一文带你全面了解FDE：让AI变成真正的生产力_腾讯新闻

一文带你全面了解FDE：让AI变成真正的生产力_腾讯新闻

一文带你全面了解FDE：让AI变成真正的生产力

北茗的AI笔记

2026-09-27 20:58发布于黑龙江

问AI · 大模型厂躬身做FDE，暗藏哪些生态野心？

前段时间，在深圳海归岛做了一个关于FDE的线下分享。

为什么选择讲FDE这个主题呢？

一是，那场分享的台下都是创业者。

AI时代，企业的业务和组织形式必然会重构。AI转型又是一把手工程，作为创业者需要去了解。

如果是小团队的创始人，甚至可以亲自去做自己公司的FDE。

也有的朋友正在考虑做FDE这个赛道，比如之前做AI交付项目的创业者。

还有的老板在考虑，自己的公司是否需要引入FDE来做AI转型。

二是，FDE中的一些方法，对我们日常使用AI，以及做AI项目，有很高的参考价值。

三是，我之前做算法工程师的时候，有过类似于FDE的工作经历，有些切身体会。

所以我就结合自身经历，以及当前FDE的共识，整理出了一套相对完整的内容。其中部分内容参考了腾讯研究院的《FDE模式行业观察与实践》报告。

看完可以对FDE有个成体系的了解，包含下面几个部分：

现在跟公众号的朋友们一起分享讨论～

FDE是什么

第一个部分，先了解FDE究竟是什么。

FDE定义

FDE（Forward Deployed Engineer，前线部署工程师）是深入到客户的业务前线，理解业务并构建系统的人。

大白话解释一下，一般来说，FDE作为乙方，职责是使用AI对甲方公司的真实业务进行流程、组织、效率上的优化。这个过程中，FDE要亲自去到甲方公司，在业务一线理解业务、整理数据、构建AI系统，甚至推动甲方公司的组织变化。

核心目标就是，把甲方公司的传统生产力，转变为适配AI时代的新质生产力。

乍一看像传统外包，或驻场工程师，但有很大差别。

传统的驻场外包是客户给出具体需求，外包产出对应产品。

而FDE要先全面了解公司组织架构、业务和数据，然后用AI去优化或重构整个业务。

可以看出，传统外包工作有明确的业务边界，一般做的是企业数字化，做公司局部业务。

而FDE没有明确边界，这个工作的探索性和不确定性极强，做的是企业AI化，做公司全局业务。

从去年开始，AI巨头们集体下场去做FDE。OpenAI和Anthropic分别联合黑石、高盛这些顶尖咨询和投资公司，成立专门做FDE的合资子公司。 Google、阿里、字节等国内外大厂也开始入场。

一年时间，美国FDE的岗位数量增长了七八倍。国内也快速增长，甚至开出百万的年薪。

需要补充的是：FDE可以是一个岗位，也可以是由多个岗位组成的团队。

FDE从何而来

FDE其实不是一个新东西，已经存在二十多年了。来自一家2003年成立的美国公司，叫 Palantir。

Palantir早期是为情报机构工作的。他们一开始做的一款产品，能把一个机构中的所有数据打通，展示在一张图中。但是这个软件卖不动。

然后他们改变策略，直接做交付。把自家工程师派到军事前线，士兵提需求，工程师现场做开发，所以叫“前线部署工程师”。

为什么突然爆火

FDE这两年突然爆火，到现在依然热度不减。我们可以从三个角度看这件事。

从认知角度看，AI发展到今天，我们都知道AI不只是工具，它本身就是劳动力。 随着AI进入企业去赋能，大家开始意识到，即使模型再强，如果不深度嵌入到真实业务工作流中，就很难产生价值。但在当前阶段，大部分做AI转型的企业，依然停留在试点阶段。

从技术角度看，一是大模型基础能力的提升，二是提示词工程、上下文工程、Skill、Agent这些AI工程和架构上的进步。让AI具备了解决生产级问题的能力。所以AI落地的核心矛盾，正在从"模型能不能做"转向"组织怎么用"。

从人才角度看，AI技术的进步会导致复合型人才供给的成本下降。 因为AI承接了部分工程、文档、产品上的工作。那人就可以去做理解场景、对接客户、优化流程的事。

2024年6月，美国头部风投a16z发了篇文章《为什么FDE现在是所有创业公司最热门的岗位》。文中说：“企业买AI，就像你奶奶买了一台iPhone。她是真的想用，但得有人帮她把手机装好。” 而FDE就是这个人，就是推动让AI变成企业真正生产力的人。

FDE需要具备的能力

FDE需要具备3种核心能力。

判断能力：FDE应该具备判断决策能力。有商业认知，能看出甲方公司业务的痛点。要有行业认知，知道行业中的真实情况，而不是全靠AI去了解。

执行能力：理解业务后，能将业务拆解成可执行的工作流，并进行技术实现。并且能用AI快速构建业务原型，这样甲方能快速看到效果，建立信任，后续才能争取到更多支持和资源。

组织管理能力：擅长与人打交道。可以推动组织变革

所以，FDE是一个要求非常非常之高的岗位，是工程师、咨询顾问、产品经理、项目经理、业务专家的结合。

现实生活中，这三个能力很多时候是互斥的。

有判断能力的，通常是老板和高管，已经不写代码很多年了，也不可能重新去干执行的活儿；有执行能力的，一般是年轻的工程师，他们缺少判断能力和商业认知，而且很多人不愿做沟通工作；有组织管理能力的，通常是产品经理、项目经理、销售，这些人往往对技术和商业了解得不够深入。

OpenAI给出了FDE的人群画像，他们的招聘要求是：曾经的创始人，或者做过早期产品的工程师。

同时具备这些能力的人是极其稀缺的，所以FDE工作通常由团队完成。

FDE公司的组织类型

当前的FDE公司有4种组织类型。

内部团队型

公司自己成立的FDE团队，做自己公司的AI转型业务，有的也会被派到客户公司。

优势：沟通和反馈效率高，响应和迭代速度快；交付质量高，标准统一；经验沉淀效率高，复用能力强。

劣势：人才培养周期长，团队规模化和扩张难；人力成本高。

生态放大型

这类公司是基于大模型公司的，FDE业务可以扩大其生态。大模型公司只出标准化方法论、部署工具、认证体系，由外部合作伙伴来承接FDE交付工作。模型公司主要聚焦在自家产品和生态。

优势：利用合作伙伴的客户资源，覆盖面广、扩张快；模式更轻，盈利效率更高。

劣势：交付质量难把控；沟通和反馈链路长。

独立实体型

这是大模型公司与资本/咨询公司共同成立的独立子公司/合资公司，专门做FDE业务，依托模型公司的技术和资本公司的资源。

优势：资源、客户多，扩张速度快；运作机制灵活，不受母公司制度流程约束。

劣势：沟通和反馈效率较低；业绩压力高，容易忽视经验沉淀，沦为纯交付公司。

第三方交付型

这类公司不隶属于任何模型厂商，是独立的FDE交付公司。

优势：技术选型灵活；业务灵活度高，不受模型公司的战略限制；行业聚焦，经验沉淀更深，落地效率高。

劣势：依赖上游模型厂商的技术、定价、政策；人才培养周期长，团队规模化和扩张难；技术壁垒低，容易陷入同质化价格竞争，盈利空间易被挤压。

FDE在做什么

下面我们更深一步，了解FDE在做什么。

五步工作流程

1. 梳理业务

FDE进入甲方公司后，首先要搞清楚公司的所有业务、工作流程、组织架构，并且获取到相应的权限。

通常，FDE会先找一个“小而痛”场景，一周内完成一个闭环。这样既能获取客户信任，方便拿到后续资源，还能提前暴露风险，比如验证模型是否可以理解业务，数据是否可用。

Palantir有一个非常牛的打法，叫AIP Bootcamp，5天的客户转化率能达到70%。其实就是找到客户的“小而痛”的场景，5天时间搭建一个AI系统，让客户能看到效果提升，这样签单率就大幅增加。

2. 搭建Ontology

FDE需要整理、集成公司中的数据，使用Ontology（本体论）将数据层构建为人和AI都能理解的语义层。让人类员工与AI可以基于同一套数据层来工作。

后面给大家详细介绍Ontology。

3. 开发AI系统

识别业务中AI可赋能的部分，开发对应的AI系统/平台。

4. 培训落地

培训公司人员使用AI系统，并在必要的地方设定人工检查点。

5. 沉淀复用

将整个FDE项目中的经验，沉淀为FDE公司的可复用能力或产品。

这步非常关键，是FDE与传统外包的关键区别。

FDE的前几个项目很可能是亏的。同一个领域通常做七八个客户后，才会形成稳定的“行业本体”。如果没有这步，FDE只是一个高级版外包。

Palantir高管Bob说：“如果第一个客户需要10个人做1个月，第10个同类客户仍然需要10个人1个月，说明模式没有跑通，那不是FDE。”

三类角色

FDE工作中有三类角色。这里的角色与人数并不绝对相关，一个人可以扮演多个角色，一个角色可以由多人承担。

Echo（部署策略师）：判断该做什么，比如什么地方用AI、争取权限、定义场景、建立客户信任、推动组织改变。Echo是FDE最重要的能力。

Delta（驻场工程师）：完成实际交付工作。

DEV（总部研发）：把客户现场的经验，沉淀为可复用的能力或产品。

六大难点

其实FDE是个非常难做的赛道，主要有下面几个难点。

数据分散

我们工作中的数据，往往是分散在各处的，文档、数据库、服务器、本地电脑、微信群，很多甚至没落到纸面，只在员工的脑子里，在团队的共识里。

中国的很多企业，连数字化都没有完成，所以直接做AI化是存在天然障碍的。

数据是AI工作的基础，数据完整性对于AI的效果起决定性作用。可数据部分是AI项目中最大的dirty work，脏活累活，也是最磨人的部分。

我之前上班的时候，训练模型前需要人工找数据、清洗数据，模型输出错误的数据，还要单独分析。虽然数据治理工作对于AI很重要，但对于咱人类真是又耗时又磨人，价值感又很低。

人才稀缺

读完上文，大家能体会到，一个人是很难同时具备FDE所需的全部能力的，所以FDE这个岗位招聘和培养起来十分困难。

组织阻力

FDE在做甲方公司AI转型的实施过程中，必然改变很多人的工作模式，甚至工作性质，难免会动部分人的蛋糕。

而FDE通常又是外部人员，所以让每个人都配合、推动组织变化是极难的。

怎么破呢？文章开头就提到了，企业AI转型是“一把手工程”，老板必须绝对支持。FDE的职级可以低，但手中的权限必须高，甚至说一人之下万人之上都不过分。

这也是很多公司AI化推进不下去的原因，老板的决心和魄力不够，总是瞻前顾后，FDE的工作自然难以开展。

容易做成外包

如果你是FDE，在客户现场，客户临时提个小需求，你会不会接？

我相信绝大多数人是难以拒绝的，在国内甲乙方身份本就不对等。好，如果你接了，那后面的临时需求可能会越来越多，你原本的规划会被打乱节奏。

于是，项目越做越重，利润越来越薄，最终沦为传统外包。

所以，FDE一定要学会拒绝，因为你才是专家，才是“企业AI转型的总工程师”。

人才流失

FDE这个工作，真的非常难做。需要经常出差，或长期在客户现场，与各种人对接，承受各方面的压力，很容易造成内耗。

这点我也是深有体会，以前做算法工程师的时候，就时不时需要驻场，真的是很消耗人。特别是to g的涉密类业务，客户现场自由度很低，压力山大。

所以做这种交付类项目的公司，人员流动是很大的。

作为FDE公司，要对FDE有清晰的奖励机制和晋升路径，这样才会留住人才。

FDE在客户现场时间越长，工作越深入，这个FDE就越难以替代。所以一定要及时沉淀项目中的信息、知识、经验，应对FDE人员离职的情况。

效果难量化

很多时候，FDE的工作没有明确的量化标准，受FDE本人影响大。他可以把甲方原本60分的业务，优化到80分，也可以优化到100分，具体如何选择，FDE个人具有很强的主观性。

为了保证FDE的责任心、工作态度、交付质量，所以要有针对FDE的交付标准，甚至激励政策。

随着同行业服务的客户越来越多，FDE公司也要沉淀下来一套“行业交付标准”。

技术架构

这部分介绍FDE的技术架构，一看技术内容就头疼的小伙伴，可以跳到下个部分。

其实这部分技术比较好理解，里面的原理方法对我们日常和工作中使用AI、治理数据，有很好的借鉴价值。

Ontology（本体论）

深入聊FDE，就必须提到 Ontology（本体/本体论）。

Ontology定义：对一个领域内概念、概念属性以及概念之间关系的规范化描述，用来统一术语，让机器理解知识。

大白话解释一下，Ontology可以把原始数据，加工成AI和人都可以理解并使用的信息。也就是把“数据层”变成“语义层”，让数据可以直接为决策服务。

举个例子。你有一个工厂，你的原始数据有所有设备信息、员工信息、业务信息、客户信息等等。Ontology会汇总这些数据，提取出里面的概念，比如设备名、人名、供应商名、客户名等等；找到每个概念之间的关系，比如张三和李四可以操作设备A；以及进行信息延展，比如工厂生产的这批产品的收益预测、在市场上有什么风险等等，这些信息并不在原始数据中，是AI分析出来的。

企业本体构建好后，AI会更好理解整个企业和业务，输出质量大幅度提高。

为什么需要Ontology

那么做Ontology有什么好处呢？

消除语义鸿沟：把原始的、不能直接看懂和使用的数据，变成有意义的内容，这样AI和人都可以在这个语义层上工作和协作。

缩短执行链路：以前的执行链路是“从数据库、ERP等系统查询数据 -> 数据处理 -> 数据分析 -> 输出结果”，现在是“Ontology -> 输出结果”，或“Ontology -> 分析 -> 输出结果”。此外，更短的链路除了带来更高的效率，还能带来更少的AI幻觉。

数据安全隔离：从上面的链路变化可以看出，对原始数据的访问频率会大大减少，这会让数据更加安全。

沉淀企业资产：把散落在各地方、每个人脑中的经验、规则、风险边界、决策链路沉淀到Ontology中。人员离职，经验还在。每次更新只需更改一次，所有决策链路同步更新。

有一个真实案例。有人把公司的数据中台拆掉，换成本体架构，同样一个决策问题“这个供应商值不值得继续合作？”，AI在数据中台上跑了4天，换到本体架构上只跑了2小时。

因为Ontology像一根绳子，串起了链路中的所有数据，形成了“供应商-合同-交付-风险”的完整关系链。

技术原理

更深一步看Ontology的原理，包含四大组件和两大机制。

四大组件

对象（Object）：就是上面提到的概念，也叫实体。就是公司中都有什么东西，比如设备、员工、产品、客户等的具体名称。

属性（Property）：对象的相关信息。比如设备的型号、功能，人员的姓名、年龄、岗位。

关系（Link）：对象之间的关系。比如张三和设备A的关系是“可操作”、李四和张三的关系是“同事”。

动作（Action）：对象都能做什么动作。比如设备可以被“打开”、“关闭”，人员可以“操作设备”、“汇报工作”、“开会”。

两大机制

Action机制

这个机制规定了一次动作可以做什么，包含哪些对象、属性、如何操作、谁有权限等等。比如“让张三操作设备A一小时生产零件B”。

Function机制

这个机制负责执行中的“计算”和“判定”。有三种类型：

校验类：判断是否可以执行。比如李四是否有权限操作设备A。

计算类：计算数值。比如产线工作3小时能产出多少产品、有多少收益、利润如何。

工具类：Agent调用的工具。比如Agent需要从数据库汇总查询数据，那这个SQL查询语句就是Function来写的。

如何构建Ontology

说到如何构建本体，就得说AI大模型带来的质变。

以前构建本体，通常是NLP（自然语言处理）方法+人工处理。费时费力，效果还很差。

就拿第一步，抽取对象（实体）来说，需要针对要抽取的对象类型，来训练单独的NLP模型。比如我要抽文本中的设备名称、工人名称、产品名称，那我就要先做3个数据集，手动打标，再分别训练3个模型。一套下来，一周时间就没了。如果下次要抽供应商名称，那还要训练新模型。

AI大模型出世后，一切都变了，只需要一句话，你让AI抽什么就能抽什么。准确率极高，不需要提前做数据集。而且AI会补全很多相关内容，比如工厂这批货是针对东南亚市场的，那AI可以补充东南亚的文化、制度对于产品的限制和偏好。

当然，大模型也会带来幻觉问题，主要有两种。

一种是“无中生有”，编造原数据中没有的东西。另一种是“类型爆炸”，一个企业中的实体、属性、关系、动作是极其复杂繁琐的，所以AI很容易搞乱。

Ontology主要有5种构建方法：

纯人工专家驱动

这是最原始的方法，由行业专家和本体工程师一起构建，主要靠手搓。

好处坏处都很明显，准确率极高，但成本和耗时也极高。这个方法适用于医疗、航空这种对错误容忍度极低的行业。

Schema优先（自顶向下）

行业专家先制定规则（schema），给到大模型，在规则范围内处理。

好处是准确率很高，但缺少对规则范围外的探索。适用于法律、金融行业。

聚类发现（自底向上）

先从文本中抽取出所有对象，然后做聚类，也就是让同类型的对象自动聚集到一起。

这样有利于发现行业专家没发现的新东西，缺点是类型的边界模糊，有的是自动聚类出的类型，不是咱们想要的或常规定义的类型。这个方法适用于创新、调研、情报等行业。

LLM→Ontology混合

这是方法二和三的结合。从上，由AI制定规则，从下，AI做抽取和聚类。

混合流水线（生产级）

这是企业中会用的方法，适合严谨的生产环境。很好理解，其实就是结合了前几种方法。核心思想是多方法处理，相互补足，持续迭代。

还有4种防止幻觉的方法，很实用，大家平时也能用：

Schema引导：先制定规则，框定AI的执行边界。

分而治之：经典的计算机领域思想，把复杂问题拆分成多个简单问题。不要让AI一次抽取出所有关系，而是一次只抽取两个，抽取后反问关系是否正确。

RAG＋证据溯源：AI的每个输出，都要带原文、原数据溯源。

人工参与：人也要在流程内，参与审核。

Ontology带来的变化

好，当你公司的本体构建完成，就是见证奇迹的时刻了。

枯燥冰冷的数据，开始变得有意义，可以配合Agent自主完成很多任务。

AI面对的不再是片面的上下文，而是高度结构化的、完整的企业业务全景。如果关系图构建得好，Agent的推理能力将是质变。

处理任务的复杂度将大幅降低，就像前面提的，很多时候不用去数据库查询原数据了，直接从本体构建的语义层拿就行。企业数据更有体系、有规范、更清晰。

整个AI系统会对企业世界有成体系的理解。基于对这个企业世界的理解，AI会更好地进行规划和执行。

AI系统本身也更有体系。大模型负责语言、分析，本体负责构建企业世界，图（Graph）负责关联，Agent负责执行，记忆机制负责长期状态，工作流（Workflow）负责编排。

Ontology+AIP的飞轮

AIP（AI Platform），叫AI平台或AI层。其实就是AI部分，包含大模型、Agent、Skill这些部分，就不展开聊了。

Ontology + AIP，形成了上图完整的FDE飞轮。

举个例子。有一批用户预订了你的产品，可由于某个供应商的问题，导致生产延期。那这时候企业的AI系统就会找到这批订单，找到对应的用户和手机号，编辑道歉声明，并针对不同用户的不同特征，安排合适的赔偿措施。整个过程都依赖AI与本体的配合，达到最好的事件处理结果。

商业模式

技术部分警报解除，下面聊聊FDE的商业模式。

Palantir的高毛利飞轮

聊到商业模式，不得不提Palantir这家公司，一家交付公司，竟然有82%的毛利率。而传统的咨询交付公司只有30-40%。

Palantir最大的护城河，就是军事、反恐、情报这些行业的“数据打磨权”。这个数据打磨权，成全了它的行业本体平台Gotham。

专属的数据打磨权咱们没法参考，但行业本体可以，当你在FDE赛道形成了完善的行业本体，那你的护城河就建起来了，下面的飞轮就形成了：

行业本体更完善->交付效果更好->客户粘度更强->合同更多->数据和经验沉淀更多->行业本体更完善......

FDE商业模式关键点

实际上，形成上面的高毛利飞轮并不容易。FDE商业模式中有几个关键点：

延迟收益

如果你要做FDE公司，那前期就要做好不赚钱，甚至亏钱的准备。这个赛道资产较重，主要集中在人才薪资、差旅费、项目管理。

项目延期越长，规划外的成本越高。我之前在这类公司工作的时候，感觉项目延期是个常见的事，延得短还好，延得长项目直接干亏。更重要的是，客户满意度下降，影响后面签单的长期收益。

FDE项目比纯交付项目更重，因为还要投入去做行业经验积累和行业本体构建。

规模效应

当客户越来越多，能复用的内容就越来越多，项目成本就越来越低，从而形成规模效应。

所以，做FDE公司一定要深耕行业，同一个行业内的客户多做。

杠杆效应

前面提了，FDE项目前期并不赚钱，所以就要多扣细节，巧用杠杆。比如提高人员配置效率、用更强的AI工具、利用合作伙伴资源等等。

价值定价

交付项目一般是按“人/天”定价，其实可以转向为按客户的业务收益收费，也就是分润模式。当然，目前国内的客户也许很难接受这种模式，国外是有先例的。

大模型公司为什么做FDE

OpenAI、Anthropic、Google、阿里、腾讯、字节等等这些国内外AI大模型厂商都开始下场做FDE。其中有两大主要原因。

一是，抢占数据，来提升自家模型。

现在互联网上的公开数据已经被训练得差不多了。这些模型厂商也是无所不用其极，前段时间Anthropic不就报告一个丑闻嘛，大量购买孤本、古老、快绝版的书籍，文字扫描后直接销毁。

二是，赚后续的token费用。

这也是大模型厂商做FDE的独特优势，如果企业绑定一个厂商的模型，那后续的token利润是相当可观的。这也是Anthropic的主要打法之一。

FDE收费情况

从上图，大家能大概了解FDE项目的费用。仅作参考，因为具体价格受具体企业和业务影响非常大。

中国这边的FDE，其实很多做的是培训，这个反而可能比交付更赚钱。

中国的FDE

那中国这片土壤下的FDE是怎么样的呢？其实和美国有蛮大差别的。

政策与市场

政策上，从今年开始发力了。国家层面、北京、上海、大湾区，都出台了相关政策。

招聘市场上，FDE相关岗位大幅增加，之前主要是大模型公司、AI原生公司在招，现在扩展到了云厂商、金融科技公司和传统IT服务商。

不同级别的FDE，薪资差距也非常大。初级FDE一两万的月薪，其实就是常规工资，高级FDE的年薪能达到百万。

市场愿意为“强FDE”支付更高溢价，而“弱FDE”的薪资，其实和普通打工人没有太大差别。“强FDE”可以理解为具备前文所提的全部或多数能力，“弱FDE”只具备单项能力。

卡点与破局

在中国做FDE目前有六大卡点。

客户不愿为"一起探索"付费

FDE进入客户现场的前期，需要搞清楚公司和业务是怎样运转的，还要制定AI优化方案。这个时间短则几周，长则几个月，而且是计费的。中国的公司，多数难以接受这种探索性的、难以量化的工期。

如果客户不愿意为这段时间付费，出方案后却没签单，那沉没成本是非常大的。

还有一方面，因为美国的用人成本很高，所以用AI替代员工的收益是好算的。而在中国则不是，所以很多中国企业对AI转型的效果并没有明确预期。

实施难度高

很多中国企业数字化都没完成，数据散落在各处。这个数据治理的工作量和难度是极高的。

工作开展起来，“人”的问题更是要命。改变别人的工作模式，甚至利益，这个阻碍是极大的，更何况是在中国这个“人情社会”。

乙方FDE的尴尬角色

驻场人员这个角色，在甲方公司天然就是“二等公民”。这点我也深有体会，不管你在乙方公司是什么领导，去到甲方公司没有地位和话语权可言。所以驻场工作干起来就是很心累。

大厂派出的驻场人员，通常是层层外包，并没有本公司的正式编制，能力上通常不如大厂正式员工。这样的现实情况，给甲方留下了“驻场的都是外包，水平一般”的刻板印象。

搞不定企业内部政策

AI时代，企业的激励机制、人才体系、组织形态需要匹配AI生产力，但外部人员很难推动。

FDE很难解决“员工为什么要用”的问题。对于员工，要改变工作习惯、花时间学习，搞好了是公司收益，搞不好是自己背锅。 所以一定要有对应的激励机制。

AI生产力融入后，要有新的员工考核机制。 如果还沿用旧的，可能反而会降低效率。

人才体系也要更新。 企业中，把AI应用得很好的“AI先锋”，通常只占10%—20%，其他人则会直接沿着AI先锋的路径走。所以企业应该针对这些AI先锋，有单独的激励政策、培养体系和晋升机制。

FDE不赚钱

前文大家看到了，国内的FDE项目费用远少于美国，可成本并不低。再加上客户的忠诚度低，所以FDE很容易干成不赚钱的生意。

人才不在这个方向

具备FDE完整能力的个人非常非常少。在美国，有的人年纪很大还在编程，还在干程序员，所以同时懂业务和技术的人更多。而在中国，这些技术人才要么面临35岁危机，要么千军万马过独木桥卷成技术专家。所以中国天然缺乏这类复合型人才。

困难说完了，那就得说说破局之道了。

FDE这个赛道，核心是“信任”。让客户快速看到效果，对未来工作有预期，对FDE有信任，这是重中之重。就像Palantir的AIP Bootcamp这个打法。

再一个，AI模型厂商，天然更适合做FDE。他们有数据需求和token出售需求，做FDE的短期和长期收益更高。而且AI大模型作为基础设施，这些公司天然有很多优质合作伙伴。所以他们可以去跑通FDE模式、方法论、本体论，作为样例，然后引入FDE业务合作伙伴，进行复制。

除了模型厂商，如果FDE公司能找到有信任、有背书、自带客户资源的公司来合作，那更容易跑通。

FDE人才的培养也不能落下。在摸索AI转型的同时，完善人才培养体系。被AI冲击的程序员们，转向FDE未尝不是一个选择。

另外，政府起到的角色非常重要。可以出钱补贴，政府、国央企、事业单位更可以亲自下场去雇FDE做AI转型。

我当年上班的时候，正值国产GPU被美国卡脖子，当时华为的昇腾显卡已经推出了，却非常不成熟。我在驻场的客户就是国家机构，客户要求必须用华为显卡。尽管当时昇腾显卡真的很难用，可如果国家端都不支持，那企业端怎么能挺过这样的阵痛呢。

我眼中“真正的FDE”

最后，分享一下我眼中“真正的FDE”是什么样的。

首先是“全局”。将企业的所有业务、整个组织形态、工作方式进行AI变革，成为AI时代的企业新形态。而不是只针对特定项目或业务进行提效，这样意义不大。

其次是“长期”。持续陪跑和服务，迭代企业中的AI、技术架构和组织架构。

最后是“迭代”。将每次服务沉淀为可复用的资产，形成行业解决方案/产品。

当然，这是一种FDE的理想状态，不过也可能会成为AI转型路上必经的里程碑呢。

如果你有任何看法，欢迎在评论区一起讨论 💬