前段时间，我在我们社群里看到一句话。
站在台上讲企业AI改造时，是受人尊敬的老师、专家和权威。
但真正进入客户现场以后，FDE就会变成乙方和供应商，甚至是被使唤、没权限、还要担责的奴隶。。。
这句话，可以说真的过于真实了。
FDE，其实是我一直很感兴趣也想和大家聊聊的职业。
全称为Forward Deployed Engineer，被译为前沿部署工程师。
就是进入客户的现场，根据企业的需求，推动一些具体方案的落地。
最初这个词起源于Palantir，是一家美国的数据与AI软件公司，在还没有AI的时候，他们把工程师派到到客户现场，理解客户的相关业务并部署自家的软件系统。
可这个职位，在过去，好像并没有那么的光鲜亮丽，定义模糊、交付极重、需要长期处理各种内部关系。
而如今，又被整个AI行业推到了风口上。
五月份，OpenAI和Anthropic都分别宣布成立了一家做FDE的公司。
在国内，大厂在招，AI公司在招，创业团队和OPC们，也都开始给自己贴上FDE的标签。
小红书一搜也是很多人在分享自己的FDE经历，或者教别人怎么转型FDE。
所以我也一直好奇，国内的FDE生态到底怎么样？大家的工作到底是什么？真的是如大家所说，是新时代的风口吗？
于是前段时间，我在社群里找到了几位正在做FDE的群友，又请身边的朋友帮忙推荐，陆续跟来自大厂、AI公司、创业团队和OPC的几位FDE聊了聊，做了一些小小的调研。
大家都特别支持，跟我们分享了自己真实做过的项目，也聊了很多在客户现场遇到的问题。
有些经历听起来很离谱，有些又真的特别憋屈。
聊完以后，我一直好奇的那些问题，也终于有了些答案。
这个岗位，虽然现在非常热，但对于市场和企业来说，确实还是处在一种很尴尬的状态。
你会发现，不仅FDE对自己身份的定位很多时候是模糊的，而且企业的管理层愿意花钱把FDE请进公司，可对于真正需要和他们一起工作的一线员工来说，FDE同样也是一个陌生的角色，很多人甚至不知道他们是谁、为什么而来，更谈不上真正理解和接纳他们。
我先给大家来举个在访谈过程中，大家说出来的真实的例子。
FDE到了客户一线以后，最 先遇到的尴尬，就是大家根本不知道该怎么称呼他们。
麦麦在一家AI公司做FDE，大学学的是心理学，现在主要负责理解客户业务、搭建Agent、对接系统，再把项目推进到生产环境。
有一次呢，麦麦和团队一群人去客户公司。
当时这个客户为了推进项目，请了不少兼职和外包，现场还有投资人在。对方看了一圈，觉得这次来的人背景有点杂，就对麦麦说：“要不然，你就别说是FDE，就说自己是我们的产品经理吧。。。”
麦麦：“行吧。。。”
于是他就成了产品经理。
有时候，他是解决方案专家，也有时候，他是技术负责人。
反正客户需要他是什么，他就是什么。
麦麦所在的团队以前甚至不叫FDE，叫PE。
公司其实很早就考虑过改成FDE，但那时候这个概念太新，市场听不懂，候选人也很难判断这个岗位究竟做什么，招聘反而更难。
直到FDE逐渐流行，这类工作有了一套大家都能听懂的说法后，才把名字改了，不过吧，活还是那些活。
而另一位被采访者，谢尧，之前在华为、字节和金融机构做产品运营，现在自己创业，主要以小团队的方式承接企业AI服务。
有一次呢，他独自留在客户公司的会议室里加班。
客户的员工准备关门，推门进来，看见他还坐在里面，就问了一句：“你是哪个部门的？”
他想了想，然后回答了一句：“额，我是你们的外包。。。”
这两个回答听起来都有点好笑，但实际上，可能是每个FDE都面临过的场景。
他们明明是被管理层请进来的，可到了具体的业务部门，却很难找到一个能够解释自己的身份。
他们确实什么都要干，所以叫这两个名字也没毛病，并且在此之前的确一直没有一个很好的词能够概括这个岗位。
直到FDE火起来以后，这群人终于有了一个方便对外解释的名字，也多了一层AI时代新职业的光环。
可名字有了，听起来很牛逼，但对于大众来说依旧比较模糊，驻场工作的真实情况也没有那么光鲜。
FDE的身份之所以难以解释，也和他们非标准化的交付方式有关。
我暂且把他们粗略分成两类。
第 一种，是产品驱动型FDE。
这类FDE指的是有自己的产品、模型或者平台的AI公司或者大厂，他们带着已有的能力进入企业，根据客户的业务流程，完成交付。
公司本身拥有一套产品或者模型，只要客户愿意采购，也愿意开放真实的业务场景，团队就会投入FDE人力，围绕客户需求进行定制、交付和运维。
这个过程也能够反哺模型和产品，在客户授权和数据合规的前提下，真实业务数据还可以帮助团队发现模型和产品在具体行业里的能力边界。
麦麦就把这类FDE的成长，分成了两个阶段。
刚入行的时候，FDE和外包确实很像，因为客户说什么就做什么，也没有足够的经验判断，对方提出的究竟是真需求，还是一句听起来很有道理的伪需求。
等做过的客户足够多，手里有了案例、数据和方法论，FDE才会慢慢拥有一些咨询属性和一些话语权。
这时候，他们可以反过来告诉客户，比如说：“你现在的方法可能有问题，我们做一组对照实验，最后看数据是谁对。”
这个变化其实很重要。
因为一个成熟的FDE，不能永远被客户推着走，他要把现场发现的问题带回公司，沉淀进产品和方法里，再把这些经验带给下一个客户。
这样，做过的每一个项目才不会只是一次性的消耗。
当然，屁股决定脑袋。
带着自家产品进场，解决客户问题的同时，可能会需要完成公司自身战略目标与销售指标的KPI。
第二类，是项目驱动型FDE。
这可能也是现在增长最快、定义最混乱的一类。
他们靠个人信用、朋友介绍和行业关系拿到项目。
一个常见的组合是项目经理、行业专家和技术伙伴，分别负责客户沟通、业务梳理和开发交付，团队虽然不大，但承担的环节却很多。
也有一些个人FDE，会独自完成全部流程。
客户购买的，是他们的经验和时间。
这类模式起步很快，但上限也非常明显，项目交付以后，修改维护还会持续发生，项目越多，售后占用的时间也越多。
看起来确实赚到了钱，但也非常消耗时间和精力，尤其是当改的需求多了，很容易就变成只会跟着对方不断改需求，客户说做什么就做什么的外包。
孙务远此前做过游戏和互联网产品，现在以个人身份做企业AI改造和咨询。
刚开始，他也帮企业开发系统、完成交付，做了一年左右以后，他已经很少承接纯交付项目，更愿意先帮助老板和员工理解AI，改变原来的工作方法。
他甚至直接说，FDE可能是一个伪命题。
因为个人每进入一个新行业，都要花几个月重新理解业务。
比如这次学的是纺织，下次就已经换了方向，上一段行业知识可能只用过一次，却会一直留在脑子里。
他把这个过程形容成：“无用的行业知识污染了大脑。”
听起来挺好笑。
但如果每个客户都要从头学一遍，每个项目又要长期维护，这门生意确实会越做越重。
而真正麻烦的事，到了客户现场以后，真正开始执行的时候。
麦麦第 一次驻场时，刚入职一个月。
他在客户那里待了一到两周，每天中午开始工作，一直调试到晚上九点、十点，有时候十一点。
而且客户通常很难一次说清楚自己到底想要什么。
有些公司的流程已经稳定运行了很多年，他们最害怕AI的随机性。
还有一些公司，自己的流程本身就是非常的乱，大家很多时候只知道第 一步、第二步、第三步大概应该怎么走，但是真正的规则和例外，全藏在一些员工多年的个人经验里面，过去没有沉淀下来。
麦麦原话是这么说的：
“客户如果能准确说清楚自己想要什么，他可能也不会来找FDE。”
但客户一定能够说清楚，你做出来的Demo哪里不对。
所以FDE只能先做一个版本。
那最后就变成了，客户说，这里不行，行吧，改。
那里也不对，继续改。
最后，一团模糊的需求，就是这样被FDE以血肉之躯，一轮轮的迭代到清晰可见。
但无论是哪一类FDE，只要从外部进入一家企业，最 先遇到的，往往都是一线员工的防备。
孙务远形容得特别有意思。
他说会把第 一次进入到企业内部的这种状态，形容成一只小白兔突然掉进了狼群，除了老板，所有人看你的眼神都是仇视的。
这其实也很好理解。
对于一线员工来说，他们很容易把外部FDE理解为老板请来优化岗位的人。
在这种气氛里，你很难指望员工主动暴露真实流程。
甚至，他们还可能找各种理由，妨碍项目继续往下推进。
孙务远的做法是，会先分别跟老板和员工讲清楚预期。
他会明确告诉员工，自己是来帮助他们提高能力的，也不会替老板优化任何一个人，你们能够获得公司支持和学习时间，掌握的新方法最终也是属于自己。
同时，他也会向老板说明AI的能力边界。
因为老板一旦对AI期待过高，就很容易把那些暂时无法完成的任务继续压给员工。AI还没帮大家减轻多少工作，员工身上的负担反倒更重了，那大家当然只会更加抵触。
大家都知道，如果AI带给员工的第 一感受，是多了一套工具、多了一组指标，还多了一堆老板刚刚产生的新期待，那他当然不会觉得这是来帮助自己的。
等员工的防备慢慢降下来以后，后续才能真正的，灵活展开项目。
他会从每个部门寻找一两名愿意尝试并且配合度也比较高的员工，先组成一个小范围的对照组。
这些人继续完成原来的工作，同时开始使用AI，看看效率到底能提高多少。
有了反馈结果，再把数据交给老板，给大家看是有实际收益的，比如减少重复工作、提高业绩。
只有当AI对员工自己真正有用，抵触才会逐渐降低。
先让少数人验证效果，再一点点扩大，这种方式能容易控制成本和阻力，并且降低风险。
当然，还是会存在一些非常固执的人。
他就遇到过一位研发负责人。
那家公司老板已经下定决心用AI，也给研发团队每个人购买每月200美元的订阅费。
研发负责人下载了某海外编程Agent，也告诉老板，整个团队都已经开始使用。
可没过多久，项目做出来的东西全是Bug。
老板很困惑，觉得钱花了，工具也用了，结果怎么一点改善都没有？
就开始怀疑FDE的能力。
当孙务远进入系统检查以后才发现，研发负责人虽然安装了那个海外编程Agent，但是吧，背后接入的却是其他的模型。
实际上，最核心的最顶 级的海外模型，根本就没用上。
这就很离谱。。。
更离谱的是，负责人还限制其他研发人员尝试使用这个工具，并且不让他们接入背后的那个海外模型，甚至卡住了原本负责对照测试的小组，让他们迟迟拿不到所需数据。
而这个抵触，大概率也是，因为AI正在改变负责人原来的工作节奏和管理方式，并且，还有自身的安全和饭碗。
过去，他可以掌控整个开发进度。
但有了AI，这套管理方式可能就会跟着失效了。
所以FDE，不仅要解决公司的AI落地，还有大量时间是需要处理企业内部的认知、利益和配合。
察言观色，成了FDE的最重要的核心技能之一。
进公司以后，要先摸清内部的人物关系，再弄明白老板真正想解决什么，还有老板和下面管理者、还有一些员工的矛盾是什么。
聊的是AI落地，真干起来，多少有点像一场宫斗剧了。。。
而且，不被接受，往往也意味着不被当回事。
被采访者谢尧就接触过这样一名客户。
前期，他花了很长时间跟对方沟通需求、梳理业务、设计方案。
可到了准备合作的时候，对方突然表示，自己已经招到了其他人，后续不合作了。
在他看来，这名客户相当于先从多个FDE团队那里获取方案，再把这些方案交给自己招聘的人实施。
项目没有签下来，前期投入的时间也收不回来。
这件事，说实话，挺无奈的。
这也是FDE很被动的地方。
为了证明自己能做，他们必须在签约以前，先帮客户找到问题，拿出足够具体的解决思路。
可问题就在这里。
讲得不够清楚，客户不会付钱。
讲得太清楚，客户又可能拿着方案自己做。
这个尺度，真的很难拿捏。
而一线员工不接受FDE，还有一个很现实的原因。
他们很难判断，眼前这个人到底靠不靠谱。
FDE本来还处在探索期，整套商业模式还是有点混乱的。
整个行业非常的卷，甚至现在的市场已经开始赛马了。
孙务远提到过一个非常夸张的场景。
同一套企业级项目，一边报价19万元，需要三个月完成，另一边报价只有2000元，十天左右就能交付。
19万元，对2000元。
这个差距，说实话，已经离谱到很难让人相信，双方做的是同一种服务了。
在他看来，报价2000元的人，很可能没有做过类似的企业级项目，也没有真正算清楚这笔账。
他大概率只算了最直接的一笔成本。
模型订阅1500元，项目收2000元，最后还能挣500元。
听起来好像有利润，对吧。
可企业级项目这笔账，哪有这么简单。
客户会继续提出需求，系统需要反复修改，交付以后还有长期维护。
很多客户天然会觉得，增加一个功能只占用半天时间，不应该再单独收费。
可项目边界，就在一次次修改中变得越来越模糊。
甚至大家口中的所谓的FDE项目，甚至从一开始就从来不是同一种东西。
有人交付一个Demo。
有人交付一套能够稳定运行的生产系统。
有人做三天培训。
有人长期驻场，连后续修改和运维也一起负责。
不仅如此，现在的收费方式也没有定型。
目前大概有四种，卖时间、卖项目、卖结果，以及把前期开发和后续陪跑拆开卖。
这四种模式都能收钱，但背后由FDE承担的风险，却不一样。
而客户最容易比较的，往往只有两个东西。
速度和价格。
岗位与之对应的交付标准、责任边界和验收方式，也都还远远没有跟上。
可偏偏就在这个时候，FDE成了风口。
越来越多人一股脑冲进来，给自己贴上FDE的标签。
这个职业的能力、价格和交付方式也会变得乱上加乱。
一线员工自然更难相信，眼前这个FDE真的能够帮助自己。
这才是我真正担心的地方。
很多人看中了这个新职业的光环，却低估了进入客户现场以后，那些无法单靠技术解决的问题。
我们现在正处在AI进入企业的早期阶段。
最早冲进风口的人，当然有机会拿到第 一批红利。
这件事其实从古至今都一样。
一个新的生产工具出现以后，总会有一批人先学会怎么使用，再把工具和经验带给那些行动没那么快的人。
企业在这个过程中学会提出需求，FDE也在一次次交付里摸索边界，产品再跟着真实需求不断迭代。
大家一边干，一边踩坑，一边把缺失的规则慢慢补起来。
最后，整个市场才会慢慢形成稳定的规则。
而现在，显然还没走到那一步。
所以，机会很多，混乱也一定还会持续一段时间。
但如果把时间拉长一点看，你会发现，历史上其实出现过非常相似的岗位。
上世纪五六十年代，大型计算机开始进入企业，随之出现了一个新职业，叫系统分析员。
当时企业可以买到计算机，却不知道该怎么让它真正参与业务。
于是，系统分析员出现了。
他们需要同时理解业务和技术，把管理者自己都说不清楚的需求，翻译成程序员可以实现的系统。
这个岗位刚出现的时候，边界同样非常模糊。
它和程序员、会计、咨询顾问的工作都有重叠，行业甚至没有统一的培养方式。
但随着计算机真正进入企业，系统分析员成为了不可缺少的人。
今天的FDE也处在这个阶段。
他们真正交付的，是AI在一家企业里运转起来的方式。
只不过，快时代一步的人，总要先经历一段不被理解的时间。
站在这个角度看，今天看到的那些混乱，我觉得其实都可以理解。
因为我们正站在AI真正成为生产力的前夜。