FDE:软件企业 VS AI发展

▍ 从一份工信部文件说起

2026 年 8 月，工信部办公厅印发了一份编号为"工信厅科函〔2026〕414 号"的通知，《关于开展人工智能应用服务商培育专项行动的通知》。这份文件最耐人寻味的地方，是提到了一种岗位：

"鼓励服务商搭建前线部署工程师（FDE）团队，扎根用户现场，保障场景落地。"

直到 2024 年，这个岗位对绝大多数人还完全陌生。紧接着，工信部教育与考试中心又发布了《FDE 制造业前线部署工程师培训课程大纲》，分初级、中级、高级三级。一个岗位从政策命名到培训标准，不到一年里完成了合法化。

这份产业政策像是一次价值坐标的确认。它告诉市场，钱和注意力该往哪里流。政策把目光投向"扎根用户现场""保障场景落地"时，也点明了一个被技术圈的热闹长期遮住的事实：

大模型的能力已经足够强，但把它接入一家真实企业的真实流程、让它真正产生业务结果，靠买一个现成产品还解决不了。这正是 FDE（Forward Deployed Engineer，前线部署工程师）这个角色的全部由来。

顺着这份文件往下想，会碰到一个比岗位本身更大的问题。

• 当 AI 把造工具的能力压到了近乎免费，企业的价值到底往哪里生长？

• 软件行业会怎样演化？

• 所有行业，不只是软件业，又该如何在这场变化里活得好、长得大？

三条交织的线索

展开之前，先交代一下全文的框架，下面会沿着三条线推进：

技术范式线。软件时代和智能时代到底是不是一回事？这是理解为什么 AI 落地这么难的底框架。

组织行为线。同样一拨人、同样的技术，为什么有的公司把 FDE 用成了飞轮，有的停留在项目交付？背后是账本和激励的设计问题。

资本周期线。资本怎么看待这一轮 AI，哪里是真实的机会，哪里需要多一分清醒？这一条把企业该不该现在下场，从热情拉回理性。

以下所有判断都带着局限，它们不是结论，而是邀请，邀请你一起把这个问题想得更清楚。

一、FDE 不是被发明出来的，是被需要出来的

要理解 FDE，先理解它诞生前的世界。

过去四十年，企业软件的基本范式是标品。你需要财务系统，买金蝶；需要数据分析，买 SAS、SPSS；需要 CRM，买 Salesforce。软件公司把一套通用能力打包卖给你，你拿回去自己适配。

这套逻辑成立的前提只有一个：大多数企业的同类需求相似，且可以被预先抽象出来。

但有一类客户从一开始就在这种逻辑之外。

Palantir 是 FDE 这个角色的源头。它 2003 年成立，最早的投资方里包括中情局旗下的风险投资机构 In-Q-Tel，早期客户是 CIA、FBI、军方这类情报与国防机构。

这些客户有三个特征，决定了通用软件很难在他们身上直接发挥作用。

数据不能出门。涉密是物理级的约束，不是商业偏好，你不可能把反恐情报上传到一个通用云服务去跑分析。

问题没有标准流程。每一次任务的数据源、组织结构、目标都不同，没有标准情报分析这回事。

单笔价值极高。政府一单几千万上亿美元，足以支撑一支精英团队长期驻场。

于是 Palantir 摸索出了后来被命名为 FDSE（Forward Deployed Software Engineer）的工作方式：一个人同时承接从需求判断、到开发、到推动上线的整条链路，而且必须驻扎在客户现场。

这不是 Palantir 的情怀

是它的生存所需

这个起源里藏着 FDE 的第一条规律：凡是标品难以覆盖的地方，就会长出驻场服务。涉密、非标、高价值，三者居其一，驻场就难以避免；三者俱全，驻场就是最自然的解法。

到了 AI 时代，这个难以覆盖的地方被放大了。企业里真正卡住 AI 落地的，不是模型不够聪明，而是三个不一样。

数据接口不一样，每家企业的 ERP、CRM、生产系统都是它独有的方言。应用场景不一样，每一次业务动作都有它独有的目的。权限系统不一样，谁能看、谁不能看，每家公司的规矩都不同。

这正是私有知识库做了十年仍然没有标品的原因。知识库看起来是个通用需求，但落到具体企业，底层文档不同、响应场景不同、面向的用户和权限不同，两套知识库连合并都做不到。

所以 FDE 在 2024 年之后突然成为一个热词，根本不是有人发明了一个新职业，而是因为 AI 把开发这件事的门槛压到了地板上。

瓶颈从能不能做出来，转移到了做出来到底有没有用、谁对它负责。开发变便宜之后，判断力成了新的稀缺资源。

二、Palantir 的护城河：不是模式，是一套账本设计

Palantir 被关注，很大程度上因为毛利率持续攀升，常被当作 FDE 模式跑通的证据。要理解它的成功，单说模式好还不够，它的毛利建立在三个很难复制的条件上。

人最强。它招的是创始人级别、几百万元年薪量级的复合人才，既懂售前、又懂业务、还懂开发、能推动组织。

客户最强。它的客户是国防部这类价格稳定、收入高、问题极复杂的超级机构，这种客户不可能给中型企业。

它是上一代公司被 AI 升级。Palantir 本来就是一家传统企业信息化服务公司，它的毛利增长建立在老底子转型的前提之上。

更值得留意的是它背后的组织设计。Palantir 把 FDE 归在工程序列，由 CTO 统一管辖平台与前线。这句话听起来是组织管理的小事，实则是整个模式的支点。

前线工程师踩过的每一个坑、收集的每一个真实需求，天生就是产品团队的输入。一次交付的投入，本身就是研发积累的一部分。

前线在喂后台，后台在长能力

转起来就是飞轮

业界常引用一个比喻。FDE 带着现有产品进场，去填补产品能力与实际需求之间的空白，先铺一条碎石路；后台的产品和工程团队再把它推广到 5 到 10 个客户，变成铺好的超级高速公路。

这里也提醒一个容易被忽略的事实。Palantir 职位板上绝大多数岗位并不是 FDE。

在某一时点的 316 个岗位中，只有 57 个 FDSE 和 34 个部署策略师。它靠 FDE 赢得了特定市场，政府、国防、高复杂度场景，但主体仍是标准产品团队。FDE 是它的一把尖刀，不是它的全身。

很多团队在借鉴时遇到的真正挑战往往不在技术，而在账本。

企业财务通常有两本账，一本是项目交付成本，一本是产品研发投资。当 FDE 的人力被记在交付成本账上时，团队的重心自然会落在按时验收、尽快回款上。

在这种情况下，知识沉淀、组件抽象、把经验反哺给平台，都容易变成挤占工期的额外事项。把人记在交付账上，就难以期待他同时承担研发积累的活。

项目一结束，除了回款，往往没有留下可复用的东西，这也是为什么有些 FDE 实践会停留在项目交付而非能力沉淀。

一个更底层的观察可以解释这件事。组织行为研究里反复出现一个现象，叫中层利益错位。组织里很多中层的收益其实来自权力和地位，而不是组织效益本身。去看他的激励指向的是效益还是位置，往往能判断这个组织是否在健康运转。

把这一视角落到 FDE 上，问题就很清楚。当交付负责人而不是产品负责人掌握 FDE 的考核权，他的收益来自按时回款、项目结项，而沉淀能力这种对组织长期有益、对他当期无利的事，天然缺少动力。经济学里把这叫委托代理问题（Jensen & Meckling, 1976），代理人的目标和委托人的目标未必一致。

账本决定行为，不是一个感叹，它有清晰的结构性解释。FDE 能否成为飞轮，不取决于人好不好，而取决于用哪本账、考核权落在谁手里。

辨别一个 FDE 团队的方向，不需要看它的 JD 写得多漂亮，只要问三个问题：

• 汇报线在哪，向产品负责人汇报还是向交付负责人汇报？

• 考核里可复用资产占多少，沉淀组件、文档、工具是被纳入要求还是凭自觉？

• 前线需求进产品排期有没有机制，还是全靠工程师之间靠关系推动？

这三个问题想清楚了，方向自然就清楚。

三、FDE 与 Agent 开发：同一件事，两种定位

现在进入这场讨论里最值得澄清的一组关系。FDE 和 Agent（智能体）开发，到底是什么关系？

乐观视角给出的区分很清晰。FDE 的工作性质比传统的 Agent 开发多了一个维度，从交付功能走到了交付效果。它的论证是一个三层能力阶梯。

• 第一层，交付项目功能，这是 Agent 开发的起跑线。

• 第二层，交付完整项目产品，这是 Agent 开发的天花板。

• 第三层，在业务场景中创造并发挥价值，只有 FDE 走到这里。

一个 AI 客服系统，Agent 开发工程师做到功能跑通、部署、交付就算完；FDE 要做到响应效率从 4 小时压到 1 小时以内、一年省下 X 人时才算完。

Agent：交付的是一个东西

FDE：交付的是一个结果

这个区分在做什么的层面是成立的？只要是定制的活，它就把能力沉淀在人，而不是沉淀在企业；只要沉淀在人，这件事就很难规模化。

顺着这个逻辑再往前推一步：当 AI 编程已经把开发难度打下来，企业愿意为 FDE 付的那部分钱，对应的是对结果负责的担当、理解非标的能力、推动组织的手腕，而这三样恰恰都是规模不经济的。

罗纳德·科斯在《企业的性质》里回答了企业为什么存在。市场用价格协调有成本，企业用指挥协调也有成本，企业的边界画在两种成本相等的地方。

而所谓规模不经济，就是当组织变大时，管理损耗的增长速度超过了业务增长。中层和管理成本会慢慢吞噬利润，于是组织到一定规模就容易裂变回小团队。律师事务所、咨询公司、公关公司，几百年都是这个结构。

FDE 如果本质是精英人驻场加定制交付，它就带着这个结构的特征。

看干完之后，能力留在哪

留在客户身上是投资

留在驻场工程师身上是消费

但这一视角也承认一个事实，把 FDE 完全 Agent 化非常非常难。

难在链路极长。

人与人的信任、把问题转译成技术、构造数据、训模型、搭系统、训练智能体，是一整条极长和极复杂的链路。今天很多企业还停留在把 AI 当软件用的旧思路里。

把两种视角放在一起，判断是，在人的层面，FDE 和 Agent 开发是同一个人可以兼做的两种定位；在机制的层面，两种考核方式的差别是真实的。

• 一个被记在交付节点账上的 FDE，和被迫深入业务的驻场开发者，干的是类似的活

• 一个被记在业务指标账上的 Agent 工程师，其实已经在承担 FDE 的定位。叫法并不重要，账本才决定行为。

这条线上有一个值得关注的参考线，85 分能力线。

在企业 AI 应用领域，从 60 分做到 70 分难 10 倍，70 到 80 再难 10 倍，80 到 90 再难 10 倍。所以 60 分和 90 分差 1000 倍，而真正的分水岭画在 85 分。

很多刚起步的实践还停留在基础水平，他们靠模型给的一点便利，总共跟模型没说过五百字，就觉得生成了一个智能体能交付了。

门槛降低之后

基础能力的溢价也会快速消失

真正的价值：会集中在更高水平的能力上

有一句常被引用的话与此呼应。作为一个普通人，能做的，是在一个方向上超越同龄人、让自己成为不可替代的人。

放到这里就是，FDE 这个岗位终会被 AI 编程稀释，但对结果负责、定义问题、推动组织的那种 85 分以上的判断力，恰恰是很难被稀释的那部分。

岗位会变化，能力会留下来

四、范式转移：从信息时代到智能时代，软件与 AI 到底差在哪

把视角从岗位拉到技术范式，FDE 的爆发才显出它的真正位置。

要讲清软件与 AI 的关系，最好先借一个更大尺度的框架。有计算机科学家在《智能时代》一书中，把这一轮变革定义为继农业、工业、电气、信息之后的又一次范式转移，并点出了一个关键的方法论分野。

迄今为止，几乎所有的 AI 成就、全部大数据的成就，都来自经验主义这一派；而传统软件，本质上是理性主义的产物。

软件与 AI 关系

是理性主义和经验主义的碰撞

软件等于理性主义。它用明确的规则和逻辑去描述世界，如果 A 且 B，则执行 C。确定性、可复用、一旦写好就稳定、可以标品化。过去四十年企业信息化的主旋律，就是把一切流程骨骼化，用确定的软件去规训不确定的业务。

AI 等于经验主义。它不从规则出发，而是从海量数据里归纳出模式。你给它一亿张猫的照片，它学会认猫，但说不清猫的定义。概率性、依赖上下文、天然非标。

这条线索还有一个更底层的名字，叫信息换能量。人类进步的一条主线，是用信息去替代时间和能量成本。用一份软件替代一万个人工操作，本质就是用信息省下了能量，人力、工时。

而智能时代，是把信息换能量推到了极致。不再只是用确定的程序替代重复劳动，而是用会自己归纳的系统，替代那些需要经验判断的活。

回到 FDE 的故事，它的爆发其实揭开了软件与 AI 关系重构的序幕。AI 带来的不是骨骼被神经取代，而是骨骼被接管、神经被释放。

标品层，写代码、搭框架、调接口、甚至搭一个知识库，正在被 AI 快速覆盖；而真正的非标层，理解这家企业到底痛在哪、定义做成什么样算成功、推动一个组织真的用起来，不但没被覆盖，反而更显珍贵。

当通用智能变得人人可得，它的边际价值会快速趋近于常识水平，就像会用微信一样成为基础能力而非优势。你如果提供的只是基模已经提供的价值，你的竞争对手人人都能提供。

这就是为什么大多数企业的 AI 项目至今停留在局部。

一份来自 MIT NANDA 的研究《The GenAI Divide》统计称，约 95% 的企业 GenAI 试点没有产生可衡量的 P&L（利润表）影响。

但请注意这个数据的口径，它统计的是试点项目，不是所有 AI 投入，且可衡量影响的定义本身偏严。它的真实启示不是 AI 没用，而是AI 在试点里很容易显得有用，在利润表里极难证明有用，最后一公里的非标决定了成败。

FDE 爆发的结构性根源，和它带来的命题，到这里就清楚了：它爆发的根源，在于 AI 把写代码打到近乎免费，判断力成了稀缺资源，稀缺性重新分配，FDE 是这次分配的结果，而不是原因。

它带来的命题是，当 AI 连开发都打便宜了，FDE 剩下的高价值部分，判断、推动、负责，恰恰是最难规模化的，因为它长在人的脑子里，且每位客户都不一样。

五、企业 AI 落地的两个关键视角：为知识建模，还是为学习建模

顺着前面的脉络，有两个角度值得放在一起看。

第一个角度，人驻场模式有其结构性边界。

前面讲过的科斯逻辑，咨询、律所几百年长不成巨无霸，因为规模不经济。如果 FDE 的本质是精英人驻场，它就带着这个边界。指望靠堆人解决企业 AI 落地，本质上是回到了工业化之前的手工作坊。历史上每一次技术成熟，要么自己用新技术颠覆自己，要么被别人颠覆，靠人海顶着的技术从来不是终局。

第二个角度，把企业经验拍成快照的做法可能遇到瓶颈。

这是全场最有启发的认知之一。企业里真正的知识，存在于老师傅的脑子里，存在于每天发生的真实业务记录里。

而主流的 AI 落地做法，派人去企业访谈、把经验总结成规则、搭 Workflow、搭知识库，本质是给企业的经验拍一张快照。

这张快照有三个局限：

天花板只有 60 分。人在共识点上认知一样，但真正的高手绝活，那 40%，各自方向不同，捏在一起反而互相抵消。

成本很高。需要大量人做标注、训练、反馈，而不少所谓的 FDE 连训练都做不到，只是写写提示词，远远不够。

切片瞬间过时。业务每时每刻在变，产品在变、价格在变、竞争在变。今天拍的快照，落袋即过期。

而为知识建模，恰恰是用理性主义的办法，人总结规则，去处理一个本质上是经验主义的问题，业务是流动的数据河流。这从方法论上就有些错位。

而真正方向，也许是为学习建模，而不是为知识建模。

人类机器学习的最佳范式，藏在三代下棋机器里。深蓝，人写规则。AlphaGo，人给棋谱，机器总结。AlphaGo Zero，只给规则和棋盘，自己跟自己下，三天后 100:0 碾压 AlphaGo，且用的算力反而更小。

最强的一代，是最自主、还最省算力的。人只定义环境，不在里头替它操作，让机器自己跑、自己训。

对应到企业，老板别再当教练了，当规则制定者。定好棋盘，你的真实业务环境，和胜负标准，你的真实指标，让 AI 直接在你的原始记录里学，而不是让人先总结成规则再喂给它。

这正是《智能时代》里所说的经验主义方法，让系统从数据里自己归纳，而不是人把规则写死。企业里每一次服务，都可以从一次折旧，变成一次训练。

这就引出了知识沉淀的三个层次，它是理解 AI 时代企业资产的核心框架。

人类的知识基本承载在三个维度递增的载体上。规则，几十到几百维，比如成交或未成交两维。文字或语言，几千维，比如一段拜访记录。脑神经，万亿维，比如这客户我聊了，我说不清但感觉他能买。

对应到 AI 就是 Workflow、Harness、Weights。最基础最可控的是 Workflow，最高级、别人动不了你的，是 Weights，模型权重。老店里那位说不出为什么但绝不会看走眼的老行家，他的本事本质上就是 Weights。

企业 AI 的终极方向

是把这份 Weights 训进自己的模型

而不是停在贴墙上的操作规程

六、把镜头拉到资本：机会、节奏与主权

前面的探讨基本在技术和组织两个层面。但还有一个维度绕不开，资本怎么看这一轮 AI，哪里是真实的机会，哪里需要多一分清醒。

判断 AI 热里的机会与节奏，有一种只看三件事的方法。业绩能不能持续成长、资本开支流向哪、应用有没有真的落地变现。

用这套方法看，2026 年的 AI 资本图景是这样一副面孔。

硬科技这段，业绩是实打实的。英伟达的市值从 2022 年底的不到 4000 亿美元，最高涨到 2025 年内的约 5 万亿美元，两年多上涨超过十倍。

按滚动盈利计算，它的市盈率在 45 倍上下，按机构对未来盈利的预测计算还要更低，在美国科技股里处于中等水平，低于部分估值更高的同行，原因在于收入和利润确实在追。

全球科技行业的资本开支巨量涌向云、AI、算力基建、半导体、服务器、光模块、智能电动车、自动驾驶，这些开支支撑了芯片和硬件企业的出色业绩，进而推高估值。

一个被反复验证的细节是，全产业链大约三分之二的利润还在硬件环节，上游算力、光模块、芯片企业的净利润增速在 80% 以上。

同时也存在一些需要冷静看待的信号。如果行业的收入利润不能尽快继续成长、如果应用端出现问题，估值有可能就是一个阶段性高点。

局部过热的迹象已经出现，比如韩国股市创新高后的回落。总体看风险可控，但保持理性很重要，热情和波动往往结伴而来。

真正值得关注的转折，在从建算力到用算力。一个关键的观察是，2026 年硬件产业链的高景气是确定的，但建再多的硬件都不是摆设，而是为了最终能好好应用。

各大模型厂商陆续结束免费公测、转向订阅收费，智谱把服务价格上调 80% 以上后周调用量反而增长，可灵 AI 的年化经常性收入在 2026 年上半年达到 5 亿美元，AI 大模型的付费需求真实存在。

由此形成的一个判断是：从 2027 年开始，AI 产业将逐步从建算力，转向让大模型用足算力、直接变现服务收入。

政策点名 FDE、2027 年转折的判断，说的是同一件事的两面。硬件的仗快打完了，落地的仗正要开始，而落地的这一端，正是 FDE 可以接棒的窗口。

最后，还有一个绕不开的坐标。中美之间真正关键的竞争，是科技和安全的竞争。这解释了为什么主权 AI 不该被当成一个营销词，它从国家层面已经延伸到了企业层面。企业不该把自己绑定在某一家的基模上，因为地缘和供应本身就会波动。

一个真实的警示案例是，2026 年 Cursor 被 SpaceX 收入麾下后，OpenAI 依据合同里的控制权变更条款，宣布终止向它供应模型。尽管相关模型只占 Cursor 调用量的很小一部分，这家把多家外部模型装进自家产品的公司，仍要立刻面对底层供应被重新安排的处境。

今天模型迭代以月计，你三个月前最先进的模型可能很快就被超越。企业要考虑的，是如何独立构造自己的智能，后来被称为主权 AI。

七、企业的下一步：在共识趋同的时代，护城河建在哪

把问题看清之后，更想和你一起探讨的，是方向。而思考方向的起点，是一个值得正视的现实。

基模是大海

它很汪洋、很晃动

而且，海平面每个月上涨 100 米

很多企业正在海岸边做的事情，是修灯塔。拼命攒提示词、攒知识库、攒技能包，想站得更高看得更远。

但问题是，上个月的灯塔这个月就被淹了。一份今天写好的企业最佳实践，下个月基模一迭代，可能就归零了。那位创业者说了一句话，这类积累未必能沉淀为真正的资产。

他的答案是造船，跟海解耦。它怎么涨，你怎么长，你在船上面长。

而船的龙骨，指向一个值得认真看待的核心命题。在共识价值趋同的时代，企业的护城河不在公共场域，在它的边缘解。

基模回答问题，本质上是在一个正态分布里取中央解，因为训练追求 loss 最低，它天然偏向共识。而中央解有一个很形象的说法，叫正确但缺乏针对性的回答。

你问 AI 我这套产品设计好不好，它大概率回用户体验要好、功能要强大，全对，但对你没有独特帮助。真正有价值的，永远在边缘解。

乔布斯说这东西是垃圾全部砍掉，马斯克说这个部件根本不该存在。正因为有边缘解，才有特斯拉，才有苹果。

非共识即竞争力。共识的边际价值趋向于零，企业最有价值、能沉淀的，是它的边缘解。

边缘解唯一的来源，是在模型的公共分布之上，施加你独有的分布，重塑这个正态分布，让原来的边缘解变成今天的中央解。苹果工程师当年形容乔布斯的那句话，现实扭曲力场，说的正是这种可能。

顺着这条线，想分享五条可以一起探讨的判断，它们不挑行业。

第一条，任何 AI 方案，先问能力沉淀在谁的权重里。是你自己的模型或系统长出了东西，还是项目一结束乙方离开、你什么都没留下？前者是投资，后者是消费。

这是辨别真假 FDE、辨别真假 AI 转型的第一刀，也是前面看业绩能否持续这条判断在企业内部的呼应。

第二条，找你的 2 平方米，不要在公共场域追 SOTA。你的独特分布，来自你自己的物理生意，你定义了二十年的那个棋盘。基模给的是通用聪明，你给的是只有你这儿才成立的聪明。把精力压在后者上。

危机来临时能立于不败之地的，是自己的核心价值。借用巴菲特护城河的框架，剥离了平台和头衔之后，你真正不可替代的东西是什么，那才是你的 2 平方米。

第三条，造船，不是修灯塔；主权是底线。企业不该把自己绑定在某一家的基模上。主权 AI 已经从国家竞争延伸到企业竞争。

第四条，让组织从固态逻辑转向生长逻辑。这是个值得多想一想的视角。

传统软件或 SOP 是固态的，开发完的那一刻最好，从此开始熵增、特例、例外，慢慢不适应。而模型是液态的，生成的那一刻最坏，从那一刻起不断跟外界学习，越用越好。

原来的组织靠 SOP 限制人的偏差，叫固态逻辑，每一个干过公司的人都尽力了，但组织必然折旧；新的组织让每一次服务都成为训练数据，叫生长逻辑。

把前线踩的坑变成产品需求源，汇报线归产品或 CTO 而非交付，就是这一转的具体动作，也正是在第二节里，用委托代理解释过的那个账本问题，真正的药方。

第五条，把力气用在正在生长的地基上。这是最后想分享的一个提醒。在地壳变动的时代，AI 是反工业革命的，它终结的是标准化本身，开启的是颗粒度革命。

界面液体化、组织液体化、软件日抛化。有人面前是 CRM，有人面前是命令行，只要数据结构一样就能交流；所有软件都可能根据每天的任务自动生成、用完即弃。

当底层范式在变，有些今天看似稳固的优势，可能正在失去根基。趁早找到自己的闭环，让企业形成一个螺旋上升的、内部的自我进化系统，这就是企业 RSI，递归自我改进，才是最关键的。

八、收尾：桥与船，以及被政策点名的真正含义

回到开头那份文件。当工信部点名 FDE，它真正确认的，不是一个岗位，而是一个时代性的迁移信号。价值正在从造工具的人，流向对结果负责、并把结果训进自己系统的人。

最后想留在心里的一句话是——

FDE 更像一座帮我们渡河的桥

而真正要建的是自己的船

桥的意义在于，在通用 AI 能力和企业非标现实之间，还横亘着巨大的最后一公里，需要有人蹲在现场、对结果负责、把经验一条条搬过来。这段路还得走，政策、市场、人才都会围着它转一阵。

但桥帮我们抵达对岸，我们要在对岸建自己的家。真正的企业家要决的策，从来不是要不要招几个 FDE，而是自己的企业独特在哪，怎么把那份独特训进自己的权重，长成自己的船。

把三条线收一下会发现，它们指向同一个落点。

技术范式线告诉我们，智能时代的方法是经验主义，让系统从你的数据里自己学，而不是人把规则写死。

组织行为线告诉我们，账本和激励决定行为，FDE 能否成为飞轮，不取决于人好不好，取决于考核权落在谁手里。

资本周期线告诉我们，硬件的仗快打完了，落地的仗刚开始，2027 会是用足算力、变现服务的转折年，而这也是企业把 AI 从成本变资产的窗口。

当人人都是 FDE 的那天到来，AI 编程足够便宜、业务专家足够懂自己的业务，这个岗位会像许多过渡性角色一样，慢慢融入每个人的日常。

但到那天，企业之间的差距不会缩小，反而会拉开。因为能造船的，和只会修灯塔的，面对每月上涨 100 米的大海，结局会截然不同。

这一轮变革交给我们每个人的功课，其实是同一个：在通用智能越来越像水电的日子里，你身上、你企业身上，那块别人搬不走的石头，到底是什么。想清楚它，比追逐任何一个新岗位都重要。