从“卖铲子”到“帮挖金”：FDE正在重写AI公司的销售逻辑

【摘要】过去二十年，软件公司一直在想办法离客户远一点：把产品做得足够标准，把功能放进云端，再配上一支销售和客户成功团队。客户越多，新增成本越低，这套逻辑造就了SaaS时代最漂亮的一批商业模式。

最近大家却发现，事情却拐了个弯。

2026年5月，OpenAI成立了一家专门负责企业落地的OpenAI Deployment Company，启动资金超过40亿美元，还收购AI咨询与工程公司Tomoro，一口气带进约150名Forward Deployed Engineers，也就是FDE。

OpenAI给他们安排的工作相当具体：进入客户组织，与管理层、一线业务人员共同寻找场景，重构工作流，再把模型接进数据、工具和权限体系。

只把模型摆在那里还不够。企业真正愿意付钱的，越来越接近另一件事：别只把铲子卖给我，下来帮我把金子挖出来。这也是FDE突然走到台前的原因。

01

企业AI最贵的一公里

今天企业当然是不缺AI Demo的。开一个模型接口，接几份公司资料，做一个客服机器人或者知识库，一两周就能拿出样品。

不过真正困难的部分，通常在Demo结束之后。

2025年McKinsey对全球企业的调查显示，88%的受访组织已经在至少一个业务职能中常态化使用AI，比上一年的78%继续上升。可到了企业整体层面，接近三分之二的企业仍停留在实验和试点阶段，真正开始规模化推进AI的只有约三分之一。

同时，挣钱省钱这些事，也没有那么快出现。

同一份调查里，只有39%的受访者表示AI对企业层面的EBIT（息税前净利润）产生了影响。McKinsey今年进一步梳理中欧企业AI落地情况时发现，真正做到企业级全面部署、并对EBIT产生显著影响的公司只有约6%。

也就是说，88%在用，只有6%真正走到了大规模价值兑现。

中间隔着的这段距离，就是今天企业AI最贵的一公里。因为到了生产环境里，问题很快从“模型聪不聪明”，变成一堆不那么直观的事情：公司数据到底放在哪里？谁能看？谁不能看？Agent帮销售查完客户资料之后，有没有权限直接改CRM？模型生成合同，需要谁审核？涉及客户隐私的数据能不能离开内网？财务、采购、法务和IT部门各有一套审批逻辑，AI应该卡在哪一步？

McKinsey今年在谈AI Agent与ERP（企业资源计划系统）融合时，甚至直接用了一个词：”pilot purgatory（试点炼狱）“，大量AI项目停在实验阶段，原因之一就在于用例下面缺少端到端的流程、数据、人员和技术基础。

企业发现，买到一个很好的模型之后，离“真正能用”仍然很远。有问题就会有需求，AI公司不能再只是单纯的售卖产品，因此FDE就是从这条缝里长出来的。

02

二十年前，Palantir就把工程师塞进了客户办公室

FDE听起来很新，但其实这门手艺很早就存在。

Palantir如今在官方招聘页面上直接把自己称为这一职位的开创者。它对Forward Deployed Software Engineer的描述是：工程师直接和客户坐在一起，先快速搞懂客户最棘手的问题，再设计架构、整理数据、开发应用，一路做到部署。项目开始时，客户甚至未必能说清自己需要什么软件。

“为什么我们的航班总在延误？”“怎样更有效发现洗钱？”这和传统软件采购的语言完全不同。客户没有告诉工程师，需要几张表、几个按钮、什么数据库架构。他只会告诉你：我这里有个麻烦，帮我解决。

FDE接下来要做的，就是把这个模糊问题一点点拆开。先找到数据，再找到业务流程；确认哪些决策可以自动化，哪些必须有人签字；写代码、搭应用、接系统，最后看它到底有没有改变结果。

Palantir另一份官方岗位说明写得更直接：FDE持续从客户和同事那里获得反馈，通过快速迭代改善产品。有些项目一开始甚至只是一个模糊的问题——“我们为什么在流失客户？”

来源：Palantir官网

这里才是FDE和普通驻场开发真正拉开距离的地方。

企业软件行业从来不缺实施工程师。SAP、Oracle、IBM以及大量系统集成商，几十年来都有人待在客户现场。

FDE其实也只是多走了一步：客户现场，同时也是产品研发现场。

一个银行客户遇到了新的权限问题，前线工程师先把它解决；如果十家银行都有类似需求，这套逻辑就可能进入标准产品。一个制造企业需要把AI接进订单、库存和排产系统，第一次也许需要写很多定制代码；到了第五家、第十家，过去踩过的坑逐渐变成模板、工具和平台能力。

所以FDE真正有价值的点，可以概括成一句话：交付即研发客户付钱让你解决今天的问题，公司顺手学会了怎么更便宜地解决明天的问题。

03

最顶级的模型公司，开始重新把人派回客户现场

说到AI行业，就不得不提最贵的GPU。而现在，另一种稀缺资源也开始变贵：懂模型，还懂企业怎么运转的人。OpenAI今年成立Deployment Company，是这件事情最明显的信号。

这家公司由OpenAI控股，启动时拿到超过40亿美元初始投资，背后的19家合作方横跨投资机构、咨询公司和系统集成商，包括TPG、Bain Capital、Brookfield、Goldman Sachs，以及Bain & Company、Capgemini和McKinsey。OpenAI还同步收购Tomoro，带入约150名FDE与Deployment Specialists。

来源：OpenAI官网

OpenAI为什么突然愿意做这么重的事情？

截至2026年5月，超过100万家企业采用了OpenAI的产品或API。随着模型能力继续提高，下一阶段企业AI竞争的关键，将取决于这些技术能否真正进入现实业务场景。

如今看来，模型公司的接口卖出去，只完成了前半场。

软件销售在过去可以拆成一条清晰的链：销售找客户，售前工程师做Demo，签合同，实施团队上线，最后交给Customer Success维护。

FDE把这条链压得短了很多。销售和工程师一起进入客户现场。先挑出一个最值钱的问题。直接做，跑出来，然后验证价值，再去谈下一张订单。

企业购买的东西因此发生了变化，销售开始从解释产品功能，往证明业务结果靠。

摩根士丹利是一个很典型的例子。

2023年，Morgan Stanley Wealth Management与OpenAI合作开发内部AI工具，把自家的研究和知识体系接入GPT-4。它并没有简单开放一个公共ChatGPT入口，而是专门围绕财富顾问工作场景设计数据范围、访问权限和答案来源。

到2024年，Morgan Stanley披露，98%的Financial Advisor团队已经采用AI @ Morgan Stanley Assistant。随后上线的Debrief又继续往业务里走：在客户同意后，它可以记录会议、整理行动项、生成邮件初稿，最后把会议记录直接存进Salesforce。

这时候AI的位置就很不一样了。它从浏览器里的聊天框，走进了会议、CRM、内部知识库和客户服务流程。

更值得注意的是，这套模式正在迅速扩散。

Anthropic目前的官方招聘页面中，Applied AI团队同时招聘Forward Deployed Engineer、Manager of Forward Deployed Engineering、Technical Deployment Lead，甚至还有专门连接销售体系的Pre-Sales Program Lead, Forward Deployed Engineering。

Anthropic与咨询和IT服务公司合作时，也把这群人摆到了核心位置。2026年6月，它与DXC宣布多年合作。DXC计划培训数万名Claude认证FDE，让工程师直接进入银行、航空公司、保险、制造和政府机构，把Claude接进这些企业原本就在运行的关键系统。DXC此前也先在自己的约11.5万名员工体系内使用Claude。

FDE正在从Palantir内部的一种特殊组织方式，变成AI产业的一套标准动作。

这种变化也开始出现在中国的大模型公司里，只不过国内未必都把这个岗位叫 FDE。

火山引擎比较直接，近期公开招聘中，出现”Forward Deployed Engineer 现场部署工程师“岗位；火山方舟大量解决方案架构师的工作，也已经从传统售前延伸到需求分析、方案设计、项目交付、验收，再把一线问题反馈给产品和研发。领克的 SalesCopilot 就是一个例子：豆包大模型最终并没有停在 Demo，而是被接进直营销售系统，参与销售对练、客户分析和策略建议。

智谱走的是另一条路。虽然较少使用 FDE 这个名字，但从“解决方案架构师”“应用交付架构师”到“大模型交付项目经理”，已经形成了一套类似分工。智谱官网给企业客户列出的最后一步甚至直接包括 Prompt 优化、微调、数据标注、业务系统接入和上线验收。蒙牛、华泰金融等案例背后，本质上也都是工程师跟着模型一路进入客户业务。

04

FDE的兴起，是AI时代的岗位红利还是新瓶旧酒？

FDE会是一波岗位红利吗？从前文分析来看，大概率会。

至少眼下，模型公司、咨询公司和IT服务商都在抢这种人。

纯工程师往往不了解业务。纯顾问又很难自己把系统写出来。FDE则站在两者中间。他得听懂一家银行为什么怕数据外泄，也得知道权限系统怎么接；能跟业务负责人聊ROI，下一小时又要坐下来改代码；客户说“我想提高效率”，他还得继续追问，到底是哪一个流程、哪一个岗位、每天浪费多少时间。

这类人的稀缺性，很难靠一次培训补出来。

来源：Palantir官网

所以，FDE 现在有红利，也确实能赚钱，但不代表这门生意就好做。做 FDE，技术是门槛，让客户听得进建议才是本事，这门生意未必适合所有公司，特别是国内企业。小企业通常养不起：业务简单、预算有限，为一两个AI项目养一支全职FDE团队并不划算。

另一端的大型企业，则可能慢慢走向相反方向：把这种能力养在自己内部。因为一个FDE驻场越久，他知道的东西就越敏感：公司的客户是谁、利润在哪里产生；哪些审批只是历史遗留，哪些岗位真正掌握决策权。这些东西本来就是企业自己的内部信息流。

于是长期看，FDE可能形成三层。模型公司的人负责最前沿能力。Palantir、Accenture、DXC这样的部署团队负责跨客户复制。真正重度使用AI的大中型企业，再慢慢把一部分能力收回内部。

05

尾声

如果想要把边际成本降下来，把毛利率做上去，似乎需要企业把服务拿掉：能让客户自己注册，就不要销售。能标准化部署，就不要实施。能用文档解决，就不要派工程师过去。而AI时代却把一些最聪明、也最贵的人重新送回了客户办公室。这并非一次倒退。因为模型正在变得越来越通用，企业却从来没有因此变得更标准。

每家公司都有自己的数据库、权限、流程、组织政治和历史包袱。模型可以在几秒钟里写出一段漂亮的代码，却不会天然知道一家银行为什么必须多一道审批，一家工厂为什么晚上十点不能自动停线，一个销售团队真正愿意改变的是哪一步。

FDE今天吃到的红利，就藏在这里，谁能把第一次“帮客户挖金”的经验，变成第二次可以直接卖出去的铲子。如果每来一个客户都重新挖一遍，FDE最后会回到咨询公司的老路。如果现场经验不断沉淀进产品，第一百个客户的交付成本远低于第一个客户，那它才有机会成为AI时代一种新的软件商业模式。

大模型公司接下来的竞争，模型只是入场券，最后那张订单，越来越要靠谁能把结果做出来。