AI岗位两年涨了42倍,工地出来的人反而有��

先说两个数字。

第一个：42 倍。

据 LinkedIn 2026 年劳动力报告，2023 到 2025 年，全球“前置部署工程师”（Forward Deployed Engineer，简称 FDE）的招聘量涨了 42 倍。同一时期，普通 AI 工程师岗位涨了约 13 倍。

第二个：95%。

MIT 的 NANDA 实验室在 2025 年 7 月发了一份报告，叫《The GenAI Divide: State of AI in Business 2025》。他们调研了 300 多个公开项目、深度访谈 52 家企业、回收 153 份问卷，结论是：

95% 的企业生成式 AI 投入，没有拿到可衡量的利润回报。

三年，300 到 400 亿美元，砸进去了。

一边是岗位暴涨，一边是投入打水漂。

这两件事放在一起，说明什么？

▲ 一边是招聘量涨 42 倍，一边是 95% 拿不到回报——同一个市场，两套真相

MIT 这份报告里，有个判断值得逐字读：

失败的根因不是模型质量，也不是监管，而是“学习鸿沟”——工具不会学习，也接不进工作流。

翻译成人话：

不是 AI 不行，是没人把它塞进真实的工作流里。

报告里还写了一个现象，叫 Shadow AI：企业里 90% 的员工自己在用大模型，但公司层面只有 40% 买了正式的 LLM 订阅。

意思是——员工偷偷用，因为公司的系统不好用。

这就是那 95% 的真相：不缺工具，缺把工具接到业务上、并且对结果负责的人。

而这个岗位，有名字。

FDE 最早是 Palantir 做出来的。

去他们官网看，会发现他们把现场的角色分成三类，原文定义是这样的：

Echos（赢）——找到真正卡住客户的问题，把它拆成工作流，对齐从 CIO 到一线操作者的所有人，从用户的真实动线倒推解法。

Deltas（建）——保证方案真的能跑。在一个“演示满天飞、落地没几个”的世界里，交付能摸到的东西。

Devs（创）——把现场长出来的解法，做成真正可复用的产品。

官网还有一句话，我觉得是 FDE 的分界线：

换成一句话：

FDE 就是对“AI 在真实业务里跑通、并且产生可衡量结果”负责的人。

不是写方案的，不是做演示的，是不出结果不罢休的那个。

▲ Palantir 官网原文的三类角色：一个负责赢，一个负责建，一个负责创

现在说重点。

FDE 有两半能力：一半是读懂现场，一半是把它做出来。

第二半能学——写代码、调接口、搭工作流，六个月能上手。

第一半学不了。

你得知道：这个环节到底卡在哪、数字从哪来、谁会阻挠、出了事谁担责。这些东西，书上没有，PPT 里没有，只能在现场泡出来。

举个我们自己的例子（已脱敏）。

一个绿化项目的结算资料，过去是资料员翻台账、找照片、补签字，一份完整证据链要来回找三四轮。后来我们把它拆成三步：先建索引 → 给每份资料标状态（已读 / 未读 / 缺失）→ 缺什么先暴露。

结果：返工工时降了三成以上，缺件在报审前就露头了。

这件事里，AI 干的是“读和比对”，人干的是“判断哪份资料算数”。

判断那一步，就是现场力。

再看一个行情：国内大厂在招 FDE。据公开 JD，字节的豆包 FDE 岗开到月薪 3.5 万到 7 万，15 薪。

他们买的不是写代码的手，是能把 AI 装进业务里的脑子。

不用急着投简历，先看自己够不够格。

① 说得出一个具体的卡点——哪个人、哪个动作、因为什么、慢了多少。说不出数字，说明还没看见问题。

② 用 Excel 处理过真数据——透视表、函数、批量处理。这是结构化思维的底线。

③ 自己动手解决过一件麻烦事——哪怕只写过一个 Excel 宏。重点是“动手过”，不是“想学”。

④ 接受按结果考核——不是按出勤、不是按工时。

四条都过，再往下走。

第 1–2 周 · 打地基

·  装好 Python，跑通一次大模型 API 调用

·  交付物：把一份真实台账，变成一个结构化表格

第 3–6 周 · 让 AI 会查自己的资料

·  搭一个能查公司文档的小问答，答案必须带出处

·  验收：10 个测试问题，条条能溯源

第 7–12 周 · 做一个真任务

·  挑你岗位上最烦的一件事，用 AI 做掉它

·  验收：省下的时间，能拿数字说清楚

贯穿始终的三条规矩

·  数据必须是真的，来源必须能查

·  AI 出的东西人工必须复核，关键处留证据

·  每做完一件事写成文档，下一个人照着能跑

95% 的企业栽在“没人管最后一公里”。

而最后一公里，恰恰是天天在现场的人最熟的那段路。

差的不是聪明，是把现场经验翻译成能跑的系统。

这个翻译工作，现在有名字了。

我们定位为工程行业 AI 工具 / 软件服务商，提供围绕工程业务场景的技术产品与服务（软件开发、技术服务、人工智能应用），不代替用户出具审核报告、盖章签字文件，不作项目最终决策；对外合同与发票统一为「技术服务费 / 软件使用费 / SaaS 订阅费」。

本文为工程行业知识分享，内容基于公开规范与通用经验整理，不构成任何专业咨询意见，不替代正式图纸会审、合同评审、造价审核及现场专业人员判断。具体项目请以正式文件和专业人员意见为准。文中涉及标准、数据、薪资等以撰写时点为准，引用前请核对。

本文部分内容由 AI 辅助生成。

数据出处

数据 ｜ 数值 ｜ 来源

FDE 招聘涨幅 ｜ 42 倍（2023→2025） ｜ LinkedIn 2026 劳动力报告（转引自公开报道，非一手统计）

AI 工程师招聘涨幅 ｜ 约 13 倍 ｜ 同上

未获可衡量回报的企业占比 ｜ 95% ｜ MIT NANDA《The GenAI Divide: State of AI in Business 2025》，2025.07

调研样本 ｜ 300+ 项目 / 52 家访谈 / 153 份问卷 ｜ 同上

企业级投入规模 ｜ 300–400 亿美元 ｜ 同上

员工自用大模型占比 ｜ 90%（Shadow AI） ｜ 同上

公司采购 LLM 订阅占比 ｜ 40% ｜ 同上

三类角色定义 ｜ Echos / Deltas / Devs ｜ palantir.com/careers 官方原文

国内 FDE 薪资 ｜ 3.5 万–7 万 ×15 薪 ｜ 公开 JD（字节豆包 FDE）

本文为二次创作：外部数据仅作论据引用，来源均已标注；观点与案例为四川翰海数字化实践，已脱敏。

「Ai小木匠」—— AI 场景落地 · 系统技能搭建 · 工程实战

写能用的方法，和踩过的坑。