AI产业链连载⑤｜AI落地的最后一公里，靠谁走完？

一位做食品加工的老板问过我一个问题。他的厂上了AI质检，同一套系统，隔壁一家同行用出了效果，他这儿三个月没跑顺。他一度以为是设备差异，后来才发现，隔壁那家的供应商派了两个人，在厂里待了两个多月，跟着车间主任把每道工序的判定标准重新理了一遍。

这两个人做的事有个正式的名字，前向部署工程师，英文ForwardDeployedEngineer，简称FDE。这个岗位今年在海外变得极热，热到什么程度，先看两个数字。

一一年涨了七倍，钱花在人身上

招聘平台Indeed的数据显示，全球FDE岗位数量从2025年4月的643个，涨到2026年4月的5330个，一年增长729%，同期科技行业整体招聘在收缩。硅谷风投a16z给这个岗位的评价是，科技行业当前最热的职位。

比招聘数据更直白的是钱的流向。2026年5月到7月，两个月里，五家科技巨头先后宣布组建AI部署团队，合计投入接近百亿美元。

OpenAI的部署公司拿到超过40亿美元；微软成立FrontierCompany，投入25亿美元，组建6000人的驻场团队；Anthropic的合资公司15亿美元；AWS的前向部署工程团队10亿美元；谷歌云不设子公司，拿出7.5亿美元支持咨询伙伴去做同样的事。

这近百亿美元几乎都花在人身上，把工程师送进客户的公司里干活。行业等于用支票本承认了一件事，真正难的是把模型装进一家真实的公司。

这些团队怎么干活，公开信息里有细节。AWS的做法是把工程师编成五到六人一组，直接进驻客户公司，一个周期大约45天，配自主智能体处理基础任务。微软派出的6000人里，除了工程师，还有行业解决方案架构师和客户支持人员。招人的要求也不只是技术，还要能听懂业务。

二这个岗位，是从情报部门长出来的

FDE最早出自Palantir。2009年前后，它的客户是美国情报机构，遇到的问题很特殊，需求写在密级文件里，数据不能出内网，连描述遇到的问题本身都算泄密。常规的“销售收集需求、工程师在办公室远程开发”那一套，在这种场景下彻底失效。

Palantir的做法很直接，把工程师派到客户办公室，坐在情报分析师旁边，看他们怎么工作、数据怎么流动，然后当场改软件、改流程。因为这件事的性质特殊，他们内部把它拆成两种角色，一个叫Echo，懂客户的行业，负责把“客户想买什么”追问成“业务究竟要解决什么”；一个叫Delta，负责快速把东西做出来。FDE原本指的就是后者。

这个模式在硅谷被笑话了很多年，因为它看起来不像能规模化的生意。但到2016年前后，Palantir雇佣的前向部署工程师数量已经超过了传统软件工程师。

它背后的逻辑后来被总结成一句很形象的话，碎石路铺成高速公路。这是Palantir早期高管、现任OpenAI首席研究官的鲍勃·麦克格鲁对这套打法的概括，现场为某个客户先铺一条碎石路，后台的产品团队再把反复出现的通用能力推广到五到十个客户，铺成标准化的高速路。它今天的主力平台，很大程度上就是这么一块块碎石路铺出来的。

这套做法后来从政府客户延伸到商业客户，能源、银行、医院都进去了，要解决的还是同一类问题，客户说不清自己要什么，数据又乱又散。

这段历史说明了一件事，FDE和外派人力是两种生意。外包对代码行数和合同工作量负责，验收签字就结束；FDE对客户业务指标的变化负责，同时还多一个任务，把现场发现带回去改产品。

三为什么AI时代，这件事绕不开

传统软件上线，需求在签约前基本能写完，装好、培训、交付，事情就结束了。AI不一样。它的效果取决于数据质量、业务判断和员工习惯，这三样东西坐在办公室里问不出来，只能到现场摸。

麻省理工学院2025年7月发布的一项研究覆盖300多个企业AI落地项目，结论是约95%的生成式AI试点没有产生可衡量的财务影响，卡点集中在从演示环境到生产环境的那段距离。

同一年，另一份面向十亿美元级企业的调研给出了更细的口径，71%的高管认为主要障碍是组织准备度，只有11%认为是技术本身，另有85%的企业承认自己的数据仍然处于割裂状态。

这两组数字解释了那近百亿美元为什么花得下去。模型公司自己也认了这件事，产品卖出去只是开始，真正的活在于接进客户那些用了十几年的老系统，理清散落在各部门的数据，再把新流程塞进客户的组织里。

还有一个变化值得注意。传统软件的验收标准，签约前就写得清楚；AI的效果标准，往往要在现场跑一版才定得下来。那位食品加工老板的厂里，质检的判定标准最后是双方的人在车间里一条条对出来的，这个过程没有现成的说明书。

顺带说清一个容易混的地方。FDE和售前工程师是两种人。售前工程师在签约前工作，做演示、跑概念验证，帮着把合同签下来；FDE在签约后才进场，写的是将来要在生产环境里跑的代码，考核的是客户有没有真的把系统用起来。从海外的招聘要求看，这类岗位的出差比例普遍在25%到50%之间，早期项目和军工类项目更高，薪资水平也一路走高。

四国内的情况，和海外不完全一样

国内对FDE的需求也在起来，但很少直接叫这个名字。翻一翻国内头部AI公司、云厂商和制造业服务商的招聘页面，常见的是解决方案架构师、行业交付专家、客户成功工程师，叫法不一，做的事情高度接近，带着模型进现场，把技术变成能用的东西。

直接搬海外的模式，在国内有几处卡住。第一处是成本，一名资深FDE一年的综合成本常在百万级别，多数中小企业扛不住。第二处是人，既懂AI又懂工业现场的复合型人才，国内供给严重不足，成体系的培养路径还很少见。

第三处是基础，很多制造企业的关键知识还在老师傅的经验和纸质作业规范里，没有进系统。人进场之后，往往要先花大量时间做数据治理和知识梳理这类不产生演示效果的活，效率比信息化成熟的企业低不少。

还有一个更根本的问题。项目做完，人一走，能力也被带走，下一家工厂还要从零开始。这几年国内一批服务商在这一点上做了变通，把现场积累的判断沉淀进工具里，做成知识库加固定工作流，人离场之后系统还能接着跑。这条路走不走得通，眼下还在验证，但对预算有限的中小企业来说，它比请一支常驻团队现实得多。

这个方向，今年有人给起了个名字，叫中国式FDE。提出这个说法的人把国内外的差别讲得比较直白：硅谷的FDE是厂商派驻客户的外部顾问，围着把产品卖出去转；中国式FDE更近于外部教练加企业内部的破壁人，为的是把AI能力变成企业自己的本事。这个说法贴不贴切可以商量，但它点中了一个实情，国内落地的主战场在企业自己这一头。

顺着这个思路，给这个岗位画的画像可以概括成三个懂，懂业务、懂场景、懂AI。人从哪儿来，要么企业自己把懂业务的人教出来，要么外部教练带着内部骨干一起干，反正路子跟前面讲的变通是同一条，把落地的能力留在企业自己身上，让懂业务的人升上来接住AI，比等一支外部队伍进场救火更长久。

五给老板的三条判断

第一条，选供应商的时候，多问一句谁来干、在我这儿待多久。如果对方的答案是一场培训会加一份操作手册，那就要清楚，最后上手的那个人是你自己。这句话不好听，但它能帮你判断报价里那笔部署费值不值。

第二条，自己的公司里，最好有一个懂业务、会用AI的翻译官。这个人不必是技术出身，车间主任、销售总监、财务经理都可以，关键是他知道业务上哪儿疼，也能把AI能做什么、不能做什么讲明白。这个角色带来的价值，往往比选哪家模型更大。

第三条，把部署的钱看成真实工作量，别一律当水分砍。海外成本模型的通行口径里，数据准备通常占AI项目总成本的四到六成，这些活是实实在在的人力投入。价格砍到底，常见的结果是供应商派个新手来练手，最后买单的还是企业自己。

还有一点值得提醒。人进场之后，企业内部必须有人跟着学。项目结束那天，能力留在谁身上，决定了这笔钱是花一次，还是往后年年都能用。

这个系列一共五篇，从AI的钱在产业链上怎么分层，到最底层的电和算力，到把大模型、知识库、工具、Skill、智能体这几个词掰开，再到报价单怎么逐行审，最后落到这一篇，讲最后一公里靠谁走完。

五篇连起来是一条线。钱在底座三层赚走，能力在应用栈里组装，价值在报价单上呈现，落地则要靠人走进现场。前面几篇讲的多是买什么，这一篇讲的是谁来干。对多数企业来说，真正决定成败的是后一个问题。

风险提示：本文为产业观察，不构成任何投资建议；涉及的企业与数据均来自公开报道，以官方披露为准。