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？
聊完之后，我对 FDE 有几个越来越明确、同时也可能不那么主流的判断。以下是脱敏整理后的一部分群聊精华。
（对本社群感兴趣的朋友，可访问 FDE4.ai 或点击左下角「原文链接」查看入口）
一、FDE 的爆火，未必首先来自需求爆发
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。
二、FDE 最大的问题：事情变复杂了，但客户并不想多付钱
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。
三、企业老板的「AI 焦虑」，不等于真实需求
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。
四、真正适合 FDE 的企业，可能不是最传统的企业
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。
五、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。
六、企业购买供应商，有时候买的并不是技术
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。
七、FDE 最值得关注的终局，可能不是「提效」，而是让组织变得可计算
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。
八、纯靠 FDE 项目费，可能不是一门特别好的生意
这也是我听完整场讨论以后，一个非常强烈的感觉。
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。
九、所以真正值得积累的，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。
十、还有一个值得警惕的信号：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。
最后
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。
