Demo 很漂亮，落地没人用：AI 公司为什么开始抢前沿部署工程师 FDE？

题图摄于旧金山

一家公司花了不少钱接入大模型，老板在演示会上很满意：客服回答很流畅，销售邮件写得像模像样，研发同事甚至用它生成了几段代码。

但三个月后，系统几乎没人用。客服说，它不知道哪些问题必须转人工；销售说，它写出来的话术不符合公司风格；法务说，很多回答没有审计记录；IT 部门说，旧系统接口太乱，接不进去。

这就是今天很多 AI 项目的真实处境：Demo 很漂亮，落地很困难。也正是在这个背景下，一个过去不算大众的岗位重新火了起来：FDE，Forward Deployed Engineer，前沿部署工程师，或者更通俗一点，叫“前线工程师”。

一、FDE 到底是什么？

我的理解是，FDE 就是“驻场、懂业务、能写代码、能上线、能兜底”的 AI 落地工程师。

他不是坐在总部写通用功能的人，也不是售前阶段讲讲架构的人，更不是做完 PPT 就走的顾问。FDE 要进入客户现场，和业务、IT、合规、管理层一起，把一个模糊的 AI 想法，拆成可运行、可评估、可持续维护的系统。

这也是 FDE 和其他角色最大的不同。普通工程师更像在“基地”里造标准化产品，FDE 则更像带着工具箱上前线的人。他面对的不是理想数据，而是真实业务里的旧系统、脏数据、权限墙、部门墙和临时变化。

一张图看懂 FDE 和其他角色的区别：

二、为什么 AI 时代重新需要 FDE？

FDE 并不是 AI 时代凭空发明的。早在 20 年前，Palantir 就有类似模式：派工程师进入政府或大型机构的封闭环境，解决复杂数据系统的问题。今天 OpenAI、Anthropic 等公司重新重视 FDE，本质上是因为生成式 AI 的落地越来越依赖“最后一公里”。

比如企业说想做 AI 客服，表面上是做一个聊天机器人，实际牵涉知识库、工单系统、CRM、话术规范、投诉升级和合规审计。模型文档里不会告诉你，公司内部哪套知识库才可信；发布会也不会告诉你，哪些问题必须转人工，哪些答案必须留痕。

一个典型场景是：企业已经买了大模型服务，客服 Demo 看起来不错，但上线前发现，模型回答经常越权，老工单系统没有标准接口，质检规则也没有结构化。FDE 进场后，真正要做的不是“调几个提示词”，而是重接知识库、梳理转人工规则、补日志审计、设计评估样本，再把系统接进客服日常流程。到这一步，AI 才从演示变成生产力。

所以，AI 落地最难的地方往往不是模型，而是模型和组织之间的缝隙。FDE 的价值，就是把这个缝隙补上。

三、对劳动力市场的影响：不是工程师消失，而是工程师升级

我不太认同一种简单说法：AI 会让工程师没前途。更真实的情况可能是，AI 会减少一些旧任务，同时创造一批新岗位。FDE 就是很典型的新岗位。

过去评价工程师，常常看代码写得好不好、系统搭得稳不稳。AI 时代还要多看一层：他能不能把 AI 组件放进真实业务里。未来岗位名称还会变，但方向不会变：技术人要离业务更近，业务人也要更懂 AI。

好的 FDE 至少要有三种可考核能力：第一，全栈工程和 AI 集成能力，知道模型怎么接、数据怎么处理、权限和安全怎么管；第二，业务需求拆解能力，能把“我们效率太低”翻译成具体任务；第三，现场推进和风险判断能力，能在客户要求不现实、部门目标不一致时，把事情往前推，也敢于说“不”。

当然，我也不认为未来每家公司都会养一大批 FDE。头部 AI 公司会用 FDE 帮大客户落地；但对多数企业来说，更大的队伍应该是自己的 AI Engineer、AI 产品经理和业务侧 AI 负责人。外部 FDE 可以带路，内部能力才决定企业能走多远。

四、对 AI 应用的影响：从工具化到流程化

FDE 的出现说明 AI 应用正在进入第二阶段。阶段一是工具化，AI 帮个人写文案、写代码、总结资料，提升个人效率。阶段二是流程化，AI 进入客服、销售、法务、研发、财务、人力、供应链等组织流程。

到了流程阶段，问题就不再是“模型聪不聪明”，而是“系统是否可靠”。AI 客服要知道什么时候转人工，AI 财务助手要符合审批规则，AI 编程助手要通过测试和安全扫描，AI 销售助手要知道哪些客户不能乱触达。

所以我越来越觉得，AI 应用的竞争不会只发生在模型排行榜上。模型当然重要，但最后决定企业能不能用起来的，往往是工程化与可靠性：数据接入、权限控制、流程设计、效果评估、人工兜底、日志追踪和持续优化。

五、用好 FDE：公司和 AI 厂商该看什么？

对企业来说，FDE 既有价值，也有风险。价值在于速度快。企业不用从零摸索，可以借助厂商经验，把 AI 项目快速做成。尤其是大企业，内部系统复杂、审批链条长、技术团队分散，如果有强 FDE 推进，项目成功率确实会提高。

风险是被锁定。FDE 往往来自某个 AI 厂商，天然会倾向于把这家厂商的模型和平台深度嵌入客户流程。一旦核心流程、接口、评估体系都围绕某一家供应商设计，未来想切换就会变难。今天最强的模型，不一定一年后还是最强。AI 发展太快，企业保留可选性很重要。

企业评估 FDE，我建议看五条标准：

1. 必须进入生产环境，不能只做漂亮 Demo；
2. 必须沉淀企业自有能力，不能所有知识都留在厂商手里；
3. 必须保留模型替换空间，不能把流程写死在某一家平台上；
4. 必须有可量化业务指标，比如节省时间、降低错误率、提升转化率；
5. 必须从第一天做安全、权限、日志和合规审计。

FDE 也不是万能药。首先，它成本很高，通常更适合大客户和高价值场景；其次，它容易让企业形成交付依赖，项目上线了，但内部能力没有长出来；最后，中小企业未必需要专职 FDE，更现实的路径是外部合作加内部培养。

对 AI 厂商来说，FDE 是重要的商业武器。它能帮助厂商拿下大客户，把模型变成客户看得见的业务价值；也能把现场反馈带回总部，反哺产品路线图；更现实地说，它还能增强客户粘性。模型可能被替代，但如果厂商已经深度接入客户流程，替换成本就会上升。

不过，厂商也要有一条红线：FDE 不等于无限定制。如果每个客户都做一套完全不同的系统，短期收入可能不错，长期会拖垮产品化能力。真正好的 FDE 机制，应该从客户现场发现共性问题，再抽象成平台能力。

结语：模型是起点，落地才是终点

FDE 之所以重要，不是因为它是一个时髦岗位，而是因为它揭示了 AI 落地的本质：AI 不是装上模型就结束了，真正困难的是进入组织、理解流程、改造系统、建立信任。

未来 AI 竞争不在 Demo，而在把 Demo 变成每天可用、有人负责和持续产出价值的系统。企业既要用好 FDE，更要自建 AI 工程能力。

一句话说，AI 不是模型的竞赛，而是嵌入组织的能力竞赛。模型是起点，落地才是终点。

欢迎在评论区聊聊：你们公司 AI 落地，最卡的是哪一步？