我实在不忍心，用“FDE”这个岗位去收割企业

> 当一个岗位的体面，建立在说不清“AI到底能不能做到”的模糊地带时，我不忍心站上去。

我不忍心做FDE。

不是这个岗位不体面，恰恰相反——它太体面了，体面到我怀疑自己配不配站在那个位置上。

FDE，前沿部署工程师，这个名字多好听。深入客户一线，把AI种进业务流程，做“最后一公里”的铺路人。简历上写一笔，身价翻一番。薪水开到80万、120万，公司把你当技术大牛派到现场，客户老板握着你的手说“专家来了，我们就靠你了”。

但你真的能帮他吗？

你知道他花大几十万买的AI系统，跑出来的数据有一半需要人工复核。你知道那个在Demo里丝滑运行的智能体，一接上他的ERP就开始疯狂报错。你知道他的员工根本不碰这个系统，因为“每次都要改，还不如自己干”。

你知道，但你不能说。

因为你的KPI不是“给出真实结论”，而是“推进项目进度”。因为你的公司在签合同时已经收了钱，你的角色是确保客户觉得“钱没白花”。因为你被派到现场的任务，是让这场交易看起来体面地落地。

所以你不忍心。

你不忍心看着一个制造业老板每天盯着大屏等AI告诉他“产线哪里出了问题”，而实际上系统连最基础的物料延误原因都分析不清楚。你不忍心看着一个财务总监反复追问AI“你到底确不确定这个数字”，而AI只能给出新一轮概率采样。你不忍心看着一群普通员工被逼着用一个比不用更麻烦的系统，还要在考核表上填“AI显著提升了工作效率”。

他们的期待被销售拉得太高了。而你，是被派去“圆场”的那个人。

这就是我不忍心的真正原因：当一个岗位的存在价值，建立在信息差和过度承诺之上的时候，不管它名字多光鲜，本质上都是在收割别人的信任。

而下面这些，就是为什么我说——FDE根本没办法在真实的工作场景中顺利展开。

01. FDE到底是什么

FDE，全称Forward Deployed Engineer，前沿部署工程师。这个岗位最早由大数据公司Palantir开创，大模型浪潮兴起后被大量AI公司效仿。

它的定位听起来很性感：懂技术、懂业务、能沟通，在客户现场完成从需求分析到方案落地的全流程。

过去两年，这个岗位的需求暴涨。美国招聘平台Indeed的数据显示，FDE相关岗位从2025年4月的643个增长到2026年4月的5330个，同比增长729%。国内头部模型公司也在大量组建类似团队。

看起来，AI行业似乎正在走向“深度落地”。

但事情没有那么简单。

02. 为什么FDE注定难以真正开展

真正做过企业AI落地的人都知道一个尴尬的事实：FDE这个岗位的大量工作内容，本质上是在替AI“补台”。

为什么？因为AI在企业场景中有几道绕不过去的坎。

第一道坎：AI的输出是“概率”，但业务需要的是“确定”

大模型的本质是什么？是一个概率预测系统。它根据上文，预测下一个最可能出现的词是什么。这种机制决定了：同样的问题问三遍，可能得到三个不同的答案。

在写文案、做摘要这类场景里，这种“创造性”是优点。但在企业业务中呢？

想象一下：财务问“上个月华东区的回款金额是多少”，AI给了个数字。财务追问“你确定吗”，AI重新算了一遍，给了另一个数字。两个数字差了十几万。

财务敢用吗？不敢。

他只能回头手动查ERP、对账、做Excel。花的时间比原来还多。

业务系统要求的是“确定性”——每一笔数据都可溯源、每一个结果都可复现、每一次查询都必须一致。而大模型天然不提供这些。

FDE怎么解决这个问题？他解决不了。他只能告诉客户“需要用RAG增强一下”“需要加一层校验机制”“需要人工复核”——每一个“需要”，都是在给客户增加工作量。

而老板签合同的时候，销售说的是“AI帮你自动完成这些工作”。

这中间的落差，全部由FDE在现场“消化”。

第二道坎：AI能关联，但不会因果推理

麦肯锡与MIT 2025年的联合报告指出，约88%的企业部署了AI，但真正带来可衡量利润贡献的仅约39%，95%的项目未能转化为可持续的生产能力。

差距出在哪里？

出在AI的“思考方式”上。当前大模型的核心能力是关联——它能从海量数据中找到“A和B经常一起出现”，但它无法判断“如果我改变A，B会怎么变”。

在金融风控、供应链调度、设备运维这些需要精确判断“如果……那么……”的场景里，一个只能给“感觉”而不能给“依据”的系统，没人敢真正把它接入决策链条。

可老板们签合同的时候，销售给他们看的是“最佳案例”——那些数据干净、场景简单、精心挑选出来的“样板间”。等FDE到了现场才发现，真实业务比Demo复杂一百倍。

这时候老板问“为什么还没出效果”，你怎么答？

第三道坎：智能体离“稳定运行”还很远

毕马威2026年全球技术报告显示，88%的企业已将智能体融入系统，但仅有24%能在多个AI用例中实现投资回报。

大多数企业面临的已经不是“能不能试点”的问题，而是“试点之后怎么规模化”的问题。智能体之间缺少统一调度，跨部门协同能力弱，加上企业自身的数据治理和系统架构参差不齐，导致AI应用始终停留在“项目制”而非“产品化”的状态。

结果是：一个Demo可以跑得很漂亮，但一接入真实业务就出问题。不是这里断链，就是那里报错，或者输出结果需要大量人工复核——效率没提多少，工作量倒是增加了。

三道坎叠加在一起，FDE能做什么？

一个残酷的现实是：FDE解决不了上述任何一个根本问题。他们能做的，是在客户现场反复调试、反复适配、反复解释“为什么还需要时间”。

03. 于是，FDE变成了“背锅侠”

当AI本身存在这么多局限，FDE能做什么？

答案很残酷：大多数FDE并没有能力改变AI的底层能力短板，他们只能“在场”替这些短板擦屁股。

一位00后FDE自述，他的日常是“六分沟通、四分技术”，大半时间在外出差，最长一次驻场客户将近一个月。典型节奏是上午和企业负责人开会挖掘业务卡点，下午用AI工具搭Demo，晚上熬夜优化方案，第二天再和客户验证，一轮轮反复调整，直到AI方案“能落地”。

但“能落地”和“真正跑进核心业务、持续产生价值”之间，隔着一道深渊。

有AI公司的CEO被Palantir的故事打动，三个月招了8个年薪80-120万的FDE派到客户现场。半年后盘点产出——

8个人，5个变成了驻场实施工程师，每天帮客户调接口、导数据、写文档；2个变成了售前，天天做Demo、陪客户开会；还有1个最惨——被客户当成“免费技术顾问”，连修打印机、重装系统都找他干。

真正回传给产品团队的洞察数量：0。推动产品核心迭代次数：0。帮销售拿下的新客户：0。

这不是FDE不行，而是太多公司从第一天就理解错了这个岗位：它不是外包的升级版，不是售前的变种，不是产品的补丁，而是一套“在客户现场发现真问题、把经验回传产品”的闭环系统。

可问题是——当AI本身就缺乏稳定跑进核心业务的能力时，你能回传什么？

04. 我不忍心的，是这场“默契的合谋”

我不忍心做FDE，是因为这个岗位的体面，建立在一个无法说破的事实之上：

企业老板说不清“用AI到底要解决什么”，AI产品本身解决不了核心业务问题，而FDE夹在中间，负责让这场交易看起来“在推进”。

Gartner甚至警告：七成企业将因内部技能不足和潜在高成本，被迫放弃由FDE主导的AI项目。

换言之，很多FDE项目从一开始就注定不可持续。但公司拿到了合同，FDE拿到了薪资，只有企业——那个以为“部署了AI就能提效”的客户——在付完账之后，发现一切并没有改变。

有从业者在社交媒体上吐槽，说FDE是“纯造概念”。也有人认为它不过是解决方案架构师、实施顾问和交付工程师换了个新名字，甚至被认为就是外包岗位，没有含金量。

但我觉得，比“造概念”更令人不安的是：你知道手里的锤子敲不响那面墙，却还是被推到了客户面前，面带微笑地说“我们来帮您解决问题”。

写在最后

我不是说AI没有价值，也不是说FDE这个岗位永远不该存在。

我只是想说：当AI本身的能力局限，决定了它在大部分企业核心业务中只能充当“锦上添花的配角”时，用一个光鲜的岗位名字，把“部署AI”包装成“解决业务问题”，本身就是一场对信息差和焦虑的收割。

一位从业者说得直白：“FDE有需求，但还算不上一个成熟的行业”。另一位做FDE的人判断：“不同行业的FDE，很多东西都是不通用的”。

企业想要的是解决方案，FDE给的是Demo；企业想要的是稳定运行，AI给的是概率输出。

这两者之间的落差，不该由那个被派去驻场的年轻人一个人承担。

---

如果你的公司正在招FDE，请你先想清楚：你要他去做的事，AI真的做得到吗？

如果你正在考虑接FDE的offer，请你先问自己：你准备好替AI“圆”那些它圆不了的场了吗？