人工智能 - 【FDE开发指南】第 2 课：为什么 2026 是 FDE 元年 - AI技术讲解 - SegmentFault 思否

时长约 60–75 分钟 | 难度 ⭐⭐

2.1 先看一个数字：95%

2026 年，MIT NANDA 研究了一批企业 AI 项目。样本量是 300 个。

结论是：其中 95% 的试点，没有产生可测量的损益改善。

先把这句话拆开读，因为每个词都有分量：

词为什么重要

试点（pilot）不是"没上线的项目"，是已经做出来、已经在跑的试点

可测量的不是"感觉没效果"，是拿不出能测量的改善数据

损益改善不是"技术指标没提升"，是财务口径上没有变化

95%不是"一半"，是绝大多数

这个数字足够说明一件事：问题不在模型能力上。

2.2 瓶颈转移：从"模型不行"到"企业不会用"

回看这几年，企业 AI 的瓶颈换过一次位置：

2020–2022　能力瓶颈期

模型不够强，很多事根本做不了。

讨论的焦点是"能不能做到"。

2023–2024　成本瓶颈期

模型够强了，但太贵、太慢。

讨论的焦点是"划不划算"。

2025–2026　落地瓶颈期　　←　现在在这里

模型又强又便宜，接口一行代码就能调。

讨论的焦点变成了："为什么用了没效果？"

瓶颈一旦从"技术"转移到"组织"，问题的性质就完全变了：

技术瓶颈靠研发投入解决

落地瓶颈只能靠进现场解决

因为落地失败的根因，长在企业内部，不长在 API 文档里。它们通常是这类东西：

该用的人不用（流程没改、习惯没改、甚至觉得"这玩意儿是要替代我"）

数据根本没准备好（字段缺失、口径不一、历史数据是脏的）

选错了第一个场景（做了个"能演示但不解决真痛点"的东西）

说不清效果（没有基线，事后无法证明改善）

这四类问题的共同点：没有一个能靠读文档、看 API 或做技术选型解决。全都要进现场。

这就是 FDE 复活的根本原因。

2.3 为什么"轻交付"失效了

2023 年前后流行过一种"轻交付"想象：把 API 一开，客户自己接，生态自己长。

这个模式在开发者工具领域成立，在企业场景里大面积失效。原因是企业客户的现场有大量"API 管不到"的东西：

场景轻交付为什么失效

银行合规审核合规流程要人签字，模型输出要能追溯、要能解释

医院病历归档数据结构混乱、历史格式几十种、还有保密要求

对冲基金交易系统错一次就是真金白银，没有任何容错空间

结论：越是严肃的业务场景，越无法用"给你接口你自己搞"来解决。大模型厂商被迫重新捡起了驻场模式——这正是 Palantir 在十年前走过的路。

2.4 厂商侧：2026 年的动作时间线

这一年的动作密度很高，按时间排一遍（建议记住其中三个）：

时间事件为什么值得注意

2026-05OpenAI 成立专门部署业务部门，西雅图公开 FDE 岗位头部厂商把"部署"从服务职能升级为独立业务线

2026-06OpenAI Partner Network：投入 1.5 亿美元，目标年底培训 30 万名认证顾问开始做规模化供给——说明需求已经超过自建团队的速度

2026-06国家数据局印发高质量数据集方案政策侧开始解决"数据从哪来"

2026-07-22a16z 公布首期 FDE Fellowship：65 名入选者资本侧开始为这个角色单独建人才管道

2026-07OpenAI Presence：首个明确由 FDE 交付的企业 Agent 产品，不提供自助购买⭐ 三个必记之一

2026-07微软 Frontier Company：25 亿美元 + 6000 名专家，官方称"超越了通常被称为 FDE 的东西"⭐ 三个必记之一

2026-07Anthropic 发布四类角色化认证角色开始被标准化定义

2026-07Databricks 提出 Decision Execution Platforms；Google Cloud Marketplace Agent 采购体系上线平台层开始把"交付能力"写进产品定义

2026-07Salesforce 获美国退伍军人事务部最高 16 亿美元合同政企市场的单笔规模量级

三个必记的事件，以及它们真正的含义

① OpenAI Presence "不提供自助购买"

这是一个很不寻常的产品设计：一个 Agent 产品，你买不到。

为什么？因为 OpenAI 在赌一个判断——企业客户买的不是软件，是结果。

一旦企业要的是"结果"，产品就必须带上"谁去实现这个结果"。所以 Presence 的交付方明确写成了 FDE。这等于官方承认：这个产品的能力边界，不由代码决定，由交付过程决定。

② 微软 Frontier Company 的官方措辞

25 亿美元、6000 名专家，规模上已经是"军团"级别。但更值得琢磨的是它对标方式：

官方称它"超越了通常被称为 FDE 的东西"

这句话说明 FDE 已经从"一种做法"变成了"一个行业参照系"——连否认它、超越它的方式，都是拿它做坐标。

③ a16z 的 Fellowship

资本方开始为这个角色建独立的人才通道，而且首期入选者里就有 Anthropic、OpenAI、Snowflake 的人。这说明它不是"某家公司的内部玩法"，而是整个行业在抢同一批人。

2.5 政策与人才：中国的三个信号

国内的情况值得单说，因为路径不一样（第 5 课会展开）。2026 年有三个信号：

信号一 · 政策确认

2026 年 7 月，北京四部门发文，首次将 FDE 写入省部级政策。政策对这件事的提炼是三句话：

模式创新、驻场共创、持续迭代

这三句话值得逐字读：

"驻场共创"——官方承认了"必须进现场"这个前提

"模式创新"——把它定位成模式问题，不是技术问题

"持续迭代"——承认它不是一次性交付

信号二 · 人才培养启动

上海创智学院启动 FDE 前沿部署工程师高级研修班（2026 年年中；公开资料中有 5 月与 6 月两种表述）。同时厂商侧也在做认证体系（Anthropic 的四类角色化认证）。

👉 有培训班，说明缺人已经缺到能被做成生意了。

信号三 · 市场需求真实

中国信通院 2026 年 6 月的报告，以及国内以项目制、陪跑制为主的付费形态——单项目 3–50 万人民币不等，高端企业级部署可达百万级。

2.6 市场数据：0.3% → 1.6%

一个可以直接对比的数字：

设立 FDE 岗位的企业占比

2023-01 → 0.3%

2026-01 → 1.6% 约 5.3 倍

先泼一盆冷水：1.6% 仍然是很低的数字。绝大多数企业还没有这个岗位。

但注意两件事：

增速比绝对值重要。三年 5.3 倍，而且是在样本里"设岗"这个最严的口径下

"没有这个岗位" ≠ "不需要这个能力"。这恰恰是第 5 课要讲的重点：中国市场需要的是 FDE 型能力，它可能长在外部顾问身上、长在企业内部核心团队身上，甚至长在老板身上——不一定长在一个叫 FDE 的编制里

2.7 薪资结构说明了什么（本课最重要的一节）

这组数字比任何招聘广告都能说明角色定位：

指标数值

硅谷 FDE 年薪15–35 万美元，含股票期权可达 50 万+

OpenAI FDE 基本年薪区间18.5–30 万美元（西雅图部署业务线）

相对同级通用软件工程师基薪中位数低约 5.3%

相对传统客户成功 / 实施交付岗高 40.3%

现在把最后两行放在一起看，这是全课最值得琢磨的一组对比：

同级软件工程师

│ -5.3% ← FDE 略低于这个锚

FDE

│ +40.3% ← 远高于传统实施岗

传统客户成功 / 实施交付岗

它在两个锚之间，但明显更靠近"软件工程师"这一侧。

这个薪酬结构传递了一个明确的信号：

公司把 FDE 当成工程师来定价，而不是把售后交付岗升个级。

这解释了很多事：

为什么 FDE 要求具备系统设计与编码能力（因为定价在工程序列）

为什么"不会写代码，但很会沟通"当不了 FDE（那是客户成功岗）

为什么这件事不能靠培训班的证书解决（工程能力是练出来的）

反过来，也解释了另一个常见误解：

⚠️ FDE 不是"技术更好的售前"。 售前薪酬锚定商务，FDE 薪酬锚定工程。锚不一样，行为就不一样。

2.8 一个反直觉判断

这一课最后留一个判断，它是后面 16 课反复会用到的一把尺子：

AI 工具越便宜，FDE 越值钱。

为什么？因为搭建 Agent 的技术门槛正在快速下降——今天用 Cursor、Claude Code 搭一个能跑的原型，比两年前容易十倍。

当"搭得出来"这件事变得人人可学时，稀缺的就不再是技术操作，而是这四件事：

理解企业现场（知道真实工作流长什么样）

定义真问题（在一个含糊的诉求里找到真痛点）

设计验收标准（什么算成功，写得可测量）

推动组织采用（让人真的用起来）

这四件事，没有一件能靠"更强的模型"自动解决。

也正因如此，我们才有必要讲第三课：能力三角。

💡 提示

判断一个"风口"是真需求还是泡沫，看它有没有出现"规模化供给"的动作。 OpenAI 花 1.5 亿美元、目标培训 30 万认证顾问，是典型信号——需求已经跑在自建团队速度前面了。

看厂商动作时，别只看它招了多少人，要看它怎么设计产品。 Presence "不提供自助购买"这种反常规设计，比招聘人数更有信息量。

政策文件要读动词。"驻场共创""持续迭代"这两个词，比"人工智能+"这类大词更能说明执行层面的要求。

⚠️ 常见坑

坑一：把热度当确定性。

FDE 在 2026 年确实很热，但1.6% 的设岗率是个冷静的数字。热度意味着"值得了解"，不等于"值得 all in"。学能力的回报是确定的，赌岗位风口的回报是不确定的。

坑二：把 95% 当成"AI 项目必然失败"。

这是典型的数字误用。要说清楚三件事：谁的样本、什么口径、测的是什么。教学和汇报里都要带上，否则一被追问就站不住。

坑三：以为"厂商都做了"就等于"适合所有人"。

大厂做 FDE 是因为他们的客单价撑得住驻场成本。中小企业和个人要学的是能力，不是成本结构。

坑四：只看薪资不看薪酬锚。

很多人看到"15–35 万美元"就冲进来，却没注意薪酬锚定的是工程序列。这意味着它要的是工程底子，不是沟通技巧的溢价。

📝 思考题

口径题：假设你在一次内部汇报里要引用"95% 的试点没有产生可测量改善"这个数字。请写出你会在前面补的半句话，让这个引用既有力又站得住。

因果题：用一句话把这条链路补完整——

"模型变便宜了 → __ → 所以 FDE 变值钱了。"

（提示：想清楚"变便宜"和"变值钱"之间，中间那个被消灭掉的是什么。）

判断题：以下四个动作，哪些属于"轻交付"思路，哪些说明已经在往"驻场"走？

甲乙：开放 API 并写详细文档，期望客户自行接入

乙：上架云市场，提供自助购买

丙：产品明确"不提供自助购买"，交付方写成交付工程师

丁：投入 1.5 亿美元培训 30 万外部认证顾问

反问题（本课最难）：既然"AI 工具越便宜，FDE 越值钱"成立，那么FDE 会不会也被工具便宜化干掉？ 请给出你的判断和理由。（这个问题的答案在第 3 课和第 12 课会继续展开。）

✅ 本节小结

真正的证据是 300 个企业 AI 项目、95% 试点无可测量改善——问题不在模型能力，在落地过程

瓶颈已经完成转移：能力 → 成本 → 落地。落地瓶颈只能靠进现场解决，因为四类典型死因（人不用、数据没备好、场景选错、账算不清）全都长在企业内部

"轻交付"在严肃业务场景失效（银行合规、医院病历、金融交易），厂商被迫重新捡起驻场模式

2026 年三个必记事件：OpenAI Presence 不提供自助购买、微软 Frontier 军团（25 亿 / 6000 人）、a16z 建人才管道；国内三个信号是政策写入、人才培养、需求真实

市场数据：设岗企业占比 0.3% → 1.6%（三年 5.3 倍），但绝对值仍低——要的是能力，不一定是岗位

薪资结构给出最关键的定位信号：锚定工程师（较同级 SWE 低 5.3%），而非实施交付岗（高 40.3%）

一把尺子：AI 工具越便宜，FDE 越值钱——因为被消灭的是技术操作，不是现场判断

下一课预告：第 3 课讲 FDE 能力三角——技术实现、解决方案、交付闭环这三块，具体各包含什么、怎么自测短板、以及为什么"三块必须都沾"。这也是工程师最容易高估自己的一块。