摘要

OpenAI成立Deployment Company、收购Tomorrow打包带走150名FDE，Anthropic同期与Blackstone等成立合资企业——两家实验室都在推动同一种服务：把模型部署进企业。 Cresta FDE负责人Joe的判断是，这印证了"模型本身并不是一个产品，产品要落地还需要做大量的工作"，而这恰是模型公司"很容易疏忽甚至是不屑去做的"；模型公司与应用公司"一友一敌的关系就变得更加纠缠不清"。
FDE（Forward Deployment Engineer）是Palantir十几年前发明的工种，如今爆火的根本原因是AI落地的复杂性没人愿意抛给客户。 Joe的定义：“forward deployed CTO”——既要把AI应用真正跑起来、锁住客户，又要把前线lesson learn直接带回去改产品。十年前Palantir的FDE发现bug只能"写封信或者开一个ticket求着别人去改"，现在AI coding让FDE跨五个十个repo快速迭代，skills把经验蒸馏成可复用资产，形成"雪球效应"。
商业模式上FDE不单独收费：“我们从来不是以FDE的小时来charge的”，Cresta卖的是outcome不是token，甚至倒贴人力做免费部署——“就像送货上门，已经放在门口让你试穿了，你说你再退掉也不愿意”。一个对话可能用二十几个不同模型、挑"刚好够用，价格又合适"的那个——这种选择自由度是绑定自家全栈（Gemini、自家语音）的Google FDE团队没有的。
模型公司为什么找PE而不是咨询公司：直接给一把手一个诱饵。" 你如果用这个FDE的模型，我有些投资会做得更快一些"——比安排咨询公司慢慢谈scope"更加简单粗暴"。Oliver补充PE的三重诉求：LP募资的信号价值（“我必须证明我站在AI的最前沿，否则LP不会把钱给我”）、投资组合价值创造、以及合作结构本身提供的高增长资产敞口。“SaaS已死"论调下，GP高度紧张，而AI创造价值最大的地方"恰恰不是软件公司”——是商业服务、工业、医疗等传统行业，AI roll-up正在成为新兴打法。
Oliver的核心观点：AI真正的价值是创造收入而不是降本。 他问客户的问题：“如果现在免费给你一万个受过大学教育的员工，你会做什么？"——大资管借AI销售助理进入过去无法触达的客户细分市场，乳制品公司把写报告的时间还给奶牛健康。落地的两大坑：数据平台没搭好（“AI再聪明，没有足够的信息和知识，什么都做不了”），以及"把本该确定性的东西也让AI来做”——十步工作流里五步必须是确定性的。
FDE短期不会被AI化：一到两年内工具（录音翻译工具、Glean）让人均项目从两三个升到五六个；再远会分化——高端FDE做难的事，同时出现面向中小长尾、甚至远程离岸的廉价FDE，逻辑同"原先雇不起软件工程师的小诊所现在也想招一个"。真到99%可AI化那天，“整个行业世界都已经不一样”。人的角色是"AI的触手"——获取AI拿不到的context、为决定负责（skin in the game）：“你是不能指望一个人跟AI喝咖啡的。”

精读

1. 两大实验室同时下场：模型公司承认模型不是产品

五月初OpenAI宣布成立Deployment Company部署公司（背后有私募基金和咨询公司投资），并收购一家叫Tomorrow的公司、“打包带走一百五十个FDE”；同期Anthropic宣布与包括Blackstone在内的金融机构成立合资企业——都在做同一种服务：把模型带到企业的真实工作场景中落地。
Joe的第一反应：“这事情我知道会来，但我没有想到会来得这么迅猛。“它印证两件事：一是"模型本身并不是一个产品”，落地需要大量传统模型公司"很容易疏忽甚至不屑去做"的工作——“对于有钱想买这个模型的人，他也觉得买了也不知道怎么用”；二是模型公司与应用公司的边界模糊化，“一友一敌的关系变得更加纠缠不清”。
OpenAI和Anthropic的算盘：最好的人留着train模型，“三百六十行每行去落地"需要的大量人力不见得自己招——所以有的靠收购，有的靠资本让别人做。

2. FDE的定义：一个forward deployed CTO

Joe的一句话定义：FDE是"跟客户紧密合作，能够让AI应用真正跑起来的工程师”，且承担让产品变得更好的职责——“你要把这个单子搞定，把AI应用落地，把客户锁住”，同时"用这些lesson learn把产品变得越来越强”，甚至要"自我革命"。
历史源头是Palantir：军方客户"具体想要什么是不高兴说得很明的，你必须跟他们跑到同一个军营的帐篷，看到那些数据他才愿意说得很细"，于是有了Echo（懂作战、抢救的业务人）和Delta（偏forward support software engineer）两个团队——一个technical一个非technical。Joe直言Palantir的成功里"有多少比例是因为FDE，这个其实很难讲"，但它开创了模式。

3. Cresta方法论：数据先行，挑80/20的use case

Cresta 2017年起步，AI浪潮之前就以合规方式沉淀了Marriott等大客户的人工客服文本语音语料。做AI agent时先分析哪些use case"量比较大、SOP比较清晰、没有很多人工判断"——“百分之八十的volume来自那百分之二十的use case”——从历史对话中提炼pattern，“甚至可以用它的数据train一个小的模型来做更多simulation”，“避免很多猜的成分”。
FDE的角色是"相对有经验的AI落地官"：判断先做哪些use case、资源是否到位；不倾向替客户改API，“更多是跟客户共创”，上线后还有大量测试、优化、监控——“做出来只是第一步”。

4. Forward不等于常驻，FDE也不按小时收费

“Forward这个词有点抓人眼球，但包括我自己，没有一次超过一个星期在客户那边。“典型节奏：飞到客户办公室闭门开两三天会，定下high level goal和KPI、验证API、顺利的话做个小型POC"给他们excited”，然后各回各家远程推进。Onsite的真正价值是培养私交和trust——“很多不方便书面化的东西，通过聊天培养默契、了解context，不onsite很难达到”。
FDE贯穿售前售中售后：单子谈完后"两到四个月上线"是常见预期，合同指标（满意度、电话时长、case解决率）达标后FDE就退出，“小修小补让没那么AI expert的同事做”。
商业模式上"我们从来不是以FDE的小时来charge的”，甚至倒贴：客户没花钱也可能送两三个月部署——“就像送货上门，已经放在门口让你试穿了，你说你再退掉也不愿意。AI现在这个领域节奏非常快，各自在抢山头。”

5. FDE + FDPM：CTO与CEO的分工

理想是"one person company，既是CEO又是CTO"，但这种人难招，所以Cresta拆成两个角色：FDE是forward deployed CTO，FDPM（forward deployed product manager）就是forward deployed CEO——用people skill、negotiation skill"跟客户耗在一起"，为整个agent的behavior和quality负责；FDE从技术角度确保实现合理、测试健全，并把lesson learn带回产品。
配比大约一个FDPM配两到三个FDE，不论项目大小；一个FDPM同时做好几个项目。团队还有意识培养专家：几个人深耕医疗保险的行业术语与规范，另几个人对payment、search等技术领域熟——“我们要面临的这个世界是非常复杂的”。

6. 招聘标准：不招junior，“AI engineer"是废话

Joe的目标是"打造全世界最好的FDE team”，bar有三条：一是合格的engineer且必须开发和测试过AI agent——“简历上写’我是个AI engineer’，这不废话嘛，现在哪个software engineer不用cursor、cloud code你都已经很out了，但不是很多人知道怎么开发和测试一个AI agent”；二是过硬的customer facing经验——做过咨询、founding engineer或freelancer都行，“你要跟对方的CTO、IT director沟通，有的时候要say no”；三是靠谱和韧性。
韧性为什么重要，Joe说得赤裸：“FDE真的很忙，你面对的是一个很不完美的世界，API根本就是纸糊的，SOP就跟没有是一样的，文档千奇百怪，压力也很大。“所以他偏爱founder、co-founding engineer、“经历过大风大浪，知道没有一个事情是guarantee成功的"的人；“我这边不招任何junior的FDE——你一个很junior的人，跟对方CTO很难达成信任，你总不能打开AI让AI告诉你怎么做。”

7. AI coding与skill蒸馏：FDE经济学的转折点

为什么FDE现在才爆火？“十年前Palantir的FDE就算知道产品有很多bug又怎么样呢？他可能只能写封信或者开一个ticket求着别人去改，再过半年才改好。“现在AI coding强到"哪怕你有五个十个不同的repo、不同的语言，你可以很容易让AI帮你做成这个样子，找个合适的人review就可以”——前线反哺产品的迭代闭环终于跑通了。
另一个杠杆是skill：“原先经验都留在脑子里，要花很多时间做knowledge transfer，现在写成一个很长的markdown、一些script。做了两三个类似的事情之后变成hard skill，我们三十个FDE又来了二十个，那二十个把skill装上就能access，都不用去学——很容易像一个雪球效应。”

8. FDE会被AI取代吗：先增效，再分化

“唯一不变的就是变化，但相对很多别的software engineer的工作来看，FDE要被AI化路还很长。“短期一到两年，工具（录音翻译、可提问的recording、Glean搜聊天记录和代码）让multitasking更高效——“现在平均一人两到三个项目，可能变成五到六个”。
再远一点会分化：高端FDE做工具解决不了的难事；同时"原本不需要FDE的人会想，我能不能招一个便宜的FDE”——逻辑同软件工程师招聘需求反而上升，“原先觉得雇不起的小诊所、小个体户也想招一个”。会出现面向中小长尾、永远不onsite的远程FDE，甚至在越南等地。“只要客户的复杂性还在，AI能够完全自动化的总归是有gap的，这个gap需要FDE来填。”
兜底判断：“现在连SDR都没有很好地AI化。假设真有一天FDE可以百分之九十九AI化，甚至agent to agent对齐——那时候担心的就不是FDE本身，整个行业世界都已经不一样。”

9. 为什么找PE不找咨询：给一把手一个诱饵

大家诧异的点：OpenAI没找埃森哲这类咨询公司而直接找私募。Joe的解释：“你找软件外包毕竟还是一个工具人，还要找哪个班的、填一个工期。但如果你的投资人说，你用这个FDE的模式，我有些投资会做得更快一些——直接给一把手一个诱饵，这个推进会快很多”，比"跟咨询公司慢慢谈才谈个scope"更"简单粗暴”，过程中还消耗更多模型token。
咨询和软件外包公司则面临"不能说生死存亡，但是很大的一个转折点”：原先做增删改查类外包的活，“客户不见得非要找外包，他自己也能做”。“各方势力都希望把AI的饼越做越大，但每家都需要非常努力才能拿到份额。”

10. Oliver的切入点：个人使用率与企业采用率的巨大落差

前麦肯锡私募咨询师（Rewired团队）、现Invisible Technologies企业业务VP的Oliver，公司名来自"当技术做得足够好的时候，它是隐形的”。他的诊断：个人AI使用率和企业采用率之间有巨大落差，落差很大程度上来自供给——“要么大模型厂商自己卖，要么套壳产品，比如做法律的Harvey……都是很好的工具，但没有改变你做事的方式，结果就是很多公司部署了AI却感受不到变化”。
他的解法是"不是一个工具一个工具地上，而是一个工作流一个工作流地切入”：把工作流拆开，“十个步骤里五个必须是确定性的（数学计算、合规不能出错），三四个可以用AI、允许弹性，还有两个需要人工审核”——且必须每家公司定制。
对OpenAI做部署公司：“这步棋踩得很准”——CFO们在谈压缩成本，MIT、斯坦福的报告显示"真正把AI跑到规模化的企业寥寥无几”，这个落差不可持续，“光卖一个聊天机器人"证明不了ROI。但他保留一条：从横向通用模型转去搭企业定制工作流"是完全不同的市场动作、完全不同的销售方式，我相信他们能想清楚，但需要一些时间”。

11. PE的三个诉求：信号价值排第一

三年演变：三年前PE问"能不能来讲讲AI是怎么工作的"，两年前问"怎么在投资组合里推AI"，今年彻底变了——“我要去向LP募资，我必须证明我站在AI的最前沿，否则LP不会把钱给我。能不能展示AI已经关系到募资的存亡，跟行业里最响亮的名字建立合作是非常好的背书。“第二是投资组合的真实价值创造，第三是回报本身——“这些合作的结构设计相当诱人，本质上是让GP获得高增长资产的敞口”。
背景是"今年SaaS已死的论调闹得很凶”：过去五到十年PE最大的两个资产类别是医疗和软件，“几乎所有PE都有软件公司的敞口，LP和GP们都高度紧张”。而AI创造价值最大的地方"往往恰恰不是软件公司”——商业服务、工业、医疗，“基本上所有原来软件不太能帮上大忙的行业，现在都可以做出非常有意思的事情”。
GP自身就是绝佳标的：“找项目、估值、投钱、管资产，这是非常人力密集的工作，要用到非常贵的人——这套工作流恰恰最适合AI改造。”

12. 从降本到创收：“免费给你一万个大学生员工，你会做什么？”

Oliver的具体案例：一家大资管想借小资管的产品线分销，对方要求每次客户会议配销售经理、利润就没了——于是搭AI销售助理：整合一千款产品的数据基础设施、权限隔离的输入层、确定性的最优产品组合计算模块（“本质上是数学”）、会前话术生成、会中工具、会后自动更新方案，七步闭环，“让这家大资管能服务更大范围的客户”。还有尽调平台（十条工作线、自动扫描data room、调取过往项目提过的问题——“我见过太多投资人周末也要加班做这些”）和基金运营的NAV计算与对账自动化。
他强调的核心错误：“很多人只把AI理解成降低成本的工具，但AI真正的价值很多时候在于创造收入。“他的招牌问题：“如果现在免费给你一万个受过大学教育的员工，你会做什么？你过去想做但做不了的事情是什么？“乳制品公司的回答是"给所有账户都写报告”——于是搭了为所有奶牛生成健康报告的定制系统，“把时间拿回来真正去维持奶牛健康，这在过去并不可行”。
AI roll-up时代的投资人分两类：“凡是AI颠覆风险太大的领域我们都不能投"的直觉派，和主动拥抱派——收购"过去技术含量并不高的企业，非常激进地用AI赋能”（他举了一笔交易为例）。但他警告：“很多人想象中能做到的事情和真正落地的现实结果之间存在很大差距。”

13. 落地的两大坑，与咨询业的三五年窗口

最常见的问题是"什么都想AI化，但这条路走不通”。第一道坎是数据平台——“它的价值是复利式增长的，AI再聪明，没有足够的信息和知识，什么都做不了”。数据散落在Outlook、Gmail、ERP、Salesforce里；PE收来的公司"可能跑着四套不同的ERP系统，想搞清楚为什么客户流失，结果发现数据在三个系统里”。Invisible为此有四个模块：Neuron（数据层/数据网格）、Atomic（工作流自动化）、Synapse（评估AI表现）、Action（智能体协调）。
第二个坑是"把本该确定性的东西也让AI来做”——“账目对账这种财务流程，你不会想让AI来做的，你想要确定性的结果。可以用AI梳理工作流逻辑，但很多执行步骤应该是硬编码的确定性数学计算。”
咨询会不会过时？Oliver的判断：“未来三到五年咨询会迎来一波增长”——律所从按小时收费转按结果收费，“整套激励结构都变了，这种转型你是要找人来聊的”。但"真正释放价值的是那些最终留下一套转型后业务的人"——“做完就走但留下一套改造好的业务的模式，才是真正创造价值的方式，而不是只聊怎么转型。”

14. 终局：大厂没有选择自由，人是AI的触手

Google可能也会宣布有FDE团队，但Joe点出根本区别：大厂被自家全栈绑定——“它语音不高兴用Eleven Labs、Cartesia、Deepgram，模型想推Gemini”。而Cresta"一个conversation可能用二十几个不同的模型"，因为"我们卖的是outcome，不是token，有很强的动力挑刚好够用、价格又合适的模型"，还要保证合规、在线、断网时能切自部署模型——“这种选择的自由度对大厂其实都是没有的”。
Joe的收尾是对工程师的召唤，也是清醒的人机分工：“我们自己也是百分之九十几的代码都是AI写的”，但"你不能完全trust AI来调prompt，AI调AI可能进入过分拟合的状态"。人的角色是"我们是AI的触手"——白天跟客户开会吃饭喝咖啡拿到AI拿不到的context，“你是不能指望一个人跟AI喝咖啡的”；AI能出五六个option、一大堆pro cons的表格，“但它不能帮你做决定，还是要人挑一个决定，然后你要为这个决定负责——skin in the game”。
不是所有工程师都该转FDE——“还是会有很多engineer做网络安全专家、infra专家”。但对技术自信、不讨厌出差和客户沟通、“enjoy今天跟餐馆明天跟牙医了解他们怎么运作"的人，“FDE像一个创业营——肯定不是很舒服的工作状态，但锻炼出的技能对后续创业都会很有帮助”。

从开源到 Agent，从组织到个体：AIEC 大会现场侧记降息死了吗？