很多企业现在已经不缺大模型了。
模型可以买,API 可以接,知识库产品也很多。真正麻烦的是后半段:怎么把模型放进客服、销售、研发、财务、法务、供应链这些真实流程里,让它稳定地产生结果,而不是停在演示页和试点项目里。
这个问题正在变得越来越明显。
BCG 在 2025 年的研究里提到,全球只有约 5% 的公司真正从 AI 中获得显著价值。另有 60% 的公司虽然投入不少,但还没有看到实质性的收入增长或成本下降。
麦肯锡 2025 年的 AI 调研也有类似结论。生成式 AI 要真正影响企业利润,关键在于工作流有没有被重构。但在使用生成式 AI 的组织里,只有 21% 表示已经从根本上重构了部分工作流。
这就是今天企业 AI 转型的尴尬:模型越来越强,但企业内部能把模型接进业务的人不够。FDE,Forward Deployed Engineer,前线部署工程师,就是为了解决这个问题出现的。
◆ FDE 到底是什么
OpenAI 对 FDE 的描述:FDE 要把 AI 放到复杂的真实生产环境里,不是先做一个通用产品再交给客户用,而是在企业现场构建定制化 AI 系统,并处理安全、权限、治理、合规、运营控制和遗留系统这些现实问题。
来源
https://openai.com/business/the-openai-deployment-company/
这和传统售前不一样。售前通常负责解释产品、做方案、做 Demo;咨询顾问更擅长路线图和方法论;系统集成商可以完成项目实施,但往往沿用传统软件项目的交付方式。
FDE 的工作更靠近现场。它要理解业务流程,也要能写代码、接系统、做评估、调模型、上线和迭代。
Anthropic 的 FDE 岗位描述里写得更具体些:这个角色要嵌入战略客户团队,帮助客户构建基于 Claude 的生产级 AI 应用,并交付 MCP servers、sub-Agents、agent skills 等可以进入生产流程的技术产物。
来源
https://job-boards.greenhouse.io/anthropic/jobs/5012991008
Cursor 的 FDE 岗位强调,这不是一个做 Demo 的角色。FDE 要发现真实瓶颈,定义指标,构建工作流,上线系统,并承担生产支持。
FDE 更像 AI 时代的“业务工程师”。它既不是纯业务顾问,也不是只接需求写代码的外包工程师。
◆ 企业 AI 为什么总卡在 PoC
企业 AI 项目常见的问题,是试点看起来不错,但很难进入生产。
业务部门说“提升客服效率”,这句话听起来清楚,落地时却要拆成一串工程问题:客户意图怎么识别,知识库怎么检索,答案怎么引用来源,工单怎么生成,权限怎么控制,错误怎么兜底,质检怎么做,日志怎么留。
业务语言和模型语言之间,需要有人翻译。
还有 Demo 和生产系统之间的距离。一个聊天框很容易做出来,但企业要的不是聊天框。企业要的是 AI 能进入 CRM、ERP、OA、数据库、知识库、审批流和权限系统。
OpenAI 在 Frontier Alliances 公告里提到,企业 AI 价值受限的地方不只是模型智能,还包括 Agent 如何在组织里被构建和运行。真正落地还需要领导层对齐、工作流重构、系统和数据集成、变革管理。
第三个问题是评估。很多企业说 AI 有用,但说不清到底节省了多少时间、减少了多少人工、提高了多少转化,或者降低了多少错误率。
麦肯锡的调研提到,跟踪清晰定义的生成式 AI KPI,与企业获得底线收益有关。但少于五分之一的受访组织表示,他们在跟踪生成式 AI 解决方案的 KPI。
还有一个更现实的问题:AI 应用不是一次性交付。
Prompt 会变,知识库会变,业务规则会变,用户习惯也会变。模型能力本身也在变。Databricks 的 AI FDE 岗位要求就包括构建 RAG、多 Agent、Te…