2023 到 2025 年，前线部署工程师（FDE）的职缺在美国增长了数十倍。Google Cloud、OpenAI、Anthropic 相继大规模招募。2026 年年中，AWS 投入 10 亿美元组建 FDE 团队，每支 5-6 人小队驻场客户 45 天。Anthropic 的 FDE 岗位年薪开到 20-30 万美元底薪。
行业把 FDE 捧成了 AI 落地的救星——既能写代码又深谙业务场景，既能在客户现场协调复杂的组织关系，又能把悬浮的 AI Demo 硬生生推进生产环境。
我越看这些数据，越觉得一个容易被忽略的事实：行业越追捧 FDE，越说明 FDE 靠不住。
不是"追捧=靠不住"这么简单。是背后的分布问题。三域复合能力——业务、技术、组织关系同时达到专业深度——这种人才在人群中的分布是固定的。高薪和大规模投入能吸引人转型，但无法改变分布本身。10 亿美元买不来分布右尾突然变厚，方法论培养可以让中位数右移，但变不出大量超级个体。当一个角色需要如此高的薪酬和如此大的投入才能勉强满足需求，说明这个角色的人才供给是结构性的稀缺，不是暂时的短缺。
我的判断是：FDE 去推动 AI 规模化落地，是个伪命题。
不是因为 FDE 不好。一个既懂业务、又懂技术、还能在客户环境协调复杂组织关系的超级个体，当然好——90 分的交付质量，谁不想要？但这样的 FDE 太稀缺、成本太高，只有极少数企业能获得。一个专家可以做到 90 分，但只能服务少部分企业；一群 T 型人才组成的协同团队，可以做到 75 分，但能服务几十万家企业。
75 分×几十万家，远比 90 分×几十家有价值。这不是替代关系，是主次关系——分工协作是主流，FDE 是少数企业才能负担的奢侈品。AI 全面落地的问题，不是靠少数超级个体能解决的。
FDE 正在自我瓦解
最有趣的是，行业实践本身已经在验证这个判断。
FDE 这个岗位正在分化。我观察到的是，原本由一个人全包的角色，正在被拆成几类专精方向——有人专注模型部署，有人深耕数据平台，有人做 Agent 平台，有人负责现场集成。每类只负责一条链路，各自解决不同的核心卡点。
这不是岗位名称的迭代，这是分工在自发地发生。一个人做不了所有事，行业已经在用多个人替代一个人的角色。FDE 的分化趋势，与我的判断方向一致——超级个体不可规模化，所以市场在自发地分工。
组织形态的演进也指向同样的结论。我见过太多企业走弯路：集中式 AI 团队变成服务台，请求排队、优先级冲突，模型质量和业务需求之间产生不可调和的偏差；完全嵌入式模型导致重复建设——三个团队各自建特征存储、三条不兼容的部署管道、零共享学习；纯平台式模型在组织成熟度不足时变成瓶颈。
效果最好的是联邦制：领域专精的工程师深度嵌入产品团队，但通过实线向中央组织汇报，共享工具和标准、避免重复建设、同时保持领域上下文。这不就是我说的"T 型人才分工协作"的变体吗？单域专精、跨域通识，通过机制保障协作质量。
传统技术落地的流水线分工——售前出方案、实施做部署、运维做兜底、客户成功做续费——岗位边界清晰，但核心问题是分段交付、层层脱节、无人闭环。售前只讲理想 Demo，不管企业脏数据、旧系统、复杂流程；实施只按方案落地，不管业务适配和长期迭代。最终结果：PPT 能跑、演示很酷、上线就崩、无法复用。
MIT NANDA 的"State of AI in Business 2025"报告说，95% 的企业生成式 AI 试点没有产生可量化的财务影响。Gartner 预测超过 40% 的 Agent 项目会在 2027 年前被取消。这些失败不是模型不够强造成的，而是交付落地能力跟不上——尤其是人之间的协作断裂。
售前、交付、产研——三位一体的分工体系
我做的企业级 AI 操作系统，底层就是一套分工架构。我的方案不是在旧流水线上修修补补，而是设计一个新的三位一体分工体系：售前、交付、产研。
售前对接客户，负责商务推进、组织关系协调、真实场景调研。他们深入客户的行业背景，理解痛点的真实面目——客户说的需求往往不是真正的痛点，真正的痛点藏在售前和客户吃饭时听到的那句话里、藏在现场观察到的那些没人提但一直卡着的流程环节里。售前的核心能力是"翻译"：把客户模糊的愿望和隐性的痛点，翻译成交付能理解的解决方案。
交付基于标准能力复用加上定制开发，完成 AI 应用的解决方案交付和运维。他们的核心能力是"落地"：在真实客户环境中把方案跑通、处理脏数据、适配旧系统、解决合规约束。但交付不只是被动执行——在交付过程中，他们持续洞察行业通用需求。和产研沟通定制开发时，交付有一个明确的牵引方向：尽量往标准能力走。每一次定制都不是终点，而是下一次标准化的起点。
产研研究大模型加上 harness 架构，做好交付 PaaS，持续沉淀复用能力，提升交付效率。他们的核心能力是"沉淀"：把交付中的定制需求抽象为原子能力，把反复出现的场景封装为标准模块，把散落的项目经验提炼为可复用的方法论。产研不需要预测未来需要什么标准能力——只需要观察交付中什么在反复出现，然后把它沉淀下来。
这个产研沉淀的 PaaS 能力层，就是企业级 AI 操作系统的内核。标准能力层、场景模板、治理架构——操作系统不是凭空设计的，是在交付喂养下自然生长出来的。
三者不是割裂的个体，而是三位一体的团队。信息传递的损耗不是不可解的结构性缺陷，而是组织能力维度的挑战——通过对焦、复盘、方法论沉淀，可以持续收敛。翻译损耗的问题，本质上和 AI 落地失败的问题一样：不是"做不到"，而是"需要机制和积累来逐步做到"。
T 型人才，不是普通人
我最初说"靠大众普通人的能力"，但这个表述不够精确。更准确的说法是：靠 T 型人才——单域专精加上跨域通识。
售前需要在商务和组织协调上有深度，同时对 AI 技术边界有基本理解——这样翻译出来的方案才不会是"技术上做不到"的空中楼阁。交付需要在技术实现上有深度，同时懂客户场景和行业逻辑——这样落地时才不会是"技术正确但业务无效"的完美代码。产研需要在大模型和架构上有深度，同时理解交付场景——这样沉淀出来的 PaaS 才不会是"没人用的完美平台"。
T 型人才的人才池，远大于 FDE 全能专家。一个 FDE 需要三域全通——业务、技术、组织关系同时达到专业深度。一个 T 型人才只需要一域专精，其他域有基本沟通能力。前者是极低概率的复合型人才，后者是可以通过培养和筛选大规模获得的。这正是分工协作支撑规模化落地的根基。
飞轮：项目喂养平台
飞轮的逻辑很清晰：产研沉淀标准能力，交付复用标准能力加上定制，售前基于标准能力更快形成方案，更高效的交付带来更多场景洞察，产研持续沉淀，交付效率进一步提升。
但飞轮有冷启动问题。初期标准能力不足，交付做大量定制，产研来不及沉淀——定制做完了客户跑了，产研还没来得及提炼标准。
我的冷启动策略是：不预先设计 PaaS，而是让 PaaS 在交付过程中自然生长。
前期只有场景，没有标准。核心是通过项目先验证 AI 能力。但在交付时尽量采用松耦合方式——模块化、甚至原子化的能力封装。不追求一次做成完美的平台架构，而是追求每一次交付都能沉淀出可复用的组件。在历经多个项目后，自然基于复用情况形成判断：哪些底层能力被反复调用、哪些场景模板被持续复用——这些就是 PaaS 能力基建的自然起点。
这本质上是一个"项目喂养平台"的策略。交付是场景的入口，产研是能力的沉淀池。交付喂给产研的不是完美的需求文档，而是真实项目中的复用信号——某个模块在 5 个项目中被调用、某个场景模板在 3 个行业中被适配。产研基于这些信号做标准化抽象，不需要预判未来，只需要观察过去。
我在中国建材晓妙的项目里见过这个飞轮转动：水泥行业的视觉质检能力沉淀成标准模块后，复制到 100 多家工厂时，实施周期大幅缩短。中冶赛迪从视觉质检切入冶金全流程，也是同样的逻辑——先在一个场景跑通，再把能力抽象出来，向相邻场景复制。复用积累越多，交付越快。飞轮每转一圈，摩擦力就小一点。
回应一个主流观点
HFS Research 在 2026 年 3 月发了一篇很直接的文章：《Stop treating FDE as optional: Your AI Flywheel will not spin without it》。他们的核心论点是：FDE 是飞轮的嵌入式执行层，没有 FDE，LLM 和 Agent 只在沙盒里跑，永远进不了生产环境。
我的论点和他们的论点看起来是对立的，但其实不是。
HFS 说的是需要一个功能——把 AI 接入真实企业系统的嵌入式工程力量。我说的不是这个功能不需要，而是这个功能不应该由 FDE 全能专家来承担。功能需求是真实的，角色形态是可替代的。
HFS 描述的 FDE 职能——构建反映企业运作的本体、将模型接入真实数据并配置权限、设计治理架构、连接受治理企业数据——这些功能在我的分工体系里被拆解了：售前负责理解企业运作逻辑和业务需求，交付负责将模型接入真实数据和配置权限，产研负责设计可复用的本体和治理架构。功能没有被删减，只是从一个人身上拆到了三个角色上。
HFS 说"LLMs accelerate. FDE operationalizes. Without the second, the first is a liability, not an asset."我完全同意后半句。AI 不运营化就是负债而非资产。但运营化不一定需要一个超级个体来做——三个 T 型人才的协作也可以运营化，而且可以规模化地运营化。
分歧不在功能，在形态。HFS 选择了"培养更多 FDE"的路径——用方法论（如 Lean-FDE）降低 FDE 门槛，试图让更多人具备三域复合能力。我选择了"分工替代 FDE"的路径——承认三域复合是极低概率，用组织设计来弥补个体能力的不足。
两条路径可能都有价值，但我对"培养更多 FDE"的路径有一个根本性的质疑：方法论可以降低门槛，但无法改变分布。三域复合能力的人才在人群中的分布是固定的——方法论可以让分布的中位数右移，但无法让尾部突然出现大量超级个体。当你需要几十万家企业的落地规模时，你需要的是一种能利用人才分布中部的组织设计，而不是一种依赖人才分布右尾的培养方案。
一个还需要更多验证的判断
我必须坦诚标注几个不确定的地方。
第一，三位一体的协作效率还缺乏大规模验证。我描述的是一个设计框架，不是一个已经验证的最佳实践。中国建材晓妙和中冶赛迪的案例验证的是"行业化能力复用"的方向，不是完整的"售前-交付-产研三位一体"模式。软通动力的转型还在推进中。我标记这个空白，而不是假装它已经解决。
第二，翻译损耗的收敛速度未知。我说"通过对焦、复盘、方法论沉淀可以持续降低损耗"，但每一次翻译确实有信息损失——售前对技术边界的理解深度、交付对客户隐性需求的感知完整度，都是需要时间积累的。初期几轮协作中，损耗可能很大。我标记这个空白，而不是假装它已经解决。
第三，飞轮的转速取决于交付密度。项目越多、场景越丰富，产研的复用信号越强，标准化抽象越准确。但如果交付项目少、间隔长，产研的沉淀节奏就会变慢——飞轮转得慢不代表不转，但确实需要足够的交付量来喂养。
这些不确定不否定论点，但标注了论点的边界。我的判断是基于当前实践趋势的方向性推断，不是已经完成验证的结论。
验证它的方式很具体：观察售前-交付-产研三位一体模式在更多行业、更大规模的组织中是否能稳定运行；观察翻译损耗是否在多次协作后显著收敛；观察 PaaS 能力是否在交付喂养下自然生长并持续提升交付效率；观察飞轮是否在足够的项目密度下持续加速。
如果 3 年后这些验证不支持分工协作替代 FDE 的路径，我会修正判断。如果支持，FDE 就不再是 AI 落地的标配，而是一种少数企业才能负担的奢侈品——就像专家会诊和分级诊疗的关系：专家会诊品质更高，但分级诊疗才是医疗体系的主流形态。
这正是我做企业级 AI 操作系统的逻辑——用平台化的标准能力替代对超级个体的依赖，让分工协作有底层架构支撑，让 75 分的团队能稳定交付 80 分的结果。不是消灭 FDE，是让 FDE 从标配变成选配，让大多数企业不再被人才稀缺卡住落地的脖子。
