FDE火了，但这件事远没你想的那么简单
你大概率见过这样一轮企业AI改造。老板在会上说，今年必须全面拥抱AI，销售开始用AI写跟进话术，市场一晚上能出十版文案，行政的会议纪要几分钟就整理完，程序员提交代码的速度也明显快了。
三个月以后，所有人确实都更快了，可老板再看一眼结果，销售额没有明显变化，客户还是会流失，审批还是要等，跨部门扯皮一点没少，系统里反而多出了一堆没人敢直接采用的AI结果。
于是下一轮问题来了：是不是模型还不够强，是不是Agent还不够多，是不是再接一个知识库、再搭一条工作流，事情就顺了？
就在大家卡在这里的时候，FDE突然火了。
FDE全称Forward Deployed Engineer，通常被翻译成前线部署工程师。
2026年1月至8月，同名岗位的招聘量同比增长超过10倍。截至9月7日，OpenAI官网的Forward Deployed Engineering分类列出了19个岗位，覆盖医疗、法律、政府、半导体，以及东京、首尔、新加坡等多个地区，Anthropic也已公开招聘FDE相关岗位。
这个岗位的热度，来源是它听起来也确实像企业正在等的那个答案：派一个既懂AI、又能写代码、还能听懂业务的人进来，聊需求、拆流程、搭Agent、接系统，然后把原来的工作重新跑一遍。
但老金一直觉得，这件事被说简单了。
企业以为自己缺的是一个会落地AI的工程师，真正缺的，往往是一个能把业务、人和AI重新串成结果的人。
图片加载中…
模型越来越便宜，AI落地为什么反而显得更贵
过去几年，模型能力越来越强，使用价格却在快速下降。
斯坦福AI Index曾统计，同等GPT-3.5水平的推理成本，在2022年11月至2024年10月之间下降了280倍以上。照理说，AI越来越便宜，企业落地也应该越来越容易，现实却是另一回事。
麦肯锡2026年的全球调查显示，接近九成受访者所在的组织，已经在至少一个业务职能中经常使用AI，八成受访者认为AI提高了个人生产力，但只有37%的人报告AI对所在组织的EBIT产生了正向贡献。
AI已经进入了很多人的工作，却还没有同样大规模地进入企业的结果。
这中间隔着的，根本不只是模型，一个人用AI写完一封邮件，任务就结束了。
可一家公司要把AI放进销售流程，后面还有线索从哪来、谁来筛选、怎样分配、什么时候跟进、哪些话不能说、什么情况需要审批、出了错误谁负责，以及这套新流程到底有没有让成交率提高。
模型解决的是一项任务的生成成本，企业要承担的是整条链路的协调成本。
Token越来越便宜，组织里的等待、返工和扯皮，不会跟着降价。
这正是FDE重新变得重要的原因。
Palantir很早就在使用这种工作方式，它对前线部署工程师的解释很直接：传统产品工程师围绕一个能力服务很多客户，FDE则围绕一个客户，调动很多能力解决真实问题，而且最终看的是客户目标有没有发生变化。
到了今天，OpenAI给FDE设定的成功标准也不是做出一个好看的Demo，是生产环境里的真实采用、可以测量的工作流影响，以及能够反过来改变产品和模型路线的评测反馈。
所以FDE真正卖的，从来不是“我会接哪个模型”，是从一句模糊需求开始，一直把事情推到有人使用、有结果、能验收。
我为什么一直不相信“进去搭几个Agent就好了”
老金以前做了很多年游戏制作人，就是整个研发部门的总负责人。
游戏研发本身就是一件非常复杂的事，产品、程序、美术、测试、运营等等一堆人，最后要围绕同一个版本一起往前走。
我是产品出身，不需要把每个专业都亲自干一遍，也不会因为自己不写代码，就只负责提需求。
我得先知道整个工作是怎么运转的，程序用什么框架，为什么选这种语言，技术方案会带来什么代价，美术什么时候能开始，程序要先提供什么，测试卡住以后找谁，运营临时变更会影响哪些人，版本怎样才算真的能上线，这些事情都得串起来。
一个人把自己的事情做好，其实没有那么难。
真正难的是，一群能力不同、目标不同、节奏不同的人，最后能不能在同一个时间点，交出同一个结果。
后来我开始做Agent和复杂任务治理，这个感受反而更强了。
模型可以让一个Agent迅速生成很多东西，但一件复杂工作要真正完成，还得有负责人、有前后依赖、有交接、有检查、有退回修改，也得有人判断哪些事实可信，哪些决定AI没有资格替人拍板。
一个Agent聪不聪明，主要看模型；一套工作能不能交付，最后看组织。
图片加载中…
而FDE面对的复杂度，比我当年做游戏制作人还高了一层。
它不只要串人，还要把一个行为不完全稳定、能力边界不断变化的AI串进来，更麻烦的是，它进入的很可能还是一个自己从来没有做过的行业。
图片加载中…
AI一个Token还没花，先撞上企业自己的幻觉
你进一家企业，老板跟你说：“我们想把销售流程AI化。”听起来挺清楚，真往下聊两句，就不一定了。
销售线索从哪来，市场怎么筛，筛完谁来分，什么客户优先，销售平时到底怎么跟，什么情况需要审批。。。。。。
这些问题看起来都不难，但你很快会发现，有些规则在CRM里，有些在Excel里，还有一些根本没有规则，就是一句“我们平时看情况”。
老板告诉你的，往往是公司应该怎么干；业务负责人告诉你的，是制度规定怎么干；等你真的坐到一线员工旁边，看他从微信群里找信息、给熟人插单、再去Excel里补记录，你才会知道，大家平时到底怎么干。
这三个版本，经常不是一个东西。
制度里可能写着客户统一评分，一线销售却知道，某类客户必须先找领导；系统里要求资料齐全才能流转，大家实际做法却是先推进，缺的材料后补；老板以为审批两天能过，员工早就默认，不在群里提醒三次，这件事根本不会动。
这才是企业真实的样子。AI一个Token还没花，FDE已经开始做业务考古了。
FDE第一个要解决的幻觉，可能还不是模型的幻觉，而是企业对自己业务的幻觉。
以前这些空白能被人接住，是因为老员工知道潜规则，部门之间有默契，出了特殊情况还能临时找人。AI不懂“大家都知道”，它只知道规则有没有写清楚，数据能不能拿到，下一步该调用谁，出了例外应该停下来，还是继续往前走。
AI一旦进入流程，那些过去被经验、关系和临时判断遮住的地方，会同时暴露出来。
AI落地最先暴露的，往往不是技术短板，而是组织过去一直靠默契掩盖的空白。
所以FDE的第一份重要交付物，很多时候不应该是代码，而是一张真实业务地图：事情为什么开始，经过谁，在哪等待，谁有决定权，哪些地方靠人兜底，最后什么结果才算完成。
没有这张地图，后面搭出来的Agent越多，自动化的生产出来的，是各种混乱的结果。
图片加载中…
图片加载中…
真正的FDE，要连续跨过六道门
现在很多人介绍FDE，最喜欢强调两件事：既懂业务，又会写代码。这当然没错，但还不够，一个真正能把AI放进生产环境的FDE，至少要连续完成六件事。
先把“提高效率”翻译成一个具体结果，到底是缩短报价时间，提高转化率，减少错误，还是降低某个环节的人力成本？
如果连基线和目标都没有，后面所有提效都只能靠感觉。
然后还原真实流程，不是照着制度文档画一条漂亮的直线，而是找到一线员工真正的操作、例外、等待和补救。再往下，是重新划分人和AI的工作，哪些可以交给AI独立完成，哪些由AI先做、人来确认，哪些事情因为涉及风险、责任或价值判断，AI只能提供参考。
接着才是数据、权限和系统。AI能看到什么，能修改什么，谁来授权，操作有没有记录，敏感数据能不能进入模型，出了问题能不能回退。到了这里，才真正轮到模型、Agent、接口和代码。
而部署上线也远远不是结束，还得建立评测、人工复核、异常升级、回退机制和验收门槛，观察一线员工愿不愿意用，最终有没有改变业务结果。
OpenAI现在对医疗FDE的要求里，已经把客户专属基准、验收标准、人工复核流程、异常升级路径和上线条件全部写进职责。它要的显然不是一个只会把系统跑起来的人，而是一个能证明这套系统为什么可以被信任的人。
没有验收的Agent，不叫自动化，只是把“我做完了”说得更快。
所以我一直觉得，FDE虽然名字里带着Engineer，真正贵的却不只是Engineer那部分。
他得懂业务、懂产品、懂AI，也要懂技术边界；他得会沟通、会拆流程、会推进，还得有足够强的判断力，知道什么时候应该继续做，什么时候必须停下来问一句：这件事到底值不值得做？
会调用模型，只能证明你会用工具；能把模糊业务变成可验收结果，才是真正的部署能力。
但这里还得再往前推一步。一个人同时精通行业、产品、工程、数据、安全、评测和组织变革，这种人不是完全不存在，只是太少，也太贵。Palantir的典型项目本来就是部署战略人员和前线工程师共同工作，OpenAI的FDE也要持续调用产品、研究、安全和业务团队。
因此，真正成熟的FDE更像一支前线小队，或者一个能够迅速调动后方能力的负责人，而不是企业从市场上找来的万能超人。
企业真正需要的，不一定是一个什么都会的人，而是一套能让现场判断迅速变成产品和工程行动的机制。
图片加载中…
图片加载中…
国内企业真正缺的，是一段没人完整负责的结果
国内公开招聘对FDE的分类，老金看了之后，觉得它本身就很有意思。
腾讯的一些FDE职位被放在产品类别，字节的社招FDE被放在研发类别，而部分FDE实习岗位又更接近销售支持。同一个名字，同时横跨产品、研发和商业化，并不只是招聘体系没想清楚，它恰恰说明，这份工作正在撞破旧的岗位边界。
传统企业软件的分工通常很清楚，销售负责签单，售前负责写方案，产品负责通用能力，研发负责做系统，实施负责上线，客户成功负责催使用。
问题是，系统上线以后没有产生业务结果，到底算谁没完成？销售会说合同已经签了，产品会说需求已经做了，研发会说系统已经跑起来了，实施会说账号已经开通了，业务部门则会说，这东西跟真实工作根本接不上。
每个人都完成了自己的任务，整件事却没有完成。
FDE之所以出现，正是因为旧组织中间缺了一段责任：从模糊问题开始，一直负责到系统被采用、结果被证明。
FDE不是一个突然冒出来的新头衔，而是一段旧组织里没人完整承担的结果责任。
这也是它在国内最容易走偏的地方。企业很容易把所有说不清楚的事情都扔给FDE，需求不清楚，让他澄清；部门不配合，让他推进；数据拿不到，让他协调；一线员工不愿意用，让他培训；最终没结果，再问他为什么AI不行。
可与此同时，业务负责人不真正参与，流程不能改，权限不给，指标也没人认。FDE承担了结果，却没有改变结果所需要的权力，最后他只能不停开会、追数据、补材料、做演示、救现场，变成一位披着新头衔的超级乙方。
2026年8月，一档关于中国FDE真实工作的播客，直接把这种状态概括成“救火日常”。这个说法很扎心，却并不意外。
当一家企业把所有说不清楚的事都塞给FDE，FDE就不再是前线部署工程师，而是组织混乱的人工接口。
BCG在2026年的研究里提到，近三分之二的CEO表示公司在做AI试点，但只有26%把AI嵌入更广泛的业务转型。真正的高绩效企业，进行端到端流程重构的可能性大约是其他企业的七倍。BCG常用的10-20-70框架则认为，AI转型约10%的投入在技术，20%在算法和数据，剩下70%在人、流程与组织变革。
这组数字其实把问题说透了。AI项目最容易完成的是技术试点，最难的是让一家公司真的改变自己，而这部分工作，靠一个外来的FDE硬扛，肯定扛不住。
图片加载中…
很多公司需要FDE能力，却不一定需要招聘一个FDE
我以前在交流群里多次说过，FDE在国内，目前可能只有少数大厂，或者本身组织能力就很强的企业，才能真正成立。这个判断现在需要说得更准确一点：不是只有大公司才能使用FDE，而是只有少数企业，真正具备让一个专职FDE持续创造价值的条件。
麦肯锡2026年的调查也能看到明显差距，年收入10亿美元以上的组织中，54%已经在企业范围内规模化使用AI，小型组织只有约三分之一；在Agent规模化方面，大型组织的比例从27%升到40%，小型组织则基本停在22%。
但规模也不是万能答案。一家小公司，如果老板就是业务负责人，能当场决定流程怎么改，数据就在一个系统里，三个人坐在一张桌子旁边，很可能比一家拥有七层审批的大公司更适合AI落地。
真正决定FDE能不能成立的，是企业有没有一项足够高价值的核心场景，有没有一个愿意共同承担结果的内部负责人，能不能接触真实用户和真实数据，有没有权力调整流程，以及能不能提前约定一套大家都认的验收标准。缺少其中任何一项，FDE都可能越做越深，却始终碰不到结果。
所以很多企业真正需要的，是FDE能力，不一定是FDE编制。
大型企业和强监管行业，可能确实需要一支长期存在的FDE小队，专门处理跨系统、跨部门和高风险场景。AI厂商也需要FDE，因为前线发现的问题必须不断回到产品和模型，让通用能力越来越能解决真实需求。
但对很多中小企业，更现实的方式可能是由业务负责人牵头，搭配产品、技术或外部交付伙伴，在一个高价值流程上暂时组成FDE能力，而不是先招一个新头衔，再让他到处寻找可以落地的场景。
把FDE招进来，不等于企业拥有了FDE能力，就像招了项目经理，不等于公司突然会做项目。
图片加载中…
AI不会自动消灭烂流程，它只会让烂流程跑得更快
很多企业想做AI，第一反应是：“我们现在哪个流程可以接AI？”
但老金反而觉得，第一步应该先问一句：我们现在这套流程，本身合理吗？
本来一件事就要填三张表、过五个人、开两个会，你把AI接进去，如果规则、权限、责任和流程一个都没动，最后很可能只是AI帮你填表，AI帮你准备审批材料，AI帮你写会议纪要，再由AI提醒下一个人继续审批。
以前大家一起绕弯，现在带着AI一起绕弯。表面上看，每个动作都快了，生成的材料也更多了，但真正决定结果的等待、判断和权力结构，一点没变。
AI不会自动消灭烂流程，它只会先学会你的烂流程。
所以一个真正有价值的FDE，不能只问“这件事怎样自动化”，还必须有资格继续追问：这件事有价值吗，它必须存在吗，规则清楚吗，风险能控制吗，最终结果能验收吗？
如果一件事本来就没有价值，最好的AI方案就是不做；如果流程本身不合理，先重构流程，比接任何模型都重要；如果规则说不清，FDE要做的是补规则，而不是让模型猜；如果风险无法承担，AI就必须停在人类确认之前；如果结果无法验收，那就不要假装它已经进入生产。
AI最可怕的浪费，不是把事情做错，而是用十倍的效率，把一件不该做的事情做对。
这也是我为什么不太相信“一句话生成企业全链路AI工作流”这种故事。一句话做个Demo当然可以，但真正把AI塞进一家正在运转的企业，你一定会碰数据、碰权限、碰流程、碰责任，最后也一定会碰到人。
甚至很多时候，FDE进去以后最有价值的第一个结论，就是这里压根不应该上AI。敢得出这个结论的人，才是真的在为结果负责。
图片加载中…
图片加载中…
第一次做成是项目，第二次更快才叫能力
FDE还有一个更隐蔽的矛盾。进入客户越深，越容易发现真实问题，也越可能创造价值；可进入得越深，吸收的个性化需求就越多，经验也越容易留在某几个厉害的人脑子里。下一家客户来了，又从头问一遍、画一遍、做一遍。
这样下去，FDE越成功，公司越像一家按人头增长的定制开发公司。
这也是为什么Palantir的FDE并不是空手进入客户现场，它背后有一整套产品平台；OpenAI和Anthropic现在也都明确要求FDE把成功经验沉淀成工具、手册、架构、评测方法和可复用组件，再反过来影响产品。
国内一项针对19位实践者的访谈也提出了同样的矛盾：没有深度，就没有价值；只有深度，又很难形成规模。
所以判断一套FDE机制是不是真的成立，可以问一个很简单的问题：同一类项目第二次再做，为什么会更快？如果只是因为又派了一个更厉害的人，那还是人力；如果业务地图、评测集、行业模板、权限方案、组件和验收方法都被留下来了，下一次才能从更高的起点开始。
第一次做成，只能证明这个人厉害；第二次更快，才证明组织学会了。
这也和我做AI复杂任务治理时的思路一样。真正可复用的东西，从来不只是最后生成的内容，而是目标怎么定义，任务怎么拆，角色怎么分，谁依赖谁，怎样检查，失败以后退回哪里，以及什么证据能够证明它真的完成了。
所以一个优秀FDE最后应该留下的，也不只是一个Agent，还要留下真实流程、责任边界、验收标准、评测数据、异常处理、可复用组件和一套企业自己能继续运行的方法。
真正优秀的FDE，不会把自己变成企业永远离不开的那个人，而会把现场经验变成下一次不必重新问的问题。
FDE会很贵，但这个岗位也可能慢慢消失
所以我并不觉得FDE没有前途，恰恰相反，真正优秀的FDE以后一定会很贵。模型会越来越便宜，代码会越来越便宜，Agent也会越来越强，那些只靠记住某个模型、会搭某种工作流形成的优势，很快就会被新的工具抹平。
真正越来越值钱的，是上下文、判断、信任、推进和结果责任。
有人能走进一家企业，看懂它实际上怎样运转；能把业务拆开，把流程理顺，知道哪里应该交给人，哪里可以交给AI；能把系统做出来，也能让一线员工愿意使用；出了问题，知道该停在哪里、找谁负责；做完一次，还能让下一次更快。
这样的人当然不会便宜。
但我也不认为，未来每家公司都会拥有一个名字固定、边界固定的FDE岗位。它可能继续分化成行业专家、部署负责人、AI工程师、评测与治理人员、变革负责人；一部分能力会被产品吸收，一部分会被企业内部团队掌握，还有一部分可能直接由Agent承担。
岗位名称可能变化，甚至慢慢消失，但那段从模型能力走向业务结果的责任，不会凭空消失。
图片加载中…
AI最后逼企业回答的，是“什么工作值得继续存在”
很多人现在担心，AI会不会替代某个岗位。可把AI真正往企业里做深以后，我反而觉得，它最先冲击的可能不是某一个人，而是那些长期依赖模糊、口头、经验和推诿，才能勉强运转的工作方式。
因为人可以接受一句“以前都是这么干的”，AI不行。它会继续追问：为什么做，谁负责，做到哪一步，怎样算完成，出了问题找谁？这些问题看起来是在配置一套系统，实际上是在逼一家企业重新理解自己。
FDE可以帮助企业照见真实流程，可以把模糊问题变成系统，也可以把AI推进生产环境。但任何FDE都无法替企业决定，什么事情真正重要，哪些规则应该改变，谁愿意承担责任，以及一家公司到底想成为怎样的组织。
AI不会替一家企业完成自我理解。
它只会把企业不愿意理解自己的代价，越来越清楚地摆到所有人面前。
所以FDE表面上是在帮企业接入AI，真正做到最后，它一定会动到流程、权力、责任和人。AI进入企业，最后逼着企业重新回答的，也不只是“我们为什么一直要这么干活”，而是一个更难的问题：
这些每天占满所有人时间的工作，到底有多少，是因为真正创造价值才存在，又有多少，只是因为从来没有人认真问过，它还应不应该继续存在？
也许真正的AI转型，不是让机器学会我们怎样工作。
而是逼我们第一次认真回答：什么工作，值得继续存在。