技术的每一次跃迁，干的几乎是同一件事，把距离缩短。电报缩短了人声的距离，集装箱缩短了货物的距离，互联网缩短了信息的距离。轮到AI，这活像是要收尾了，知识、语言，连判断一起，被拉到了指尖上。
可越是往前赶，越有一段路横在那儿，谁也没把它走顺。它不在地图上，在系统和系统之间，也在方案和现场之间。
FDE的岗位招聘量涨了八倍，同期，传统软件工程师的岗位列表缩了七成。两个方向相反的数字，指向同一件事，卡住AI的地方早就不在模型那头。
另一组数字更重。麻省理工NANDA那份2025年的报告，访谈一百五十位企业负责人，调研三百五十名员工，又分析了三百个公开部署案例，结论是企业里九成五的生成式AI试点没有进生产。同一年的Gartner、RAND、BCG和麦肯锡各自做了研究，方法不同，口径宽严有别，落点却一致，七成到八成半的企业AI项目交不出预期价值，其中约八成连生产环境的门都没进，僵在概念验证阶段。勉强走完这段路的，从验证到上线平均要花十八到二十四个月。
这些项目里，真正因为模型不够强而栽的，少得可以忽略。
PART 01
FDE是什么岗位
涨得最凶的岗位，前沿部署工程师。名字听着新，但根很老。二十年前Palantir接的是情报机构和大型金融机构的活。那些客户的机房不是整洁的云端，是堆着遗留系统、非结构化数据和没人写清楚的流程的一片沼泽。在这样的地方卖标准软件，等于空谈。Palantir于是把工程师直接派驻进去，在客户的地盘上把系统改到能用，这批人后来被叫成前哨部署工程师。这个词本来就是军事用语，意思很简单，把力量推到最前线去。
把FDE和售前工程师、解决方案架构师、咨询顾问摆在一排，会发现它哪个都不像。售前的目标是签单，签完就走；咨询交的是一摞厚厚的建议书，告诉客户该做什么；FDE交的是一个真能上岗干活的东西，而且要在合同签完之后才见真章。维基百科把它的职责和解决方案架构师、客户工程师、专业服务工程师列在一起，说是有重叠。一排相邻的工种堆上来，恰好说明它是另一个工种，不是同一个工种往上加一级。
PART 02
AI落地的卡点在哪
最后一公里到底在哪，落过地的人都知道。
需求不标准
企业想用AI解决的那部分问题，偏偏是最不标准的部分。一套CRM，甲公司的销售流程和乙公司的大体像一个模子刻出来的，所以能做成产品卖。可风控逻辑、老师傅的判断、车间里口口相传的规矩，都在这家企业自身身上，换一家就不成立。这就是FDE要接的活，它天生不标准，也天生没法靠远程支持干完。
数据基础设施不匹配
数据也添乱。很多企业的数据散在几十个老系统里，格式五花八门，错漏不少，还有大量从没标过的原始记录。模型在实验室里跑分再高，也像一台塞进老旧拖拉机的赛车引擎，接口对不上，油门踩不动。有调查显示，超过三成的企业把AI与现有基础设施的兼容性低列为主要障碍，另有七成多的IT负责人把实时数据处理的基础设施不足当成落地卡点。
缺跨界懂行的人
人比技术更硬。一份调查里，五成二的企业认为，缺具备所需技能的人才是它们用AI的最大障碍。缺的不是会写几行Python的人，是能把两边话都听懂的人。车间老师傅嘴里那句“这个轴承听起来不对劲”，得有人把它翻成机器认得的指标；算法那头吐出来的一堆参数，也得有人把它翻回业务部门听得懂的价值。两个方向都拎得动的人，凤毛麟角。
PART 03
FDE的核心工作是什么
FDE干的就是这个翻译和落地的活，而且一个人要兼几摊。
他是一线的工程师，在客户现场写代码、调系统、把乱成一团的数据源接起来，不是坐在总部远程指挥。他也是产品经理，跟客户并肩坐着，用最短的路弄清痛点在哪，把含糊的需求变成能动手的方案。架构师那部分也落在他肩上，从系统设计一路担到交付，没有“这不是我负责的模块”这种说法。还差一样，翻译。把技术方案讲成业务部门听得懂的话，把业务问题讲成工程师能落地的逻辑。
这四样凑在一起，就没法靠短期培训批量生产。
有个例子很能说明。客户开口要一个知识库问答系统，照着做，多半交出去一个没人用的东西。往深追几层，真问题往往不是问答，是厂里那位老师傅下个月就退休，他脑子里三十年的经验带不走，新人要熬很久才接得上。问题到这一步就换了样子，从“做个问答”变成“怎么把老师傅的隐性经验留下来、传下去”。方案里可能还是有问答，但重心已经转到怎么把老师傅做判断的那套逻辑挖出来、理清楚。
这不是技术活，是贴着业务走的活。国内某园区2026年启动了一个专门的培养工程，计划三年养出上千名FDE。官方的说法很实在，这类人才既要懂人工智能技术，更要听得懂企业的产业行话。课程按初级、中级、高级三级排，分别对应“给员工普及AI”“给领域做交付”“当企业智能体工程的负责人”三类岗位。把一件事挑明了，跨界不是FDE的加分项，而是入场券。
PART 04
FDE改变了传统交付逻辑
站上这条线，还得把老一套的干法掀翻。这一条最反常识，也最难学。
传统软件团队是接力跑。产品定需求，研发写代码，售前卖方案，交付上线，售后收尾，一环交一环，反馈绕回产品那头要一大圈。这套跑法在确定性软件里还算稳，到了AI就不灵。模型在客户现场的表现一天一变，数据一天一变，需求跟着变，接力棒还没传完，前面几棒的前提已经作废。
FDE的干法是把接力队拆了，让一个人从头站到尾。客户说什么，他自己听；方案怎么定，他自己写；跑起来出问题，他自己回去改。反馈的回路因此变得很短。这不是把五个人的活压给一个人，是把五段之间的墙拆掉，让信息不必层层转述。
大厂一起动手，说明这不是个别公司的偏好。OpenAI在2023年搭起了这支团队，Anthropic也宣布要扩大应用AI这条线，AWS在2026年6月拿出十亿美元新设一个前沿部署工程部门，专门把人嵌进客户里。更重的动作在后面。2026年5月4日，Anthropic联合黑石、高盛和Hellman & Friedman，成立了一家十五亿美元的AI企业服务公司；一周之后的5月11日，OpenAI宣布成立OpenAI Deployment Company，融资超过四十亿美元，投资方有十九家，估值约一百四十亿美元，成立当天还宣布收购了一家有一百五十名前沿部署工程师的AI服务公司。两家站在最前面的模型公司，都把重注压在了同一个角色上。
路透社把FDE评为当下AI最热的岗位，华尔街日报说这是AI创业公司翻出来的老秘密武器，纽约时报干脆把标题写成“AI时代需要前沿部署的人”。
PART 05
对FDE的争议
热闹背后还有另一种声音，得摆出来。
Hacker News上讨论这个头衔，有人不留情面，说forward deployed听着更像军事用语，是为了讨好Palantir那批客户才这么叫。有工程师在社区里直说，客户成功不等于工程，连沾边的技术都算不上。还有一层担心是可持续性，出差多、驻场久、客户压得紧，人被用得快，这个岗位能不能长期招得到人是问号。MarketWatch的措辞更重，Palantir首创了这份最热的差事，可真要跟风的一大群，未必跑得出来。
账也确实难算。有人算过一笔，FDE团队帮客户一年多省下几千万，落到自己账上的可能只有几百万服务费，中间那截差价白白流走。于是有人干脆换成价值分成，甚至直接持股，把甲乙方关系改成合伙人。规模与定制之间的这道坎，FDE模式到今天也没完全迈过去。
PART 06
FDE的出现是行业信号
再往深一层看，FDE冒头本身就是信号。它是在说，AI技术已经成长到了新的阶段。
模型弱的时候，瓶颈在模型，谁把效果调高一档谁就赢。模型过了那条线，能力开始外溢，瓶颈挪到交付端，谁能把能力稳稳送进客户的业务里，谁才拿得到钱。这个挪动的当口冒出FDE，不是意外。还有一个拧巴的地方，模型能力越通用，落进具体业务时反而越容易失灵，因为它离那家企业的具体环境更远，要补的上下文更多。
同一时间，模型和智能体工具自己在变强，一个人带一套AI工具能拉通的链路越来越长，过去要一个团队分工才扛得住的活，现在一个人接得住，这种角色才从奢侈配置变成了标准配置。
工具越强，越看得清人的位置在哪。
所以FDE不新鲜，也不万能。它是一群站在最后一公里上把手艺练粗了的人。
从跑分漂亮的模型，到车间里那个真正被用起来的系统，中间只有一公里。但真走起来才知道，这一公里是最远的一段，路不平，弯还多。
首发于公众号：AI驱动数字化转型