ARTICLE · 1312416

AI正在打破职业边界,企业更需要什么样的人?

发布时间：2026-11-05 07:51:55 最近访问：2026-11-05 07:51:56

附FDE培训认证对比与学习路径建议

AI手记 · AI时代的组织分工

知道业务该怎么改，却卡在技术实现；技术功能做出来了，实际工作却没有改善。企业一直需要有人把这两端接起来。

AI让更多业务人员有机会把想法做成工具，也让技术人员有机会减少部分重复编码，向业务问题再走近一些。与此同时，企业开始尝试更大范围的流程改造。

FDE（Forward Deployed Engineer，前沿部署工程师）受到关注，可以放在这个变化中理解。对照几家公司的岗位与培养安排，我认为它需要同时落实两项要求：

把业务目标转化为实际成效。
深入理解业务，判断哪些需求值得投入，设计并交付可落地的AI方案，验证实际效果。
沉淀可复用的资产与能力。
从交付中提炼有效的业务知识、技术组件和实施方法，让个人和组织逐步具备持续解决同类问题的能力。

01从“懂业务”到“做出来”

过去，跨过业务与技术之间的边界，需要长期学习和实践。部门分工与考核，又让人更容易专注于自己负责的部分。AI降低了部分实现和试错成本，让更多改进有了尝试的空间。

我不懂编程，但在搭建工作管理平台时，可以向AI说清楚：先看整体进度，再看今日关注和待办，最后跟进各项目的问题与待决策事项。AI协助实现后，我再根据使用情况调整。

业务经验因此可以更直接地变成工具。不过，从个人使用扩展到团队，除了权限、数据安全和维护，还要重新考虑工作怎样安排。

例如，系统能自动生成待办，但哪些该优先处理、谁来负责、什么情况下需要升级决策、怎样确认完成，仍需要结合业务确定。技术实现与流程调整要一起设计。

02各家公司怎样理解FDE

当AI应用从个人提效扩展到业务流程改造，需求判断、流程调整、技术实现和效果验证也需要更紧密地衔接。FDE深入客户现场，参与这些工作。在我看来，这是它受到更多关注的重要原因。

FDE早于生成式AI热潮出现。各家公司根据自身的产品和客户需求，赋予它不同的侧重。

Palantir、Databricks：让数据与平台能力进入业务。Palantir早已有FDE岗位，工程师深入客户现场构建业务工具；Databricks的岗位覆盖数据处理到应用交付。我的理解是，对这类平台，客户能否用数据改善实际工作，直接关系到技术投入能否体现价值。Palantir岗位介绍^〔1〕 · Databricks岗位^〔2〕

OpenAI、Anthropic：让模型成为可靠的应用。其FDE需要将AI应用部署到企业实际运行的环境，并根据使用反馈持续改进。从连接数据和工具，到评估实际效果，现场遇到的问题也能帮助它们发现产品缺口。OpenAI岗位^〔3〕 · Anthropic岗位^〔4〕

Atlassian：在现有工作流程中应用AI。工程师深入客户环境，围绕业务目标构建应用，并向产品团队反馈。它已有的工具和工作流程，是AI应用接触用户、获得实际反馈的基础。Atlassian实践^〔5〕

腾讯：将现场交付、资产沉淀与伙伴培养结合起来。综合FDE课程强调保留可复用的行业知识、接口与流程规则；ADP认证与合作伙伴体系相连。我理解，这也在帮助腾讯建设能够服务更多客户的交付网络。腾讯综合FDE课程^〔6〕 · 腾讯ADP认证说明^〔7〕

这些安排让我看到一个共同方向：既要把客户的业务目标做成实际成果，也要把现场验证得到的认识用于后续产品和项目。

03从复杂业务中，提炼可复用的规律

可复用的资产，离不开对复杂业务的抽象和提炼：分清哪些是当前场景的特殊条件，哪些是可以反复使用的流程、标准和知识。这要求我们充分理解业务，继续追问目标、约束和问题成因，不能只整理表面的操作步骤。

以客服为例，假设一个团队要处理退款、补偿和售后争议。请求不同，但都需要回答：事实是否清楚，适用什么规则，谁有权处理，什么情况下转人工？这些共性可以提炼为判断流程，而各产品的退款条件、补偿权限仍需分别保留。

如果任务反复卡住，还要分辨是资料不足、规则冲突，还是授权不清，再分别补齐信息、厘清规则或明确权限。看清问题背后的机制，才能知道什么值得复用、什么必须改变。

经过验证的共性流程、知识和标准，可以沉淀为知识库、可复用组件和测试案例；团队能够判断它们的适用范围、调整方案并验证结果，才逐步形成持续交付的能力。

这些规律仍要在新场景中检验，记录适用条件、版本和失效情形；跨客户复用还要遵守数据与授权边界。它们是否帮助其他人保持质量、减少返工，比留下多少文件更能说明价值。

04从小任务开始，边行动边积累判断

这种能力可以从一件小任务、一个小项目开始积累。借用AI中ReAct的思路，让思考与行动交替进行，根据观察到的结果调整下一步，每一轮留下有依据的认识或待验证的问题。ReAct原文与示例^〔8〕

具体可以按下面四步推进，发现问题时回到相应步骤修正：

判断是否值得做。说清业务目标与当前困难，把预期收益、实施和维护成本一起考虑，确定范围与优先级。

设计方案，再动手实现。明确流程怎样调整、AI承担哪些任务、哪些环节由人确认，再连接数据和工具，检查权限与异常处理。

用实际任务验证。覆盖正常、异常和信息不足的情况，对照业务目标比较改造前后的效果，也计入复核与维护成本。结果不符预期时，查清问题来自业务判断、方案还是执行。

留下经过验证的成果。记录有效方法与不适用的条件，整理知识、工具和测试案例，再让另一个人接手或换一个相近场景试用，检验能否复用。

不同背景的人，可以在这个过程中补齐各自的短板：

业务背景：
学习数据组织、系统连接、基础编程和测试排错，借助AI动手时，逐步看懂实现过程和限制。
技术背景：
参与业务现场的使用和验收，理解目标、例外和取舍，关注实际效果。
项目负责人：
让业务、技术和使用者共同确认范围、权限、验收与维护责任。

工程要求因岗位而异：OpenAI、Anthropic的FDE仍要求编程与生产部署经验；Palantir也设有与工程师合作、负责业务落地的Deployment Strategist岗位。能力可以由个人逐步补齐，也可以通过团队分工发挥作用。Palantir业务部署岗位^〔9〕

实践也会暴露具体的能力缺口，课程选择就有了依据。

05按能力缺口选择课程与认证

以下路线侧重不同，证书性质也不相同：

腾讯综合FDE：
覆盖需求判断、AI工具与工程基础、交付、经验沉淀和治理，适合先了解完整落地过程；现行认证为理论考试。课程入口^〔6〕 · 认证入口^〔10〕
腾讯ADP FDE：
聚焦ADP平台的智能体方案设计、搭建与交付，适合准备在该平台做项目的人；属于厂商认证。学习与认证说明^〔7〕
阿里云ACP大模型方向：
侧重知识检索、智能体、评测与部署等应用工程，官方学习资料要求编程基础；并非FDE岗位认证。官方课程资料^〔11〕
Claude Academy与Frontier Academy：
前者提供公开课程和结课证明，API课程可用于补开发能力；后者面向企业提名、已有工程基础的人员，包含部署训练和实际项目。公开课程^〔12〕 · 企业培养计划^〔13〕