#
AI 已经能写代码、做报表、操作软件了，大厂却开始把更多工程师派到客户那里。
## 一、发生了什么
短短一个月内，三家大厂先后加码「前线部署」：
公司时间动作Atlassian10 月 7 日披露前线部署工程师团队已服务 100+ 家企业客户，帮助上线 80+ 个 AI 智能体OpenAI今年成立专门的 部署公司（The Deployment Company）Anthropic10 月计划投入 1 亿美元，到 2027 年底培训 1 万名前沿部署工程师这些人的工作，是进入客户团队，理解业务、连接系统、开发和测试，让 AI 能够投入日常使用。行业通常把这类岗位称为 FDE（Forward Deployed Engineer）。
为什么值得关注：
它关系到企业怎样购买 AI，也关系到程序员、行业从业者和小团队，接下来可以提供什么服务。
## 二、买到模型以后，企业还要做很多决定
个人用 AI，觉得回答不合适，可以再问一次。企业把一项业务交给 AI，需要解决的问题会多得多。
一个客服场景就涉及多个系统： AI 要读取客户记录、查询处理政策、更新系统，并在必要时交给人工。官方说明
看起来只是处理一次咨询，背后已经涉及几个不同的系统，以及一整套操作规则：
• 哪些资料可以读取？• 哪份政策仍然有效？• 什么情况允许自动处理？• 涉及金额时，谁来批准？模型能够理解规则，企业还得先把规则讲清楚。
更棘手的是，一家公司每天怎样工作，未必完整地写在制度里。有些步骤依赖员工经验，有些情况需要跨部门商量。把它们交给系统执行之前，企业需要明确：哪些做法可以保留，哪些需要调整。
前线部署工程师就参与这段工作。
Palantir 对这一岗位的描述，也强调深入客户的实际工作环境、理解复杂流程，并围绕客户问题开发解决方案。官方招聘说明
所以，工程师到了客户那里，第一件事未必是打开电脑写代码。他可能需要先找到每天处理这项业务的人，弄清楚：
• 对方究竟在哪一步耗费时间？• 又有哪些事情不能交给 AI？## 三、这和传统外包，到底有什么区别？
驻场、访谈、开发、实施——这些工作在企业软件行业里早就存在。FDE 也并非随着这一轮生成式 AI 才出现的岗位。
把它理解成一个全新的职业，容易忽略它与 软件实施、技术咨询、定制开发 之间的重叠。区别需要看具体的合作方式。
传统外包前线部署（FDE）需求来源客户提出功能工程师与客户一起确定值得解决什么问题参与时点需求明确后开发更早参与，先定问题再定开发验收方式按约定验收交付物按实际结果验收一个岗位叫不叫 FDE，并不能直接说明服务质量。
更有参考价值的，是工程师参与到了哪一步，以及项目按什么结果验收。
OpenAI 公布的部署流程，就从业务诊断和优先任务选择开始，随后才进入设计、构建、测试和部署。部署公司公告
对采购方来说，需要多问几句：
1. 需求还不清楚时，对方是否帮助梳理？2. 发现原方案不划算时，能否调整范围？3. 上线后效果不稳定，由谁继续处理？这些约定，比职位名称更能说明双方准备怎样合作。
## 四、大厂为什么愿意做这么费人的事？
模型和软件可以供大量客户使用。深入一家企业做部署，却需要工程师花时间理解业务、协调人员、处理细节。厂商为什么愿意承担这笔成本？
### 商业上的解释
• 建立长期需求：客户完成试用以后，只有把 AI 放进有用的工作流程，才更有条件持续使用。工程师帮助客户完成这一步，也是在帮助厂商建立长期需求。• 暴露产品缺口：客户项目能暴露产品的缺口。同样的问题在多家企业反复出现，厂商就可以考虑把解决办法做成通用功能，减少下一次部署的工作量。### 也有一道难题
如果大部分工作能够复用，前期的人力投入就可能帮助后续项目节省成本。
如果每个客户都要重新开发，团队规模和交付成本就会一起增长。
⚠️ FDE 团队扩张，不能直接证明这种业务已经很赚钱。 公开公告尚不足以判断各家项目的利润情况。
大厂也没有打算独自承担全部工作。 OpenAI 与 麦肯锡、波士顿咨询、埃森哲、凯捷 合作，让技术支持与业务咨询、系统实施、组织调整等服务共同进入项目。
企业采用 AI，需要有人开发，也需要有人负责把新的工作方式教给员工，并持续运行下去。
## 五、行业经验会更有用，但需要变成具体工作
这类岗位的出现，让一个问题变得更实际：
一个做了多年财务、制造、客服或供应链的人，学习 AI 以后，能参与哪些工作？
### 行业经验的作用，首先体现在判断上
• 哪些任务发生得足够频繁，值得投入开发？• 哪些错误会带来较大损失？• 哪些例外情况必须留给人工？• 系统给出的结果，应该由谁检查？这些问题需要技术人员与业务人员一起回答。
### 但熟悉行业 ≠ 具备交付 AI 系统的能力
经验需要被整理成 可执行的规则、测试材料和验收标准，技术方案也需要经过实际运行。
Anthropic 的培训安排体现了这一点：
• 参加者需要具备软件工程基础，带着明确项目进入培训；• 通过初期考核后，回到所属机构，在为期 12 周的实践中推动真实项目；• 并接受进一步评估。培训计划注意： 这份计划培养的是客户和合作伙伴自己的工程师，不能理解成 Anthropic 要直接雇用并派出 1 万人。
企业最终需要有人接手系统。外部团队离开后，内部人员仍要更新资料、修改规则、检查效果。
对行业从业者来说： 一个可行的起点，是把自己最熟悉的一项工作讲清楚，再与技术人员共同验证。能否减少错误、缩短处理时间，需要用实际记录回答。
## 六、小团队能做，但要先算清交付成本
大厂投入部署服务，并不意味着小团队就没有空间。它也不意味着每家小公司都需要一套定制 AI 系统。
什么时候才需要定制？
业务简单、任务边界清楚时，现成工具可能已经够用。只有当已有工具难以满足具体要求，定制开发才有进一步讨论的必要。
### 可借鉴的做法：从一项明确工作开始
1. 先记录原来的处理时间、错误情况和人工投入；2. 再选择有限范围做试点；3. 双方提前约定交付内容、客户需提供的资料，以及哪些结果算通过验收。### 收费要跟着工作走
梳理需求、开发系统、培训员工和长期维护，消耗的是不同类型的时间。全部装进一笔含糊的「AI 改造费」，后续很容易发生分歧。
尤其要算清维护成本：
• 客户资料更新，需要谁处理？• 业务规则变化，是否包含在原报价里？• 系统出现异常，需要多快响应？• 接下更多客户以后，一个人还能否承担这些工作？模型调用费用只是项目成本的一部分，沟通、检查、返工和售后同样需要有人付出时间。
### 能否盈利，看项目结束后的记录
前线部署值得小团队学习的地方，是接近真实工作，并把交付做完整。至于能否持续盈利，还得看每个项目结束后的记录：
• 客户实际用了多少次？• 哪些步骤仍需人工介入？• 维护花了多久？• 扣除这些投入后还剩多少利润？下一笔订单怎么报价，最好从这里开始。