不认为 FDE 是一个“伪需求”。相反,在今天,它是真需求,而且很贵。

但越是看到 FDE 火起来,我越觉得它让我想起二十多年前的另外一个职业:咨询顾问。

而我恰好经历过那个时代。

一、FDE 为什么让我想起当年的 IBM 咨询顾问

我早年在 IBM 工作的时候,咨询顾问是一个非常值钱的职业。

那个时候,企业正在快速信息化,但真正经历过全球化 IT 建设的人并不多。一个大型集团的 ERP 怎么规划,全球 IT 架构怎么设计,项目管理怎么做,数据体系怎么建,业务流程怎么重构,这些 Know-how 在每个国家里都是非常稀缺的。

所以当时企业愿意花很高的价格,请 IBM、埃森哲这样的公司进来。

企业表面上买的是 Consultant,实际上买的是一种巨大的 Know-how Gap。

你知道,而我不知道;你在全球几十家公司见过,而我第一次做。这种知识差,本身就是巨大的商业价值。

但后来发生了什么?

企业自己的 CIO、CTO 和 IT 团队越来越成熟。大家做过 SAP,做过 Oracle,建过数据仓库,上过云,也踩过无数数字化转型的坑。过去只有少数国际咨询公司掌握的方法论,逐渐变成整个行业的常识。

咨询当然没有消失,但“咨询顾问”这四个字本身越来越不值钱了。大量工作逐渐从 Consulting 变成 Implementation,再从 Implementation 变成 Outsourcing。

这背后其实有一个非常简单的规律:

任何依靠知识差和能力差获得高溢价的职业,最终都会面对知识扩散。

我现在看 FDE,就经常有这种熟悉的感觉。

二、今天的 FDE,本质上在填大模型和企业之间的 Gap

为什么今天突然需要这么多 FDE?

不是因为过去几十年企业突然不会用软件了,而是因为大模型出现以后,又产生了一次巨大的能力断层。

大模型 Demo 很惊艳,但真正进入一家企业之后,马上会遇到完全不同的问题:数据在哪里?权限怎么拿?业务流程到底怎么跑?这个字段是什么意思?系统之间怎么调用?结果错了怎么验证?涉及财务、生产、采购的时候,谁来审批?出了问题由谁负责?

于是一边是一个能力极强、但高度概率性的大模型,另外一边是一家运行了二十年、有几百套系统、有大量历史流程和组织规则的企业。

中间出现了一个巨大的 Gap。

FDE 就站在这个 Gap 里面。

在 CIO 论坛讨论的时候,有一句话我印象很深:“模型能力不够,工程来凑。” 现场其实也有人直接提出疑问:FDE 会不会只是今天用一个新的名字和新的工具,重新包装了过去已经存在的交付和咨询市场?讨论最后又不断回到 Workflow、明确的输入输出、确定性执行,以及如何把一次性的工程经验抽象成可以重复使用的 Building Block。

这正是今天 FDE 高价值的原因。

你把一个优秀的工程师扔到客户现场,他既懂模型,又会写代码,还能和业务人员沟通。他帮客户接数据、接 API、调模型、写 Skill、做 Workflow、Debug Agent,最后把一个原来跑不起来的 AI Demo 真正塞进生产环境。

当然值钱。

但问题是:

这种价值能够持续多久?

三、企业真正缺的,可能根本不是更多 FDE

今天很多 CIO 面对 AI 落地困难,很容易得出一个结论:是不是我的 AI 工程师不够?是不是应该找一些更厉害的 FDE 进来?

但做过真正企业项目的人都知道,很多问题根本不是技术问题。假设明天给一家企业派来十个全世界最优秀的 FDE,他们首先还是得问:

库存数据哪个系统才是准的? 采购超过多少钱需要审批? 海外分公司的流程为什么不一样? 客户投诉以后到底应该流转给谁? 什么样的结果才算 Agent 把事情做对了?

如果这些问题企业自己都回答不清楚,再好的大模型也没用,再贵的 FDE 也只能陪着企业一起猜。

所以我最近越来越喜欢用一个很简单的说法来描述企业真正应该为 AI 做的准备:

一图、一表、一流程。

“一张图”,是把企业真正的业务世界画出来。客户、产品、订单、设备、组织之间究竟是什么关系。今天流行讲 Ontology,本质上就是要告诉 AI:你的企业世界到底长什么样。

“一张表”,不是简单列几个数据库,而是把数据真正讲清楚。指标怎么定义,字段是什么意思,哪个系统是 Source of Truth,哪些数据可信,哪些数据可以被 Agent 使用。这背后其实就是 Data Governance 和 Semantic Layer。

“一条流程”,则是把事情到底怎么完成讲清楚。从输入,到判断,到决策,到执行,到审批,到异常处理,再到结果验证。只有把这个 Workflow 真正梳理出来,Agent 才可能从“会聊天”进入“会干活”…

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/zhinenghuagaizao/2026083194756.html