文章核心观点 - FDE（前线部署工程师）作为AI与企业之间的桥梁，正从硅谷传入中国，成为大厂缓解商业化焦虑、企业追求AI提效的新工种，但其工作面临客户不切实际的期望、员工抵触、数据基础薄弱、成本收益算不清等多重困境 [8][11][12] - 企业老板对AI存在普遍焦虑与不切实际的“许愿”，希望用Agent替代员工甚至监控员工，但往往不清楚自己真正需要什么、AI能实现什么 [6][9][10] - AI落地真正的难题不在于技术本身，而在于人性博弈、数据治理“还债”以及价值衡量体系的缺失，FDE常被称为AI落地的“最后一公里”，但这一公里走出去了多少仍是未知 [17][24][39] 老板的“许愿池” - 企业老板关于“裁员”的愿望普遍存在，来自金融、制造、互联网等不同行业，公司规模从几百人到上万人不等，有老板直接要求“把整个信息化部门都裁掉，每天就跟Agent沟通” [6] - 部分老板希望AI能监控员工一举一动，记录每人每天做了什么、产出了什么、项目进展到哪一步，再根据完整日志计算每个人的投入产出比，目的是先收集人效数据再“尽量精准地裁员”，以免“裁员裁到大动脉” [6][7] - 埃森哲曾调研七个行业的163家中国企业，结果显示仅9%的企业从AI应用中实现了生产效率、收入和利润的提升 [8] - FDE最早由硅谷公司Palantir提出，后被OpenAI和Anthropic发扬光大，并在2026年从硅谷来到中国，工作模式是在客户公司驻场，深入了解业务需求，针对性落地大模型、Agent等AI能力 [8] - 企业老板抛来的诉求常如“许愿”般不切实际，有老板要求把身体、生命健康数据交给AI，让硅基生物复刻并造福碳基生物；有电商客户甩来“AI CMO”产品宣传片，要求实现从文案、运营到投放的全流程营销工作 [9] - 企业老板不清楚自己真正需要什么，也不清楚AI能实现什么，对客户来说FDE就是个“许愿池” [9] - 这些“愿望”背后藏着企业老板深深的焦虑：公司诸多生产环节存在低效问题，更害怕因错过AI这趟车而被时代甩下 [10] - AI公司同样有焦虑，2026年3月腾讯上线WorkBuddy，字节推出豆包工作，阿里推出千问办公，三家大厂把战火都烧向AI办公入口，但办公Agent功能差异不大，技术上也缺乏壁垒 [10] - 大厂开始密集成立FDE团队，期望用这一服务模式把自家AI送进企业，FDE成为大厂缓解商业化焦虑的一张新牌 [11] - 阿里云销售经理面对WorkBuddy的市场先发优势，先给企业免费使用额度，再派更多人做FDE，公司里不少技术、售前等员工都转岗去做FDE，百炼这类战略地位强的产品还有专门的FDE团队 [11] - WorkBuddy最近也建立了自己的FDE团队，腾讯一位售前经理本身不愿意让团队做FDE的工作，但因担心客户被竞对撬走，也选择了这样的方式“熬住”客户 [11] - 大厂想用FDE争抢市场，中小企业想让FDE把AI转化成真实效率，焦灼的两边正在同时对FDE下注 [12] - FDE面临的难题并非AI时代独有，不过是20年前SaaS时代的一次重演，当技术能接手的工作更多，技术与落地之间的鸿沟也会更大 [13] 裁员阴影下的拉锯 - 面对想效仿马斯克裁掉整个信息化部门的客户，胡芯兰沿着对方逻辑推演：需要每天看上万份AI执行日志，是否能腾出精力；员工一旦使用其他工具就拿不到上下文；每天Token费用可能要花到一万美金，客户瞬间冷静 [15] - 林凌是一家头部大厂的FDE，这半年客户对AI项目的工期要求逐渐缩短，原先以年为单位的项目交付期不复存在，四个月的交付期客户常开口压到三个月，随着项目deadline临近，客户希望实现的新想法也会越多 [15] - 大厂在客户面前更有拿捏之术，客户通常已经绑定了自家的云服务，迁移成本较大，不会轻易取消合作 [16] - 潘科霖是一家汽车零件厂的厂二代，尝试用AI改造工厂，每做一款AI工具都会先把方案发进微信群，再叫来十几个部门负责人开会征求意见，但会议通常走向两个极端，“要么没有问题，要么全是问题” [16] - 员工在会上纷纷点头“没问题，都听领导的”，但真正落地执行时问题便从各处冒出：有人解释这会如何增加工作量和难度，有人说资源不够、部门配合难，甚至搬出家中难处，总之“实在难以推进” [16] - 老板和员工的视角差异明显：老板关心公司的效率和营收，员工关心是否会增加工作、是否要承担更多责任，更直接的是是否会因AI而遭遇裁员 [16] - 胡芯兰在请求客户技术人员配合时常常碰壁，第一次去研发部门询问AI提效需求，研发各自盯着电脑屏幕，只有键盘声回应，两分钟过去最边上的员工回了一句“最近工作很多，没时间迁移工具” [17] - 研发在需求对接会上犀利提问“你们这个产品有Claude Code好用吗，换了以后工作进度如何保证”，胡芯兰意识到“忙”更像是一个借口，更主要的原因是研发的“工具洁癖” [17] - 有IT员工直接摆烂，胡芯兰提出提供免费的Agent席位，对方语气平静回复“不用，豆包挺好的” [18] - 朱莉曾服务一家小型银行，老板希望AI能优化贷款审批流程，朱莉需要先向一线业务员了解业务流程，但业务员似乎不愿配合，问得越急切、越具体，回应就越迟疑、越模糊，直到一句反问“你们做这个，到底是为了什么” [19] - 朱莉意识到她想要了解的是业务员在工作中最重要的知识壁垒，当试图让AI来优化这项工作，业务员瞬间产生了被裁员的恐惧，后来会议开始被各类理由推脱，第一版Agent试跑出了错，发给业务员想请指正也始终没有收到回复 [19] - 老板想拥抱AI但不了解业务，一线员工了解业务但不想拥抱AI，中层大多表现出支持但前提是效果明显且自己不用担风险 [20] - 最大的矛盾在于：想用AI替代人的老板，恰恰需要那些可被替代的员工先教会AI“如何工作” [20] 还“债” - FDE创业者Edison给客户接入Agent后的第一天就收到近300条报错信息，客户是一家服装制造公司，老板过去每天查看生产信息需要花费至少两小时，工厂所有生产信息统计在一张巨大的Excel表上，由数十位产线负责人共同更新维护 [22] - 工厂虽有ERP系统但只记录最基本的静态数据：产品类型、客户、金额、交付时间，实际生产中涉及的数据如生产信息都不在这个系统里，这些数据细碎多变且散落在不同部门的本地Excel表、聊天记录和人脑中 [22] - Edison原本打算在Excel表格上接入Agent帮老板识别生产风险，但由于负责人们总是无法及时维护好表格，导致Agent不断拉响警报：员工忙碌时没第一时间更新AI判为订单将延期，字少了一个空格AI判为生产异常，人类能理解的变通到了AI这里全部被视为问题 [22] - 让AI进入企业的核心生产/工作流程，关键之一是拥有可随时调用的数据，但对不少企业来说这是埋藏已久的旧债 [22] - 潘科霖发现工厂到处是数据漏洞，十个车间就有十套日报表，大家写法各不相同，记录方式不统一导致跨车间信息汇总低效，后续排产等一系列环节也随之变慢，当AI介入别说提效甚至难以准确读懂这些信息 [23] - 企业原本设想的AI提效被卡住，变成了“还债”——退回到“数据清洗和治理”环节，潘科霖把十个版本摊在一起逐项比较，一边问车间负责人一边和AI讨论，花两周时间重新整理出车间日报的记录规范，而把过去散乱的数据全部梳理清楚还不知道要多长时间 [24] - 大量企业在考虑接入AI之前压根没觉得“不规范的数据”是个问题，阿里云一位FDE表示在快速发展阶段大部分公司管理者的注意力都围着业务增长转，过去部门漏报信息、系统少开发一个功能并不妨碍公司赚钱，久而久之就搁置了 [24] - 如今企业寄希望于AI能带来新的效率和增长，过去这些不影响营收的“小毛病”都成了要先跨过去的槛 [25] “这不是豆包” - 第一个月月末对账，胡芯兰的客户被Token账单吓了一跳，一家一两百人的公司月Token消耗达到几十万元 [27] - 查完后台数据找到原因：员工虽然用上了Agent，习惯却还停留在“跟豆包聊天”的阶段，每一步任务都重新开一个对话框，然后上传大文件、复述公司背景和业务规则等，相同信息被模型反复读取，Token在一次次重复的上下文中被迅速消耗 [27] - 正确的做法是把日常需要被反复执行的工作写成Skills，把长期不变的资料放进知识库，Agent每次工作只读取与当前任务有关的信息即可 [28] - 胡芯兰一再跟客户公司员工强调“这不是豆包”但收效甚微，后来意识到杂乱无章的对话背后是因为大家没有系统地梳理过自己的工作流 [28] - 每周二到周五胡芯兰都会待在客户公司，办公的大会议室像一个临时的“AI门诊”，不同部门员工一拨拨涌入带着工作问题询问可以用什么样的Skills解决，一天接待二十人以上是常态 [28] - 来找胡芯兰的大部分人都说不清楚到底希望AI在工作的哪一环节帮助自己 [29] - 一位数据分析员工希望做一个“数据分析Skill”，这个词囊括了取数、清洗、统计、分析和写报告的整个工作流，胡芯兰只能让他把一天的工作“倒放”：数据从哪里拿，拿到后先做什么，什么数字需要判断，最后怎样交付 [30] - 几轮追问后才发现员工只是想摆脱数据分析完后还要按一套固定格式输出报告这件事，胡芯兰告诉他这叫把数据填进报告的Skill [31] - 工作中的前提、步骤、检验标准等已经在员工的日日重复中形成一种行为惯性，在做每一步之前他们不会清晰地意识到自己在做哪一步，但Agent不接受“含糊”，无法在含糊不清的描述里完成工作 [31] - 朱莉改变创业思路，认为现阶段企业的第一项需求不是直接做Agent，而是先找出“哪些工作值得被AI提效”，她跟团队开发了一个比较原始的试验产品：软件运行在员工电脑上，每隔几秒截取一次屏幕，分析员工最耗时的任务和重复的流程，帮助老板发现没被说清楚的AI提效机会 [32] - 阿里瓴羊曾为某头部电动车品牌做一个AI客服项目，对方希望AI先听懂用户的问题，能回答的直接回答，处理不了再转给人工，但团队发现客服每天面对大量随机状况，该不该转人工、转给谁、后续又怎样处理，这些判断都藏在客服的经验里，没有可以让Agent立刻可以学习的现成资料 [33] - 阿里瓴羊派了近60名工作人员去现场，戴上客服耳机挨着一线员工坐了近两个月，观察他们如何处理不同的用户诉求，产品demo两三天就能做出来，但为了让它真的好用，团队却花了几个月做了将近100场调研 [33] 算不清的账 - 某大厂FDE姜瀚接到为App开发AI助手的需求，看似简单但实际上每项功能都要连接一套内部系统，每套系统又对应不同的接口权限和安全要求，导致他和团队最后做了二十多个业务Agent，每个Agent背后是数不清的访谈、协调和等待 [35] - 过去一名B端售前可以同时服务5-8个客户，但FDE式的交付需要长期进入企业，理解流程、协调部门、连接系统，每个人同时能服务1-2个客户已属不易，AI倒是离客户的业务更近了但人效大大降低 [35] - 做这些也是迫于大厂AI的商业化竞争压力——AI对企业真正“有用”才能带动MaaS甚至更多云服务的收入 [35] - 姜瀚眼中FDE像是一个赌注，在项目开始前会先算算客户身后有多少云、GPU和其他产品订单可以被撬动，遇到值得“下注”的客户才会派人免费或低价做FDE交付 [36] - 姜瀚对接一家连锁企业，在跟客户朝夕相处的过程中决定后续将云服务也迁移至姜瀚所在的大厂并继续购买其他B端产品，这意味着一笔千万级的订单将被撬动，前期的FDE服务立刻回本 [36] - 另一个例子是姜瀚曾花费很大精力帮客户部署Agent，结果客户公司的员工却只在简单办公上浅浅使用，半年下来只有50万左右的Token消耗，这笔收入甚至无法覆盖姜瀚团队的人力成本 [36] - 创业者Edison经常怀疑自己的工作是否值得，由于客户公司数字化程度很低，Edison让客户首先转入飞书工作，把原本散落在员工微信、Excel里的数据先沉淀到飞书里，后来又陆续帮客户建了多维表格、用秒搭做了前端页面等等，而这一切动作带来的收入最后都流向了字节 [37] - 这个过程让Edison感觉自己像飞书免费的外包 [37] - FDE们逐渐意识到理想中的“AI提效”实际上是一场漫长的“AI布道”，需要不断向客户普及AI知识、安利新的工作模式才能逐渐推动转变，这都是工作中的“隐性成本” [38] - 有人改变了最初带着PPT给员工推荐AI的策略变成“靠吸引”，比如不经意向客户员工提到自己的工作已经“90%AI化”，等对方好奇再介绍Agent [38] - 潘科霖换了种办法鼓励员工适应AI，他告诉员工Agent能辅导孩子学习、教孩子写作业，参与者明显多了 [38] - AI实施落地的价值究竟应该如何被衡量现在还是一笔算不清楚的账 [39] - 一位大厂FDE的客户很高兴地表示购买自己公司的AI编程工具后开发团队从140人减少到100人了，客户花钱买AI要么想看到更多产出要么想看到成本下降——如果不能用同样的人创造更多收入那就用更少的钱来完成同样的工作 [39] - FDE常被称为AI落地的“最后一公里”，但这一公里走出去了多少以及走完后能给企业带来多少实际的收益都是未知 [39] - 目前看来“裁员数量”似乎仍是一家公司衡量AI是否有效的直观标尺 [40]