FDE（Forward Deployed Engineer）前线部署工程师，正在成为硅谷最热门的职位之一。Palantir用这套模式跑了20年，如今在AI浪潮中愈发成功。但在中国，FDE的境遇却有些“水土不服”，有人质疑FDE项目现在还看不到成功案例，FDE一撤场，可能系统就会随时瘫痪。
与此同时，还有一种声音也在出现：vibe coding让开发变简单了，客户自己招20个FDE再配合AI，是不是就能替代过去100个顾问的工作？FDE无法规模化，一个FDE一年服务不了几个客户，薪资却水涨船高。怎么算好这笔账？当模型厂商、国央企数科集团都在搭建FDE团队，组织架构和用人策略有何变化？FDE最核心的能力短板是什么？
「深度实践」栏目邀请到埃森哲大中华区AI与数据事业部总裁曹琦峰，科锐国际CIO于鹏，由钛媒体联合创始人、联席CEO、ITValue发起理事刘湘明担任主持嘉宾。一位深谙中国企业AI交付的实战痛点，一位洞悉全球人才市场与组织演进趋势，他们分别从各自实践及观察分享了当下FDE市场的真实一面。
曹琦峰的回答可以概括为三点：第一，客户对FDE端到端的商业或业务价值需求变高了。FDE不再只是交付一个被清晰定义好的内容，而是要与客户共同定义目标和衡量标准。同时，甲方需要具备C-Level的决心，对问题有清晰定义，并在数据与知识层面做好准备。
第二，FDE要去做正确但更难的事情。真正让FDE落地并产生价值的关键，是触动企业组织转型和人员调整，而不仅仅是完成简单的技术任务或POC项目。
第三，FDE不是一个人，而是一个团队。客户需要的是复合型能力，乙方提供的也不只是技术交付，更是作为改变的桥梁，帮助客户设计改变方向和路径，最后将业务交还给客户。
科锐国际也在推动自身AI转型。结合自身实践，于鹏认为真正推动AI转型取得成效，除了技术负责人担任技术主力，也离不开CEO作为一号位亲自推动、组织工作坊、成立小型团队进行AI实践，是AI真正融入组织的重要前提。如今，在科锐其研发人员已经基本转型为三类角色：一是产品人员，向前延伸做FDE中的Echo角色；二是开发人员，全部转型为全栈工程师，开展Delta的交付；三是部分测试人员从传统测试转向构建评估集，评估AI产出的结果。
于鹏认为FDE难以一个人包打天下，从内部AI招聘业务团队了解到，只有20%的人符合全能要求。根据实际调研，在国内，中级FDE年薪在60万到80万，高级在80万到120万，顶尖人才年薪则接近150万。
对比FDE项目中的两类角色：Echo（负责进入现场、处理客户关系、需求翻译）和Delta（负责将需求变成原型、部署和迭代），两位嘉宾同样认为客户更需要Echo这类角色，且更难选培。比如优秀FDE更看重多元化发展机会与成长空间，企业也需要给予FDE实际和隐形的精神激励。
附上本期直播时间轴，帮你快速跳转感兴趣的部分。
06：02 AI时代的FDE与“古早”FDE有何区别？
10：40为什么FDE的成功，甲方也需要负一半责任？
37：49国内外的FDE除了薪酬还有哪些差异？
45：08中国土壤养得起高质量FDE吗？FDE的经济账怎么算？
01：08：16 AI Coding越强，FDE会越来越重要还是消失？
以下为对话实录，经笔者整理：
一、FDE为何突然爆火？
刘湘明：AI行业各种三字经层出不穷，最新的就是FDE。这个概念不仅在中国很火，在硅谷也是最热门的职业之一。请先用最通俗的语言定义FDE，你们怎么看待这个概念。
曹琦峰：这个概念从去年开始突然火爆，我们也看到了很多相关需求，尤其是在生成式AI爆发之后。当下要将事情落地，特别是将AI与数据结合的复杂场景在企业内部落地，过去那种基于产品去适配的模式，已经越来越不适应现在的变化。因为产品越来越复杂，业务也越来越复杂，同时AI技术本身也在实时变化，需要更多地将技术与现场实际相结合。因此，需要一些既懂技术、又懂业务的人，能够深入到现场，打通从技术到业务，乃至到组织流程等各个环节的关键问题。
在埃森哲，有一个类似的定义，叫做RDE（Reinvention Deployed Engineer）再造部署工程师，与FDE的概念很相似，都强调在现场工作。但在同一个客户的场景中，需要的不仅仅是一种能力。因为商业环境正变得越来越复杂，不仅需要技术能力和工程师，还需要一些懂行业、懂具体场景的专家，甚至是对企业组织转型有深刻理解的专家，以及能够更快进行现场交付的各类人才。当这些能力整合在一起，才能让一项技术或产品在企业内部更快地生根发芽，并真正提供价值。这个概念兴起的本质，是商业、IT以及对新AI能力需求的复杂化，以及对交付时间要求缩短所带来的变化，体现在对复合型、复杂交付团队和能力的需求。
于鹏：从我自身的经历来看，大概在19年前，我可能就已经在扮演一个“古早”的FDE角色了。那个时候还没有现在这种基于大模型的AI，很多软件公司其实在做类似的事情，即如何将技术输送到企业一线，解决企业的问题，并在此过程中积累知识和方法，沉淀出新的产品。很多那个年代的软件公司都是通过这种方式成长起来的，因为只有具备现场的真实体感，才能沉淀出好的产品。
发展到今天，面向AI时代的FDE，从人力资源的视角来看，可以理解为：未来一个企业要完成任何商业目标、交付各种商业价值，其所需资源的来源，一方面一定是人力资源，另一方面就是像数字员工这样的AI资源。而FDE的角色，就是进入企业内部，帮助企业找到那些价值最高的问题和工作内容，然后借助最新的技术，以及一些可能不那么新但很实用的技术，来帮助企业稳定地交付结果。在这个过程中，也需要将企业的各类知识进行沉淀，同时将脱敏后的内容带回服务商那里，以便让下一次的交付更具性价比，让未来的商业运作模式能够更加规模化。实际上，FDE可能不仅仅是一个岗位，更是一种能力，它连接起了技术、业务和组织，最终将成果转化为企业真实的经营结果，以及服务商的知识积累和未来的规模化能力。
二、从“交付完成”到“价值体现”：FDE最大的变化
刘湘明：埃森哲原来就有咨询+实施的模式，于总也把自己定位成一个“古早”FDE。在中国及海外，一直有很多驻场的软件工程师和咨询顾问。现在的FDE和当年的角色相比，区别是什么？
曹琦峰：最大的区别在于，现在对端到端的商业或业务价值的要求变高了。过去，价值流可能是被切开的，做软件工程或产品开发，通常有一个非常明确的范围定义，把事情交付完成就算结束。但到了FDE这个阶段，客户关注的重点不再是你是否按照设计把软件做完了，而是这个商业价值最终能否真正体现出来。
相应地，这种要求的变化，就使得对FDE或我们称之为RDE的团队要求变得非常复杂。这个人可能要既懂业务，又懂AI，还要懂技术和组织，对人的要求提升得很快。在实际过程中我们发现，用原来的方式很难适应这种变化。现在很多情况下，专业的咨询师到了客户那里，一开始可能是一个学习的过程，他们需要借助最新的AI Agent、代码辅助工具等，通过客户的文档去梳理整体状况，找到业务卡点，学习客户的业务知识。当这些都准备好之后，才能与客户站在同一个起跑线上，用共同的语言去讨论，AI或技术能解决什么问题，能提供什么价值，以及如何度量这些价值。将这些结合起来，才使得FDE这项工作与过去发生了很大的变化。
总结起来，过去更像是交付一个被清晰定义的、事先确定好的内容，而现在更多是与客户一起去定义目标，在执行过程中设计价值的衡量标准，然后再将其交付出去。
于鹏：在我看来，变化的核心在于，过去我们在软件时代交付的是一个可运行的产品，这个产品确实在企业运转了，但我们可能对最终的业务结果并不直接负责。而FDE这个角色，一定要对结果负责。所谓对结果负责，就是指无论是乙方的FDE还是客户方的业务团队，都要共同承担最终的结果责任。这些结果体现在各种更新后的业务指标上，不再是过去的日活、月活，而是真正的任务完成率、成功率、效率等一系列业务指标。
过去软件时代交付的是一个成品，而FDE未来交付的是一种能力。除了让企业拥有一个运转的系统或AI方案，企业自身团队的组织方式也会随之改变，因为考核指标变了，人员分工也会变。FDE工作完成后，企业留存下来的，不仅仅是最终的结果，更是企业整体能力的提升。
三、成功FDE项目的共性：团队、甲方准备与一号位
刘湘明：根据你们的描述，FDE比过去的交付模式更复杂，从概率上，项目失败的可能性也更大。你们有没有观察到一些成功的FDE项目或团队？在成功与失败的案例中，有哪些共性？
曹琦峰：要做好FDE这种复杂类型的交付，首先是团队人员要齐全，需要有业务专家、技术专家，甚至可能还需要更专业的数据和AI专家，大家协同配合。这是从埃森哲作为服务提供方的角度来看。同时，我们发现FDE对甲方也有很高的要求。很多情况下，像国外成熟的FDE实践，需要从C-level就决定要做这件事。因为很多时候，提供新的、复杂的价值，并非在原有框架下就能完成，需要改变组织结构、数据流向、业务流向，甚至更新客户与他们的客户之间的交流方式，这就涉及到协调，甚至可能涉及到组织内部利益分配的变化。
所以，成功的FDE案例，作为咨询方，乙方提供的主要是复合性的能力，而甲方则需要首先有高层自上而下的决心，对自己企业面临的问题有清晰的定义，并有信心与乙方合作完成。其次，甲方公司需要在业务、技术架构上有所准备，比如数据是否就绪，企业内部的知识是否已有梳理。当这些前期准备做好后，我们才能在较短的FDE周期内，比如一两个月，就让客户看到价值链路是成型的、可运行的、可被验证的。这是我们看到的几个成功要素。
于鹏：我很赞同曹总提到的要把业务、组织和技术整合起来。我想补充一个自己的案例。作为一家人力资源公司，我们在研发自己的Agent过程中，技术负责人是技术主力，但真正让产品做得特别好，是CEO作为一号位的亲自推动。CEO组织了所有中高层以及业务和技术团队一起开工作坊，让大家理解AI如何融入组织，而不仅仅是作为工具使用。之后，我们在内部成立了各种小型团队，针对特定场景进行拆解和AI实践。同时，通过多年的数据积累，以及CTO团队持续的模型训练和AI架构演进。最终，我们上线了一个很好的AI招聘产品，它把业务真正体现在了Agent中，让招聘顾问可以快速完成人员筛选匹配，以及绘制人才地图、产业研究等工作，目前已经在AI、生物制药、半导体、智能硬件等领域取得了很好的成果。这就是一个AI在企业内部落地，必须有一号位亲自行动的例证。
曹琦峰：埃森哲服务的许多客户也是如此，当CEO决定要做这件事，并且看到了AI带来的业务和商业可能性时，事情会推进得非常顺利，因为这需要统筹规划。我们也有类似AI COE（卓越中心）的服务，来定义AI这种新能力在公司内部如何落地，以及如何衡量从组织、人事评价、流程到技术架构的整体变化。这一定要有一号位的参与，才能把整个事情理顺，这不是单点性的工作。自上而下的推进，以及一号位的决心和视野，非常重要。
四、AI时代如何定义目标、管理预期与衡量价值
刘湘明：刚才二位也提到AI时代下FDE的到来，是要完成更复杂、更不确定性的目标。一个很大的挑战是，甲乙方如何清晰定义目标，因为它不像过去，比如ERP或提升供应链效率会有非常清晰的目标。你们如何定义这个时代的目标？
于鹏：对于我们来说，目标不是简单的降本增效，而是拿到真正的业务结果。提高业务效率是辅助手段，最终是让顾问有更多时间真正去与人选、客户进行深入的沟通和连接。一方面是公司愿景使命驱动，即如何更好地服务更多客户；另一方面是顾问自身也愿意把时间花在真正需要人的事情上，这个共识比较容易达成，因为顾问们会主动提出“哪些流程中的工作不应该由人来做，应该用AI来做，哪些是人机结合能做得更好的”。因此，AI融入业务，不仅仅是接管了人类不愿意做的工作，更是在某种程度上放大了人的能力。这件事本身除了对企业有价值，对员工也有价值，因此项目推进会比较顺利。
刘湘明：埃森哲面临的问题会更复杂，因为客户的预期也更高。你刚才谈到组织、模式和技术，这与当年管理咨询面临的挑战有相似之处。埃森哲会如何管理客户预期，共同定义目标？
曹琦峰：首先，回到一把手工程这一点，如果我们能与CEO共同推动公司的AI原生转型，第一件事就是定义好业务目标，即从哪些角度衡量AI或整个转型带来的价值。其中有一些是隐性的，比如员工工作效率的提升或数据整理的更清晰；也有一些是显性的，比如对客户销售或人效的提升，这些都会有明确的数字。我们会给管理层一个非常明确的价值定义，即当做某件尤其是整个组织要做的事时，会有明确的概念、指标定义和衡量方法，并设有定期检查点来确保落实。
在生成式AI火起来之后，很多企业上了大量POC项目，做了很多Chatbot或Agent，结果发现管理起来很混乱。我们发现，问题在于很多企业一开始没有想清楚，如何去定义这些项目要产生的价值，以及其中需要包含的内容、组织和人员转型。AI看起来容易做，大家做了很多简单的任务，却没有做那些正确但更难的事情，比如触动企业组织转型和人员调整。
另外，当定义转型或AI价值指标时，技术进步也带来了新的可能性。比如供应链管理，客户常说要精准预测，但预测很难。后来我们发现，虽然预测不一定更准，但AI可以让整个系统变得更敏捷来适应变化。作为甲乙双方，需要同时意识到这些新选项的存在，然后一起思考如何从技术、组织和人才上让企业变得更敏捷、更健壮，用一种不同或更聪明的方式达成目标。
刘湘明：那么，埃森哲在与客户的交付过程中，咨询与FDE团队之间的关系是怎样的？比如，如何决定派遣多大规模的RDE团队？
曹琦峰：我们通常派遣一个小型团队，规模取决于客户要做的事情有多大。如果是局部性问题，会派熟悉该领域的专家、熟悉客户内部系统或组织的专家，通常常驻客户现场，也会有咨询顾问和懂AI、IT、数据的同事一起合作。当企业需求更大，比如要做整个公司转型时，会派战略咨询或管理咨询方面的资深专家参与。所以，团队规模主要根据客户需求决定。
但无论何种需求，我们现在派遣的人员基本上都是复合型团队，很少只派两个工程师过去，因为客户也不愿意为单一的工程师支付高溢价。现在技术进展很快，单点能力很容易被AI替代或由客户自己获取，高溢价更多来自于复合型能力，我们也在尝试转型，提供这种复合型能力，为最终交付的价值提供保障。
刘湘明：我正好也关心这个问题，过去乙方的核心能力之一是代码能力，现在像Codex等工具极大降低了开发门槛，埃森哲如何看待现在自身交付的护城河？
曹琦峰：我们的护城河从来都不是代码本身，而是业务与代码的结合部分。程序员一直在将自己重复性的工作自动化，从开源库到软件工程的各种优化，即使没有AI，软件工程效率也有巨大提升。在这个过程中，程序员的需求并未减少，只是工作内容发生了变化。更早期，程序员很多时间在写代码，但随着职位提升或作为乙方去推动商业落地，更多的时间其实是去理解客户需求。很多时候，客户并不能一次性将需求事无巨细地写出来，总会有遗漏和反复，大部分时间花在沟通和理解上。
AI出现后，确实压缩了编码时间，但一开始个人提效并未直接带来组织提效，因为编码之外的沟通、协作、系统性问题依然存在。当针对AI进行组织转型后，提效才逐渐发生。代码价值变低，实际上是推动价值向前端转移。业务专家和一个小型团队如果能真正对接业务，确定正确的方向，那么AI编码能更快地拉起端到端的认知，快速做出原型，让每个人看到、摸到、体会到要做的东西，之后再合力解决数据、架构、组织、人事、知识等各方面的问题。AI编码带来的能力解放只是一部分，我们更多在用AI去理解代码之外的文档、决策链路、内部流程等，将这些都拉齐后，代码变得更好写了。
刘湘明：于总，你们现在使用FDE吗？尤其是外部的FDE，用得多吗？
于鹏：我们少量在用。一方面我们自己在做团队转型，原来有产品、设计、前端、后端、测试、运营等多种角色，现在基本聚焦为三类：第一类是产品、设计、运营人员，向前延伸做FDE中的Echo角色，与业务方一起变革组织、流程、角色和岗位，最终形成方案；第二类是开发人员，全部转为全栈工程师，配合产品在两周到四周内交付工程化产品；第三类是测试人员，但工作内容从传统测试转向构建评估集，评估AI带来的结果。我们在使用外部FDE时，会考虑把更多数据稳妥地交给他们，让他们有较大权限，同时必须保证数据合规受控，不能带出企业。
五、Echo与Delta：哪个角色更难？
刘湘明：刚才也谈到FDE的两个角色，Echo和Delta，你们觉得哪个角色更难？
于鹏：从我的视角，我觉得Echo未来的要求会越来越高。很多企业都想招一个全才，但在筛选人才时，哪怕是大厂出身、有技术背景的人，去做客户沟通、组织绩效指标定义、流程疏通和跨部门协同等软性技能，还是比较难培养的，这些需要实践历练。大概只有20%的人能符合全能型要求，更多时候，可能需要将一个角色拆分为两个：一个偏业务和组织，解决为什么做和做什么的问题，陪着CEO理清高价值事项；另一个偏技术落地，也就是Delta这类角色，解决怎么做的问题，可以借助Coding Agent快速交付结果。
曹琦峰：我也这么认为，Echo确实更难找。能把Agent写得很熟练的人，不一定能提出正确的问题。选择比努力重要，能提出正确方向是最难的。当一个Echo能结合AI或技术方向与业务对接，提出正确方向并知道如何衡量，后面做事的人总能找到，并且可以不断试错。如果方向错了，后面跑得再快也是徒劳。
刘湘明：FDE的汇报线通常如何设置？向CTO、业务线还是CEO汇报？
于鹏：甲方有两种情况：一种是做AI原生组织转型，通常直接汇报给CEO，设立AI转型办公室；另一种是追求具体业务结果，通常汇报给业务一号位。乙方方面，FDE更多下沉到前线交付或售前团队，能力强的售前可做Echo，交付可做Delta。
曹琦峰：我们交付时，FDE的汇报线通常到客户的业务一号位或CEO，让他们能及时了解变化和价值。
刘湘明：于总，企业在招聘FDE时最容易踩的坑是什么？
于鹏：最大的坑是认为一个人可以包打天下。建议企业可以用更灵活的方式，比如阶段性地使用专业服务机构，来弥补能力的缺失，而不一定只能长期用一个高成本的全能型人才。
六、中外FDE差异、薪酬水平与FDE经济账
刘湘明：不知道二位有没有比较过，国内外的FDE团队和模式，在实践和观察上是否存在差距？
曹琦峰：我觉得工作方式和工作内容上还是比较类似的。国外的FDE薪资确实非常高。有一点不同的是，对产品的贡献度，欧美的公司，尤其是有强产品的公司，更关注FDE是否能带回新的知识，把自身当作知识平台，这是核心竞争力。在国内，很多客户更关注FDE能否把东西落地，但对知识产权保护的重视程度相对不够。从长期看，企业内部知识和专业性的价值会越来越高，管理好外部人员的权限，防止核心信息外流，是非常重要的。甲方在选择FDE服务时，除了看资质和专业性，也应对信息安全管理给予足够重视。
于鹏：关于中外差异，我也有体感。海外的SaaS生态和AI生态更成熟，很多企业在信息化数字化过程中已经将数据规范化、标准化，流程也很顺畅，AI能借助成熟系统发挥更大作用。中国企业可以走一条类似弯道超车的路径，通过相对浅层的Agent去总结经验，再连接遗留系统，可能是一个更快拿到结果的差异化路径。不过在中国，长期来看，如果没有本体（Ontology）这样的底座，很难持久产生稳定效果，Token消耗也可能失控。
刘湘明：谈到FDE的薪酬，于总，国内FDE的薪酬水平如何？
于鹏：不同类型的企业有差异。从我们一线顾问接触到企业实际招聘需求来看，中级FDE年薪大概在60万到80万，高级的在80万到120万，一些顶尖的、从大厂出来做过从0到1的Agent并拿到结果的人才，可能接近150万。薪酬主要根据能力层次，特别是是否具备Echo的能力来体现差异。当然，也有一些人虽然叫FDE，但资历较浅，薪资不高，能解决企业问题的才是真正的FDE。
刘湘明：曹总，国内ToB软件服务的挑战很大，FDE很贵，在你们看来人效要达到多少才能覆盖成本并产生利润？如何算好FDE经济账？
曹琦峰：FDE的经济效益有两端：一是在当前交付中，客户购买软件或服务；二是从客户那里获得新知识，提升自身产品价值，这两端加起来才能支撑高薪酬。在国内，很多客户尚未准备好接受FDE很贵。为了让市场接受，我们更多采用以价值为衡量标准的交付方式，不按人头收费，而是按结果付费。例如，在提升的销售额或供应链效率中，按约定比例分成。当团队能创造很大商业价值时，经济账才能算得过来。
刘湘明：FDE的工作与客户内部的IT、业务团队越来越融合，如何划分职责边界，更好地合作？
于鹏：有些企业让内部产研团队向前线靠拢，培养自己的FDE；也有些让用户学习技术，结合内部产研团队进行创新。在弹性调度资源方面，一类是使用埃森哲等咨询公司，他们有成熟体系和行业积累；另一类是灵活调度自由顾问专家。在这个过程中，CEO是核心发起者和参与者，CHRO和CIO是重要辅助，因为人与Agent未来存在部分换算关系。通过拆解岗位中的任务，让AI做擅长的，人做复杂的、需要人情味的工作，可以更精益地构建组织。
曹琦峰：AI浪潮对咨询公司是一个大机会。作为乙方，我们提供的是改变。我们并不与客户原有的团队冲突，而是作为改变的桥梁，帮客户设计改变方向和路径，最后将业务交还给客户。
刘湘明：埃森哲在全球有超过70万员工，如何调拨这些资源进行AI项目交付？有多少人能真正转为FDE？
曹琦峰：我们内部转型力度很大，通过各类培训、角色定义转变、证书考试等方式推动变化。同样由CEO牵头，定义新的技能和角色。客户需求并未因AI而减少，反而因为AI带来了新的机会，只是我们交付效率更高了。
刘湘明：前面说到FDE要求高、薪资高，如何设计激励机制？
曹琦峰：优秀的FDE人才更看重多元化的发展机会，能跨行业深耕、提供更多价值、解决棘手问题，这种事业上的成就感和成长空间本身就是很大的激励，当然薪酬也是有效方法。
于鹏：我们通过让员工承担更多职能、提升能力，使工作变得更轻松，这本身就是一种隐形激励。同时，鼓励他们结合不同业务部门的需求产出更多成果，获得业务部门的认可和依赖，也是一种精神激励。物质上，我们会让转型成功的同学优先使用更顶级的模型，从而有机会体验更强的智能，更好的形成正向循环。
七、FDE的生命周期与未来企业软件影响
刘湘明：中国企业出海，FDE若走向海外会面临哪些挑战？
曹琦峰：国内工程师直接到海外做FDE的案例还不多。FDE非常依赖对客户所在行业、国家和文化背景的理解，出海后可能在底层文化和商业习惯认知上出现问题。虽然特定领域如供应链可能有全球共性，但Agent的上下文和当地环境更重要。
于鹏：我们服务出海企业时，会帮他们分析如何灵活配置资源，有些岗位必须在当地招聘，因为当地法律法规和数据安全要求使得海外人士很难直接开展工作。对于成熟的、数据安全有保障的企业，一些交付性工作可以通过协议保障的方式在离岸地区完成。
刘湘明：二位如何看待FDE岗位的生命周期？它会长期稳定存在，还是会随着AI能力增强而消失？
曹琦峰：AI对顶尖人才的赋能效果很强，这些人最适合做FDE。所以FDE岗位本身不会消失，但对人的要求会越来越高，能撬动的价值也更多元。不是顶尖的那部分能力，可能会被AI稀释。未来FDE可能会更精尖化，数量可能变少，但价值更高。
于鹏：FDE更可能是一种运营模式，而不是一个固定岗位。其中，隐性知识的挖掘和本体构建需要人与人的深度沟通，尤其需要Echo这类角色。同时，Delta的交付效率要求也会越来越高。
刘湘明：最后一个问题，FDE这个生态环节的变化，会对未来企业软件产生什么影响？哪些公司会受益，哪些会面临困难？
于鹏：FDE要完成说得通（找到价值）、做得出（交付结果）、待得住（提升能力）三件事。软件和AI的关系，可能是替代、放大或共生。工具型、单薄的产品容易被AI替代，但运转多年的大型遗留系统，切换成本很高，大概率是共生关系，通过改造来进化。
曹琦峰：未来软件公司提供的服务可能更复杂化，软件间的沟通、与人的沟通将更普遍。软件的开放性会变得很重要，不开放会成为进化的障碍。软件的壁垒不再是代码，而是多年沉淀的行业经验、避过的坑和用户习惯。如何在这些壁垒上长出新的东西，是软件公司未来发展的关键。
更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App
