ToWow / Flowness 工程进展:从需求到交付

FDE 之辨:AI 落地热潮中的人肉补丁与真正的空位

“没有数字化,做不了 AI”几乎成了企业 AI 落地的共识。它是普遍真理,还是弱模型加旧架构下的局部真理?本文检验这句话,并讲清 FDE 热潮背后真正的空位。

引言:一句被所有人接受的话

“没有数字化,做不了 AI。”

这句话在 2026 年几乎成了企业 AI 落地圈的通行证。每一个自称 FDE(Forward Deployed Engineer,前沿部署工程师)的人都在说它,每一个项目失败的复盘里都有它,一份又一份白皮书的“挑战”一节从它开头。

本文要检验的命题只有一个:这句话是普遍真理,还是特定模型能力和特定架构下的局部真理?

检验的结论会落在三个判断上:

  1. FDE 这个岗位存在的全部理由,是“把混乱现实映射到结构化本体”(工单、料号、工序这些对象各叫什么、彼此什么关系的一套定义)这件事无法被自动化。而这恰恰是前沿模型相对于上一代技术最大的能力跃迁所在。
  2. 2025 年以来的 FDE 热潮,不是 AI 落地成熟的标志,而是模型能力与实际采用之间鸿沟巨大的症状。
  3. 今天绝大多数 FDE 交付的价值,用一个简单测试就能判定:“2019 年能不能用人堆出来?”大多数答案是能。他们做出了“AI 让它更便宜”的东西,没有做出“没有 AI 根本不可能存在”的东西。

全文以中国市场为主要观察对象,兼及 Palantir 和 2025 年后美国模型实验室的实践。

一、FDE 的源头:一个为“本体无法自动化”而生的角色

FDE 不是新事物。要理解它今天的形态,先要看清它当年为什么存在。

Palantir 成立于 2003 年,早期服务美国情报机构时形成了这一模式:情报机构的机密数据出不了门,公司便把工程师送进客户现场,和用户坐在一起把系统搭起来。“Forward Deployed”原是军事用语,后来被借进了商业世界。

但驻场只是表面原因。真正的原因在于 Palantir 的产品是一个本体平台(Gotham、Foundry),而把客户一团乱麻的数据映射到本体上这件事,当年没有任何技术能自动完成,只能靠聪明人手工做。FDE 本质上是一个人肉编译器:把混乱的现实编译成平台能理解的本体。

Palantir 的商业闭环由此成立:FDE 的高成本由许可证收入补贴;FDE 在现场反复遇到的模式被抽象回产品;产品越强,下一个项目所需的 FDE 工时越少。这个“现场反哺产品”的循环是 Palantir 模式的核心,也是它与传统系统集成商的根本区别。

这个循环很慢。直到 2016 年前后,Palantir 的 FDE 数量仍然多于产品工程师。从公司成立算起十三年,手工本体工作仍未被产品完全吸收。这说明了两件事:本体工作极其繁重;以及,一旦本体工作可以被自动化,FDE 存在的理由就会从根本上动摇。

把这一点记住,后面的推论都从这里出发。

二、2025 年以来的复活:鸿沟的症状,而非成熟的标志

把 FDE 推向舞台中央的是大模型时代的企业 AI 落地困境。MIT NANDA 的报告显示,约 95% 的企业 GenAI 试点未能产生可衡量的损益影响。模型能力已经摆在那里,企业却不会用。

模型实验室和云厂商的反应是把人派出去。OpenAI 成立 Deployment Company,获得超 40 亿美元初始投资;AWS 投入 10 亿美元组建前沿部署团队,计划向客户派驻数千名专家;微软成立 Frontier Company;Anthropic 与黑石、Hellman & Friedman、高盛合资,另立一家 AI 咨询公司。

招聘数据的曲线同样陡峭:Indeed 的招聘指数显示,2026 年 4 月 FDE 岗位发布量同比增长约 729%;霞光智库称,同期 AI 工程师整体增速约 45%,远不及 FDE;头部公司总包可达 50 万美元以上。

中国市场的热度不遑多让。脉脉数据显示 2026 年上半年国内 FDE 相关职位发布量同比飙升 21 倍,字节跳动、腾讯等大厂纷纷设立岗位;猎聘报告显示 FDE 相关职位平均年薪 40.8 万元,供需比仅 0.28;字节跳动挂出的岗位,最高折合年薪 105 万元。

这些数字该怎么读?

模型实验室的企业收入靠 token 消耗,而消耗卡在企业不会用。他们的解法是:请总包能到 50 万美元的人,手工把模型能力推进企业。这意味着模型能力和实际采用之间的鸿沟,大到实验室愿意用最昂贵的方式去填。

所以 FDE 热不是 AI 落地成熟的标志,是 AI 落地根本还没开始的标志。它是一座人力密集的桥,架在能力和采用之间。当这个鸿沟真的被跨过——无论是靠模型自己,还是靠新的产品形态——FDE 作为一个高薪岗位会迅速萎缩。

历史上每一次通用技术的到来都有这样一段。电机替代蒸汽机之后,工厂花了几十年才把厂房从围绕中央传动轴的布局改成每台机器独立驱动,生产率的大头在重新布局之后才出现。今天的企业 AI 正处在“把电机装在原来传动轴位置上”的阶段,而 FDE 就是那个帮忙把电机装上去的人。

三、一个悖论:FDE 的岗位说明书,就是一张“应该由 Agent 做的事”的清单

看国内对 FDE 的定义。霞光智库的行业报告把 FDE 定义为:深入客户业务现场,把 AI 模型能力转化为可运行业务结果,并将一线经验反哺为产品和平台能力的复合型角色;把“想用 AI”的模糊需求变成真正能跑起来的工作流。

再看一篇介绍成都 FDE 团队的报道列出的工作内容:业务需求梳理、数据体系建设、AI 系统部署、企业知识库搭建、智能应用优化。

把这两段里的几项活过一遍:

  • 需求梳理:结构化访谈、歧义消解、把口语化诉求翻译成可执行规格。
  • 数据体系建设:从混乱的 Excel、聊天记录、纸质单据里推断出实体、字段和关系。
  • 知识库搭建:非结构化文档到结构化索引。
  • 工作流构建:把分散在多人手里的步骤串成一条可追踪的流程。

这几项,恰恰是前沿模型相对于上一代技术最大的能力跃迁所在。读图纸、读表格、听口述、推断本体、追问歧义——这是今天的模型最擅长、三年前的技术完全做不到的事。

FDE 在做的,是模型正在学会自己做的事。他们是旧架构里的人肉补丁。

由此产生一个讽刺的局面:FDE 们抱怨“数据治理不好”,逻辑上等于一个翻译在抱怨客户不会说英语。本体推断和语义对齐就是这份工作本身;如果这件事不难,就不需要这个岗位。

他们没有意识到的是,这份工作的难度取决于手里拿的是什么模型。

四、“必须先数据治理”是模型能力的函数,不是普遍真理

这是整件事里最少被说出来的一点。

“数据治理不好所以 AI 做不了”,在一种情况下是真的:**你的模型吸收不了混乱。**用一个几百亿参数的开源模型做 RAG,它确实需要干净的分块、统一的字段、规范的命名,否则检索出来的就是噪音。

在这种技术条件下,FDE 的工作流自然变成“先治理、再接 AI”,于是“治理”成了一个新的系统集成项目——有工期、有验收、有人天。

把一个前沿 Agent 视为基础设施之后,情况反转。模型本身就是最强的治理引擎:它能读几十种叫法指同一个物料的 Excel;能从微信群的照片里认出工单号;能把老师傅的口述整理成工艺路线草案;能在推断的同时列出“这三处我不确定,请确认”。治理从前置条件变成了持续输出。

所以“没有数字化做不了 AI”不是一条普遍真理。它是弱模型加旧架构之下的局部真理。

中国 FDE 尤其执着于这句话,有一个非常具体的技术原因。国内企业普遍要求私有化部署,FDE 一半的功夫花在把能力弱一截的模型部署进内网,剩下一半用这个弱模型去做本来需要强模型才能做的本体工作。做不动,于是怪数据。

他们的抱怨是他们模型选择的产物。用最强的模型,数据脏不是障碍,是起点;用能部署的模型,数据脏就是绝境。这两种人说的是同一句话,但不是同一个意思。

三个概念需要拆开,因为“数据”这个词把它们混在了一起:

问题 FDE 的说法 实际情况
数据存不存在 “客户没有数据” 几乎全部存在——在微信群、Excel、纸质单据、ERP 导出、老师傅的脑子里;缺的是结构,而把非结构化变成结构化正是模型的核心能力
数据能不能被信任 很少被单独提出 这才是真正的硬约束,而且 AI 让它更难:Agent 从模糊照片里“识别”出的数量,看起来和真实录入一模一样。AI 消灭了录入成本,没有消灭校验成本
数据有没有被观测过 被归入“数据治理” 物理世界的边界:从未有人记过的锯床工时,任何模型都造不出来

把这三件事分开,FDE 的论断就缩成了半句:数字化的“录入”环节不再是前提,“观测”和“信任”环节仍然是。企业需要的不是完整的信息化,而是一个最小本体——工单是什么、料号是什么、工序怎么叫——剩下的让模型在使用中长出来。

五、中国 FDE 为什么退化成实施顾问

一个岗位是什么,看三件事:从哪来、交付什么、被谁考核。按这三条看,中国的 FDE 是实施顾问换了一个名字。

血统。在国内头部 AI 企业、云厂商和智能制造服务商的招聘页上,“解决方案架构师”“行业交付专家”“客户成功工程师”这类与 FDE 相近的岗位名越来越多。名字各异,干的活差不多。这些人里,不少出自 ERP 厂商和各路集成商的实施体系。很多是同一批人,同一套激励,同一种交付观。

项目制决定了交付物的形态。项目制要求可验收。可验收的东西只能是看板、知识库、一个跑起来的 Agent 演示——都是三个月能拍照汇报的。而“只有 AI 才可能”的那类价值——数据作为副产品长出来、决策在每个事件上重做一遍、系统随流程自我改写——本质上是一个飞轮,三个月看不出来,没法验收,所以没人做。

甲方是数字化部门,不是经营者。甲方的 KPI 是“上线了 AI+”,不是毛利。向数字化部门卖东西,天然只能卖系统类的东西,因为系统是他们管的,经营不是。一个 FDE 从来没有机会坐到老板旁边讨论报价规则,他坐在 IT 主管旁边讨论接口。

成本结构撑不起真正的下场。有业内人士坦言,Palantir 模式很重,在中国很难用同样的成本结构复制;如果每进一家工厂都要派一个博士团队驻场半年,AI 在制造业就永远只是个故事。40 万年薪的人不可能在一个工厂泡半年,所以只能做浅层。

“数据治理不好”是一句双方都受益的话。乙方因此多卖一个治理项目,甲方因此有了 AI 没效果的解释。一句话让所有人免责,所以它成了行业共识。共识的形成机制不是因为它对,是因为它对所有当事人都安全。

国内也长出了几种本土做法:“FDE+产品化”,把现场常见的场景沉淀成标准模块;“FDE+培训”,边交付边培养企业自己的运营人员;还有一些面向制造业的方法体系。这些方向没有错,是对成本结构问题的合理回应。但它们仍然是在把实施服务产品化,交付的仍然是“没有 AI 也可以”的那一类东西。

与 Palantir 相比,多数中国 FDE 复制了形式——驻场、交付、项目——却没有复制内核,也就是本体。然后用“数据治理”四个字,为空心化辩护。

六、三类交付物与“可替代性测试”

判断一个 AI 项目有没有做出 AI 原生的价值,有一个足够简单的测试:这个交付物,2019 年能不能用人堆出来?按这个测试,FDE 的交付物分成三类。

类型 典型交付物 2019 年能否用人做到 AI 带来的改变 国内 FDE 项目占比(作者估计)
一、AI 让它更便宜 企业知识库、文档问答、智能客服、合同审查辅助 能,用一个像样的搜索引擎加几个整理文档的人 成本大幅下降,性质不变 绝大多数
二、RPA 的续集 流程自动化、Agent 替代某岗位的某项任务、报表自动生成 能,靠 RPA 和外包 覆盖面更广,仍是劳动力替代 其余大部分
三、只有 AI 才可能 本体从混乱的事件流里持续被推断;排产在每个报工事件上重算;每个工人有一个听得懂方言的翻译;工艺一变系统自己重写;报价规则从每单毛利复盘里长出来 不能 新的组织运作方式 接近零

第一类是今天国内 FDE 的主流。它不是没有价值,但它的价值上限是“省了几个人”,而且它最容易被模型厂商的下一个版本直接吃掉。

第二类是 RPA 行业在 2018 年前后走过的路。那一轮的教训是:劳动力替代型项目很难规模化,因为一旦流程变了,自动化就断了,而流程总是在变。

第三类几乎没有人在做。原因不是能力,而是第三类要求重新设计组织的运作方式——谁录数据、谁拍板、怎么算钱——而 FDE 既没有这个授权,也没有这样的合同。一个按项目验收的乙方,不可能被允许去改甲方的经营规则。

这就是“做出来的价值没有 AI 其实也可以”的准确含义:不是 AI 没用,是 AI 被用来做它不需要存在就能做的事。

七、架构之争:AI 叠在记录系统上,还是归一化层本身

把前面的线索收拢,FDE 的真实位置就清楚了:它是旧架构的补丁。

两种架构对照图:左边,AI 叠在 ERP、MES、CRM 之上,靠人工录入和清洗喂数据,结论是“数据治理是前提”;右边,AI 直接处理照片、语音、表格、口述,产出结构化事件流,记录系统退为下游账本,结论是“数据治理是输出”
同一批现实材料,AI 放在记录系统之上,数据治理是前提;AI 做归一化层,数据治理是输出。

左图是今天绝大多数企业 AI 项目的形态。ERP、MES、CRM 这些记录系统是“真相”,AI 是叠在上面查询的一层,现实世界的信息要靠人工录入进记录系统。在这个架构里,数据脏就是致命的——AI 读到什么就是什么——而 FDE 就是来手工清洗的那双手。

右图是另一种可能。AI 是交互层,也是归一化层:它直接面对现实世界的混乱——照片、语音、表格、口述——推断本体,追问歧义,产出结构化的事件流;决策回路跑在这个事件流上;记录系统退化为下游的账本,只负责合规与财务对账。在这个架构里,数据治理是输出,不是输入。

Palantir 自己的本体理念其实更接近右图——本体就是产品,只是当年本体只能靠 FDE 手工建。今天本体可以被推断,FDE 这个角色应该发生的变化是:从“人肉编译器”变成“信任的建立者”——负责校验推断、对齐法律和财务上的真相、设计激励、承担签字的责任。这些是下一节要说的不可压缩的部分。

八、公平地说:即便有最强模型,哪些约束仍然成立

批评 FDE 不等于说“AI 什么都能做”。那是另一个方向上的错误,而且对建造者更危险,因为它会让人系统性地低估最后一公里。即便把最强的 Agent 当作基础设施,有四件事仍然是硬的,而且都不是模型能力问题。

观测的边界。从未被观测过的事实推不出来。一个从没人记过时间的工序,任何模型都不能凭空造出工时。AI 把录入的成本压到接近零,但观测本身仍然要发生。

信任的成本。模型推断出的本体,必须和财务、法务的“官方真相”对账。在一万人、四十套系统的大型企业里,这是一个政治过程,不是技术过程。谁有权宣布“这个料号是对的”,模型回答不了。

激励的结构。工人不报工,不是因为界面难用,是因为报工对他没好处。AI 可以把摩擦降到最低,但最终还是要有一个利益挂在数据上。这是设计问题,不是技术问题。

责任的归属。报价错了亏的钱、交期误了的客户,总要有一个人签字。模型可以给建议,不能承担后果。

也要公平地说,Palantir 的 FDE 在它的年代确实做出了那个时代“只有这样才可能”的东西——本体本身。问题不在 FDE 这个形式,而在多数中国复制者拿到了形式、丢掉了内核,然后用“数据治理”四个字为空心化辩护。

这四件事——观测、信任、激励、责任——就是 AI 压缩完翻译层之后剩下的不可压缩成本。真正的工程问题在这里,不在“数据够不够干净”。

九、AI 原生的部署者会怎么做

如果 FDE 这个角色要有下一个版本,它和今天的 FDE 在每一个决策点上都应该反着来。下表把这些决策点逐一对照。

决策点 今天的 FDE AI 原生的部署者
带什么模型进场 能私有化部署的那个 最强的那个;为此宁可只接允许使用 API 的客户
第一周交付什么 一个知识库 从客户的混乱里推断出的本体,加一张差异清单(“这几十种叫法指同一个物料”)
用什么计量 上线、验收、功能数 从第一周起用业务指标:报价毛利偏差、延期率、瓶颈等料时间;拒绝以看板作为交付物
卖什么 系统、功能、人天 闭环:捕捉→结构化→决策→结果→再捕捉;按结果或订阅收费
坐在谁旁边 IT 主管 老板和运营负责人
团队形态 项目组、人天计费 一个人加 Agent 等于一个团队;人天模式自动失效
对“数据治理”的态度 前置条件,单独立项 持续输出,模型本身就是治理引擎
对“下场”的理解 驻场半年做培训和集成 四到六周带着 Agent 做结构化访谈,把隐性规则逼出来让专家改,而不是一年学徒
可复用的资产 项目经验、PPT 模板 每个品类的本体——Palantir 靠整个产品团队做的“现场反哺产品”,现在一个人可以做
切入哪个问题 客户提出的任何需求 钱最多、数据依赖最少、每张订单都经过的那个回路——对制造业通常是报价与成本复盘

这张表里最关键的一行是“卖什么”。只要交付物还是一个可验收的系统,剩下的九行都做不到,因为项目制会把一切拉回旧架构。反过来,一旦卖的是闭环,模型、计量、坐席、团队形态会自然跟着变。

还有一点关于“每家企业都不一样”。这句话在 FDE 圈里常被用来解释为什么无法规模化。它是对的,但结论应该反过来:不要跨行,要做窄。选一个品类(比如一个地区的钣金和 CNC 加工厂),把这个品类的工艺因子、工序本体、报价模型做成一次性的资产,第二家客户的边际成本接近零。这才是 Palantir “反哺产品”那个循环在 Agent 时代的正确形态,而且不再需要一个产品部门来完成它。

结语:桥与河

FDE 热会过去,而且会很快。它是模型自己跨过鸿沟之前最后一座人力密集的桥。模型实验室愿意为它支付 50 万美元的总包,不是因为这份工作有多高的技术含量,而是因为鸿沟两岸的落差太大、而桥又只能用人来搭。

“没有数字化做不了 AI”是旧世界的真话。它在弱模型和旧架构下成立,在 FDE 自己的产品形态下成立,在项目制和验收制的合同下成立。但它不是关于 AI 的真理,是关于一种特定做法的真理。

真正的空位,是把模型当治理引擎、把数字化当副产品、把闭环当商品的人。这个空位今天在中国几乎是空的——因为所有叫 FDE 的人,都站在桥的另一头抱怨河太宽。

参考资料与数据来源

本文引用的招聘与薪酬数据,查阅于 2026 年 11 月 9 日,来自以下公开报道与一手来源:

关于电气化与生产率滞后的历史类比,见 Paul David, “The Dynamo and the Computer”(1990)。关于 Palantir 在 2016 年前后 FDE 多于产品工程师的说法,出自 The Pragmatic Engineer,未见 Palantir 官方披露。


想弄清自己的业务适合从哪个回路切入,可以联系我们。

下一步

如果你的团队正在把 agent 放进真实业务,想了解 Flowness,或想聊企业 AI 落地怎么做,请在“联系我们”页写下行业和想解决的问题,我们按这些内容回复。 联系我们