OpenAI 和 Anthropic 同一周下场做咨询，FDE 时代来了？

去年，我从一些渠道陆续接触到 FDE（Forward Deployed Engineer，前线部署工程师）这个概念。当时的判断是：这个岗位会增长，但还处于早期，不同公司大概率还在摸索阶段。

直到最近看到一则新闻，让我觉得有必要认真写一篇。

2026 年 5 月 4 日，Bloomberg 报道 OpenAI 正式完成一个估值约 100 亿美元的合资公司"The Deployment Company"，从 TPG、Brookfield Asset Management、Bain Capital 等 19 家机构募资超过 40 亿美元，专门负责帮助企业部署和落地 AI 工具。就在同一天，Anthropic 也宣布与 Blackstone、Hellman & Friedman、Goldman Sachs 等机构成立一家 15 亿美元的合资公司，目标是把 Claude 直接嵌入企业的核心业务流程。

两家顶级 AI 实验室，同一天，同一个动作。这种巧合不像偶然，更像是两家公司在相互确认同一个判断。

这篇文章想搞清楚这个判断是什么，以及它背后更大的趋势——FDE 的崛起，以及它可能演化成的 FDX（Forward Deployed X，X 指代产品、设计、市场、销售、研究等一切参与创新的职能）。

一、PoC 很容易，生产很难

要理解为什么大模型厂商要亲自下场做"咨询"，得先搞清楚企业 AI 落地到底卡在哪里。

做一个 AI 的概念验证（PoC，Proof of Concept）并不难。调几个 API，搭一个 demo，让模型在测试数据上跑出漂亮的结果，这件事很多团队都能在几周内完成。

难的是从 demo 到生产系统。

真正的生产环境意味着：AI 的能力边界要在哪里设定？出错了怎么兜底？如何与企业现有的遗留系统集成？数据隐私和合规怎么处理？组织内部谁负责维护？当 AI 给出一个错误建议，责任归属如何界定？

这些问题没有一个是模型能力可以解决的。它们本质上是组织问题、流程问题、人的问题。正因如此，Anthropic 的 CFO Krishna Rao 在宣布合资公司时说："企业对 Claude 的需求已经大幅超过任何单一交付模式的承载能力。"Goldman Sachs 全球资产与财富管理负责人 Marc Nachmann 的表述更直接（译自英文原文）："光有模型不会改变你的工作流。你需要能把技术和业务实际情况结合起来、并真正落地的人。"

这个判断并不新鲜，但由全球最顶级的 AI 实验室在同一天用真金白银来确认，意义不同。

据 Indeed 数据（经 Financial Times 引用，官方声称，未经独立验证），FDE 岗位招聘数量在 2025 年 1 月到 9 月间同比增长超过 800%。另有招聘数据平台统计同比增幅达到 1165%。无论哪个数字更准确，趋势方向是一致的：这个岗位正在从边缘走向主流。

二、FDE 是什么，从哪里来

FDE 这个概念并不新。它最早由数据软件公司 Palantir 在 2010 年代初发明并实践，当时 Palantir 的主要客户是美国政府的情报和国防部门——这些客户的需求极度非标准化，根本没有通用产品可以满足。

前 OpenAI 首席研究官 Bob McGrew 对 FDE 的定义是："常驻客户现场、填补产品现有功能与客户实际需求之间缺口的技术人员。"用更直白的话说：FDE 不是远程支持，是驻场共创。他们直接在客户的真实基础设施上写代码，而不是用脱敏数据做演示。

据 Palantir 官方博客及多篇行业分析，Palantir 将驻场团队分为两类：Echo 团队通常来自客户所在行业，负责识别真实的高价值问题，并担任客户关系的桥梁；Delta 团队是执行导向的工程师，负责快速原型开发和方案落地。两者形成互补——Echo 找对问题，Delta 快速构建解决方案。这个双循环模式——FDE 先在客户现场铺出一条能走的路，产品团队再把这条路抽象成服务更多客户的通用能力——成为 Palantir 最核心的产品发现机制。Palantir 的 Ontology（本体模型）就是这样诞生的：不是产品团队凭空设计出来的，而是 FDE 团队在大量定制实践中逐渐抽象出来的通用框架。

今天的 AI 时代 FDE 和 Palantir 当年有重要区别。Palantir 的 FDE 解决的是"数据整合和分析平台的定制化落地"；今天的 FDE 解决的是"大模型能力嵌入企业工作流"。底层技术逻辑完全不同，但核心动作一样：把强大的通用技术能力，翻译成具体业务场景里真正可用的解决方案。

这种翻译工作在 AI 时代变得比以往更难——因为大模型的能力边界本身就模糊，它能做什么、不能做什么、在什么场景下会出错，没有人能给出通用答案。每个企业、每个业务场景，都需要重新摸索和设定。

三、为什么是合资公司，而不是自己扩张

理解了落地的难度，就能理解 OpenAI 和 Anthropic 为什么选择合资公司这个结构，而不是直接扩张内部团队。

原因之一是分发渠道。PE（私募股权，Private Equity）机构背后管理着庞大的被投企业组合。Blackstone、Goldman Sachs、TPG 这类机构，其被投企业横跨医疗、制造、金融、零售、物流等几乎所有行业，全球 PE 行业合计管理资产超过 13 万亿美元。通过合资公司，AI 厂商一步获得了进入这些企业的直接通道，而不是一个一个去打企业销售。

原因之二是能力互补。大模型公司在技术上毋庸置疑，但企业落地需要的不只是技术能力，还需要深厚的行业理解、变革管理经验、以及在复杂组织内部推动事情落地的能力。PE 机构和其背后的顾问网络，恰恰具备这些能力。

原因之三是商业模式的自然延伸。大模型厂商在帮客户落地的过程中，积累了最深的场景理解和技术实践——这个能力天然适合自己做，而不是交给第三方系统集成商（SI，System Integrator）代劳。JV（Joint Venture，合资公司）是这个逻辑的组织化表达。服务本身不是主要收入来源，而是驱动产品深度采用的手段：FDE 驻场帮企业落地，最终目的是让企业深度依赖这家 AI 厂商的模型和平台。

这个逻辑对传统咨询公司是一个直接冲击——对此，我们放到下一节展开。

四、FDE 到 FDX：三类受冲击的组织和角色

FDE 是工程师的前线部署形态。但工程师只是开始。

FDX 把 X 扩展到产品、设计、市场、销售、研究等所有参与创新的职能。这个判断背后的逻辑是：如果落地的瓶颈不在于技术能实现什么，而在于是否理解业务需要什么，那么所有和业务理解相关的职能，最终都需要有"前线部署"的形态。

这个趋势在招聘数据上已经有了早期印证。一份追踪 200 多家顶级 AI 公司招聘数据的报告发现，其中 39% 的公司在招聘"Forward Deployed"相关岗位，而且不只是工程师——FDPM（Forward Deployed Product Manager）、Forward Deployed Data Scientist 等角色正在出现。瓶颈正在从"能不能构建"转向"知不知道构建什么"，能熟练运用 AI 的领域专家，可能比需要重新学习业务的 AI 工程师更有价值。

FDE 和 FDX 的崛起，对三类组织和角色的冲击最为直接，但冲击的性质各不相同。

对传统 SI（系统集成商）而言，冲击发生在公司层面。SI 原本是企业和技术产品之间的中间层，负责把产品定制化落地。FDE 的出现意味着这个中间层被技术厂商直接内化，SI 作为一类企业的生存空间会被持续压缩，而不只是某个具体岗位受到影响。

对管理咨询公司而言，冲击发生在业务线层面。McKinsey、BCG 的数字化转型和 AI 咨询业务，面对的新竞争对手本身就掌握最前沿的模型能力，这是一个能力维度上的不对称竞争。传统咨询公司可以学习 AI，但很难复制 AI 厂商在真实落地场景中积累的第一手经验。

对企业内部数字化转型团队而言，冲击发生在职能定位层面。很多大企业过去几年建立了内部 AI 团队来主导落地，而 JV 模式直接把外部 FDE 嵌入企业内部，内部团队的角色边界需要重新界定——是继续主导，还是转型为与外部 FDE 对接的协调方，取决于各自的能力积累。

五、这个窗口期会持续多久

有一个合理的反驳是：FDX 可能只是一个过渡形态。随着 AI Agent 能力的提升，今天需要大量人工驻场解决的问题，若干年后或许 Agent 能自动处理，FDX 的规模会随之收缩。

这个反驳有道理，但我认为它低估了非技术难题的复杂度。

FDE 的核心工作是读懂企业业务——理解一家医院的排班流程、一家制造企业的质检标准、一家银行的风控逻辑。大模型基础能力的增长，对这件事的加速是有限的，因为瓶颈从来不是"有没有足够聪明的 AI"，而是"有没有足够深入的业务理解"，以及"谁来承担 AI 出错的责任"。

更重要的是，企业 AI 转型面临的阻力大部分来自组织层面：如何调整原有的考核体系？哪些岗位会受影响，如何安置？组织文化能否接受 AI 参与决策？这些是管理问题，是文化问题，不是工程问题。模型能力的提升对它们的加速作用极为有限。

企业数字化转型提供了一个参照系。这件事业界讨论了将近三十年，但直到今天，大量传统企业仍未真正完成。更值得注意的是，数字化转型的完成程度，很可能直接决定 AI 转型的难易程度——数字资产管理已经规范化、内部技术基础设施相对成熟的企业，AI 嵌入的阻力会小得多；而那些连数字化都还没完成的企业，AI 转型面临的是双重挑战。换言之，企业 AI 转型不是一个独立启动的新周期，而是叠加在数字化转型这个尚未完成的长周期之上的。

把这些因素叠加起来，我倾向于认为企业 AI 转型的窗口期保守估计会持续 20 年以上。这不是一个短暂的技术迭代周期，而是一次量级相似、但复杂度更高的长周期产业变革。

---

FDE 已经不是一个边缘概念，两家顶级 AI 实验室在同一天给出了确认。

FDX 是不是终点，这个窗口期最终会持续多久，现在都还没有答案。我的判断建立在"企业 AI 转型的非技术难题不会快速消失"这个前提上，如果未来几年的实际落地数据证明这个前提错了，结论自然需要修正。

但对于当下的 AI 从业者来说，这个趋势已经有了一些可以观察的含义：工程师之外，具备深度行业理解的产品、设计、研究等职能，可能比以往任何时候都更有机会直接参与 AI 落地的核心环节，而不只是在总部做支持性的工作。FDX 不是一个新头衔，更像是一种新的工作方式——离业务更近，离问题更近，也因此离价值更近。

这个方向值不值得认真对待，每个人的判断会不同。但它正在发生，这一点已经比较清楚了。