别信硅谷叙事：中国FDE的日常是救火和当乙方
中国FDE的真实工作不是端着AI方案赋能企业，而是给国企和民企救火：内部政治、数据治理、人的不配合，技术反而是最简单的。
核心论点 · 点时间戳可跳到原声
FDE起源：为情报机构驻扎客户现场
Palantir大概20年前就提出FDE，最早帮美国情报机构定制数据分析软件。因为数据保密，工程师直接进驻客户现场，与客户一起上班开会。AI时代大模型能力变强但企业不知道怎么用，OpenAI、Anthropic等公司纷纷组建FDE团队，过去两年全球岗位增长几十倍，薪水动辄年薪百万，被称为硅谷最性感的工作。
— 雅贤国内FDE实际是乙方
申乐说国内FDE根本不是媒体宣传中那种带着AI方案来赋能的上位者角色，真正的身份就是乙方。要摆正乙方位置，得伺候好老板、领导和甲方各种关键角色，项目才推得进去；同时还要解决销售、商务、售前解决方案工程师给你埋的各种坑。
— 申乐国企死结：IT负责人调动不了业务
申乐进驻的一个国企项目，领导不认可任何方案，客户要退单。他发现核心堵点：临时IT负责人唯一目的是交差，想用demo证明价值，但没有权限调动业务团队，导致申乐接触不到真实业务需求，做不出落地场景，无法向大领导证明交付标准。一环卡一环，项目走进死循环。
— 申乐转机：新领导能摇人
一周后项目负责人换成新人。新领导不懂AI，但能调动业务团队，给申乐找了八九个业务部门的对接人，挨个加微信打电话，到工位收集资料。申乐独立负责一条业务线，选了一个专门给领导写材料的部门做MVP样板，项目开始跑起来。他说最大的坑还是人的坑，只要把人搞定后面就好办。
— 申乐民企老板想用AI砍人
在另一家家装建材企业，85后老板行业下行、极度焦虑，希望AI带来营收增长和成本削减。他举例说：理想是公司现有60000多人，有了AI之后能不能砍到3000人。申乐心里一惊。旁边的行业解决方案顾问没有直接否定，而是用语言艺术回应：与其关注砍人，不如思考现有60000人能否创造12000人的价值。
— 申乐概率模型卡住生产级应用
申乐指出，很多企业不配合的原因之一，是当前模型和Agent技术远达不到大规模生产条件。模型本质是概率模型，而企业大规模生产应用不接受概率，要的是准确度。因此FDE做的很多项目只是先搭基础盘做尝试，没有那种一上线企业就翻天覆地的效果。
— 申乐原话 · 已逐字校验
最大的坑还是人的坑吧，还是人的坑，只要是把人搞定了，后面的倒还好
最大的坑还是人的坑，只要把人搞定了，后面的就还好。
申乐18:27
我的理想是我现在公司里有60000多人，你是不是有了AR之后能给我能给我砍到3000人
我的理想是公司现在有60000多人，你是不是有了AI之后能给我把它们砍到3000人。
申乐21:49
模型本身的原理上面，它毕竟是概率模型。而企业你想大规模生产级应用的话，是绝对不接受概率这个结果的。他要的是准确度。
模型本身从原理上讲毕竟是概率模型，而企业要想大规模生产级应用，绝对不接受概率结果，要的是准确度。
申乐28:02
现在FDE已经是一个大趋势了，这波红利我们只要抓住。一定会很好大的。
现在FDE已经是一个大趋势了，这波红利我们只要抓住，一定会很好的。
申乐30:14
数字与实体
| FDE概念提出时间 | 约20年前，Palantir首创 | 4:48 |
| 全球FDE岗位过去两年增长倍数 | 几十倍 | 5:50 |
| FDE年薪水平 | 动辄年薪百万人民币 | 5:50 |
| 民企老板设想AI后人数 | 从60000多人砍到3000人 | 21:49 |
| 为知识库调整的文档数 | 100多个文档，花一周时间 | 24:00 |
| 法务审核准确率要求 | 要求100%，85%不行 | 27:01 |
术语
- FDE前线部署工程师
- 常驻客户现场帮企业落地AI，既写代码也梳理业务的工程师。
- MVP最小可行产品
- 用最小成本做出能验证价值的产品原型。
收听指南
正在做AI落地项目的交付工程师、售前/解决方案顾问、企业数字化负责人，以及想转行FDE的技术人。
片头雷鸟眼镜广告可跳过。