AI时代的下一个刚需:FDE?

一、起源

时下很火的FDE并不是一个新鲜词汇，早在20年前，Palantir 这家公司就已提出FDE（Forward Deployed Engineer，前线部署工程师）的称谓 。

2003年Palantir初创时的业务，是将PayPal形成的“机器筛选海量可疑交易，再由人类分析师介入判断”的模式，迁移到更复杂的反恐与情报分析场景中。

2001年“9·11”事件后，美国情报体系面临的最大批评之一，是各机构之间数据割裂、无法有效关联分析。CIA 和 NSA 各自握有海量数据，但很难在信息之间建立关联、找到有价值线索（是不是很像我们常说的数据孤岛？）。

Palantir “人机协同”的思路，可以帮助客户在海量数据中发现关键联系。但对于CIA，NSA这样的客户而言，由销售人员收集需求、由工程师开发解决方案的传统模式显然跑不通。只能是派人到客户现场，和客户一起摸索，一起解决问题。

“9·11”事件后，CIA和NSA直接参与到阿富汗和伊拉克的军事行动中，Palantir的软件（如Palantir Gotham）被美军在伊拉克和阿富汗战场用于分析情报、识别路边炸弹网络和追踪叛乱分子。与士兵混在一起的 Palantir 工程师发现，士兵不需要花哨的情报图表，他们想要的是能在地图上标注“这条路可疑”的简易工具。于是工程师快速开发了一个简易地图，士兵点一下就能标出风险路段，其他人会立刻看到更新信息并绕开危险区域。这个工具有效降低了士兵的伤亡。

这套做法后来被沉淀为 Palantir 平台的标准做法，并被复用到走私追踪、资金流向分析等其他场景中。Palantir现任总裁兼 CTO Shyam Sankar 将这套做法系统化，并于 2007 年正式将他们的驻场工程师命名为 Forward Deployed Engineers，“前线部署”一词借鉴了军事术语。

Sankar 在此基础上设计了 FDE 与总部产品团队之间的反馈机制：FDE 在现场先快速搭建原型解决客户问题，总部产品团队再把最有价值的部分抽象出来泛化为平台功能，服务后续客户。

Palantir的做法可以为客户提供高度灵活的定制化服务，但需要的人力多，服务的项目短期利润率不高，远不如SaaS模式在硅谷的接受度高。自2007年FDE诞生以来，这个岗位在Palantir之外的企业并不多见。

二、触发

• 2025年7月，MIT Project NANDA发布的研究报告《The GenAI Divide: State of AI in Business 2025》指出，在调查了超过500家企业后发现，尽管企业在生成式 AI 上投入了 300-400 亿美元，约95%的企业生成式AI项目未能产生可衡量的财务回报，仅有 5% 的定制化试点成功进入生产阶段并产生价值 。报告指出 AI 落地失败的主因并非模型能力不足，而是企业组织、流程和文化未能随技术升级。

• 2026年4月，Gartner发布了针对782名基础设施与运营（I&O）负责人的调查，结果显示仅有28%的AI应用场景能够完全成功并达到预期ROI，20%的项目以彻底失败告终，失败的核心原因是AI计划过于雄心勃勃或范围界定不当，无法融入组织运营的AI根本无法交付ROI。该调查进一步揭示，38%的失败案例源于技能缺口，38%源于数据质量差或可用性不足。Gartner同时预测，超过40%的Agentic AI项目将在2027年底前被取消，原因是成本上升、业务价值不明确或风险控制不足。

• 2026年6月，毕马威发布《毕马威2026全球技术报告》。报告显示，88%的受访企业已开始将Agentic AI融入系统，但仅有24%的企业能在多个AI用例中实现投资回报。目前大多数企业面临的挑战已经不是试点，而是规模化应用和价值兑现。主要存在四方面原因：第一，很多企业仍然以技术项目的方式推进智能体建设，而不是围绕经营目标开展业务重构，导致应用停留在局部效率优化。第二，智能体之间缺少统一编排，尚未形成跨部门、跨系统的业务协同能力。第三，企业的数据治理、系统架构和流程成熟度存在差异，限制了智能体在核心业务中的稳定运行。第四，不少企业尚未建立统一的价值评估体系，对效率、成本、收入、风险等经营指标缺乏持续跟踪。

• 2026年7月，埃森哲发布《2026中国企业数字化转型指数》，调查显示，2026年88%的中国企业已经跨过AI应用试点阶段，较上年提升42个百分点；但另一方面，与部署程度和热度相比，企业的AI规模化应用还没有创造出预期的价值，实现生产效率、收入和利润提升等显著成果的企业仅从去年的9%升至14%。企业应通过系统性重构技术底座、业务流程、组织机制和治理体系，将AI真正融入企业经营全链路，在提升效率的同时开辟增长空间，在增强运营韧性的同时提升跨市场竞争力，真正实现从“产生影响”到“价值创造”的跨越。

• 2026年8月，麦肯锡发布《The State of AI in 2026: On the Road to ROI》，调查覆盖全球97个国家1719位受访者。报告显示，80%的受访者表示AI提升了个人生产力，但仅有37%的企业报告AI为其息税前利润（EBIT）带来了正面贡献，与2025年几乎持平。AI高绩效企业（将至少5%的EBIT归因于AI）仅占6%。与此同时，44%的企业已实现AI的跨企业规模化应用，大企业中规模化部署AI Agent的比例从27%跃升至40%。麦肯锡指出，缩小“个人效率提升”与“企业财务回报”之间差距的关键，在于建立运营模式、端到端重构工作流程。

综合上述报告可以看出，企业推进Agent AI的困难可以归结为：

• AI提升了个人生产力，但企业基于 经营目标 + AI 的业务重构还未启动，企业的组织、流程和文化未随技术升级。

• 企业的数据治理水平参差不齐，AI在使用数据与调用已有系统上遇到障碍。

• 已有智能体之间缺少统一编排，尚未形成跨部门、跨系统的业务协同能力。

• 对于AI Agent的业务价值、ROI和风控等价值评估体系尚未完全建立。

对于上述困难，FDE能起到什么作用？

• 问题1：AI提升了个人生产力，但企业基于“经营目标+AI”的业务重构还未启动

    业务重构的决策权在企业管理层，FDE无法替代企业管理人员做出组织变革的决策。

    FDE可以承担的责任是：将模糊的经营目标拆解为可落地的AI应用场景，在客户现场把重构后的流程实现为可运行的系统。

• 问题2：企业的数据治理水平参差不齐，AI在使用数据与调用已有系统上遇到障碍

    这是FDE不可替代的领域，必须有人进入客户的真实数据环境，在客户的权限模型和既有系统中完成所需的数据治理工作，支持AI Agent对数据的调用。

• 问题3：已有智能体之间缺少统一编排，尚未形成跨部门、跨系统的业务协同能力

    FDE的核心工程能力之一。多Agent编排是纯粹的工程问题，需要有人理解每个Agent的能力边界，设计并实现Agent之间的通信协议，定义任务交接规则和异常恢复策略，实现多Agent跨部门、跨系统的协作能力。

• 问题4：AI Agent的业务价值、ROI和风控等价值评估体系尚未完全建立

    价值评估体系的设计由企业的财务和业务部门主导，FDE无法替代企业管理人员做ROI核算。

    FDE可以承担的职责是：用交付结果让企业看到AI Agent真实的业务价值，并建立可量化的评判标准，基于数据判断“AI好不好用”。

对于问题2和3，FDE是不可替代的；对于问题1和4，FDE是关键的配合者和工程执行者。

对于客户而言，要推进Agent AI有效嵌入真实业务流程，产生实际收益，在自身能力不足的情况下，需要借助外部力量--FDE，来完成真实AI场景的设计和构建、数据治理、Agent开发、系统集成、多Agent编排、构建数据驱动的评价体系等一系列工作，进一步说，FDE帮助客户把真实经验沉淀为可复用资产。

因此，当下企业对于FDE的需求是真实存在的。

三、模型

在一次高规格的FDE活动上，我见到了如下模型：

FDE能力 = 业务理解 * AI认知 * 数据治理，一项能力为零，整体能力归零。

• 业务理解不止是懂行业知识，更是“识别高价值业务问题”，并设法用AI实现。

• 数据治理是在客户现场的真实数据环境中，将分散在多个系统、格式不一、质量参差不齐的数据整合起来，完成集成和治理，让AI Agent系统在客户的真实数据环境中正常运行。

• AI认知是明确AI的能力边界，知道哪些场景用AI替换、哪些场景保留人工方式。

• FDE要把模糊现场转化成可验证系统，再把系统运行结果转化成可复用产品。

FDE的稀缺性
 FDE和售前、实施和顾问的职责都不同，FDE需要在现场挖掘场景，自己定义问题，具备业务 * AI * 数据的能力，定义、实现解决问题的产品并主动反哺产品的进化，实现可量化的客户价值。FDE需要同时具备业务理解力、技术深度、沟通能力和服务心态，这种复合型人才极其稀缺。
 而且，FDE自诞生之日起，就是为客户提供专属定制服务的，本质上属于KPO（Knowledge Process Outsourcing）业务范畴。客户数量增加时，合格的FDE数量未必能随之增加。而同一客户内部，AI部署的复杂度会随着业务的深入非线性增长，对FDE数量的需求也会增加。两个因素叠加（相乘关系），会进一步造成FDE的稀缺。

FDE的稀缺性给供给FDE的企业带来至少三个影响：

• 雇佣FDE的成本高：合格FDE的稀缺性决定了这个岗位卖方市场的特性，企业要雇佣合格的FDE，需要支付高额的薪资。
• 业务实现盈利周期长：Palantir的实践数据显示，为新客户提供FDE，初始阶段可能亏损，随着产品适配度提升，交付成本才会逐渐下降，利润率需要约一年时间才能从负转正。FDE的高人力成本，叠加客户看到真实效果才愿意付费的特性，决定了提供FDE的企业需要较长的周期才能实现盈利。
• FDE的退化：对于客户而言，如果FDE驻场人员越来越多，合作期限越来越长，客户离开这些FDE业务就会受影响，那么FDE只是给传统驻场外包换了一个更昂贵的名字。如果一个FDE完全服从客户意志，无法提供建设性意见，不能从客户的业务现状和数据中洞察出真正的价值点，不能将Demo转化为有价值的产品并持续反哺产品的完善，FDE也会退化为一个高级实施人员。

综上所述，在接下来相当长的一段时间里，市场上真正的FDE注定是少数。

四、模式

企业是应该雇佣FDE，还是外包FDE？基于FDE的核心能力，我们从企业核心场景的成熟度维度展开讨论。

• 企业尚未找到值得长期投入的核心场景时，优先借助外部FDE，外包模式能以较低成本帮助企业完成对场景识别、技术路径、产品验证和组织调整方面的认知。

• 企业识别出核心场景但没有成熟AI产品时，可以采取混合模式： 在识别出高价值场景后，企业可以雇佣少量FDE作为种子，同时借助外部FDE团队补充工程执行力量。这一阶段的关键是针对部分高价值场景形成成熟的Agent AI产品，并将外部FDE在现场积累的经验系统性地沉淀为企业的内部知识。

• 企业具备部分成熟Agent AI产品且需要复制经验时，以自有FDE为主导： 针对部分高价值场景已经形成成熟Agent AI产品后，企业可以逐步建立自己的FDE团队，将成功经验复制到其他场景上。当然，交付压力大时，外部FDE仍然是重要的弹性资源。

企业推进Agent AI的最大困难不在技术层，而在组织、流程和工程化的“最后一公里”。FDE的核心价值是用自己的综合能力弥合这段距离，把现场经验沉淀为可复用的产品和组织能力。雇佣还是外包，本质上是在“买认知”和“买执行”之间做选择——探索期买认知，规模化期建能力。无论采用哪种模式，都必须建立从现场到产品的反馈闭环，否则FDE只是外包实施的另一个名字。

五、未来

FDE是一个人还是一个团队

同时具备业务理解、AI认知和数据治理能力的人才极其稀缺，依靠个人英雄主义的单兵FDE对于组织而言本身就是风险--一旦FDE离职或休假，对业务的影响是破坏性的。因此行业实践正在形成新的观点：FDE不是一个人的岗位，而是一种团队作战方式。

Palantir的实践给出了真实的参考意见。Palantir的FDE团队由两类（或三类）核心角色组成：

Echo（部署策略师）：负责“找准问题” 他们通常是退役军官、临床医生、法务会计等行业专家，其核心价值在于：判断真实存在且具有价值的业务问题。这类问题需要满足几个条件：真实、高频且消耗人力，使用Agent AI后能明显改善结果，结果能客观度量，Agent AI出现问题后能快速通过人工方式兜底。

Delta（前沿部署工程师/FDE）：负责“构建解决方案” 他们是具备强“T型”能力的全栈工程师，不仅要把Agent AI功能写出来，还要考虑系统集成、测试、灰度发布、异常处理等一系列工作，直至将Demo转化为真实可复用的产品。

FDPM（前线部署项目经理）：负责“推进项目” 负责项目推进、协调和进展管理，需要主动与企业方做协同和汇报。Delta和FDPM可以兼任，处理不过来时再把这部分工作分出来。

Palantir内部将Echo、Delta、FDPM理解为三类能力而非固定岗位，一个人能不能兼任，取决于他是否同时具备这些能力，以及项目和行业的复杂度。一个典型的FDE团队不追求一个人什么都会，而是几个人合作可以拿到业务问题的结果。

FDE岗位的生命周期

和其他岗位一样，FDE岗位也有其生命周期。

FDE的核心职能是弥合从实际业务场景到形成可复用Agent AI产品的最后一公里距离。基于这个职能，可以预测FDE岗位的演进过程：

短期 ：FDE的核心职责是“场景确认 + 驻场交付 + 产品反哺”，随着产品和工具链的成熟，Agent会承担更多执行层面的工作，FDE的价值重心加速向“问题定义”和“业务价值验证”迁移。

中期 ：部分标准化场景的FDE工作可能被AI Agent大幅替代，FDE的价值向高度非标场景集中。

长期 ：FDE岗位消失，FDE所代表的能力被内化到更高阶的AI产品中。