AI公司FDE不能算人天，那该如何定价

FDE不能按人天计价

Forward Deployed Engineer（前置部署工程师，简称FDE）正在成为2026年AI公司组织架构里最炙手可热的一环。在美国市场，从Anthropic、OpenAI、Palantir到Sierra、Harvey，几乎所有严肃做企业级AI落地的公司都在建设自己的FDE团队。在国内，金蝶、北森等公司也在积极建设FDE组织。

决定FDE模式成败的关键是：必须重塑技术公司服务的商业模式，那FDE该如何计价呢？

答案的核心共识是：不能按人天/人时计价。

原因很直接——一旦按人天，或者传统说的“时间材料（Time & Materials）”计价，FDE团队就会在经济结构上退化为传统IT外包商或系统集成商，陷入卖人头的低毛利陷阱，也会让客户把AI供应商等同于普通乙方，而不是战略合作伙伴。

传统的时间材料或固定价格软件合同，与AI真正创造价值的方式是错位的：项目投入和产出价值之间往往没有稳定的对应关系，而且这类合同很难让供应商为最终结果负责。

目前行业里实际在用的FDE定价逻辑是：FDE本身很少作为一个独立的计价单元存在，它更多是嵌入在跟客户交付AI解决方案整体合同结构里的一种资源投放方式。

配置FDE是有门槛的

在讨论怎么收费之前，更现实的问题其实是：要不要为这个客户配FDE。

行业里比较一致的做法是用年合同额（ACV）作为门槛：只有当ACV达到一定量级（通常在5万美元以上），且客户已经跑通至少三个可复制的企业试点，公司才会为其配置专属FDE资源。

这意味着，FDE定价问题在很多公司那里根本不是一个独立的定价方式选择题，而是一个资源分配问题——先判断这个客户的合同体量能否覆盖FDE的高成本（美国资深FDE的全成本通常在25万到40万美元一年，前沿模型公司的中位数总薪酬已经超过45万美元），能覆盖就配，配了之后，成本大多被吸收进整体合同价值里，而不是单独出现在账单上。

五种主流FDE定价逻辑

1. 按业务结果分成 / Outcome-based Pricing

这是目前在结果可客观量化的场景里，应用最成熟的模式，比如客服自动化、销售转化。核心逻辑是：供应商只对具体、可衡量、且供应商能施加实质影响的业务结果收费——比如解决一次客服对话、挽回一次即将流失的客户、完成一次追加销售。

如果AI驱动的任务没有被完成，客户通常不用付钱。

这种模式的吸引力在于双方利益高度对齐：供应商只有把AI效果做扎实才能收到钱，这也天然驱动供应商持续优化模型和流程。

但它的适用范围有明确边界——只有当“结果”或“产出”能够被清晰定义、客观核验，并且确实在供应商可控范围内（不受客户内部流程、数据质量等外部因素过度干扰）时，这个模式才成立。

这也解释了为什么这类定价在客服、流程自动化这种结果颗粒度小、可归因的场景里跑得通，但在复杂的企业系统集成场景里很难直接套用。

2. 按替代人力工作量计价 / Output-based Pricing

这个模式更常见于交付AI智能体型的公司，而不是大模型公司的FDE团队。典型做法不一定是精确核算到底替代了多少人天/人时的工作，而是按工作流/任务包定价，比如为一个能替代团队每周10小时以上人力服务的工作流收取一次性费用。

这个模式本可以理解为第1种（outcome-based）的变体，只是把“结果”定义得更粗颗粒——不是按单次任务结果计费，而是按整个工作流的部署一次性收费。它的好处是定价简单、易于销售，坏处是价值捕获（Value capture）的效率不如前一种模式高。

3. 按产品/订阅收入的一定比例

严格意义上的百分比抽成在纯FDE语境下并不算主流，但非常接近的形式在快速普及：按实际业务动作单价收费（per-resolution / per-task pricing）。

比如按每次成功解决的客服工单收取固定单价。这种模式本质上更接近“按结果单价×发生次数”，而不是按总销售额的百分比，但两者在客户端的感受和供应商的收入弹性上非常相似——都是收入随客户业务量/成功率同步波动，而不是固定订阅费。

4. 内嵌在产品价格里，不单独计价

这是目前最主流、也是前沿大模型公司最常采用的模式。Anthropic的Applied AI Engineer岗位描述里明确把将客户用例转化为产品功能列为核心职责——这意味着FDE的产出被设计为直接反哺主产品，而不是作为一次性服务交付。在这种架构下，FDE的成本被当作客户成功/客户留存的投入，通过更高的合同续约率、更高的净收入留存率（NRR）在财务上得到回收，而不会作为一个独立的服务费用项出现在客户账单上。

这也是为什么很多大模型公司把FDE放在工程部门而不是服务部门下——这个组织设计本身就在强制FDE团队把每一次定制交付产品化，避免团队变成纯粹的项目制外包力量。

5. 免费服务，目的是促进token/credit消耗

还有一些AI公司把驱动消费（consumption）作为FDE团队的北极星指标之一，而不是严格意义上的免费。

在以API调用量/token消耗/AI点数等计费的商业模式下，FDE的核心价值就是帮客户把AI能力真正嵌入到生产流程里、跑起来、跑得深——客户用得越深，模型调用量越大，供应商在消费层面的收入自然增长。这种情况下，FDE团队的KPI往往直接和客户的消费增长、使用深度挂钩，而不是和某个具体的服务费用挂钩。

其他混合定价模式

固定价 + 效果奖金（Milestone Fee + Outcome Bonus）

这种方式被一些集成商采用，其收费模式是：一名资深工程师配合Agentic工具，在明确的周期内（比如8周）以一个固定价格在客户生产环境里交付一个经过验证的AI方案，同时附带一笔只有在客户的业务指标真正发生变化时才支付的效果奖金。

这个模式的巧妙之处在于，它把传统外包的固定价、范围明确、可预测和SaaS惯例的效果对赌、利益对齐结合起来——客户拿到了价格确定性，供应商拿到了向上的效果弹性，同时避免了纯第一种模式下结果难以清晰归因的风险。

混合订阅制（固定订阅 + 可变消费/效果组件）

这种方式是传统SaaS采用的，即固定基础费（订阅/平台准入费）+ 可变部分（用量、credit或效果指标）的组合。

这种模式的价值在于，它同时具备三个特性：对双方都有可预测性、能随客户实际用量弹性伸缩、又能通过可变部分实现价值对齐。行业里普遍认为，这是大多数公司从传统订阅制过渡到真正效果制定价的中间形态，降低整个组织切换定价模式的风险。

不要滥用FDE标签

在这波FDE热潮里，需要注意：并不是所有客户都值得配置FDE，FDE有其经济逻辑，不要简单地把实施顾问、安装/开发工程师改头换面叫FDE。为单一客户环境配置专属工程师，在八位数规模的大合同上完全说得通；但放到四五位数规模的小合同上，披着“AI原生”外衣的传统服务收入，而不是可规模化的产品收入，容易给客户和内部团队都制造错误的预期。

人天计价之所以危险，不只是因为它显得老套，更是因为它在小合同上会让厂商立刻亏本，在大合同上又会把厂商的议价能力拉低到普通外包商的水平——不管合同大小，纯时间材料计价都在结构上损害FDE团队的经济性。

JOTO 企业落地观察

• FDE不按人天计价，意味着企业部署AI时需放弃传统外包思维，转向以结果、产出或产品化能力为锚点的交付范式。这对企业AI落地团队提出新要求：必须建立可量化业务影响的评估机制，而非仅关注工时投入。
• FDE嵌入产品价格或按token消耗驱动的模式，凸显RAG知识工程与智能体工程的耦合必要性——只有当客户知识资产被结构化接入、智能体行为可被精准编排，FDE才能持续提升客户调用深度，否则‘免费服务’将沦为不可持续的成本中心。
• ACV门槛（5万美元以上）与三个可复制试点的要求，说明FDE资源本质是面向规模化复用的基础设施。对企业而言，是否配置FDE不应取决于单次项目需求，而应评估自身是否已具备标准化接口、统一身份与可观测日志等FDE就绪条件。
• FDE置于工程部门而非服务部门的组织设计，倒逼企业重新定义AI安全治理边界：当FDE产出直接反哺主产品，客户侧定制逻辑与通用能力的隔离、敏感数据在调试过程中的流转控制、以及客户环境与主干版本的合规同步，都成为必须前置构建的治理能力。