观点 / AI 创业
关于 FDE 的几点理解AI 已经能做不少事情，企业却仍然需要专门的人帮助落地。这件事，值得做 AI 创业的人认真想一想。
阅读约 7 分钟 · FDE / 企业 AI / 创业观察
一个原型能运行，和客户愿意在日常工作中使用，中间还隔着不少事情。数据怎么接，业务规则怎么处理，出了问题谁来解决，每家公司的情况都不太一样。对于初创公司，这些差异背后既有客户需求，也意味着交付成本。客户愿意为什么付费，团队能够把哪一部分做好，需要放在一起考虑。
FDE 值得关注，就在于它让创业团队有机会进入真实业务，在解决问题的过程中理解需求。至于能不能形成一门好生意，还要看业务理解够不够深入，做过的工作能不能逐步复用。
FDE，具体在做什么？
FDE，全称 Forward Deployed Engineer，通常译为“前线部署工程师”。Palantir 很早就有这类岗位。按照它对工程师工作的介绍，FDE 会进入客户团队，基于已有软件平台，与最终使用者一起构建和部署解决方案。工作既涉及软件开发、数据工程，也涉及客户沟通。[1]
这里有两个值得注意的细节：工程师需要到客户那里理解问题，同时，交付又有产品和平台作为基础。前者帮助团队找到真正需要解决的事，后者则让已有能力能够在不同客户之间继续使用。今天讨论 AI 领域的 FDE，这两部分都很重要。
拿一个假设场景来说。一家外贸公司，希望销售能够更快回复询盘。AI 可以帮助写英文邮件，但一封邮件发出去之前，销售还要确认产品规格、库存、价格和交期。客户使用的型号，可能和内部产品名称对不上；有些价格存在表格里，有些交期需要向生产部门询问。
如果要让 AI 参与这段工作，就需要有人把这些细节弄清楚。哪些信息能够直接读取，哪些需要先整理，遇到什么情况必须让销售确认。之后再去接系统、做开发、测试效果，并根据实际使用继续调整。
这段工作把 FDE 需要的能力讲得更具体了：既要知道模型能做什么，也要理解客户为什么这样做事。交付之后，还要看员工能不能在日常工作中用起来，业务发生变化时能不能继续使用。
因此，培训、咨询、工具安装，都可能是交付的一部分。判断它们是否有效，还需要往后看一步：这些工作最终有没有接到一条真实运行的业务流程上。
为什么现在，企业会更需要这类能力？
OpenAI 在 2026 年 10 月介绍自己的 FDE 团队时，提到了“部署鸿沟”：模型能力的发展，快于企业将其可靠投入工作所需的系统和流程建设。[2] 这也解释了 FDE 为什么在这个阶段受到关注。技术提供了更多可能，企业还需要把相应的数据、系统和工作方式准备好。
一个员工开始用 AI，通常可以从自己的任务入手。但如果希望销售团队都能用起来，就需要考虑资料能否共享、价格规则是否统一、审批由谁完成。涉及不同部门时，还需要有人协调。企业采购了一项产品，并不意味着这些事情已经解决。
麦肯锡 2026 年的全球 AI 调查中，80% 的受访者表示，AI 改善了个人工作效率；报告 AI 对企业整体息税前利润产生正向贡献的，占比为 37%。[3] 两项数据衡量的事情不同，不能直接拿来计算落地成功率，但它们提示了一个值得关注的问题：员工已经感受到的便利，怎样才能进一步体现在公司的经营结果里？
销售查资料快了，后面的报价和审批是否跟得上？一份初稿生成得更快，复核和修改的时间有没有增加？局部的效率提升，要放进完整流程里看，才能知道最终带来了什么。对流程的梳理、系统的适配和使用后的调整，也因此有了具体的需求。
FDE 的机会有这样的现实基础，也有它的边界。如果成熟产品已经够用，或者企业内部团队能够完成，就未必需要外部服务。对于创业团队，重要的是判断客户究竟缺少哪一部分能力，自己的投入能否带来足够明确的改善。
对于 AI 创业者，机会在哪里？
对于早期团队，FDE 的一个吸引力，是能够更直接地了解客户怎样工作。在现场，很多有价值的信息很难靠一份需求文档说清楚。销售为什么还在用自己的表格，某个步骤为什么总要找资深员工确认，一项看起来方便的功能为什么没人愿意用。理解这些细节，才更容易判断产品应该做什么，也能减少一些没有必要的开发。
初创公司的人手、时间都有限，产品方向选错了，后面的开发和推广都会跟着付出成本。能够在交付中看到客户怎么用、为什么不用，产品取舍就多了一些具体依据。
Palantir 的工程师介绍中，也提到会把客户现场的经验反馈给产品团队，一些有价值的产品能力正是这样产生的。[1] 这也说明，现场交付和产品开发之间可以建立联系。一个项目解决了某家客户的问题，继续接触同类客户，才有机会看清哪些需求具有共性，哪些只是个别公司的习惯。
FDE 因而可以成为初创团队理解行业、形成产品的一条路径。只是，这个过程需要主动取舍，交付本身不会自动变成产品。
如果服务的客户越来越分散，每次都要重新理解一个行业、重写一套系统，即使有收入，团队也可能很难积累。相反，围绕相近的业务持续做下去，数据连接、评测方法、常见规则和维护经验，就有机会逐步复用。
具体业务上的积累，在这里就很有价值。熟悉外贸、生产、财务或者某类企业服务的团队，在已有经验上补足工程能力，更容易判断需求是否合理、交付范围应该划在哪里。对资源有限的小团队来说，有所选择，也有助于把经验留在相近的业务里。
对于个人创业者，也是一样。AI 工具可以帮助完成更多开发工作，但客户沟通、需求取舍、质量检验和维护责任，仍然需要有人承担。一个人能够做出多少功能，和能够稳定服务多少客户，需要分别看待。
什么样的 FDE 业务，值得长期做？
看这门生意，有两个问题很实际：客户愿不愿意持续使用，团队能不能把同类工作越做越好。前一个关系到交付有没有价值，后一个关系到公司能不能持续经营。
持续使用，意味着交付进入了日常工作。客户觉得方便，员工愿意用，出现问题后有办法处理。续费时，双方也能够说清楚，这项服务解决了什么，接下来还需要做什么。对于项目价值，这些情况比一场顺利的演示更有参考意义。
交付能力有没有改善，则可以看下一次做同类项目时，是否少了一些重复工作。OpenAI 披露过，在一个半导体客户项目中，团队随着底层工具能力提升，将定制应用迁移到共同的基础上，移除了约 90% 的定制代码。[2] 这是特定项目的经验，也提供了一个观察角度：随着技术进步，已有方案能否简化，原有成果能否更容易地被下一批用户使用。
对小团队来说，这会直接影响经营。一笔项目收入，需要覆盖沟通、开发、部署和售后。创始人自己的时间，也有成本。如果每次都要从头做起，维护工作又不断增加，收入增长未必能带来更好的经营结果。
复用能力会直接影响这笔账。早期可以从定制开始，随着同类项目增加，逐渐形成更清楚的业务理解、更可靠的组件，以及更稳定的维护方法。交付质量和成本越来越可控，服务才更容易持续做下去。
工具继续进步，也会改变 FDE 的工作内容。今天需要专门开发的功能，将来可能被产品直接提供。工具使用上的信息差会缩小，团队需要继续解决客户尚未解决的问题。业务经验、可靠交付带来的信任，以及经过验证的产品能力，因而更值得积累。
基于这些观察，我倾向于把 FDE 看作一部分 AI 初创团队进入企业业务的起点。通过具体交付理解需求，再从反复出现的问题里形成自己的产品和服务，这条路径有价值，也对行业理解、工程能力和团队经营都有要求。判断一个团队在这个方向上有没有机会，最终还是要回到客户每天的工作：究竟解决了什么，客户愿不愿意继续付费，同类交付能不能持续改善。把这些问题看清楚，才能更具体地理解 FDE 对一家初创公司的意义。
参考资料
资料复核于 2026 年 11 月 12 日。文中外贸询盘场景为说明性假设，不代表作者或其公司的实际客户经历。调查结果为受访者自报，厂商案例不代表所有项目的普遍效果。正文中的商业判断为作者观点。
[1] Palantir：A Day in the Life of a Palantir Forward Deployed Software Engineer，2020 年 11 月 2 日。涉及岗位职责、平台基础，以及现场经验对产品开发的反馈。
https://blog.palantir.com/a-day-in-the-life-of-a-palantir-forward-deployed-software-engineer-45ef2de257b1
[2] OpenAI：What FDE means at OpenAI，2026 年 10 月 22 日。涉及“部署鸿沟”及半导体项目的定制应用迁移案例；约 90% 为厂商披露的特定项目定制代码移除比例。
https://openai.com/index/forward-deployed-engineering-means/
[3] McKinsey：The state of AI in 2026: On the road to ROI，2026 年 8 月 25 日。80% 对应受访者报告的个人效率改善，37% 对应受访者报告的企业整体 EBIT 正向贡献。
https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
