今天我们来讲讲：到底什么是 FDE？配查信官网
它和咨询、外包、全职员工有什么本质区别呢？
在今年的 5 月 4 日，Anthropic 联合 Blackstone、Goldman Sachs 成立 15 亿美元合资公司。而一周后的 5 月 11 日，OpenAI 也官宣成立「部署公司」，拿到了 40 亿美元融资，估值 100 亿。
同一周，两家 AI 巨头砸了总共 55 亿美元，做的也是同一件事。
它们做的这件事，不是训练更大的模型，不是搞更强的芯片，而是往客户的办公室里派工程师。
这些工程师有个特别的名字：FDE，Forward Deployed Engineer，前线部署工程师。
在过去一年，这个岗位的招聘增长达到了 729%。Anthropic 和 OpenAI 的 FDE 年薪中位数已经超过 50 万美元。一个做「部署」的工程师，比大多数做「研发」的 ML 工程师赚得还多。
那么，为什么 AI 公司突然都在抢着做 FDE 这件事呢？
以及，为什么叫做「前线」呢？那对应的「后线」又是什么？
01
Palantir
提到 FDE，就不得不说该岗位最早的出处：Palantir。
2000 年代中期，Palantir 拿到了 CIA 的合同，要给情报机构做数据分析平台。但问题来了：客户没法告诉你他们需要什么。
数据是机密的，工作流程随时在变，需求连客户自己都说不清楚。传统的软件交付方式，先收集需求，再画原型，再开发，再交付，在这种场景下根本就行不通。
Palantir 的解决方案是：把工程师直接送到客户那里去。
这些工程师不带产品说明书，不做需求调研。他们搬进客户的办公室，坐在分析师旁边，看他们怎么工作，然后直接写代码解决问题。
Palantir 内部把这些人称为「Delta」，到 2016 年，Palantir 的 FDE 数量已经超过了传统软件工程师。
这个模式有一个精妙的反馈机制，Palantir 内部称之为「碎石路到柏油路」。
FDE 在客户那里造的每一个粗糙但好用的解决方案，就是一条碎石路。核心工程团队会观察所有 FDE 造的碎石路，找到共性，然后把它铺成标准化的柏油路，变成产品功能。
客户得到了解决方案，公司得到了产品进化。一个工程师，产出了两份价值。
这个模式取得了极为成功的效果：Palantir 五年股价回报 640%，2026 年 Q1 收入同比增长 85%，美国商业收入增长 133%，市值超过了 3700 亿美元。
02
一个比喻
要理解 FDE 和咨询、外包、公司员工的区别，一个直观的办法是，想想你要装修你新买的房子。
咨询，就是请了一位设计师。他来你家量了尺寸，画了效果图，出了一份报告，告诉你应该怎么装。然后他交付图纸方案，收钱走人。
至于图纸能不能落地，那是你自己的事。
外包，就是找了个包工队。你把图纸扔过去，他们按图纸完成施工。做得好不好取决于图纸清不清楚，沟通顺不顺畅。
活干完了，包工队走了。如果哪天你家水管漏了，那对不起，你得自己修，或者再给外包钱他才会给你修。
全职员工，就是你自己动手装。
你了解自己家的每个角落，但你不一定有装修的手艺，学起来又慢。而装修这事，你自然也不愿意亲自上手来做。
FDE 呢？
FDE 是一个顶级装修师傅搬到你家来住。他先不动手，先花几天观察你的生活习惯：你早上在哪喝咖啡，晚上在哪看书，孩子在哪写作业。
然后他根据你的实际生活来设计和施工，边住边改。
最最关键的是，他会把在你家学到的经验带回装修公司，改进了公司的标准装修方案，回馈「后线」。
所以，下一个客户能因此而直接受益。
而且他还教你的家人一些基本的维护技能，等他走了你们自己也能搞定日常问题。
这就是 FDE 的本质了：嵌入式的、双向价值创造的技术交付。
03
四种角色一览
这四种角色的差异如下：
咨询顾问交付的是报告和建议。
麦肯锡合伙人的联邦合同时薪是 1193 美元，一个战略咨询项目的典型费用在 50 万到 125 万美元之间。
但咨询顾问不写代码，不碰生产系统，他们的价值在于诊断和建议，而实施是客户自己的事。
外包团队交付的是按规格开发的代码。
客户把需求扔过去，供应商在远程（也有些会驻场）执行。核心价值是劳动力套利，用更便宜的工程师来降低成本。
全球 IT 外包市场规模大约 6000 亿美元，但行业内一直有「人力外包」的批评，觉得这种模式本质上就是在出租人头。
全职员工提供的是持续的专属产能。
他们了解公司的一切，忠诚度最高，但成本也最高。一个年薪 12.5 万美元的工程师，算上福利、税务、管理费用，实际成本大约是 17.3 万（大约是薪资的 1.4 倍）。
而且在 AI 相关领域，大多数企业根本招不到合适的人才。
FDE 交付的是在客户环境中运行的生产系统。
他们嵌入到客户团队，从发现问题到部署上线全程负责。Anthropic 和 OpenAI 的 FDE 中级年薪在 38.5 万到 51 万美元之间，资深级别能到 75 万甚至 100 万以上。
04
三个本质差异
这四种角色之间，有三个本质上的差异。
第一，交付物不同。
咨询交付的是 PPT，外包交付的是代码，员工交付的是功能，而 FDE 交付的是在生产环境中跑起来的系统。
这个差距跟「做多做少」无关，核心在于「对结果负责到什么程度」。咨询顾问告诉你「你应该做 X」，但如果 X 做砸了，那是你的问题。外包团队按你的规格写了代码，如果规格本身就有问题，代码也会有问题。
FDE 不一样。他从问题发现到系统上线，全链条负责。如果系统跑不起来，那是他的问题。
Palantir 内部有一句名言：
“ 一个能解决真实问题的粗糙方案，比一段没人用的漂亮代码有价值得多。”
第二，激励对齐不同。
这是经济学里「委托代理问题」（Principal-Agent Problem）的经典场景。
咨询顾问按小时或按项目收费，他的利益和你的利益有个细微的错位：项目拖得越久，他赚得越多。按小时计费的模式，在结构上是在奖励拖延交付，而非客户的成功。
外包则更加的明显：供应商的利润来自人头差价，他巴不得你需要更多人、更久的工期。
员工的激励是最对齐的，但也有自己的问题，比如官僚化、帝国建设（为了扩大团队而扩大团队）。
而到了 FDE，它激励结构就比较特殊了：FDE 的成功 = 产品被采用 = 平台收入增长。
FDE 隶属于产品和工程部门，而非服务部门的损益表。他做的事情越成功，客户越离不开平台，公司的订阅收入就越高。
而且 FDE 的部署工作量会随着产品成熟而递减，这和咨询正好相反。咨询是做完一个项目再找下一个，FDE 是把产品做好了，客户就能自己用了。
第三，知识留存不同。
这大概是，最不容易引起重视的差异了。
财富 500 公司每年因为知识流失而损失大约 315 亿美元。而研究显示，咨询项目结束后，一次性的知识转移在 30 天后只能留存 20% 到 40%。
原因在于，咨询顾问带着知识来，结束时又带着知识走了。客户得到了一份报告，但并没有得到能力。
外包则更惨，代码给你扔过来了，但为什么这么写、背后的设计决策是什么、有没有偷偷挖了些坑和以后继续赚你钱的钩子，通常都不会转移过来。
FDE 的知识留存机制完全不同。知识没有停留在人的脑子里，它沉淀在两个地方：
一是客户的生产系统里，FDE 走了，系统还继续在跑着。
二是公司的产品平台里。FDE 在客户那里学到的经验，回流到核心产品，变成所有客户都能用的功能。
如果说咨询是知识的搬运工，那 FDE 就是知识的建筑师。
05
科斯的预言
1937 年，经济学家罗纳德·科斯提出了一个问题：企业为什么存在？
他的回答是，因为市场交易有成本。
找供应商要花时间，谈判要花精力，监督执行要花钱。当这些交易成本高于内部协调成本的时候，企业就会选择自己干（雇员工）；而当交易成本低的时候，企业就会外包。
后来奥利弗·威廉姆森补充了一个关键概念：资产专用性。
当一个任务需要高度专业化的知识（比如你公司独有的数据架构、合规要求、遗留系统），市场上的标准化服务就很难满足。
这时候，自己干更安全。
但问题在于：AI 部署恰恰是「资产专用性」极高的工作。每家公司的数据不同，流程不同，合规要求不同。你没法买一个标准化的「AI 部署服务」来用。
同时，AI 能力本身又在飞速变化，你也不可能雇够足够多的全职员工来跟上变化。
本质上，FDE 是在科斯框架里找到了一个新的平衡点：既非纯市场交易（外包），也非纯内部协调（雇员），它是一种嵌入式的混合治理。
FDE 拥有内部员工的上下文深度，但保持着外部专家的灵活性和前沿技术上的视野。
06
95% 的失败率
而为什么 AI 公司突然都在做 FDE 呢？
MIT 的一项研究发现，95% 的企业 AI 试点项目没有产生任何可衡量的商业回报。
95% AI 试点失败
RAND 的数据也类似：80% 的 AI 项目未能交付商业价值，失败率是普通 IT 项目的两倍。
2025 年，全球企业在 AI 上花了 6840 亿美元，其中 5470 亿美元没有产生任何可衡量的结果。相当于每花 100 块钱，有 80 块打了水漂。
42% 的企业在 2025 年放弃了至少一个 GenAI 项目，平均每个项目的沉没成本是 720 万美元。
问题出在哪里呢……
分析 140 个企业 AI 失败案例后发现，只有 23% 是因为模型、数据或技术集成出了问题。剩下的 77%，问题在于战略、治理和变革管理。
模型不是瓶颈，部署才是。
这也正是 FDE 的核心价值所在：它不是来帮你选模型的，它是来帮你把模型塞进你公司的日常运转中的。
他既懂你的业务，也懂模型的脾气。
MIT 的研究者用了一个词来形容 FDE 要弥合的鸿沟：「双向知识缺口」。
客户深刻理解自己的业务（数据结构、合规要求、遗留系统），AI 公司深刻理解模型的行为（prompt 策略、RAG 架构、评估框架）。
问题在于，双方并不互相了解、难以高效准确对接。
FDE 就是站在中间的那个人。
07
两种模式
我们再来将 OpenAI 和 Anthropic 的布局作一下对比。
OpenAI 的打法是重资本、全资拥有。
它成立了一家控股子公司叫「Deployment Company」，由前 COO Brad Lightcap 领导。
40 多亿美元的融资额来自 19 家投资者，包括 TPG、Bain Capital、SoftBank、Goldman Sachs，甚至还有 McKinsey 和 Capgemini。
OpenAI 还收购了伦敦的 AI 咨询公司 Tomoro，从而一口气拿下了大约 150 名出色的 FDE。Tomoro 之前的客户包括 Tesco、Virgin Atlantic、Red Bull、NBA，其实已经在非正式地帮 OpenAI 做部署了。
甚至，该公司给投资者的承诺是最低年化回报率是 17.5%……这也可以说明，OpenAI 已经把这当作是极其稳定的经常性收入，简直就是囊中之物、板上钉钉了。
过往的成功案例包括：帮 BBVA 在 25 个国家为 12 万员工部署 ChatGPT Enterprise，帮 John Deere 用 AI 实现农药用量减少 70%，等等。
而相比之下，Anthropic 的打法是合资、轻资本、借力。
它和 Blackstone、Hellman & Friedman、Goldman Sachs 成立了一家 15 亿美元的合资公司，Anthropic、Blackstone 和 H&F 各出 3 亿。另外还有 Apollo、General Atlantic、GIC、Sequoia 等跟投。
其目标客户是收入在 5000 万到 50 亿美元之间的中型企业，尤其是金融行业。
Goldman Sachs 的 Marc Nachmann 表示：
“ 这个合资公司将帮助「民主化」前线部署工程师的获取渠道。”
Anthropic 还有着很是聪明的一步，就是和 Accenture 的合作。Anthropic 没有自己雇 3 万名 FDE，而是让 Accenture 培训了 3 万名员工使用 Claude，并称之为「再造部署工程师」。
一个是自建军队，一个是特许经营，两种模式但有着相同的判断：AI 的战场从实验室转到了客户的办公室。
如果你有细节观察，会发现有个细节是：两家公司的投资者名单没有任何重叠。
08
AI 的杠杆
FDE 在 2026 年爆发，可以说还有另一个关键的催化剂：AI 编程工具改变了 FDE 的杠杆率。
Claude Code 的运营年收入已经突破 25 亿美元，企业订阅量在 2026 年翻了四倍。Deloitte 一家就给 47 万名员工部署了 Claude。
传统工程师用 AI 工具，编码速度大约能翻一倍。但编码只是他工作的一部分，整体产出提升其实有限。
FDE 的杠杆效应则要大得多。
因为他们的时间大致分两块：40% 花在「发现」阶段，观察客户的工作流程，理解他们真正的痛点，找到 AI 能创造最大价值的切入点。这部分工作，AI 工具帮不了太多。
而剩下 60% 的实施工作，Claude Code 这样的工具能把执行速度压缩好几个量级。
实施时间被大幅压缩之后，FDE 的整体项目周期也跟着缩短了。以前一个 FDE 一年能支持 5 个项目，现在能支持 10 个甚至更多。
再看一组薪资数据：
Anthropic 和 OpenAI 的 FDE 中级总薪酬在 38.5 万到 51 万美元之间。资深和 Staff 级别在 56 万到 100 万以上。其中股权占 55% 到 70%。
而 Palantir 的经典 FDSE 岗位，中位数大约是 21.5 万美元。
差距十分明显，前沿 AI 实验室给 FDE 的薪资已经是 Palantir 的 2 到 3.5 倍。
09
6 比 1 法则
Fortune 在一篇分析指出：企业在服务上花的钱，是软件上的 6 倍。
6比1法则
也就是说，每花 1 美元买软件，就要花 6 美元请人来帮你用好这个软件。
这就是 OpenAI 和 Anthropic 看到的机会，它们以前只赚那 1 美元（API 调用、订阅费），现在，则要把那 6 美元也赚了。
而这 6 美元以前是谁在赚呢？答案是：
• 麦肯锡（McKinsey）：全球顶级管理咨询公司，三大顶尖战略咨询公司（麦肯锡、波士顿咨询、贝恩）之首
• 埃森哲（Accenture）：原安达信咨询，全球最大的IT咨询与专业服务公司之一
• 德勤（Deloitte）：“四大”会计师事务所之一，咨询业务规模庞大
• 印孚瑟斯（Infosys）：印度最大的IT外包与咨询公司之一，“人力外包”模式的典型代表
• ……
所以当 OpenAI 和 Anthropic 宣布做 FDE 的那天，埃森哲股价跌了 3%，高知特（IT 外包 + 数字化咨询，印度公司）跌了 5%，印孚瑟斯跌了 4%……
麦肯锡从 2022 年的 4.5 万人裁到了 4 万人，还在继续缩减。据报道，大约 150 名 MBB前咨询师被聘来训练 AI 执行初级分析任务。
但这些传统咨询公司一边在被颠覆，一边也在积极合作。麦肯锡、波士顿咨询、埃森哲、凯捷等也都加入了 OpenAI 的「Frontier Alliances」计划。
OpenAI 还在 2026 年 6 月宣布了 1.5 亿美元的合作伙伴网络，目标是年底前培训 30 万名认证顾问。
10
实际案例
来看几个实际案例。
跑起来的案例
Supercell，做出《部落冲突》的芬兰游戏公司，Tomoro（现在是 OpenAI 部署公司的一部分）帮它搭建了一个 AI 客服 agent，用时 12 周上线，服务 1.1 亿玩家，每张工单的处理成本减少了 90%。
BBVA，西班牙最大的银行之一，OpenAI 的 FDE 团队帮它在 25 个国家、12 万员工中部署了 ChatGPT Enterprise。
John Deere，拖拉机公司，OpenAI 的 FDE 帮它做了 AI 驱动的种植推荐系统，农药使用量减少了 70%。
这已经是在真实企业环境中跑起来的生产系统。
而这也是咨询公司们做不到的事情。
咨询能告诉你「你应该用 AI 优化客服」，但它没法帮你把 AI 客服接入你的 CRM 系统、训练你的评估流程、处理你的合规审查。
11
第二曲线
FDE 或将成为 AI 行业的「第二条 S 曲线」。
第一条曲线是模型能力的竞赛：GPT、Claude、Gemini、以及正在全面追赶的中国开闭源模型们。各家正一个比一个强，且还在不断提升。
但模型能力的边际收益在递减，行业已经逐渐开始觉得「模型都差不多」了。
第二条曲线，则是部署能力的竞赛：谁能把模型的能力，转化为客户真正的业务价值。
这条曲线，才刚刚开始。
超大规模云服务商们预计：2027 年的资本支出将达到 1.1 万亿美元。这么多钱砸下去建出来的算力，也需要有人帮客户用起来。
但 FDE 也并非毫无风险。
F-Prime Capital 在一篇分析文章中提出了一个尖锐的问题：如果超过 30% 到 40% 的客户部署需要大量 FDE 介入，那问题可能出在产品本身。
另外，FDE 模式也有变成咨询公司的风险。如果 FDE 团队一直在做客户定制化，而没有把经验回流到产品中，那公司卖的其实就是人力，只不过穿了件科技公司的马甲。
一个典型的 FDE 团队（1 个 PM + 2 个 FDE）一年能支持大约 10 个项目，产生大约 100 万美元收入。
这其实，算不上高效。
关键在于那个「碎石路到柏油路」的反馈循环能不能真的跑起来。如果能，FDE 就是产品进化的发动机。如果不能，FDE 就退化成了穿着科技公司马甲的咨询顾问。
另一方面，FDE 的崛起，也是要重新定义「工程师」这个词的含义。
传统工程师拿到 JIRA ticket，写代码，提交 PR。他们几乎从来不跟客户说话，甚至可能都不太清楚公司到底在干嘛。
而 FDE 则反了过来：先跟客户聊，理解他们的痛苦和约束，然后再动手。
回到问题本身
这其实更接近「工程师」这个词的最初含义。
事实上，在软件行业把「工程师」窄化为「写代码的人」之前，工程师就是那个解决实际问题的人。
无论如何，FDE 正在让工程师们，回到问题的本身里去。
◇ ◆ ◇配查信官网
蚂蚁配资提示：文章来自网络，不代表本站观点。
- 上一篇：股票配资网站查询 各队世界杯参赛次数Top10：巴西23次第一 德国第二阿根廷第三
- 下一篇：没有了
相关文章
热点资讯
