FDE 为什么是 AI 落地的关键角色——AI 最终卖的是服务

7 月 9 号发过一篇《如何从零搭建企业级 AGENT》,7 月 28 号发过《B 端 AI 落地的 10 条反常识》。

两篇说完,有个事没交代清楚:10 条里有两条没解——「组织摩擦」和「行业壁垒」,这两条不是技术问题,是服务问题。

今天接着聊。

引子:两个事实

事实 1:7-28 那篇 10 条反常识里,有两条没解——组织摩擦(AI 写周报写得很顺,但决策会议一堆)和行业壁垒(保险核保规则、银行风控规则这些行当里的老规矩,模型根本读不进去)。这两条不是技术问题,是服务问题。

事实 2:这两条怎么破,不是技术问题,是服务问题——FDE 是这道题的答案。本文讲这件事。

一、FDE 这个词怎么读——不是售前也不是开发

FDE,前线交付工程师(国内业界也译作"前线部署工程师"、"前端部署工程师"),AI 厂商把模型卖给甲方后,会派到甲方现场去交付的一类人。简单说,FDE 是模型和应用之间的"接线人"——他不只在交付前给方案,得一直干到客户用起来。

招聘市场上挂"FDE"牌的岗位越来越多。仔细一看,职责乱得很——

• 高级售前:给客户讲方案、做 PPT、答疑
• 驻场开发:住在甲方那里写代码
• AI 布道师:对着台下讲"AI 能干啥"
• 解决方案架构师:出方案、出报价、出可研报告

这些解读,都看到一点,但都没看到本质。

FDE 的本质,是把客户需求语言「翻译」+客户数据「铺路」+员工「教会」这几件事合并到一个人身上——这三件事他都得干。

这三件事干完一轮,会回到主论点:AI 真正销售的从来不是产品,是服务。

跟传统岗位的 3 个区别:

• 售前帮甲方买,FDE 帮甲方用起来——签合同前后都得干
• 开发交付代码,FDE 交付的是翻译 + 铺路 + 教会(1 个顶 3 个岗位)
• 咨询给建议,FDE 给「建议 + 落地 + 现场教」,后者闭环

FDE 是 AI 时代最难招的人——他不是纯技术,他同时是翻译 + 铺路 + 教会三角色。三者中,「能贴身推」是 AI 时代最稀缺的。

二、双壁垒为什么是「组织 × 行业」不是「模型 × 业务」

昨天那篇 10 条,有两类问题没解——这两类靠「AI + 代码」接不对,得靠翻译客户需求 + 整理客户数据 + 让员工会用的人接——也就是 FDE。

第一类:组织摩擦。典型的例子:公司里开始用 AI 写周报了,但周一例会一个不减。原因是惯性——决策这件事,人得碰头才有共识,周报字数落了,会议没省下。

第二类:行业壁垒。典型的例子:保险核保、银行风控,这是两个把所有规矩藏在老员工脑子里的行当。模型会写公文,但不会判定"这个险种在 30 天内出现 2 次索赔、赔付金额超过 X 万,是不是要把核保权限收回到省公司"。模型输入是文本,企业输入是流程——差这一档,就是行业的隐性知识没结构化。

为什么这两类解决不掉,靠换模型也换不掉?

模型有 9/10 能力,企业有 8/10 流程——模型是发动机,服务是变速箱。变速箱才是决定能不能跑起来的关键。换发动机可以,换变速箱不行——这就是 FDE 存在的根本。

AI 不是装上就能用,AI 是「人推到业务里」才碰得上价值。FDE 是负责"推到业务里"的那个人。

三、「数据整理」是 FDE 的核心动作

解决双壁垒,FDE 手里有什么工具?最大件的事就是「数据整理」。

模型再强,数据不规整也跑不动。FDE 干的就是「把客户数据从烂泥路修成高铁道」——这事简单说就叫数据整理。

举个例子:

保险核保里有一条规矩——「30 天内同一被保人出现 ≥ 2 次索赔、且累计赔付金额超过 5 万,把核保权限收回到省公司」。

这条规矩藏在哪个核保员的脑子里、写在哪份内部手册的哪一页,要到它从「老员工记忆」变成「模型可读」,这就是 FDE 的活——不是程序员干的事。

为什么这事难?因为:

• 程序员不会核保,核保员不写代码
• 老核保员说"看情况",这种情况就是最难结构化的隐性知识

数据整理不是产品,是 FDE 的核心动作——每一次把"行家的一句话"翻译成"模型可读的一行规则",都是数据整理在做。

四、案例印证:谢陨石 3 个月手搓防汛"叫应"小程序

这是同一件事,从不同角度看三次——

• 7-15 那篇,算力市场化定价角度看:一个北京规自委密云分局的副局长,自己掏订阅费,10 亿 token 包年下来分摊到每月 20 多元——一个人按月买得起,这就是算力市场化定价的实证
• 7-28 那篇,装多用少角度看:领导愿意掏钱、装上,组织流程怎么跟着变——这是 78% 装 / 12% 用那条反常识的真实样本
• 今天,FDE + 数据整理角度看:这位副局长一个人 + 3 个月,把模型装进了基层应急流程——这就是 FDE 在做的事,只不过是他自己做自己的 FDE

谢副局长用的是一种「自己给自己当 FDE」的变体——本职岗位上懂业务(应急),又肯掏订阅费学技术,把数据整理的活干了一遍。一个副局长 = 一个 FDE + 一个行业的翻译者。

这件事的力量在于:

• 一个人做完了传统需要 1 个乙方 + N 个驻场开发 + 3 个月交付的项目
• 年费 200 多块,对应急办这样的单位几乎为零——钱不是问题,懂业务 + 能上手 + 用模型装进业务才是问题

卖模型的企业输给了卖服务的人——3 个月、200 多块、1 个人。

这件事的本质是什么?

不是"模型多便宜",而是"服务怎么拆"。谢副局长做的不是把模型卖给基层应急,做的是把模型封装成了"应急响应服务"——这才叫 FDE 该做的事。

五、趋势:深水区里泡出来的是「服务型 AI」

3 个判断,送给做 AI 落地的同行。

判断 1:FDE 这个岗位未来 1-2 年会更值钱

岗位演变(预测,未实现):

• 现在的 FDE:技术 50% + 业务 50%——大头一半是技术活一半是业务活
• 未来的 FDE:技术 30% + 业务 50% + 变革推动力 20%——技术做的活越来越少,业务+推动力越来越重

为什么?模型会替你做越来越多的技术活,但业务梳理、流程重构、组织变革这些「不上模型能换着人做」的部分——FDE 才是那个桥梁。

非技术背景的 FDE 会出现,而且会越来越多。这事听起来反直觉,但FDE 的本质是"行业老炮 + AI 驱动力",技术是基础,不是核心。

判断 2:产业拐点已到——AI 最终卖的是服务

这个判断不是技术判断,是商业判断。

模型能力在 2026 年下半年已进入过剩阶段——同等能力的模型,N 家公司都能提供。企业买的不是模型,是"服务"——能不能装上、能不能接入、能不能反馈、能不能迭代。

AI 最终卖的是服务,不卖模型也不卖算力。这是 2026 下半年往后,产业最值得改的商业判断。

判断 3:深水区的标志

怎么判断一个项目是不是进了"深水区"?

• 大模型能力 + 行业知识深度融合(不是「模型套壳」,是「模型+业务流程」真长在一起)
• 组织变革能力成为衡量 AI 价值的新标准(从技术指标到"组织能不能适应")
• 行业里出现「非技术出身的 FDE」(懂业务强于懂技术的人开始走上 FDE 关键岗)

满足这些,说明产业已经走进深水区——模型之外的世界

老朱浅析

最后说三句话。

第一句:AI 最终卖的是服务,不卖模型也不卖算力——FDE 是这道题的答案。

这话是今天这篇文章的主论点,也是产业下半场的拐点。原话是:「FDE 这个概念,实际上说明一件事——AI 真正销售的从来不是产品,是服务」。

卖模型的企业输给卖服务的人,卖算力的企业输给卖整合的人。谢副局长自己做自己的 FDE,这是这件事的起点。

一个副局长 = 一个 FDE + 一个行业翻译者——这件事比"模型又降价 30%"有意义得多。

第二句:FDE 干的是「翻译 + 铺路 + 教会」三件。

这句讲的是 FDE 干的三件事。

翻译:客户需求语言(甲方的职业话)译成 AI 可执行语言(Prompt / 代码 / 工具描述)——这是产品能力。

铺路:整理客户数据,从「烂泥路」修成「高铁道」——这是数据能力。

教会:教甲方员工会用,还愿意用——这是上线后的能力。

FDE 难招,因为「翻译 + 铺路 + 教会」三件压在一个人身上——能推、场调、能谈、能编、能讲,是稀缺资源。

第三句:理论对了,实战才行——FDE 是「实战」的中心节点,不是「理论」架起来的。

这句是 7 月 28 号的文章里讲的,今天接着讲。理论对了不算数,FDE 把理论推到业务里才算数。工程化做下来,赢家不在牌桌最响的那位,在牌桌坐得最久的那位。

理论对了,实战才行——FDE 是让"实战"落地的那个支点。