一场「企业如何落地 AI」的私密群聊，没想到搞成了最懂行情的吐槽大会

昨晚围观了一场关于FDE（Forward Deployed Engineer，前线部署工程师）的线上吐槽大会（还不知道「FDE」概念的朋友，可以去参考我这本免费开源书，大概就是讲的就是「企业如何落地 AI」）。

这是一场发生在我的FDE社群的、群友自发组织的多人连线会议（原本下周三我会在群里做直播授课，没想到这场活动先将群里的气氛提前搞起来了）。参与者的背景组成：有研发、售前、咨询、HR，也有人已经在给传统企业做AI落地，还有长期服务政府和大型企业的To B从业者。聊了两个多小时，大家对FDE这个时下火爆的概念各抒己见。

• 有人认为它是「六边形战士」；
• 有人认为它就是AI时代的售前 + 交付；
• 有人认为它本质上还是驻场开发；
• 也有人觉得，FDE根本不应该被理解成一个职业，而应该理解成一种新的企业服务方式。

但恰恰是这种分歧，让我觉得这场讨论非常有价值。因为一个新概念刚刚出现时，真正值得看的往往不是它的官方定义，而是：为什么这么多人突然需要这个概念？以及：每个人试图用这个概念解决什么问题？

FDE爆火未必源于需求爆发，而是供需两端共同推动

最容易形成的叙事是：「AI正在进入千行百业，所以企业需要大量懂AI、懂业务、又能落地的人，因此FDE会成为未来几年非常热门的职业。」这个逻辑当然成立一部分。

但还有另一半经常被忽略：FDE的供给端，也正在发生剧烈变化。过去几年，软件研发尤其是普通开发岗位的供需关系已经发生明显变化。一方面，互联网增量减少；另一方面，AI Coding正在快速提高单个研发人员的产出。原来需要前端、后端、测试、产品共同完成的一些工作，现在一个能力较强的人借助AI，就可能完成相当大一部分。

结果不是「所有程序员都会消失」，而是：完成同样数量的软件项目，越来越不需要那么多人了。这意味着大量原本处于企业后端的技术人员，会被迫寻找一个更靠近客户、更靠近业务、更难被标准化的位置。FDE恰好提供了这样一个新叙事。

所以我更愿意把现在的FDE热潮理解成两个力量的叠加：企业确实产生了AI转型需求；与此同时，大量技术供给正在寻找新的价值锚点。这两件事情同时发生，才造就了今天的热度。这也意味着一个需要警惕的问题：FDE的供给增长速度，有可能远远快于真正愿意付费的企业需求增长速度。「越来越多人讨论FDE」，并不自动意味着「越来越多人靠FDE赚到了钱」。这是两个完全不同的指标。

FDE最大矛盾：服务复杂度飙升，但客户不愿为不确定性买单

传统软件外包有一个非常重要的前提：客户通常大致知道自己想要什么。我要一个CRM。我要一个订单系统。我要一个审批流程…需求经过产品经理拆解，就可以进入研发。

但AI项目经常不是这样。老板可能只会告诉你一句：「我们公司也要AI化。」接下来所有问题都落到了服务方身上：

• 到底哪个部门值得先改？
• 什么流程适合AI？
• 数据有没有准备好？
• 准确率多少才算能上线？
• 出了错谁负责？
• 模型应该用哪一个？
• Token成本怎么算？
• 员工会不会用？
• 上线以后谁维护？

甚至更麻烦的是：客户自己可能都不知道自己的问题到底在哪里。于是FDE开始承担过去多个角色的工作：咨询、需求分析、产品经理、售前、研发、交付、培训，有时还得处理组织关系。从工作复杂度来看，它显然比普通外包更重。

但问题来了：客户会因此愿意付更多钱吗？答案很可能恰恰相反。很多企业老板的第一反应会是：「现在都有AI了，不应该做得更快、更便宜吗？」这形成了一个非常危险的剪刀差：乙方承担的不确定性越来越高，甲方对价格的预期却越来越低。如果没有解决这个问题，所谓FDE很容易变成：一个人干过去三四个人的活，最后只比普通工程师贵一点点。那不是产业升级，而是高级牛马的新包装。

企业老板的「AI焦虑」不等于真实可付费需求

这是我认为今天AI To B市场里最容易误判的一件事。你去接触传统企业老板，会发现他们对AI的热情可能比技术圈想象中高得多。ChatGPT、Agent、数字员工、知识库、GEO……什么火，他们都可能听说过。尤其是在经营压力比较大的行业里，老板普遍有一种焦虑：

• 别人是不是已经开始用了？
• 我的公司会不会落后？
• AI能不能帮我少招几个人？
• 能不能提高利润？

这种焦虑是真实的。但它和有效需求是两回事。至少要区分三层：

• 第一层：老板愿意听AI。
• 第二层：老板愿意拿一笔钱试试。
• 第三层：企业确实存在一个可以量化、重复、持续产生价值的问题。

前两层现在很多。第三层远没有想象中那么多。有些企业甚至连最基础的信息化、数据沉淀、流程标准化都没有做好，却已经开始思考AI Agent。这种情况下，FDE进去之后才会发现：自己名义上是在做AI，实际干的是数字化改造、流程咨询甚至管理咨询。所以未来做企业AI服务，一个非常重要的能力不是「发现需求」，而是：判断一个需求究竟是真的业务问题，还是老板焦虑的投射。这两个东西，价格完全不一样。

真正适合FDE的企业，是「半数字化」而非最传统的企业

一个很有意思的问题是：什么样的公司最适合做AI改造？直觉上，大家容易想到那些特别传统、几乎没怎么数字化的公司。因为「改造空间大」。但实际做起来，这类客户可能反而最难。

如果一家企业：

• 没有数据沉淀；
• 没有统一系统；
• 流程高度依赖人工；
• 员工电脑使用水平有限；
• 大量知识存在于微信群、Excel、纸质文档和个人脑袋里…

那么你想给它上AI，第一步根本不是Agent。你得先帮它补过去十几年没补完的信息化课。这个成本非常高。

而另一端，真正AI Native、研发能力特别强的企业，又很可能不需要外部FDE。因此我反而觉得，最值得关注的是中间这一层——「半数字化企业」。典型特征是：

• 已经大量使用电脑办公；
• 已经有ERP、CRM、OA、企业微信、Excel等工具；
• 已经积累不少文档和数据；
• 但系统彼此割裂；
• 存在大量重复搬运、重复录入和人工判断；
• 同时公司没有一支强研发团队。

这种企业的问题最有可能被AI快速击穿。它们有数据，但数据不好用；有系统，但系统互相不认识；有流程，但大量节点依赖人肉传递。AI在这种环境里的价值往往不是「创造一个全新的系统」，而是：把原来断裂的信息流重新连接起来。这里可能才是FDE最舒服的战场。

真正困难的从来不是搞技术，而是搞人

这是整场讨论里非常确定的一条共识。做企业服务，最后一定会碰到组织问题。因为所谓「AI提效」这四个字，看起来非常中性，但落到企业内部，它经常意味着：

• 某个岗位的重要性下降；
• 某个部门失去一部分权力；
• 某个人多年积累的信息壁垒被打破；
• 原来需要五个人的事情，现在可能一个人完成；
• 某些经验被抽取出来，沉淀成公司的公共资产。

所以员工为什么抵触AI？很多时候并不是因为认知不够。相反，他们可能非常清楚：这个系统一旦真的成功，可能伤害的就是自己的议价能力。

因此AI企业项目有一个非常典型的结构：

• 老板很兴奋；
• 中层谨慎；
• 基层员工未必配合

如果没有真正有权力的人推动，FDE再强都没有意义。这也是为什么优秀的企业服务人员，最后都不得不学习一件程序员普遍不喜欢的事情：理解组织。

• 谁是真正的决策人？
• 谁控制预算？
• 谁能够协调业务部门？
• 谁会因为这个项目获益？
• 谁会因为这个项目受损？
• 项目成功以后是谁去汇报？
• 失败以后谁来背锅？

这些问题，很多时候比你用Claude、GPT还是Gemini重要得多。

企业购买供应商，有时候买的并不是技术，而是风险转移

讨论里有一个非常「甲方视角」的观点，我觉得特别真实。企业为什么不自己做，而要找外部供应商？当然可能是没有研发能力。但还有一个经常被忽略的原因：风险转移。

如果一个创新项目完全由内部员工推动，最后失败了，那么责任非常清楚。但如果引入了供应商：项目失败，可以说供应商能力不够；方案不行，可以换一家；至少风险不会全部落在内部项目负责人身上。

所以成熟的To B服务，交付的其实从来不只是软件。还包括：

• 专业背书；
• 责任边界；
• 可汇报的阶段成果；
• 可验收的里程碑；
• 组织内部的安全感。

这也解释了为什么一些技术非常强的个人开发者进入To B后会非常痛苦。他以为客户购买的是「最优技术方案」。但客户购买的可能是：一个出了问题之后仍然能够解释得过去的解决方案。这两个目标完全不同。

FDE终局价值：让组织运行过程变得可计算

很多企业谈AI，第一个词都是「降本增效」。但如果继续往下推，会发现一个更深层的需求。传统企业普遍存在一个问题：组织运行过程大量存在于人的脑子里。

• 某个销售离职，客户关系跟着走；
• 某个老员工离开，一个流程没人知道怎么跑；
• 新人进来，没有完整培训体系；
• 老板甚至不知道员工每天究竟在做什么。

AI进入企业以后，有可能带来一个过去很难做到的效果：把工作过程逐渐数字化。

• 员工每天处理了什么问题？
• 调用了什么知识？
• 做出了什么判断？
• 哪些流程频繁卡住？
• 高绩效员工是怎么处理某类问题的？

这些东西一旦持续沉淀，就会形成一种新的组织资产。所以从老板视角来看，AI一个非常重要的潜在价值其实是：让公司从「依赖某些人」，逐渐变成「依赖组织积累的系统」。这比节约几十分钟工作时间重要得多。它意味着组织可以变得：可观察；可衡量；可复制；可交接；最终也更加可替代。某种意义上，AI正在把过去BI只能看到的经营结果，继续向前推进到「工作过程本身」。这可能是企业AI真正长期的价值之一。

纯靠FDE项目费，可能不是一门特别好的生意

FDE有几个天然缺陷：

• 高度非标；
• 前期售前重；
• 项目周期不可预测；
• 客户组织成本高；
• 容易无限扩大Scope；
• 交付结束后收入停止。

如果收入完全依赖一单一单地驻场，那么它本质上仍然是一个重人力生意。只不过以前卖的是「开发人天」，现在卖的是「AI转型专家」。真正更有意思的模型，反而是：FDE作为客户入口，后面连接持续收费的东西。例如：

• 模型调用；
• 企业AI基础设施；
• 运维托管；
• 行业SaaS；
• 标准化工作流；
• 数据服务；
• 垂直Agent；
• 持续订阅。

这样整个经济模型就会发生变化。FDE不再是最终产品，而变成：发现需求和进入客户的前台。真正赚钱的是后面的可复用资产。一个非常理想的路径可能是：第一次进入某个行业，做高度定制化项目；做到第二、第三家公司时，开始发现共性；到第五、第十家公司时，80%的东西已经可以复用；最终把服务沉淀成产品。如果每接一个客户都从零开始，那你其实没有积累资产。你只是在不断出售自己的时间。

真正值得积累的，不是「FDE技能」，而是行业资产

如果让我重新定义这个机会，我不会说：「未来FDE很有前景。」我更愿意说：未来，既懂某个垂直行业、又能够借助AI独立完成解决方案的人，会越来越有价值。这两种表述差别很大。因为第一种会让人去学一个新岗位；第二种会让人思考：我到底比别人多懂什么行业？

比如你做了十年招聘。你的壁垒不是会不会调用大模型，而是你知道招聘流程里哪些环节看起来简单、实际上极度反人性。你做了十年建筑。你知道工程项目里哪些信息传递节点最容易出错。你做了多年跨境电商。你知道广告、客服、供应链、订单、售后之间到底有哪些只有真正操盘过的人才知道的坑。

AI提供的是杠杆。行业知识才决定这个杠杆应该撬哪里。因此最值得做的事情，不一定是成为「通用FDE」。反而可能是：选择一个自己真正理解的行业，把其中最昂贵、最重复、最容易犯错的问题，用AI重新做一遍。然后不断复用。

警惕信号：行业标准可能比行业本身先成熟

现在围绕FDE已经开始出现培训、课程、社群、认证、方法论。这很正常。每一个新职业概念出现以后，都会经历这个阶段。但问题在于：企业真正愿意为什么买单，目前还没有完全验证。

如果这个时候「如何成为FDE」的培训市场迅速成熟，而真正靠FDE项目盈利的人仍然很少，就会出现一个非常熟悉的结构：挖金子的人还没赚钱，卖铲子的人已经开始赚钱。这不代表培训没有价值。但至少应该追问几个非常具体的问题：

• 一个典型项目投入多少人天？
• 获客成本是多少？
• 售前周期有多长？
• POC转正式项目比例是多少？
• 客户第二年还会不会付钱？
• 扣除沟通、驻场、返工和售后之后，毛利到底多少？

如果这些数字没人能回答，那么这个行业目前更准确的状态应该是：一个正在形成中的机会，而不是已经被证明的商业模式。

回归本质：商业问题从未改变

聊到最后，我越来越觉得：FDE这个词本身可能并没有那么重要。今天大家争论它是岗位、能力、交付方式还是创业机会，很大程度上是因为整个行业都还处在抢夺解释权的阶段。每个人都在试图把这个概念往自己的能力和利益上靠。

• 技术公司说它是技术交付；
• 咨询公司说它是咨询；
• 开发者说它是六边形工程师；
• 培训机构会把它定义成一种可以学习的职业；
• 平台会希望把它标准化；
• 企业老板可能只觉得：「你能不能帮我把AI真正用起来？」

但把所有概念拿掉之后，真正的商业问题其实非常古老：

• 你能不能发现别人真正愿意付钱的问题？
• 你能不能比别人更低成本地解决它？
• 你能不能把一次性的服务，沉淀成可以重复出售的资产？

如果这三件事情成立，你叫什么并不重要。可以叫FDE，可以叫顾问，可以叫AI工程师，也可以什么都不叫。反过来，如果这三件事情都没有成立——那么再性感的新职业名称，也改变不了它最终仍然是一门不好做的生意。

所以相比「FDE会不会火」，我现在更关心另一个问题：当AI把技术能力快速商品化之后，未来真正稀缺的，到底会是什么？我目前的答案是：客户入口、行业理解、组织信任，以及把非标问题不断沉淀成标准化资产的能力。这些东西，可能比「会不会写代码」更难被AI商品化。也可能正是下一轮真正的定价权所在。