中國FDE不是硅谷敘事裡的賦能者，是給國企民企救火的乙方
中國FDE的真實工作不是端著AI方案賦能企業，而是給國企和民企救火：內部政治、數據治理、人的不配合，技術反而是最簡單的。
原視頻在 YouTube 上放不出來，用音頻聽：
核心論點 · 點時間戳可跳到原聲
FDE不是新工種，是情報機構的駐場老辦法
Palantir大概20年前就提出FDE，最早幫美國情報機構定製數據分析軟件。因為數據保密，工程師直接進駐客戶現場，與客戶一起上班開會。AI時代大模型能力變強但企業不知道怎麼用，OpenAI、Anthropic等公司紛紛組建FDE團隊，過去兩年全球崗位增長几十倍，薪水動輒年薪百萬，被稱為硅谷最性感的工作。
— 雅賢FDE在國內不是賦能者，就是乙方
申樂說國內FDE根本不是媒體宣傳中那種帶著AI方案來賦能的上位者角色，真正的身份就是乙方。要擺正乙方位置，得伺候好老闆、領導和甲方各種關鍵角色，項目才推得進去；同時還要解決銷售、商務、售前解決方案工程師給你埋的各種坑。
— 申樂IT負責人想交差，卻調不動一個業務人
申樂進駐的一個國企項目，領導不認可任何方案，客戶要退單。他發現核心堵點：臨時IT負責人唯一目的是交差，想用demo證明價值，但沒有權限調動業務團隊，導致申樂接觸不到真實業務需求，做不出落地場景，無法向大領導證明交付標準。一環卡一環，項目走進死循環。
— 申樂最大的坑是人的坑，換個能搖人的領導就通了
一週後項目負責人換成新人。新領導不懂AI，但能調動業務團隊，給申樂找了八九個業務部門的對接人，挨個加微信打電話，到工位收集資料。申樂獨立負責一條業務線，選了一個專門給領導寫材料的部門做MVP樣板，項目開始跑起來。他說最大的坑還是人的坑，只要把人搞定後面就好辦。
— 申樂老闆要的不是AI提效，是把6萬人砍到3000
在另一家家裝建材企業，85後老闆行業下行、極度焦慮，希望AI帶來營收增長和成本削減。他舉例說：理想是公司現有60000多人，有了AI之後能不能砍到3000人。申樂心裡一驚。旁邊的行業解決方案顧問沒有直接否定，而是用語言藝術回應：與其關注砍人，不如思考現有60000人能否創造12000人的價值。
— 申樂概率模型進不了要準確度的生產線
申樂指出，很多企業不配合的原因之一，是當前模型和Agent技術遠達不到大規模生產條件。模型本質是概率模型，而企業大規模生產應用不接受概率，要的是準確度。因此FDE做的很多項目只是先搭基礎盤做嘗試，沒有那種一上線企業就翻天覆地的效果。
— 申樂原話 · 已逐字校驗
最大的坑還是人的坑吧，還是人的坑，只要是把人搞定了，後面的倒還好
最大的坑還是人的坑，只要把人搞定了，後面的就還好。
申樂18:27
我的理想是我現在公司裡有60000多人，你是不是有了AR之後能給我能給我砍到3000人
我的理想是公司現在有60000多人，你是不是有了AI之後能給我把它們砍到3000人。
申樂21:49
模型本身的原理上面，它畢竟是概率模型。而企業你想大規模生產級應用的話，是絕對不接受概率這個結果的。他要的是準確度。
模型本身從原理上講畢竟是概率模型，而企業要想大規模生產級應用，絕對不接受概率結果，要的是準確度。
申樂28:02
現在FDE已經是一個大趨勢了，這波紅利我們只要抓住。一定會很好大的。
現在FDE已經是一個大趨勢了，這波紅利我們只要抓住，一定會很好的。
申樂30:14
數字與實體
| FDE概念提出時間 | 約20年前，Palantir首創 | 4:48 |
| 全球FDE崗位過去兩年增長倍數 | 幾十倍 | 5:50 |
| FDE年薪水平 | 動輒年薪百萬人民幣 | 5:50 |
| 民企老闆設想AI後人數 | 從60000多人砍到3000人 | 21:49 |
| 為知識庫調整的文檔數 | 100多個文檔，花一週時間 | 24:00 |
| 法務審核準確率要求 | 要求100%，85%不行 | 27:01 |
術語
- FDE前線部署工程師
- 常駐客戶現場幫企業落地AI，既寫代碼也梳理業務的工程師。
- MVP最小可行產品
- 用最小成本做出能驗證價值的產品原型。
收聽指南
正在做AI落地項目的交付工程師、售前/解決方案顧問、企業數字化負責人，以及想轉行FDE的技術人。
片頭雷鳥眼鏡廣告可跳過。