即刻App年轻人的同好社区
下载
一场「企业如何落地 AI」的私密群聊，没想到搞成了最懂行情的吐槽大会？
事情是这样。我昨晚围观了一场关于 FDE（Forward Deployed Engineer，前线部署工程师）的线上吐槽大会。
这是一场发生在我的 FDE 社群的、群友自发组织的多人连线会议。原本下周三我会在群里做直播授课，没想到这场活动先把群里的气氛提前搞起来了。
（还不知道「FDE」概念的朋友，可以先看我这本免费开源书，主要讲「企业如何落地 AI」：fde4.ai）
参与者的背景组成：有研发、售前、咨询、HR，也有人已经在给传统企业做 AI 落地，还有长期服务政府和大型企业的 To B 从业者。
聊了两个多小时，大家对 FDE 这个时下火爆的概念各抒己见：
• 有人认为它是「六边形战士」；
• 有人认为它就是 AI 时代的售前 + 交付；
• 有人认为它本质上还是驻场开发；
• 也有人觉得，FDE 根本不应该被理解成一个职业，而应该理解成一种新的企业服务方式。
但恰恰是这种分歧，让我觉得这场讨论非常有价值。
因为一个新概念刚刚出现时，真正值得看的往往不是它的官方定义，而是：
为什么这么多人突然需要这个概念？
以及：
每个人试图用这个概念解决什么问题？
聊完之后，我对 FDE 有几个越来越明确、同时也可能不那么主流的判断。以下是脱敏整理后的一部分群聊精华。
———
【一、FDE 的爆火，未必首先来自需求爆发】
最容易形成的叙事是：
「AI 正在进入千行百业，所以企业需要大量懂 AI、懂业务、又能落地的人，因此 FDE 会成为未来几年非常热门的职业。」
这个逻辑当然成立一部分。
但还有另一半经常被忽略：
▌FDE 的供给端，也正在发生剧烈变化。
过去几年，软件研发尤其是普通开发岗位的供需关系已经发生明显变化。
一方面，互联网增量减少；
另一方面，AI Coding 正在快速提高单个研发人员的产出。
原来需要前端、后端、测试、产品共同完成的一些工作，现在一个能力较强的人借助 AI，就可能完成相当大一部分。
结果不是「所有程序员都会消失」，而是：
完成同样数量的软件项目，越来越不需要那么多人了。
这意味着大量原本处于企业后端的技术人员，会被迫寻找一个更靠近客户、更靠近业务、更难被标准化的位置。
▌FDE 恰好提供了这样一个新叙事。
所以我更愿意把现在的 FDE 热潮理解成两个力量的叠加：
▌企业确实产生了 AI 转型需求；与此同时，大量技术供给正在寻找新的价值锚点。
这两件事情同时发生，才造就了今天的热度。
这也意味着一个需要警惕的问题：
FDE 的供给增长速度，有可能远远快于真正愿意付费的企业需求增长速度。
「越来越多人讨论 FDE」，并不自动意味着「越来越多人靠 FDE 赚到了钱」。
这是两个完全不同的指标。
———
【二、FDE 最大的问题：事情变复杂了，但客户并不想多付钱】
传统软件外包有一个非常重要的前提：
客户通常大致知道自己想要什么。
• 我要一个 CRM。
• 我要一个订单系统。
• 我要一个审批流程……
需求经过产品经理拆解，就可以进入研发。
但 AI 项目经常不是这样。
老板可能只会告诉你一句：
「我们公司也要 AI 化。」
接下来所有问题都落到了服务方身上：
• 到底哪个部门值得先改？
• 什么流程适合 AI？
• 数据有没有准备好？
• 准确率多少才算能上线？
• 出了错谁负责？
• 模型应该用哪一个？
• Token 成本怎么算？
• 员工会不会用？
• 上线以后谁维护？
甚至更麻烦的是：
▌客户自己可能都不知道自己的问题到底在哪里。
于是 FDE 开始承担过去多个角色的工作：
▌咨询、需求分析、产品经理、售前、研发、交付、培训，有时还得处理组织关系。
从工作复杂度来看，它显然比普通外包更重。
但问题来了：
客户会因此愿意付更多钱吗？
答案很可能恰恰相反。
很多企业老板的第一反应会是：
「现在都有 AI 了，不应该做得更快、更便宜吗？」
▌这形成了一个非常危险的剪刀差：
▌乙方承担的不确定性越来越高，甲方对价格的预期却越来越低。
如果没有解决这个问题，所谓 FDE 很容易变成：
一个人干过去三四个人的活，最后只比普通工程师贵一点点。
那不是产业升级，而是高级牛马的新包装。
———
【三、企业老板的「AI 焦虑」，不等于真实需求】
这是我认为今天 AI To B 市场里最容易误判的一件事。
你去接触传统企业老板，会发现他们对 AI 的热情可能比技术圈想象中高得多。
ChatGPT、Agent、数字员工、知识库、GEO……
什么火，他们都可能听说过。
尤其是在经营压力比较大的行业里，老板普遍有一种焦虑：
• 别人是不是已经开始用了？
• 我的公司会不会落后？
• AI 能不能帮我少招几个人？
• 能不能提高利润？
这种焦虑是真实的。
但它和有效需求是两回事。
至少要区分三层：
• 第一层：老板愿意听 AI。
• 第二层：老板愿意拿一笔钱试试。
• 第三层：企业确实存在一个可以量化、重复、持续产生价值的问题。
前两层现在很多。
第三层远没有想象中那么多。
▌有些企业甚至连最基础的信息化、数据沉淀、流程标准化都没有做好，却已经开始思考 AI Agent。
这种情况下，FDE 进去之后才会发现：
▌自己名义上是在做 AI，实际干的是数字化改造、流程咨询甚至管理咨询。
所以未来做企业 AI 服务，一个非常重要的能力不是「发现需求」，而是：
▌判断一个需求究竟是真的业务问题，还是老板焦虑的投射。
这两个东西，价格完全不一样。
———
【四、真正适合 FDE 的企业，可能不是最传统的企业】
一个很有意思的问题是：
什么样的公司最适合做 AI 改造？
直觉上，大家容易想到那些特别传统、几乎没怎么数字化的公司。
因为「改造空间大」。
但实际做起来，这类客户可能反而最难。
如果一家企业：
• 没有数据沉淀；
• 没有统一系统；
• 流程高度依赖人工；
• 员工电脑使用水平有限；
• 大量知识存在于微信群、Excel、纸质文档和个人脑袋里……
那么你想给它上 AI，第一步根本不是 Agent。
你得先帮它补过去十几年没补完的信息化课。
这个成本非常高。
而另一端，真正 AI Native、研发能力特别强的企业，又很可能不需要外部 FDE。
因此我反而觉得，最值得关注的是中间这一层——
▌「半数字化企业」。
典型特征是：
• 已经大量使用电脑办公；
• 已经有 ERP、CRM、OA、企业微信、Excel 等工具；
• 已经积累不少文档和数据；
• 但系统彼此割裂；
• 存在大量重复搬运、重复录入和人工判断；
• 同时公司没有一支强研发团队。
这种企业的问题最有可能被 AI 快速击穿。
它们有数据，但数据不好用；
有系统，但系统互相不认识；
有流程，但大量节点依赖人肉传递。
AI 在这种环境里的价值往往不是「创造一个全新的系统」，而是：
▌把原来断裂的信息流重新连接起来。
▌这里可能才是 FDE 最舒服的战场。
———
【五、真正困难的从来不是搞技术，而是搞人】
这是整场讨论里非常确定的一条共识。
做企业服务，最后一定会碰到组织问题。
因为所谓「AI 提效」这四个字，看起来非常中性，但落到企业内部，它经常意味着：
• 某个岗位的重要性下降；
• 某个部门失去一部分权力；
• 某个人多年积累的信息壁垒被打破；
• 原来需要五个人的事情，现在可能一个人完成；
• 某些经验被抽取出来，沉淀成公司的公共资产。
所以员工为什么抵触 AI？
很多时候并不是因为认知不够。
相反，他们可能非常清楚：
▌这个系统一旦真的成功，可能伤害的就是自己的议价能力。
因此 AI 企业项目有一个非常典型的结构：
• 老板很兴奋；
• 中层谨慎；
• 基层员工未必配合。
如果没有真正有权力的人推动，FDE 再强都没有意义。
这也是为什么优秀的企业服务人员，最后都不得不学习一件程序员普遍不喜欢的事情：
▌理解组织。
• 谁是真正的决策人？
• 谁控制预算？
• 谁能够协调业务部门？
• 谁会因为这个项目获益？
• 谁会因为这个项目受损？
• 项目成功以后是谁去汇报？
• 失败以后谁来背锅？
这些问题，很多时候比你用 Claude、GPT 还是 Gemini 重要得多。
———
【六、企业购买供应商，有时候买的并不是技术】
讨论里有一个非常「甲方视角」的观点，我觉得特别真实。
企业为什么不自己做，而要找外部供应商？
当然可能是没有研发能力。
但还有一个经常被忽略的原因：
▌风险转移。
如果一个创新项目完全由内部员工推动，最后失败了，那么责任非常清楚。
但如果引入了供应商：
项目失败，可以说供应商能力不够；
方案不行，可以换一家；
至少风险不会全部落在内部项目负责人身上。
▌所以成熟的 To B 服务，交付的其实从来不只是软件。
还包括：
• 专业背书；
• 责任边界；
• 可汇报的阶段成果；
• 可验收的里程碑；
• 组织内部的安全感。
▌这也解释了为什么一些技术非常强的个人开发者进入 To B 后会非常痛苦。
他以为客户购买的是「最优技术方案」。
但客户购买的可能是：
▌一个出了问题之后仍然能够解释得过去的解决方案。
这两个目标完全不同。
———
【七、FDE 最值得关注的终局，可能不是「提效」，而是让组织变得可计算】
很多企业谈 AI，第一个词都是「降本增效」。
但如果继续往下推，会发现一个更深层的需求。
传统企业普遍存在一个问题：
组织运行过程大量存在于人的脑子里。
• 某个销售离职，客户关系跟着走；
• 某个老员工离开，一个流程没人知道怎么跑；
• 新人进来，没有完整培训体系；
• 老板甚至不知道员工每天究竟在做什么。
AI 进入企业以后，有可能带来一个过去很难做到的效果：
▌把工作过程逐渐数字化。
• 员工每天处理了什么问题？
• 调用了什么知识？
• 做出了什么判断？
• 哪些流程频繁卡住？
• 高绩效员工是怎么处理某类问题的？
这些东西一旦持续沉淀，就会形成一种新的组织资产。
所以从老板视角来看，AI 一个非常重要的潜在价值其实是：
▌让公司从「依赖某些人」，逐渐变成「依赖组织积累的系统」。
这比节约几十分钟工作时间重要得多。
它意味着组织可以变得：
• 可观察；
• 可衡量；
• 可复制；
• 可交接；
• 最终也更加可替代。
某种意义上，AI 正在把过去 BI 只能看到的经营结果，继续向前推进到「工作过程本身」。
这可能是企业 AI 真正长期的价值之一。
———
【八、纯靠 FDE 项目费，可能不是一门特别好的生意】
这也是我听完整场讨论以后，一个非常强烈的感觉。
FDE 有几个天然缺陷：
• 高度非标；
• 前期售前重；
• 项目周期不可预测；
• 客户组织成本高；
• 容易无限扩大 Scope；
• 交付结束后收入停止。
如果收入完全依赖一单一单地驻场，那么它本质上仍然是一个重人力生意。
只不过以前卖的是「开发人天」，现在卖的是「AI 转型专家」。
真正更有意思的模型，反而是：
▌FDE 作为客户入口，后面连接持续收费的东西。
例如：
• 模型调用；
• 企业 AI 基础设施；
• 运维托管；
• 行业 SaaS；
• 标准化工作流；
• 数据服务；
• 垂直 Agent；
• 持续订阅。
这样整个经济模型就会发生变化。
FDE 不再是最终产品，而变成：
▌发现需求和进入客户的前台。
真正赚钱的是后面的可复用资产。
一个非常理想的路径可能是：
第一次进入某个行业，做高度定制化项目；
做到第二、第三家公司时，开始发现共性；
到第五、第十家公司时，80% 的东西已经可以复用；
最终把服务沉淀成产品。
如果每接一个客户都从零开始，那你其实没有积累资产。
你只是在不断出售自己的时间。
———
【九、所以真正值得积累的，不是「FDE 技能」，而是行业资产】
如果让我重新定义这个机会，我不会说：
「未来 FDE 很有前景。」
我更愿意说：
▌未来，既懂某个垂直行业、又能够借助 AI 独立完成解决方案的人，会越来越有价值。
这两种表述差别很大。
因为第一种会让人去学一个新岗位；
第二种会让人思考：
我到底比别人多懂什么行业？
比如你做了十年招聘。
你的壁垒不是会不会调用大模型，而是你知道招聘流程里哪些环节看起来简单、实际上极度反人性。
你做了十年建筑。
你知道工程项目里哪些信息传递节点最容易出错。
你做了多年跨境电商。
你知道广告、客服、供应链、订单、售后之间，到底有哪些只有真正操盘过的人才知道的坑。
AI 提供的是杠杆。
行业知识才决定这个杠杆应该撬哪里。
因此最值得做的事情，不一定是成为「通用 FDE」。
反而可能是：
▌选择一个自己真正理解的行业，把其中最昂贵、最重复、最容易犯错的问题，用 AI 重新做一遍。
然后不断复用。
———
【十、还有一个值得警惕的信号：行业标准可能比行业本身先成熟】
现在围绕 FDE 已经开始出现培训、课程、社群、认证、方法论。
这很正常。
每一个新职业概念出现以后，都会经历这个阶段。
但问题在于：
企业真正愿意为什么买单，目前还没有完全验证。
如果这个时候「如何成为 FDE」的培训市场迅速成熟，而真正靠 FDE 项目盈利的人仍然很少，就会出现一个非常熟悉的结构：
挖金子的人还没赚钱，卖铲子的人已经开始赚钱。
这不代表培训没有价值。
但至少应该追问几个非常具体的问题：
• 一个典型项目投入多少人天？
• 获客成本是多少？
• 售前周期有多长？
• POC 转正式项目比例是多少？
• 客户第二年还会不会付钱？
• 扣除沟通、驻场、返工和售后之后，毛利到底多少？
如果这些数字没人能回答，那么这个行业目前更准确的状态应该是：
▌一个正在形成中的机会，而不是已经被证明的商业模式。
———
【最后】
聊到最后，我越来越觉得：
FDE 这个词本身可能并没有那么重要。
今天大家争论它是岗位、能力、交付方式还是创业机会，很大程度上是因为整个行业都还处在抢夺解释权的阶段。
每个人都在试图把这个概念往自己的能力和利益上靠。
• 技术公司说它是技术交付；
• 咨询公司说它是咨询；
• 开发者说它是六边形工程师；
• 培训机构会把它定义成一种可以学习的职业；
• 平台会希望把它标准化；
• 企业老板可能只觉得：「你能不能帮我把 AI 真正用起来？」
但把所有概念拿掉之后，真正的商业问题其实非常古老：
• 你能不能发现别人真正愿意付钱的问题？
• 你能不能比别人更低成本地解决它？
• 你能不能把一次性的服务，沉淀成可以重复出售的资产？
如果这三件事情成立，你叫什么并不重要。
可以叫 FDE，可以叫顾问，可以叫 AI 工程师，也可以什么都不叫。
反过来，如果这三件事情都没有成立——
那么再性感的新职业名称，也改变不了它最终仍然是一门不好做的生意。
所以相比「FDE 会不会火」，我现在更关心另一个问题：
当 AI 把技术能力快速商品化之后，未来真正稀缺的，到底会是什么？
我目前的答案是：
▌客户入口、行业理解、组织信任，以及把非标问题不断沉淀成标准化资产的能力。
这些东西，可能比「会不会写代码」更难被 AI 商品化。
也可能正是下一轮真正的定价权所在。
———
对本社群感兴趣的朋友，可访问 FDE4.ai 查看付费内容与权益介绍，也可以先看看我的开源书：
fde4.ai
事情是这样。我昨晚围观了一场关于 FDE（Forward Deployed Engineer，前线部署工程师）的线上吐槽大会。
这是一场发生在我的 FDE 社群的、群友自发组织的多人连线会议。原本下周三我会在群里做直播授课，没想到这场活动先把群里的气氛提前搞起来了。
（还不知道「FDE」概念的朋友，可以先看我这本免费开源书，主要讲「企业如何落地 AI」：fde4.ai）
参与者的背景组成：有研发、售前、咨询、HR，也有人已经在给传统企业做 AI 落地，还有长期服务政府和大型企业的 To B 从业者。
聊了两个多小时，大家对 FDE 这个时下火爆的概念各抒己见：
• 有人认为它是「六边形战士」；
• 有人认为它就是 AI 时代的售前 + 交付；
• 有人认为它本质上还是驻场开发；
• 也有人觉得，FDE 根本不应该被理解成一个职业，而应该理解成一种新的企业服务方式。
但恰恰是这种分歧，让我觉得这场讨论非常有价值。
因为一个新概念刚刚出现时，真正值得看的往往不是它的官方定义，而是：
为什么这么多人突然需要这个概念？
以及：
每个人试图用这个概念解决什么问题？
聊完之后，我对 FDE 有几个越来越明确、同时也可能不那么主流的判断。以下是脱敏整理后的一部分群聊精华。
———
【一、FDE 的爆火，未必首先来自需求爆发】
最容易形成的叙事是：
「AI 正在进入千行百业，所以企业需要大量懂 AI、懂业务、又能落地的人，因此 FDE 会成为未来几年非常热门的职业。」
这个逻辑当然成立一部分。
但还有另一半经常被忽略：
▌FDE 的供给端，也正在发生剧烈变化。
过去几年，软件研发尤其是普通开发岗位的供需关系已经发生明显变化。
一方面，互联网增量减少；
另一方面，AI Coding 正在快速提高单个研发人员的产出。
原来需要前端、后端、测试、产品共同完成的一些工作，现在一个能力较强的人借助 AI，就可能完成相当大一部分。
结果不是「所有程序员都会消失」，而是：
完成同样数量的软件项目，越来越不需要那么多人了。
这意味着大量原本处于企业后端的技术人员，会被迫寻找一个更靠近客户、更靠近业务、更难被标准化的位置。
▌FDE 恰好提供了这样一个新叙事。
所以我更愿意把现在的 FDE 热潮理解成两个力量的叠加：
▌企业确实产生了 AI 转型需求；与此同时，大量技术供给正在寻找新的价值锚点。
这两件事情同时发生，才造就了今天的热度。
这也意味着一个需要警惕的问题：
FDE 的供给增长速度，有可能远远快于真正愿意付费的企业需求增长速度。
「越来越多人讨论 FDE」，并不自动意味着「越来越多人靠 FDE 赚到了钱」。
这是两个完全不同的指标。
———
【二、FDE 最大的问题：事情变复杂了，但客户并不想多付钱】
传统软件外包有一个非常重要的前提：
客户通常大致知道自己想要什么。
• 我要一个 CRM。
• 我要一个订单系统。
• 我要一个审批流程……
需求经过产品经理拆解，就可以进入研发。
但 AI 项目经常不是这样。
老板可能只会告诉你一句：
「我们公司也要 AI 化。」
接下来所有问题都落到了服务方身上：
• 到底哪个部门值得先改？
• 什么流程适合 AI？
• 数据有没有准备好？
• 准确率多少才算能上线？
• 出了错谁负责？
• 模型应该用哪一个？
• Token 成本怎么算？
• 员工会不会用？
• 上线以后谁维护？
甚至更麻烦的是：
▌客户自己可能都不知道自己的问题到底在哪里。
于是 FDE 开始承担过去多个角色的工作：
▌咨询、需求分析、产品经理、售前、研发、交付、培训，有时还得处理组织关系。
从工作复杂度来看，它显然比普通外包更重。
但问题来了：
客户会因此愿意付更多钱吗？
答案很可能恰恰相反。
很多企业老板的第一反应会是：
「现在都有 AI 了，不应该做得更快、更便宜吗？」
▌这形成了一个非常危险的剪刀差：
▌乙方承担的不确定性越来越高，甲方对价格的预期却越来越低。
如果没有解决这个问题，所谓 FDE 很容易变成：
一个人干过去三四个人的活，最后只比普通工程师贵一点点。
那不是产业升级，而是高级牛马的新包装。
———
【三、企业老板的「AI 焦虑」，不等于真实需求】
这是我认为今天 AI To B 市场里最容易误判的一件事。
你去接触传统企业老板，会发现他们对 AI 的热情可能比技术圈想象中高得多。
ChatGPT、Agent、数字员工、知识库、GEO……
什么火，他们都可能听说过。
尤其是在经营压力比较大的行业里，老板普遍有一种焦虑：
• 别人是不是已经开始用了？
• 我的公司会不会落后？
• AI 能不能帮我少招几个人？
• 能不能提高利润？
这种焦虑是真实的。
但它和有效需求是两回事。
至少要区分三层：
• 第一层：老板愿意听 AI。
• 第二层：老板愿意拿一笔钱试试。
• 第三层：企业确实存在一个可以量化、重复、持续产生价值的问题。
前两层现在很多。
第三层远没有想象中那么多。
▌有些企业甚至连最基础的信息化、数据沉淀、流程标准化都没有做好，却已经开始思考 AI Agent。
这种情况下，FDE 进去之后才会发现：
▌自己名义上是在做 AI，实际干的是数字化改造、流程咨询甚至管理咨询。
所以未来做企业 AI 服务，一个非常重要的能力不是「发现需求」，而是：
▌判断一个需求究竟是真的业务问题，还是老板焦虑的投射。
这两个东西，价格完全不一样。
———
【四、真正适合 FDE 的企业，可能不是最传统的企业】
一个很有意思的问题是：
什么样的公司最适合做 AI 改造？
直觉上，大家容易想到那些特别传统、几乎没怎么数字化的公司。
因为「改造空间大」。
但实际做起来，这类客户可能反而最难。
如果一家企业：
• 没有数据沉淀；
• 没有统一系统；
• 流程高度依赖人工；
• 员工电脑使用水平有限；
• 大量知识存在于微信群、Excel、纸质文档和个人脑袋里……
那么你想给它上 AI，第一步根本不是 Agent。
你得先帮它补过去十几年没补完的信息化课。
这个成本非常高。
而另一端，真正 AI Native、研发能力特别强的企业，又很可能不需要外部 FDE。
因此我反而觉得，最值得关注的是中间这一层——
▌「半数字化企业」。
典型特征是：
• 已经大量使用电脑办公；
• 已经有 ERP、CRM、OA、企业微信、Excel 等工具；
• 已经积累不少文档和数据；
• 但系统彼此割裂；
• 存在大量重复搬运、重复录入和人工判断；
• 同时公司没有一支强研发团队。
这种企业的问题最有可能被 AI 快速击穿。
它们有数据，但数据不好用；
有系统，但系统互相不认识；
有流程，但大量节点依赖人肉传递。
AI 在这种环境里的价值往往不是「创造一个全新的系统」，而是：
▌把原来断裂的信息流重新连接起来。
▌这里可能才是 FDE 最舒服的战场。
———
【五、真正困难的从来不是搞技术，而是搞人】
这是整场讨论里非常确定的一条共识。
做企业服务，最后一定会碰到组织问题。
因为所谓「AI 提效」这四个字，看起来非常中性，但落到企业内部，它经常意味着：
• 某个岗位的重要性下降；
• 某个部门失去一部分权力；
• 某个人多年积累的信息壁垒被打破；
• 原来需要五个人的事情，现在可能一个人完成；
• 某些经验被抽取出来，沉淀成公司的公共资产。
所以员工为什么抵触 AI？
很多时候并不是因为认知不够。
相反，他们可能非常清楚：
▌这个系统一旦真的成功，可能伤害的就是自己的议价能力。
因此 AI 企业项目有一个非常典型的结构：
• 老板很兴奋；
• 中层谨慎；
• 基层员工未必配合。
如果没有真正有权力的人推动，FDE 再强都没有意义。
这也是为什么优秀的企业服务人员，最后都不得不学习一件程序员普遍不喜欢的事情：
▌理解组织。
• 谁是真正的决策人？
• 谁控制预算？
• 谁能够协调业务部门？
• 谁会因为这个项目获益？
• 谁会因为这个项目受损？
• 项目成功以后是谁去汇报？
• 失败以后谁来背锅？
这些问题，很多时候比你用 Claude、GPT 还是 Gemini 重要得多。
———
【六、企业购买供应商，有时候买的并不是技术】
讨论里有一个非常「甲方视角」的观点，我觉得特别真实。
企业为什么不自己做，而要找外部供应商？
当然可能是没有研发能力。
但还有一个经常被忽略的原因：
▌风险转移。
如果一个创新项目完全由内部员工推动，最后失败了，那么责任非常清楚。
但如果引入了供应商：
项目失败，可以说供应商能力不够；
方案不行，可以换一家；
至少风险不会全部落在内部项目负责人身上。
▌所以成熟的 To B 服务，交付的其实从来不只是软件。
还包括：
• 专业背书；
• 责任边界；
• 可汇报的阶段成果；
• 可验收的里程碑；
• 组织内部的安全感。
▌这也解释了为什么一些技术非常强的个人开发者进入 To B 后会非常痛苦。
他以为客户购买的是「最优技术方案」。
但客户购买的可能是：
▌一个出了问题之后仍然能够解释得过去的解决方案。
这两个目标完全不同。
———
【七、FDE 最值得关注的终局，可能不是「提效」，而是让组织变得可计算】
很多企业谈 AI，第一个词都是「降本增效」。
但如果继续往下推，会发现一个更深层的需求。
传统企业普遍存在一个问题：
组织运行过程大量存在于人的脑子里。
• 某个销售离职，客户关系跟着走；
• 某个老员工离开，一个流程没人知道怎么跑；
• 新人进来，没有完整培训体系；
• 老板甚至不知道员工每天究竟在做什么。
AI 进入企业以后，有可能带来一个过去很难做到的效果：
▌把工作过程逐渐数字化。
• 员工每天处理了什么问题？
• 调用了什么知识？
• 做出了什么判断？
• 哪些流程频繁卡住？
• 高绩效员工是怎么处理某类问题的？
这些东西一旦持续沉淀，就会形成一种新的组织资产。
所以从老板视角来看，AI 一个非常重要的潜在价值其实是：
▌让公司从「依赖某些人」，逐渐变成「依赖组织积累的系统」。
这比节约几十分钟工作时间重要得多。
它意味着组织可以变得：
• 可观察；
• 可衡量；
• 可复制；
• 可交接；
• 最终也更加可替代。
某种意义上，AI 正在把过去 BI 只能看到的经营结果，继续向前推进到「工作过程本身」。
这可能是企业 AI 真正长期的价值之一。
———
【八、纯靠 FDE 项目费，可能不是一门特别好的生意】
这也是我听完整场讨论以后，一个非常强烈的感觉。
FDE 有几个天然缺陷：
• 高度非标；
• 前期售前重；
• 项目周期不可预测；
• 客户组织成本高；
• 容易无限扩大 Scope；
• 交付结束后收入停止。
如果收入完全依赖一单一单地驻场，那么它本质上仍然是一个重人力生意。
只不过以前卖的是「开发人天」，现在卖的是「AI 转型专家」。
真正更有意思的模型，反而是：
▌FDE 作为客户入口，后面连接持续收费的东西。
例如：
• 模型调用；
• 企业 AI 基础设施；
• 运维托管；
• 行业 SaaS；
• 标准化工作流；
• 数据服务；
• 垂直 Agent；
• 持续订阅。
这样整个经济模型就会发生变化。
FDE 不再是最终产品，而变成：
▌发现需求和进入客户的前台。
真正赚钱的是后面的可复用资产。
一个非常理想的路径可能是：
第一次进入某个行业，做高度定制化项目；
做到第二、第三家公司时，开始发现共性；
到第五、第十家公司时，80% 的东西已经可以复用；
最终把服务沉淀成产品。
如果每接一个客户都从零开始，那你其实没有积累资产。
你只是在不断出售自己的时间。
———
【九、所以真正值得积累的，不是「FDE 技能」，而是行业资产】
如果让我重新定义这个机会，我不会说：
「未来 FDE 很有前景。」
我更愿意说：
▌未来，既懂某个垂直行业、又能够借助 AI 独立完成解决方案的人，会越来越有价值。
这两种表述差别很大。
因为第一种会让人去学一个新岗位；
第二种会让人思考：
我到底比别人多懂什么行业？
比如你做了十年招聘。
你的壁垒不是会不会调用大模型，而是你知道招聘流程里哪些环节看起来简单、实际上极度反人性。
你做了十年建筑。
你知道工程项目里哪些信息传递节点最容易出错。
你做了多年跨境电商。
你知道广告、客服、供应链、订单、售后之间，到底有哪些只有真正操盘过的人才知道的坑。
AI 提供的是杠杆。
行业知识才决定这个杠杆应该撬哪里。
因此最值得做的事情，不一定是成为「通用 FDE」。
反而可能是：
▌选择一个自己真正理解的行业，把其中最昂贵、最重复、最容易犯错的问题，用 AI 重新做一遍。
然后不断复用。
———
【十、还有一个值得警惕的信号：行业标准可能比行业本身先成熟】
现在围绕 FDE 已经开始出现培训、课程、社群、认证、方法论。
这很正常。
每一个新职业概念出现以后，都会经历这个阶段。
但问题在于：
企业真正愿意为什么买单，目前还没有完全验证。
如果这个时候「如何成为 FDE」的培训市场迅速成熟，而真正靠 FDE 项目盈利的人仍然很少，就会出现一个非常熟悉的结构：
挖金子的人还没赚钱，卖铲子的人已经开始赚钱。
这不代表培训没有价值。
但至少应该追问几个非常具体的问题：
• 一个典型项目投入多少人天？
• 获客成本是多少？
• 售前周期有多长？
• POC 转正式项目比例是多少？
• 客户第二年还会不会付钱？
• 扣除沟通、驻场、返工和售后之后，毛利到底多少？
如果这些数字没人能回答，那么这个行业目前更准确的状态应该是：
▌一个正在形成中的机会，而不是已经被证明的商业模式。
———
【最后】
聊到最后，我越来越觉得：
FDE 这个词本身可能并没有那么重要。
今天大家争论它是岗位、能力、交付方式还是创业机会，很大程度上是因为整个行业都还处在抢夺解释权的阶段。
每个人都在试图把这个概念往自己的能力和利益上靠。
• 技术公司说它是技术交付；
• 咨询公司说它是咨询；
• 开发者说它是六边形工程师；
• 培训机构会把它定义成一种可以学习的职业；
• 平台会希望把它标准化；
• 企业老板可能只觉得：「你能不能帮我把 AI 真正用起来？」
但把所有概念拿掉之后，真正的商业问题其实非常古老：
• 你能不能发现别人真正愿意付钱的问题？
• 你能不能比别人更低成本地解决它？
• 你能不能把一次性的服务，沉淀成可以重复出售的资产？
如果这三件事情成立，你叫什么并不重要。
可以叫 FDE，可以叫顾问，可以叫 AI 工程师，也可以什么都不叫。
反过来，如果这三件事情都没有成立——
那么再性感的新职业名称，也改变不了它最终仍然是一门不好做的生意。
所以相比「FDE 会不会火」，我现在更关心另一个问题：
当 AI 把技术能力快速商品化之后，未来真正稀缺的，到底会是什么？
我目前的答案是：
▌客户入口、行业理解、组织信任，以及把非标问题不断沉淀成标准化资产的能力。
这些东西，可能比「会不会写代码」更难被 AI 商品化。
也可能正是下一轮真正的定价权所在。
———
对本社群感兴趣的朋友，可访问 FDE4.ai 查看付费内容与权益介绍，也可以先看看我的开源书：
fde4.ai
21 39
来自圈子
AI探索站
117535人已经加入