ARTICLE · 1041761
【FDE认知篇】:AI最缺的不是模型,是能把模型跑进业务的人
【FDE认知篇】:AI最缺的不是模型,是能把模型跑进业务的人我们见过太多这样的场景。一家制造企业，花大价钱采购了最前沿的大模型，在供应商的演示环境里，模型对答如流，写报告、查数据、做分析，样样都行。老板很满意，预算批了，全员大会也开了，所有人都相信，这一轮 AI 转型真的成了。 半年后我们再去看看，这个模型还停留在 IT 部门的一台测试服务器上。业务部门的人，该用 Excel 还是用 Excel，该打电话还是打电话。偶尔有人想试试，发现它读不了公司自己的数据库，连不上内部的审批流，更别说符合那套谁也说不清的安全合规要求。 这不是一家公司的故事，这是过去两年绝大多数企业 AI 项目的缩影。 麻省理工学院的相关研究有一个刺眼的数字：企业投入的生成式 AI 试点中，高达 95% 没有产生任何可衡量的利润表影响。注意，是 95%。也就是说，企业不是没买 AI，不是没试 AI，而是买回来、试过之后，发现它"用不上"。 问题出在哪？我们发现，绝大多数人把锅甩给了模型。模型不够聪明、幻觉太多、中文不行。但真相可能恰恰相反。模型早就够用了，真正不够用的，是能把模型"跑进"真实业务里的人。 
这个角色，在硅谷叫 Forward Deployed Engineer，中文译作"前沿部署工程师"，缩写 FDE。 用一句话说清楚：FDE 是一个会写生产级代码的工程师，被"派驻"到客户现场，在客户自己的系统、数据、流程里，把通用的 AI 或数据产品真正跑起来、用起来。 请注意这里的两个关键词。第一，他写的是生产级代码，不是做个 demo 交差。第二，他在客户的真实环境里工作，而不是在自己公司的实验室里。 这正是 FDE 和普通售前工程师、解决方案架构师最根本的区别。后面我们会专门用一篇来讲这个区别。这里先记住一句话：模型在沙箱里有多强，和它在一家公司的乱七八糟的系统里能不能跑起来，是两回事。而 FDE，就是专门解决这"两回事"之间那道鸿沟的人。 你可能会问，这种角色以前没有吗？有，但从来没有像今天这样被抢夺。 
数据很说明问题。据求职平台 Indeed 的数据，经《金融时报》报道，2025 年 1 月到 9 月，FDE 的月度招聘发布量同比增长了 800% 以上。另一组口径更夸张：到 2026 年 4 月，FDE 岗位发布量较 2025 年 1 月增长了约 52 倍（Uplers 引 Business Insider，从 643 条增至 5330 条）。 抢人的不光是创业公司。OpenAI 在 2025 年初组建了 FDE 团队，计划当年扩张到约 50 人；Anthropic 则计划把包含 FDE 的应用 AI 团队规模扩大五倍；Cohere、Google Cloud 也都加入了这场争夺。2026 年 5 月，OpenAI 更是成立了一家独立的服务公司 OpenAI Deployment Co.，专门向企业客户派驻 FDE，由 TPG 领投了 40 亿美元。 一家做基础模型的公司，为什么要养一支"驻扎在客户现场"的工程师队伍？答案藏在那 95% 的数字里。 我们一直有一个判断：AI 的价值，不在模型本身，而在模型与业务之间的"最后一公里"。过去这一年，我们把这最后一公里叫做"集成墙"——安全审查、遗留系统、碎片化数据、合规要求、内部流程，这些现实障碍，往往比模型本身更难对付。 这堵墙为什么这么难翻？因为企业的真实系统，从来不是为 AI 设计的。它有二三十年前留下的数据库，有谁也不敢动的 legacy API，有分散在十几个部门、口径各不相同的报表，还有一套只有老员工才说得清的审批流。模型要接进去，不是调一个接口那么简单，而是要在这片混乱里，一点点把路修通。这件事，没有一个人能坐在远程办公室里靠文档完成。 
FDE 就是翻过这堵墙的人。他不是来给客户讲模型的，他是来在客户的系统里，把模型一行一行接进去、跑起来、并负责到底的。 把镜头拉回我们身边。过去一年，中国的财税、制造、政务领域都在喊"数智化转型"，但真正跑通的寥寥无几。根子往往不在模型不够强，而在没有人愿意蹲到业务现场去"打通数据、立起系统"。这恰恰是我们一直坚持的判断：数据先打通、系统先立，然后才有技术的成效。FDE，就是把这句话从口号变成动作的人。当模型越来越廉价、越来越通用，真正稀缺的，反而是这种能把通用能力钉进一家企业肌理里的"现场力"。 未来十年，决定一家企业 AI 成败的，大概率不是它买了哪个模型，而是它有没有这样一支愿意下现场、懂业务、也能写代码的队伍。 模型决定你能飞多高，FDE 决定你能不能落地。 
FDE为什么年薪能在50-100w+？ 他和普通售前工程师、解决方案架构师最根本的区别？我们后面会专门用一篇来讲这个区别。