FDE爆火：每个人心中的FDE各不相同

企业买的不是更贵的工程师，而是落地能力

企业引入FDE，买的不是更贵的工程师，而是过去不具备的落地能力。

最近，FDE（前沿部署工程师）这个词突然热了起来。有人说，这是AI时代最值钱的新职业。有人说，未来的软件公司都需要FDE。也有人更直接：

现在FDE赛道最大的乱象，就是一批原来做基础交付、实施、驻场开发的人，换了一个时髦头衔，就变成了身价不菲的FDE。

这个说法虽然有些刻薄，却让我想到一个很现实的问题：

「如果只是换了一个名字，企业为什么要付更多的钱？」

昨晚，参加了一场关于FDE企业落地的线上讨论。参加的老师，有长期从事企业架构的专家，有大型企业的数字化负责人，也有正在推动AI项目交付的实践者。

大家从不同角度讨论了FDE的价值、组织模式、人才要求以及实际交付中遇到的问题。

AI已经让软件开发发生了巨大变化，为什么企业的AI落地，还是那么难？

这可能才是FDE突然受到关注的真正原因。

FDE解决的是二十年都没解决的老问题

过去二十年，企业数字化一直有一个老问题：业务不懂技术，技术不懂业务。

业务部门提出需求，产品经理整理需求，研发团队负责开发，实施人员负责交付。

看起来分工明确，但每经过一个环节，需求就可能发生一次偏差。

业务真正想解决的是客户流失问题，最后交付的却是一套客户管理系统。

业务真正希望提高销售转化率，最后上线的是一套销售日报工具。

系统做出来了，也验收了，但企业经营没有发生多少变化。

这些年，我们尝试过很多解决办法。业务架构师、产品经理、业务IT融合团队、敏捷开发、数字化转型办公室……

每一种方法都试图缩短业务与技术之间的距离。

FDE的出现，某种程度上也是在回答同一个问题。

它强调工程师走到业务现场，不只是听需求、写方案，而是直接理解业务、动手解决问题，并根据真实反馈持续改进。

这个方向非常有价值。

但如果我们把FDE理解成一个更高级的实施工程师，恐怕就低估了AI时代真正发生的变化。

因为今天的变化，不只是工程师离业务更近了。

而是AI让一个人能够完成过去需要多个专业岗位协作才能完成的部分工作。

过去，懂业务的人未必会编程，会编程的人未必懂业务。

现在，一个真正理解业务的人，可以借助AI完成原型设计、流程构建、代码开发和部分测试工作。

这意味着，企业原来依赖多个岗位、多个部门才能完成的工作，开始有机会被重新组织。

FDE只是这种变化的一种表现形式。

真正值得关注的，是工作方式正在改变。

会用AI快速开发，不等于能解决经营问题

经常能看到这样的故事：一个FDE进入客户现场，三天时间，就把原来需要几个月才能做出来的系统原型完成了。

这确实能让人兴奋。

但我想问一个问题：

三天完成了一个系统，和三天解决了一个经营问题，是一回事吗？

显然不是。

举个例子

老板说，希望用AI提高销售团队的业绩。

实施人员可能马上开始做销售知识库、客户问答助手、销售话术生成器。

一个熟练使用AI编程工具的工程师，甚至可能几天就把这些功能做出来。

但真正的问题可能根本不在这里。

销售业绩不好，究竟是什么原因？

是线索质量太差？是销售响应不及时？是客户提出异议后无人跟进？还是销售主管根本不了解哪些商机正在流失？

如果没有搞清楚这些问题，再快的开发速度，又能产生多大价值？

假设经过分析发现，企业真正的问题是销售沟通记录分散，主管无法及时发现关键商机风险。

那么更值得做的，可能不是销售问答助手，而是把客户沟通、商机识别、风险提醒和下一步行动连接起来。

同样是使用AI，两个方案的经营价值可能完全不同。

前者增加了一个工具。

后者有机会改变销售团队的工作方式。

这也是我认为优秀FDE必须具备的第一项能力：

「不是快速实现客户提出的需求，而是判断客户提出的需求，是否真的能够解决问题。」

今天AI正在降低技术实现的门槛。

但问题判断的门槛，并没有因此消失。

甚至可能变得更重要。

因为当开发越来越容易时，企业最容易犯的错误，就是更快地做出一大堆其实不需要的东西。

比培养全能工程师更重要的，是重新设计人与AI的分工

在昨晚讨论中，有一个观点让我很有感触。

AI正在让原来分散在不同专业岗位上的能力，越来越多地集中到一个人的工作过程中。

过去，一个企业要完成业务架构、数据设计、应用开发，需要多个专业人员分别参与。

现在，AI已经能够辅助完成其中一大部分工作。

于是，一个新的问题出现了：

如果AI能够同时完成很多专业工作，那么使用AI的人，是否必须具备理解和判断这些工作的能力？

我认为是的。

但这不意味着未来每个人都必须成为既懂经营、又懂架构、又懂编程、又懂数据的超级专家。

这几乎是不现实的。

更可能发生的变化是：

过去，一个工程师依靠自己掌握的专业技能完成工作。

未来，一个人除了自己的专业能力，还可以调动AI所提供的多种专业能力。

他的工作重点将逐渐从亲自完成所有任务，转向判断问题、组织能力、审查结果和承担责任。

两类人，两条路径

比如，一位有十几年企业经营咨询经验的顾问，过去能够诊断经营问题、设计流程，但需要依靠研发团队完成系统实现。

现在，他可以借助AI，自己完成部分原型开发、数据分析和业务自动化。

反过来，一位优秀的软件工程师，也可以借助AI更快地理解业务资料、分析流程、形成方案。

他们都可能成长为优秀的FDE。

所以我不认同，用一个人过去是不是实施工程师、是不是基础岗位，来判断他有没有资格成为FDE。

「真正要判断的是：AI有没有让他获得过去不具备的能力，以及这些能力有没有创造新的业务价值。」

如果只是职位名称换了，能力没有变化，那确实只是包装。

但如果一个人借助AI，真正跨越了原来的专业边界，能够独立解决过去需要一个团队才能解决的问题，那就是实实在在的能力升级。

老板需要的是后者。

真正优秀的FDE，不应该让企业越来越依赖他

昨晚会议中，我特别认同戴尔的一位老师提出的观点：

对于一家软件公司来说，每完成一个FDE项目，都应该让自己的工具、平台和方法论变得更成熟。

这个观点非常重要。

因为它涉及FDE商业模式能否真正成立。

假设一家AI公司有十名优秀FDE。

每个人都能深入客户现场，理解业务、开发系统、解决问题。

听起来非常不错。

但如果每个项目都要重新了解客户、重新整理知识、重新开发流程、重新连接系统，那么公司接的项目越多，需要的人可能也越多。

最后仍然是一家依赖高级人力的软件项目公司。

只是原来卖普通工程师的人天，现在卖高级FDE的人天。

真正有价值的模式应该有所不同。

第一个客户，FDE解决了销售沟通和商机识别的问题。

这个过程中，不仅交付了应用，还形成了客户沟通的知识结构、商机识别方法、业务规则、AI工作流以及效果评测标准。

到了第二个客户，这些能力可以被复用。

当然，每家企业的客户、产品、组织和销售方式都有区别，仍然需要理解和适配。

但不应该每次都从零开始。

再往后，随着客户越来越多，产品和方法不断成熟，新客户的实施成本应该逐步下降。

这才是我认为FDE最值得追求的商业价值：

「优秀的FDE，不只是能够解决一个客户的问题，还应该让同类问题越来越容易被解决。」

对甲方企业来说，道理一样

如果花了几十万元引入FDE，系统上线后专家一撤，企业还是不会维护、不会改进、不会使用，那么这项投入留下了什么？

一个系统？几份文档？还是一种能够持续运行和改进的业务能力？

我认为，老板更应该关心最后一个问题。

我关心的是：AI能不能越来越懂这家企业？

讨论FDE时，还有一件事情容易被忽略。

为什么一个优秀的FDE要花大量时间待在客户现场？

很重要的原因，是企业有太多重要信息没有被完整记录下来。

一个客户为什么重要，销售总监可能最清楚。

报价为什么不能再降，老板心里有一套判断标准。

为什么这个客户必须由某个销售负责，可能涉及过去几年的合作关系。

为什么某个项目虽然利润不高，却仍然值得做，可能与公司的长期战略有关。

这些信息并不都在ERP、CRM或企业知识库里。

它们存在于人的经验、关系、判断和日常工作之中。

FDE要理解这些信息，通常需要大量访谈、会议、调研和现场观察。

但AI时代，我们可能开始拥有另一种方式。

如果AI能够持续参与企业真实的工作过程，经过授权记录重要的会议、决策、行动和结果，并不断积累对企业的理解，会发生什么？

它就有机会逐渐形成对企业经营上下文的认识。

这里面既有企业内部和外部的关键关系，也有经营者的判断原则，还有历史决策、重要承诺、风险事项及专业知识。

这些内容不是一次访谈就能完整获取的。

它需要随着经营活动不断积累、核实和修正。

当然，AI记录下来的内容不一定都是事实，形成的判断也未必正确。关键的经营信息仍然需要人确认，涉及权限和隐私的内容也必须受到约束。

但方向值得关注。

过去，企业要不断向新来的工程师解释自己是谁、怎么运转、为什么这样决策。

「未来，有没有可能让AI逐步积累对企业的理解，再帮助工程师更快地解决问题？」

如果能够做到这一点，FDE的工作方式可能发生很大的变化。

他不再需要把大量时间花在重复了解企业上，而是可以把更多精力用于问题判断、流程重构和效果验证。

更重要的是，当FDE离开之后，企业积累的经营知识和工作能力不会轻易跟着人一起离开。

企业真正留下来的，将不只是一个软件系统，而是一套能够持续积累、持续改进的经营能力。

这也是我最近在研究企业AI落地时，越来越重视的一个方向。

老板现在应该怎么做？

我不建议企业看到FDE火了，就马上招聘FDE，或者高价购买一套FDE服务。

特别是对于成长型企业，很多公司甚至没有完整的信息化部门，也缺少成熟的数据团队。

照搬大型企业的FDE组织模式，可能反而增加管理和交付成本。

我更建议老板先回答三个问题。

问题 01

现在最值得用AI解决的经营问题是什么？

不要从要不要建设FDE团队开始。先看看企业的获客、销售转化、客户服务、交付或经营管理中，哪里存在真正影响结果的瓶颈。选择一个问题，而不是同时启动十个AI项目。

问题 02

这个问题解决以后，怎么证明它真的产生了价值？

如果目标是提高销售转化，就要弄清楚当前转化率是多少，问题发生在哪个环节，准备改善什么。如果目标是提高交付效率，就要知道过去需要多少时间、多少人力，质量表现如何。不用一开始就把所有数据治理得完美，但必须能够判断改善是否真实发生。

问题 03

这次AI落地，能不能给企业留下一项长期能力？

项目结束以后，是否沉淀了知识、流程、工具和维护方法？下一次遇到类似问题，企业是否能够自己解决一部分？如果换一个部门、换一个客户场景，过去的经验是否还用得上？

这三个问题，比先给岗位起一个新名字重要得多。

企业可以通过自己的员工、外部顾问、FDE团队或标准化AI产品来解决问题。

采用哪一种方式并不重要。

重要的是，谁真正对落地过程负责，谁持续使用，谁来验证结果，以及能力最终留在谁手里。

写在最后

我认为FDE所代表的业务与工程进一步融合，是AI时代一个值得重视的方向。

但我也不认为，它会因为拥有一个新的英文名称，就天然比过去的咨询顾问、产品经理或实施工程师更有价值。

对软件公司来说，真正的机会，不是把原来的工程师重新包装后卖得更贵，而是利用AI和产品平台，让交付能力可以不断复制。

对企业老板来说，真正的机会，也不是招聘几个身价百万的复合型人才，而是让AI逐步进入真实业务，使企业获得过去不具备的能力。

对数字化负责人来说，可能还需要重新思考自己的角色：

未来的价值，不只是建设了多少系统、部署了多少智能体，而是能否把业务、技术、数据与AI组织起来，持续改善企业的工作方式。

FDE会不会成为一个长期热门的岗位，我不知道。

但我越来越相信一件事：

「AI时代，真正稀缺的不是把软件做出来的人，而是能够判断什么值得做、并让企业持续获得价值的人。」

这才是FDE热潮背后，值得企业认真思考的事情。

我们不再需要反复讨论谁是不是FDE。

因为企业真正关心的，从来不是这个岗位叫什么名字。

而是：

花了这笔钱，企业到底长出了什么过去没有的能力？

这也是我判断一项AI投入有没有价值时，最愿意追问的问题。