OpenAI联手PE砸下40亿美元，聊聊硅谷最火新职位FDE

来源：硅谷101 ·「OpenAI联手PE砸下40亿美元，聊聊硅谷最火新职位FDE」 主持：易文 嘉宾：Jeff（Creasa公司FDE负责人，带领近百人团队），Oliver（Invisible Technologies企业业务VP，前麦肯锡私募股权咨询师）

本文整理自硅谷101播客。以下按主题组织，每个主题包含「新的变化」和「嘉宾观点与解释」两个维度，力求让未观看视频的读者快速理解核心内容。

一、OpenAI、Anthropic纷纷下场：模型公司亲自做部署

新的变化

2026年5月初，AI行业接连发生两件标志性事件：

1. OpenAI宣布成立Deployment Company（部署公司），并同时收购了一家名为Tomorrow的公司，一口气打包带走了150名FDE（Forward Deployment Engineer，前线部署工程师）。背后的投资人包括私募基金（PE）和一些我们熟悉的咨询公司。
2. 几乎同一时间，Anthropic也宣布了类似动作——与包括Blackstone（黑石）在内的金融机构合作，成立合资企业。

此外，Google也有自己的FDE团队。这意味着主流大模型公司正在集体从"卖模型"转向"帮企业把模型用起来"。

为什么会有这种变化？ 因为模型公司逐渐意识到一个残酷的现实：模型本身并不是产品。企业买了模型，却不知道怎么用——企业的数据千差万别、API参差不齐、内部系统各不相同。如果模型公司不亲自下场帮助企业落地，模型就永远停留在"聊天机器人"的阶段，无法产生真正的商业ROI。

可能带来什么？ 模型公司与应用公司的边界正在变得模糊。模型公司一边继续招最好的人训练模型，一边通过收购、合资等方式获取落地能力。但这也意味着它们正在进入一个完全不同的市场——从"卖通用模型"到"给企业搭定制化工作流"，这是完全不同的销售方式和组织能力。

嘉宾观点与解释

Jeff（FDE负责人）：作为早在一年多前就开始做FDE部署的从业者，他表示"知道这件事会来，但没想到来得这么快、这么迅猛"。他认为这印证了几个关键判断：一是模型公司终于承认模型本身不是产品，落地需要大量额外工作；二是模型公司与应用公司之间"亦友亦敌"的关系变得更加纠缠不清——OpenAI和Anthropic之所以通过收购和资本合作而非全自建来做FDE，是因为"三百六十行每行落地需要大量的人，这块我不见得想自己招"。

Oliver（前麦肯锡咨询师）：从企业侧的角度看，过去半年CFO和高管们越来越多地在谈压缩成本，但MIT、斯坦福的研究报告显示真正把AI跑通、跑到规模化的企业寥寥无几。“这个落差是不可持续的。“大模型厂商必须推动企业侧的真实采用、必须证明ROI——“光卖一个聊天机器人是做不到这件事的”，所以他们必须走跟FDE一样的路。

二、FDE到底是什么：像mini-CTO一样为企业落地AI

新的变化

FDE（Forward Deployment Engineer）虽然听起来像是新概念，但实际上这个工种已经存在了十几年——它最早由Palantir发明并推广。只是随着OpenAI和Anthropic的大动作，这个词在最近一两个月才在中文和英文媒体上"上头"式爆火。

FDE也被一些人翻译为"AI落地官”，虽然更fancy，但没有标准中文译名。本质上，FDE是在跟客户紧密合作、能让AI应用真正跑起来的工程师，他同时承担着让产品变得更好的职责。

嘉宾观点与解释

Jeff用一句话定义FDE：“FDE是在跟客户紧密合作，能够让AI应用真正跑起来的工程师，且他承担了让产品变得更好的这样一个职责。” 他进一步解释：FDE像一个"mini CTO”——你既要搞定客户、把AI应用落地、留住客户，又要不断用LLM的能力去改进产品，甚至要"自我革命"。

FDE具体做什么？ Jeff以自己公司Creasa（一家从2017年就开始积累客服对话数据的公司）为例说明工作流程：

1. 分析历史数据：从大量人工客服对话中，提炼出客户最常问的问题和解决模式（80%的咨询量往往来自20%的use case）。
2. 选择切入点：FDE作为有经验的"AI落地官"，判断哪些use case可以优先做，对应的资源是否到位。
3. 与客户共创：不倾向于帮客户改PRD，而是共同创建，做大量测试和优化。
4. 持续监控：上线后监控客户满意度、通话时长、问题是否解决等KPI（这些指标写在合同里）。

Jeff强调，一个典型的FDE项目周期是2到4个月——初期开发、调试、发布、监控，之后FDE退出，小修小补交给非AI专家的同事。他们甚至在尝试一种"倒贴"模式：即使客户没付费，先花两三个月把东西做出来让客户"尝到甜头"，因为"AI现在节奏非常快，各自在抢山头"。

三、FDE的起源：Palantir的军方基因与Echo/Delta双团队模式

新的变化

FDE模式由Palantir首创，这与Palantir独特的业务背景密不可分。Palantir承接了大量军方和政府业务，这类客户的特点是：他们不高兴把需求说得很明白，你必须跑到同一个军营的帐篷里，亲眼看到数据，他们才愿意透露细节。

为了应对这种极端的落地需求，Palantir组建了两个团队：

• Delta团队：偏技术的工程师，负责数据建模和临时开发。
• Echo团队：偏业务领域的专家，熟悉作战、后勤等专业知识。

嘉宾观点与解释

Jeff：Palantir作为FDE模式的originator（开创者），其核心要解决的问题是——客户的真实需求无法通过远程、书面化方式传达，必须面对面深度协作。最理想的情形是"one person什么都会"（既是CEO又是CTO），但这样的人极难招到。

值得注意的是，Palantir模式在十年前就验证了FDE的价值，但直到AI coding能力爆发后才真正迎来黄金期。Jeff指出一个关键变化：十年前Palantir的FDE即使发现了产品bug，也只能写信或开ticket求别人改，可能半年才修好。而现在有了AI coding agent（如Claude Code），FDE知道哪里不对就可以立刻自己动手改——“哪怕你有五个、十个不同的报告、不同的语言、不同的站，你就可以很容易地让AI帮你做成那个样子”。这大大加速了FDE的迭代效率。

四、FDE与FDPM：CTO与CIO的现代分工

新的变化

随着FDE模式的成熟，单纯依靠一种角色已经不够。行业内演化出了FDE（Forward Deployment Engineer）和FDPM（Forward Deployment Product Manager）的搭配模式，类似于一家公司里的CTO和CIO的分工。

嘉宾观点与解释

Jeff详细解释了两者的分工：

• FDE（技术侧）：像"forward deployed CTO"，负责技术实现是否合理、测试是否健全，同时把前线的经验教训带回公司改进产品。FDE还会把经常做的开发工作沉淀成SDK、工具包、CLI等技术资产。
• FDPM（业务侧）：像"forward deployed CEO"，用people skill、communication skill、negotiation skill跟客户深度沟通。FDPM负责定义AI agent该说什么、不该说什么，测试集怎么创建，如何评估风险、如何scale（从3个use case扩展到6个）等。

为什么需要分开？ 因为FDE一天可能要跟两三个客户开很多会，如果一个人同时处理技术和沟通，效率太低。一个标准配置大约是1个FDPM配2到3个FDE，一个FDPM可能同时负责多个项目。同时，团队会有意识地培养领域专家——有人专做医疗保险，有人对payment很熟，有人对search很熟。

这种分工也降低了招聘难度——不再要求一个人什么都会，而是让不同专长的人协作。

五、什么样的能当FDE：技术、沟通、韧性缺一不可

新的变化

FDE是一个对人的综合素质要求极高的职位。Jeff明确表示不招任何junior的FDE，因为一个项目只有一两个人跟对方的CTO共创，如果是新人很难建立信任。

嘉宾观点与解释

Jeff列出了优秀FDE的三个核心要求：

1. 技术能力——必须是AI Agent专家，不是普通的软件工程师

现在如果一个软件工程师不会做agent，Jeff认为"你肯定很out"。FDE必须会用harnessing model、会用Claude Code等工具，更关键的是要知道怎么开发和测试一个AI agent。Jeff看到很多简历写"AI Engineer"——“这废话嘛？现在一个agent software engineer如果不会agent，那有什么意义？“他们不想花两三个月培训人，希望新FDE两三个礼拜就能进项目。

2. Customer Facing经验——能跟CTO、IT Director甚至非技术人员沟通

FDE即使平时大多线上开会，偶尔也要去客户现场待几天。需要能把复杂问题简化表达，能从对方的表述中抓到关键点并求证。Jeff倾向于招有咨询背景、有创业经验（Founder）、或做过大量Freelancer项目的人。

3. 靠谱和韧性——能面对一个"很不完美的世界”

Jeff的这段描述非常生动：FDE"同时multitasking很多事情，压力很大，面对的是一个很不完美的世界——API根本就是纸糊的，SOP没有实际案例，文档千奇百怪，大家可能会有一些不切实际的想法”。FDE需要有判断力，“你总不能打开AI让AI告诉你怎么做，但你自己没有判断能力的话也很差”。

Jeff特别喜欢招有Founder经验的人，因为他们经历过风浪，知道"没有一个事情是guaranteed一定会成功的，你必须非常努力才能到一个稍微好一点的状态"。

六、FDE会被AI取代吗：短期工具增强，长期角色分化

新的变化

当模型越来越强、工具越来越成熟，FDE这个职位会消失吗？这是很多人关心的问题——特别是考虑到AI coding已经能写99%的代码。

嘉宾观点与解释

Jeff认为FDE被AI化的路还很长，且会走向分化：

短期（1-2年）：越来越多的工具会让FDE更高效。例如会议录制和翻译工具、能搜索聊天记录和代码的工具（如Claude），能让一个FDE同时处理的项目从2-3个增长到5-6个。但工具本身并不能解决所有问题。

长期分化：

1. 高端FDE：处理那些工具无法解决的极难问题，仍需要非常资深的人。
2. 中小型/远程FDE：大量原本不需要FDE的小诊所、小个体户会意识到"我也可以招一个便宜的FDE，把某个工作流产品化"。甚至会出现远程FDE——比如在越南等不发达地区，永远不需要on site，但能结合客户需求和AI技能把东西做出来。

核心逻辑：只要客户的复杂性还在，AI能够完全自动化总是有gap，这个gap就需要FDE来填。“真的到了某一天，假设FDE可以99%都AI化——不管是理解客户、写prompt、做测试、跟客户沟通，甚至AI跟另一个客户的AI做A-to-A沟通——但那时候，我们担心的就不是FDE本身了，整个行业世界都已经不一样，人在里面参与就很少。但我觉得这还有长段路要走。”

七、PE为何成为AI落地的新推手：信号、价值、回报三重驱动

新的变化

OpenAI和Anthropic没有找传统的咨询公司（如麦肯锡），而是直接找私募基金（PE）合作，这个选择背后有深层的商业逻辑。Blackstone这样的PE手里握着大量被投企业（portfolio companies），很多是运营了几十年的传统企业——机械、重工、制造业、医疗等。

为什么PE比咨询公司更适合当合作伙伴？ 因为PE能直接给被投企业的CEO下达指令：“你就是要用FDE把你的行业AI化。“这比安排一个咨询公司慢慢谈scope要"简单粗暴"得多，推进速度快得多。

嘉宾观点与解释

Oliver从三个维度解释了PE参与AI落地的核心诉求：

1. 信号价值（Signal Value）——关系到募资存亡

这是最让人意外的发现。Oliver表示，PE行业对AI态度的演变非常快：三年前问"能不能来讲讲AI怎么工作的”，两年前变成"能不能帮我在整个投资组合里推AI”，今年彻底变了——GP（基金管理人）来找他说：“我要去向LP（出资人）募资，向养老金、向出资人募资，我必须证明我站在AI的最前沿，我需要有案例能展示我通过AI创造了价值，否则LP不会把钱给我。”

跟行业里最响亮的名字（OpenAI、Anthropic）建立合作，就是一个非常好的背书方式。特别是今年SaaS"死亡论"闹得很凶，几乎所有PE都有软件公司敞口，GP们高度紧张，都在努力证明"我们没有问题"，所以信号价值进一步放大。

2. 投资组合的价值创造——真实的需求

用对了AI，确实能创造很大的价值。Oliver强调，AI创造价值最大的地方，恰恰不是软件公司，而是那些传统企业——工业、制造、商业服务，特别是医疗。这些领域过去软件不太能帮上忙，现在用AI可以做出非常有意思的事情。

3. 投资回报本身——进入高回报赛道

这些合作的结构设计相当诱人，本质上是让GP们进入一个高增长资产的敞口。

Jeff补充：PE在里面扮演的角色很"神奇"——如果投资人直接说"你用FDE模型，我帮你把投资做得更快"，这相当于直接给一把手递了一把枪，推进速度远超传统咨询模式。这也让传统的软件外包公司感到忐忑——客户不再必须找外包，自己也能做，或者直接找平台公司做。

八、AI roll-up时代：PE收购的逻辑从"合并报表"变成"重造工作流"

新的变化

过去PE收购一家公司，常见的操作是投后整合（roll-up）——把同行业的几家公司合并，形成规模效应。但现在出现了一种新模式：AI roll-up——表面上你在买公司，实际上你买的是它们的工作流，然后把它们改造成AI native的公司。

嘉宾观点与解释

Oliver观察到两类截然不同的PE打法：

• 防御型：“凡是AI颠覆风险太大的领域，我们都不能投。“这是很多人的直觉反应。
• 进攻型：更主动拥抱，认为现在是一个非常有意思的时间点，可以收购那些过去技术含量不高的企业，然后非常激进地用AI去赋能。

Oliver认为进攻型打法正在成为新兴趋势，一些走在前面的GP已经在这样做了，“他们能够创造的规模价值是真实存在的”。

但Oliver指出了一个关键误区：很多人容易犯的错误是只把AI理解成降低成本的工具，但AI真正的价值很多时候在于创造收入、打开新的收入机会。

Oliver经常问客户一个问题：“如果现在免费给你一万个受过大学教育的员工，你会做什么？你过去想做但做不了的事情是什么？” 因为某种程度上，这就是AI现在带来的能力。

他举了两个例子：

• 资管公司：原本无法服务小客户（因为每次开会都要配销售经理，利润没了）。用AI搭一套"AI销售助理"后，可以服务更大范围的客户——这不是降低成本，而是进入全新的市场。
• 乳制品公司：有很多农场和奶牛。AI帮他们为所有奶牛生成健康报告，让员工把时间从写报告转移到真正去维护奶牛健康上。“这在过去并不可行。”

九、咨询行业的命运：三到五年增长，但最终价值在落地

新的变化

FDE模式和部署公司的兴起，与传统的咨询业务高度相似——都是帮客户搞定不熟悉的领域。咨询行业会因此被取代吗？

嘉宾观点与解释

Oliver认为咨询行业在未来3-5年反而会迎来一波增长，原因是所有企业谈AI时都需要重新思考商业模式。最简单的例子就是律师事务所——以前按小时收费，现在越来越难了，如果要转成按结果收费，整套组织架构都要变。这种转型需要有人带你走这段路。

但Oliver也给出了明确的判断：“真正释放价值的是那些最终留下了一套转型后的业务的人。AI实验室和像我们这样的公司——这种做完就走、但留下一套改造好的业务的模式——才是真正创造价值的方式，而不是只聊怎么转型。”

换句话说，咨询公司的价值在"想清楚做什么”，而FDE/部署公司的价值在"真正做出来”。目前市场上不确定性很高，大家都在观望，所以对咨询的需求是真实的。但最终能证明ROI的，是那些交付了改造好的工作流的人。

十、数据整合：AI落地的第一道也是最大的门槛

新的变化

几乎所有AI落地项目的第一个拦路虎都不是模型不够聪明，而是数据散落在各种系统里、格式不统一、公司自己都不清楚自己有什么数据。

Oliver举了一个PE收购公司的典型场景：可能跑着四套不同的ERP系统，Salesforce在这边，Outlook在那边，Gmail又在另一边。你想搞清楚"客户为什么流失"，结果发现客户成功的数据在A系统，Salesforce数据在B系统，销售电话记录在C系统——光把这些整合起来就是第一步。

嘉宾观点与解释

Oliver总结了AI落地的两个最大坑：

坑一：数据整合

好的数据平台的价值是复利式增长的。AI再聪明，没有足够的信息和知识，什么都做不了。Oliver在麦肯锡工作时就有深刻体会：每次去新客户，都要把七个不同的数据集扔给一个分析师合并找洞察——“我当时就觉得不可思议，为什么还要人来做这件事？“但这就是现实。数据不只包括结构化数据，还有邮件、ERP、Salesforce等散落在各种系统里的非结构化数据。

Oliver所在公司Invisible Technologies为此搭了一个模块化平台，包含四个模块：

• Neura（数据层）：整合结构化和非结构化数据，映射不同对象之间的关系。
• Topic：梳理和自动化工作流。
• Snap：评估AI在工作流中的表现。
• Action：协调工作流中的不同智能体。

坑二：把本该确定性的步骤也交给AI

一个十步的工作流，不是每一步都应该用AI。Oliver强调：有些步骤必须是确定性的（如数学计算和合规要求），有些步骤可以用AI（允许弹性），还有些步骤需要人工审核。“比如账目对账这种财务流程，你不会想让AI来做——你想要的是确定性的结果。” 可以用AI帮你梳理工作流逻辑，但具体执行的很多步骤应该是硬编码的确定性计算。

Jeff补充了Creasa的数据优势：他们从2017年开始就积累了大量人工客服的对话数据（经过合规处理），所以在做AI agent时可以基于历史数据提炼pattern，甚至用客户数据训练小模型再做更多训练。这种数据积累是模型公司（如OpenAI）所不具备的——“模型公司没有这些数据，也不那么了解客户的具体需求，这是他们的劣势。”

十一、市场终局：模型公司、应用公司、咨询公司谁吃蛋糕

新的变化

现在赛道上玩家众多：模型公司（OpenAI、Anthropic、Google）自己在做部署，咨询公司在转型AI咨询，应用层公司在快速扩张FDE团队。这个市场最终会怎么演变？

嘉宾观点与解释

Jeff从独立应用公司的角度给出了他的判断：

Google的FDE跟OpenAI、Anthropic的做法不同——Google的FDE也帮客户做应用落地，但"他们很不高兴用别人家的东西”，比如Google自己的语音产品，即使第三方更好也不想用。这种"不够自由"的局限，恰恰是独立应用公司的优势。

Jeff的公司在一个客户群中可能用二十几个不同的模型，“哪里最好、最经济，我们就挑哪个，不见得挑最贵最好的”。因为他们卖的是outcome（结果），不是token，所以有很强的动力选择"刚好够用、价格合适"的模型，同时要保证合规和持续在线——有些场景甚至要自己部署模型，确保网络瘫掉也能用。

Oliver则从商业模式角度指出：大模型厂商从"卖通用大模型"突然转向"给企业搭定制化工作流”，这是完全不同的市场动作和销售方式。“我相信他们能想清楚，但需要一些时间。”

十二、FDE作为职业：一个创业训练营

嘉宾观点与解释

在播客最后，Jeff对FDE这个职业做了非常个人化的总结。

FDE锻炼人的层面非常多。Jeff说他们自己也是90%多的代码由AI写的，但人仍然扮演着不可替代的角色：

1. 人是AI的"触手"：白天跟客户开会、喝咖啡、吃饭，获取大量AI本身无法获得的context；晚上对着电脑一顿输出，把白天的信息变成AI的context。“你不能指望一个人跟AI喝咖啡聊有的没的。”
2. 人需要判断力：AI可以给你五六个option，每个都有详细的pros/cons表格，“但它不能帮你做决定”。最终还是需要人来挑一个决定，并为这个决定负责（skin in the game）。
3. 人需要说服力：推动客户做出改变，说服别人接受新方案。

Jeff认为FDE是一个绝佳的创业训练营——“这是公司给你一个肯定不是很舒服的工作状态，有很多活要做，很多事情要学，但你通过FDE可以锻炼出很多技能，对你后续创业会很有帮助。“FDE能让你在一年内接触到三四个不同行业的运作方式，这是你自己换工作根本做不到的。

关键数据与核心观点一览

总结：AI落地的真正战争才刚开始

这场对话揭示了一个核心事实：AI行业已经从"谁的模型更强"进入"谁能让模型真正落地"的新阶段。

模型能力的竞赛仍在继续，但真正的商业价值不在模型本身，而在于把模型嵌入到企业的真实工作流中。这就是为什么OpenAI、Anthropic、Google纷纷下场做部署，为什么PE成为新的推手，为什么FDE成为最火的新工种。

这场落地战争的参与者各有所长：模型公司有技术和资本，但缺乏行业know-how和数据；咨询公司有方法论和客户关系，但缺乏工程交付能力；独立应用公司有灵活性和中立性，但面临大厂碾压。最终谁吃蛋糕，取决于谁能真正为企业证明ROI——不是"用了AI”，而是"AI帮我把过去做不到的事情做到了”。

正如Oliver反复强调的：不要只想着用AI降低成本，要想着用AI创造收入、打开新市场。“如果现在免费给你一万个受过大学教育的员工，你会做什么？” ——这个问题的答案，就是AI真正的价值所在。