AI时代最大的就业机会:OpenAI豪掷40亿美金赌AI新工种FDE,领英CEO亲口点名全球疯抢

读完这篇文章你会了解：

●一个反常识：大模型越强，这个岗位的需求为什么反而暴涨，而不是消失；

●FDE前沿部署工程师到底干什么，它和「咨询顾问」「售前销售」差在哪一条生死线上；

●OpenAI、Ramp、Nominal 们怎么靠这个岗位，撬动几亿到几十亿美金的生意；

●想入这一行，这几家顶级公司在招什么样的人，门槛到底有多高。

/01/ 先看一个反常识：模型越强，这个岗位反而越缺

主持人开场就抛出一个让人意外的数据：据他看到的统计，过去一年里，前沿部署工程师的岗位数量涨了大约 10 倍。

这件事反常在哪？按常理，模型越来越聪明、软件越来越好写，「派个工程师驻场去帮客户落地」这种又重又贵的活儿，理应越来越没必要才对。可现实恰恰相反，这个岗位不仅没被取代，需求还在爆炸式增长。

Howard 给出的第一层解释是：AI 把「软件能解决的问题边界」撑大了无数倍。

过去你做一个 SaaS，本质是盯住某一个标准化的工作流，做成一个产品，再卖给所有人。可世界上「长这个形状」的标准问题就那么多。但人类花在「人力」上的钱，比花在软件上的钱高出好几个数量级。世界上要做的工作五花八门、千差万别，根本不存在一个万能产品能通吃。而 AI 的出现，第一次让我们有机会去啃下这一整片以前啃不动的硬骨头。

可问题随之而来：要解决一个具体行业的具体问题，你得有真正懂这个场景的工程师。他得懂到什么程度？得几乎能自己上手干这份活儿。然后，他还要把这份对业务的理解，跟对前沿 AI 平台的深刻掌握嫁接到一起，才谈得上把问题真正解决。这，就是前沿部署工程师。

Howard 顺手点破了一个很多人没想通的现象：为什么编程类的 AI 智能体进步神速、好用到吓人？因为每一个软件工程师，天生就是编程这件事上的「前沿部署工程师」。我们天天写代码，对这个场景理解到了骨子里，所以编程智能体能做得那么好。可一旦你要扎进能源、半导体这种垂直行业，没有真正懂行的人进去摸透它的特殊性，模型再强也落不了地。在他看来，模型其实早就够用了，真正卡住 AI 落地的，是缺人。

Colin 从 OpenAI 的视角补了非常关键的一刀：过去一年，这份工作本身变了。

一年前，他们基于第一代智能体框架做东西，大量时间都耗在搭「管道」、写一堆评估测试上。每接一个问题，可能要搭五套不同的智能体、五套不同的评估。光是把一个能用的东西做出来就要耗掉大半时间，结果反而被迫只能挑那些不太难的问题做。而从今年一两月起，随着编程模型能扛「长链条任务」，他们要搭的底层管道大大减少，省下的时间可以拿去解决真正难的业务问题。

他举了一个特别具体的例子：他们和一家半导体公司合作了大概 14 个月。头 10 个月，干的全是「软件工程加速」这类基础活儿，比如把智能体塞进客户的持续集成流水线，做一个能自动排查 bug 的智能体。而现在，他们已经能做出可以参与芯片物理设计的智能体了。为什么？因为底层有了更稳定的「积木」，他们可以信任 Codex 把那些占总量大约一半的基础任务做得不错，于是人就能腾出手，专攻那些真正产生商业价值的高阶任务。

Jason 则把视角拉得更远。他说这事其实不专属于 AI。他 2012 年在 Palantir 实习，当年 Palantir 就是那个「疯到愿意砸那么多资源去养一支前沿部署工程团队」的公司。换 100 个平行宇宙，可能 99 个里这条路都失败了，只不过它恰好成了。这些年真正发生的，是软件的生产成本一路狂降，让科技行业能触及的问题越来越多，而 AI 来了之后，这个范围直接炸开。

一句话总结这一节：不是 AI 让 FDE 过时了，恰恰是 AI 把 FDE 推到了舞台中央。

/02/ 它到底是什么：让工程师直接坐到客户对面

四位嘉宾对 FDE 的定义各有侧重，拼在一起，反而把这个岗位讲透了。

Ramp 的版本最朴实，甚至带点「自嘲」。 Calvin 说，Ramp 做的是企业财务运营平台，用公司卡、报销、账单支付那一套，去替换企业里传统的 Amex 加 Concur 组合。而他们的 FDE，说白了是为了「别在大客户面前淹死」。

他描述了一个几乎所有 SaaS 公司都会踩的经典陷阱：你先靠产品驱动增长跑出势头，接着一看企业市场，那里钱多得吓人，于是你扑过去接大单，结果一个接一个的大客户把你的产品路线图带偏，你被迫做出一堆只对单个客户有用的东西。FDE，正是这个难题如今最经典的解法：让核心团队继续按自己的节奏打磨产品路线图，让 FDE 团队去对付企业大客户。Calvin 把它形容成「一把剑加一面盾」，一边攻下企业订单，一边保护核心团队不被打散。

Ramp 的做法还有个有意思的细节：他们服务的是财务团队，而财务的人基本不写代码，天天泡在 Excel 里。所以你能看到 Ramp Labs 做了一个 Excel 智能体。这背后是 FDE 的一条通用原则：客户在哪，你就把工具做到哪里去。

至于 Ramp 当初为什么要搞 FDE，Calvin 讲了那个让人会心一笑的真相：在有 FDE 之前，流程是一场「层层传话的游戏」。客户告诉客户经理，客户经理转告产品经理，产品经理再转告工程师，工程师一看说「这不行」，然后再一层层传回去。路线图就这么被拖垮了。FDE 的核心思路，就是让工程师直接和客户对话。和 Palantir 不同，Ramp 的工程师并不常去现场，大概一季度一次，多数靠视频会议。但只要一个足够聪明、手握全部上下文的优秀工程师直接面对客户，他能想出的方案，是那场「传话游戏」无论如何都碰不到的。

OpenAI 的版本最有「野心」。 Colin 说 OpenAI 在做 AGI，而要做成这件事需要两样东西：一是广泛的采用，二是足够强的模型。这恰好就是 OpenAI 这支 FDE 团队的两大使命。一头，是去市场里找到那些「可复制」的问题，扎进客户内部把平台搭出来，然后要么单独做成产品，要么把它做进 Codex 这样的东西里。另一头，是专攻全世界最难啃的行业，比如半导体、生命科学，找到最硬的问题，不惜一切代价跟客户一起解决，可能是配合后训练去改进模型，也可能是做出一个好用的应用。他给这支团队的定位是：「OpenAI 面向企业的矛尖」。

Nominal 和 Dataland 的版本，则代表了一类全新的创业形态。 Jason 说 Nominal 在做的，是把硬件工程数据交到硬件工程师手里，客户是造卫星、造核反应堆这类下一代硬件的人。他们的公司价值观里就写着一条：「赋能客户的使命」。Howard 的 Dataland 更直接，做的是「面向企业的 AI 劳动力外包」，横跨医疗、能源、消费电子、物流、垃圾处理等一大堆行业，针对每家公司去搭高度定制的智能体。用他的话说，前沿部署工程对这家公司而言，简直就是命脉。

/03/ 最难的一道判断题：你是软件公司，还是披着 AI 的咨询公司

这是全场最尖锐、也最值得创业者反复琢磨的一段。

Jason 说，他在这件事上「伤疤累累」。Palantir 曾经历过几年他们内部称为「黑暗时代」的日子：FDE 团队几乎「造反」，直言当初做出来的那个产品，对他们手上真实的客户项目毫无用处，于是干脆从头另起炉灶。

所以创立 Nominal 时，他格外警惕，绝不让这种事重演。他的办法是，把那些既亲手搭过软件平台、又亲身受过「传话游戏」折磨的人，请来当公司最早的几名前沿部署工程师。

这样他能跟他们建立起极高的信任：他们不会偷偷跑去做纯咨询；万一冒出某个大到离谱的需求，大家会非常审慎地一起决定要不要接。

那么，软件公司和咨询公司的那条生死线，到底划在哪？Jason 给了一个堪称本质的回答：从财务资产的角度看，区别只在一件事，你交付给客户的，是不是一种建立在固定成本之上的、可持续复现的价值。这，就是定义二者差别的经济模型。

而随着 Codex、Claude Code 这类工具把软件创造的成本一路压低，作为一家年轻公司，他不再执着于「非要找到一个核心产品卖给所有人」。

他们真正在想的是：怎么从每一个客户身上学到东西，去加速为下一个客户搭定制智能体的过程，从而形成一个「学习飞轮」，把最初那笔固定成本不断摊薄。

一旦智能体真正跑起一个企业级的规模化工作流，它带来的，就是极强的、随时间累积的复现价值。

Palantir 当年也为同一个问题纠结了很多年：FDE 到底是个 bug，还是一个 feature？Jason 说，至少在他离开时，结论已经很清楚了：FDE 是一个巨大的 feature，绝不是 bug。

但这条路上有一个致命的诱惑。Colin 一针见血：很多咨询公司之所以把 FDE 做坏，是因为「服务费收入是一种戒不掉的毒品」，他们会忍不住一单比一单卖更大的定制项目。

OpenAI 之所以没掉进去，恰恰是因为商业部门不是公司的权力中心，产品和研究才是，后者会不停地推着 FDE 团队去做那些「未来市场能自助使用、或者只需极小投入就能搞定」的东西。

Jason 还补了一个更隐蔽的陷阱：你以为是自己离不开那笔服务费收入，但更危险的情况是，客户对你的 FDE 上瘾的程度，比你对收入上瘾还深。一旦你想把人撤走，他们直接把你炒掉。所以你得时刻保持清醒：在客户眼里，你究竟是被当成顾问，还是被当成产品的思想伙伴。

他讲了一个第一份大单的真实故事。客户做的是无人机飞行测试，技术负责人一直催他：「数据一进 Nominal，我的工程师就爱用它做分析。」对方的目标，是让组织里平均每次飞行有 40 个人看数据，而在用他们之前，这个数字只有 2 个。

当时数据要先过好几道工序才能进系统分析，对方说，这些都是我工程师得在自己笔记本上跑的脚本，要是你们能直接帮我们处理就好了。客户自己其实并不清楚这在软件架构上意味着什么。

于是 Jason 和团队里一位叫 Ross 的 FDE 合计了一个方案：表面上是为这家客户做的，骨子里却做成了一个能在其他客户身上通用的东西。最后这套架构，成了他们卖给整支客户群的核心能力。

Jason 说，这本来就在我们的路线图上，我们只是因为机会来了，把它「往前拽」了而已。

/04/ 顶级公司怎么算这笔账：2 个人，做出几百万美金

既然要驻场、要养一支贵团队，ROI 怎么算，什么时候该把人撤回来？

Calvin 的回答先是逗乐了全场：「很简单啊，企业客户带来的收入，除以工程师工资的成本，做个除法就是 ROI。」玩笑过后，他给了实在的版本：Ramp 的 FDE 始终围着路线图转，能做成标准功能就绝不做定制，因为定制的东西后续维护成本更高。

Ramp 的 FDE 是在核心代码库里干活的，和每个核心产品小组紧密配合，并且尽量把改动控制到最小，免得给将来埋下维护的坑。他们刻意保持团队精简，一个 FDE 尽量同时扛五六个客户。这么一套搭下来，回报率自然就极其漂亮。

OpenAI 的算法则完全是另一个量级。Colin 说，他们押注的，是那些能帮客户省下「几千万、上亿、甚至几十亿美元」的问题，所以他们更愿意在更少的客户身上扎得更深。他们最大的一个项目，光是那家半导体公司就投入了 15 个 FDE，因为目标是改造整条价值链。

但有意思的是，长期最赚钱的，反而是那些只配 2 到 4 个 FDE 的产品型项目。对 OpenAI 来说，服务费这条线始终只是个小焦点，真正的大头，是这些项目未来能为所有数字原生客户解锁的、可持续的经常性收入。

Nominal 这边，则把「杠杆」二字演到了极致。当时公司只有 2 个人（很快要到 3 个，目标是做到 10 来个）。主持人半开玩笑地点出，就这么两个人，居然已经把规模做到了非常大，「我不知道我们多快能见到一个人撑起的十亿美金公司，但趋势线确实在朝那个方向走」。

Howard 自称「被 AI 武装到了牙齿」。他们花大量时间打造的，是「元智能体」，也就是用来加速他们自己造新智能体的智能体。

他强调了一个很深刻的点：你部署的任何一个智能体，都不是凝固在某个时间点的死物，而是客户企业里一个动态的「角色」。客户的业务会变、系统会变、政策会变，还会推出和你的智能体交互的新产品线。

所以真正的难题是，怎么投入一笔固定成本，却换来持续的长期价值。这就逼着你必须找到某种机制，把那个「外层循环」自动化，让智能体能随着业务变化自我进化。

正因为在这件事上下了死功夫，他们才能做到「每个员工对应好几百万美金的年度经常性收入」。

Colin 也分享了 OpenAI 怎么把单个客户的成功，变成整个市场的能力。他们的模式是「结果优先」：先做出成功案例，再谈规模化，而规模化有两条路，一条是做成产品，一条是把模型本身练强。

他举了两个特别带感的例子。第一个是做 PPT。一开始模型做幻灯片做得很烂。当时他们在服务一家有 2000 名销售的日本销售团队，对方想要一个能协作做 PPT 的「幻灯片助手」。他们先试着规定模型只能往六个固定的框里塞内容，结果「看起来糟透了」；后来改成让模型直接生成 HTML，效果一下子精致了。

就这样试了大概 50 种方法，定下一种，再生成一大堆样例，交给后训练团队，三个月后一个新版模型出炉，幻灯片突然就做得很漂亮了。

台下有人打趣：「你们这个幻灯片助手，是不是要把麦肯锡全都送去失业了？」Colin 笑说，团队里确实有几位前麦肯锡的同事，正在为老东家的伙伴们「默哀」，不过别担心，幻灯片现在还没那么好，麦肯锡离失业还有段距离。

第二个例子更硬核。他们帮一家大型电信公司做语音客服。实时语音模型一开始极其难管，连让它准确复述一遍电话号码都做不到，团队当场「心都凉了」。

但六个月后，这套系统上线了，如今每天大约有 7 万通电话被这个 AI 实时客服直接接掉，至今没出过严重的「越狱」事故。这背后，是六个月里和后训练团队一起死磕模型，同时作为 FDE 在上面搭了一堆好用的平台，好让客户日后能自己做评估、跑自我改进，最终不再依赖 FDE。而这，正是所有人口中的「终极理想」。

/05/ 想干这行，他们到底在找什么样的人

如果你读到这里开始心动，那么这一节，就是台上四个人给你的「招聘说明书」。

第一条，技术得过硬，而且是「两头都硬」。Howard 说，你既要技术非常强，还要像 Colin 说的那样，紧紧咬住前沿模型的每一次迭代；同时你还得是传统软件工程的好手，因为你要在企业复杂的环境里搭起真正复杂的集成，这绝不只是调调那个「不确定的模型」那么简单。

第二条，也是最反直觉的一条：你得「会做人，能说话」。这份工作的另一半，是客户管理和客户成功。你要赢得企业客户的信任，要摸清并穿过对方组织里那些错综复杂的政治。Calvin 干脆说，他们在 FDE 的面试里额外加了一道筛子：你到底能不能好好沟通？这在普通工程师的招聘里根本不是硬要求，因为你通常不需要把他们推到客户面前。

第三条，要真心在乎「生意」，而不只是在乎「做出个酷东西」。Calvin 偏爱招前创业者，因为他们在乎收入、在乎公司能不能赢。他有一句很传神的话：FDE 是「那支永远想说 yes 的团队」，因为他们真心想拿下这个客户。而很多工程师，嘴上不承认，心里其实是想对客户说 no 的，他们只想继续打磨自己手里那个东西。两种心态都值得尊敬，但 FDE 要的是前一种。

第四条，是 Colin 反复强调的「对价值的偏执追求」。他说，太多人会爱上自己造出来的东西的「形式」，胜过爱它的「功能」。当你眼睁睁看着用户根本不用它，你还在念叨「可这是我们辛辛苦苦做出来的呀」。而最好的 FDE 会怎么做？直接把它推倒，做一个完全不同的东西，因为那才是客户真正需要的。他们团队背景五花八门，有 BCG、麦肯锡出来的，有大量做过开源的，也有不少前创业者，但所有人的共同点，就是极度以结果为导向，根本不在乎答案长什么样，只要客户真的在用。

还有一条隐藏的福利：FDE 是成为创始人的最佳训练场。Howard 说，要在这个岗位上做成，你得能从 0 到 1，得站在 AI 的最前沿，得会跟人打交道、会赢得信任、会在客户组织里摸爬滚打。Jason 也印证了这一点：他在 Palantir 五年里只有一年在做 FDE，但那一年学到的东西，他后来一次次地反复取用，让他变得格外能扛、格外通才、对什么都好奇、该谦卑时谦卑。他还特别提到，让人在「前沿部署」和「核心产品」之间轮岗极其重要。他最开心的一个画面，是一位早期工程师飞到欧洲、在客户现场用自己做的产品，回来后一脸崩溃地说「天啊这东西太难用了」，然后带着满腔斗志去把它一块块修好。

最后，AI 还解锁了一种全新的组织形态。在 Palantir，FDE 团队历来分成两种角色：负责理解业务、维系客户关系的 Echo，和负责写代码的 Delta。但 Howard 说，AI 让一种「彻底的端到端负责制」成为可能：当写代码的成本被大幅压低，一个人就足以把所有的上下文装进自己脑子里。他既知道哪里难、哪里易，又不只是一个不懂技术、却在替别人做价值判断的人。

Colin 在 OpenAI 也走了类似的路：当问题越来越难，他们开始往垂直团队里塞真正的行业专家，比如做芯片验证的工程师、生命科学领域的科学家，让通才型 FDE 从他们身上飞速学习。

顺带一提，Colin 这支团队，短短两年从 2 个人，扩张到了 90 多人。

写在最后

把这场圆桌的料摊开，你会发现一个清晰的转向：AI 的竞赛，正在从「造模型」切换到「用模型」。

过去几年，所有的聚光灯都打在「谁家模型参数更大、跑分更高」。但到了今天，造一个强大的模型已经不再是最难的部分。真正难、也真正值钱的，是把它装进一家真实公司那套混乱的、年代久远的系统和流程里，让一线员工愿意用、用得好、还能产生看得见的回报。

这不是我一个人的判断。MIT 在 2025 年那份《企业 AI 现状》报告里给出了一个冰冷的数字：企业在生成式 AI 上砸下了三四百亿美元，结果 95% 的项目没有带来任何可衡量的回报，只有 5% 跑出了真金白银的价值。

而报告反复强调，失败的根子不在模型质量，而在「集成与学习的鸿沟」，也就是工具和组织都没能真正学会把 AI 嵌进自己的工作流。报告里还有一个对照特别扎眼：纯靠企业自己 IT 部门内部硬搭的项目，成功率只有约 22%；而引入外部专家一起做整合的，成功率高达约 67%。

你看，这恰恰就是前沿部署工程师存在的全部意义。那「成功的 5%」靠的是什么？正是有人愿意一头扎进去，既吃透 AI，又吃透这个行业的活儿，再把两者焊在一起。这件事，模型自己干不了，只能靠人。

所以你就能理解，为什么领英 CEO Ryan Roslansky 会在达沃斯，把「前沿部署工程师」列为他最关注的 AI 时代高增长岗位之一。领英作为全球最大的职场数据平台看到的真相是：尽管整体招聘因为宏观和利率原因偏冷，但 AI 本身正在净创造大量新岗位，自 2023 年以来净增了约 130 万个 AI 相关新职位，从数据标注师到把 AI 嵌进工作流的部署工程师。他还特别提醒，在这个时代，好奇心、创造力这些「人的技能」会越来越值钱。

你更能理解，为什么 OpenAI 会下那么重的注。就在三周前，它联合 TPG、高盛、贝恩、博枫等 19 家机构，拿出超过 40 亿美元，成立了一家估值约 140 亿美元的独立公司，专门做部署，并一口气收购伦敦的 Tomoro，吸纳约 150 名现成的前沿部署工程师。

有分析师估计，这家公司三年内可能扩张到两千到四千名工程师。一家把「造最强模型」刻在使命里的公司，转身花 40 亿美金去搭一支「驻场落地」的大军，这就是对「竞赛已经换了赛道」这件事，最响亮的一次表态。

讲到这里，我最想说的，是这件事对中国意味着什么。

我们常说，中国是全世界唯一拥有联合国产业分类中全部工业门类的国家。制造、能源、医疗、物流、农业、金融，每一个行业，未来都要面对同一道题：怎么把 AI 真正用起来。而它们撞上的瓶颈，和大洋彼岸那 95% 的企业一模一样，不是模型不够强。今天有了 DeepSeek 这样又强又便宜的模型，模型早已不再是中国企业的拦路虎。真正稀缺的，是那个能站在车间和模型中间、把两边接通的人。

这就是我认为前沿部署工程师可能是 AI 给普通人留下的、最大一扇就业窗口的原因。它的覆盖面，几乎等于中国全部的产业；它的天花板，高到顶级公司愿意为一个人付出三十多万美元年薪外加股权；而它要求的那套复合能力，既懂技术、又懂业务、还会跟人打交道，恰恰是 AI 短期内最难替代的组合。

更重要的是，这扇窗，现在还开着。在硅谷，OpenAI、Ramp、Nominal 们已经为了抢这种人打得火热；而在中国，绝大多数人甚至还没听过这个名字。

模型会一代代变强，但能把它真正交付到一个真实世界手里的，永远是人。

当所有人都在问「AI 会抢走我的工作」时，也许真正聪明的问法是：我能不能成为那个，帮 AI 落地的人。