2026年5月4日，AI领域迎来了一个颇具标志性的节点——OpenAI与Anthropic不约而同地宣布成立十亿美元级企业AI合资公司，并同时强调一个关键岗位：FDE（Forward-Deployed Engineer，前置部署工程师）。两家巨头的动作并非巧合，它释放出一个清晰信号——大模型的能力竞赛正从技术参数的表层，转向企业场景落地的深水区。
FDE并非新鲜事物，Palantir早年便以此角色闻名。但在AI大背景下，这个词被重新激活、重新定义。它指向的是一个本质命题：当AI从“展示能力”走向“交付结果”，从“能用”走向“上岗”，谁来承担那最难走的“最后一公里”？
AI即劳动力，而非软件工具
理解FDE的兴起，首先要厘清一个根本认知转变：AI与传统软件有着本质差异。传统软件是工具，需要人操作；而AI本身就是劳动力。这一判断重构了企业引入AI的底层逻辑——企业不再是在“采购一套系统”，而是在“雇佣一批数字员工”。
从这个视角出发，FDE的角色更像一位HRBP（人力资源业务伙伴）——把数字员工带入企业，帮它熟悉环境、理解流程、接入系统，并确保它真正产出绩效，而非简单地完成软件部署和培训。这种定位将AI落地从“技术交付”升维为“人力融入”，其复杂度和价值量级不可同日而语。
Rolling AI的合伙人阿甘和刘开，正是这条赛道上极具代表性的实践者。自2022年GPT-3.5的DaVinci模型开放接口起，他们便开始为中国企业提供AI落地服务，迄今已服务近百家客户，客单价从数百万到上千万元不等，且全部为年度制深度合作。
从200页PPT到15天上线的智能体
在传统咨询时代，交付物是一份精美的PPT报告，动辄数百页，执行落地则留给客户自己消化。而AI时代的咨询交付，逻辑被彻底改写。
刘开指出一个关键差异：“传统咨询做完，交付的是报告；今天我们交付的是一个智能体。”因为报告中描绘的最优流程、协同方式、信息流转逻辑，都可以直接嵌入智能体中运作。过去企业上线新业务模式往往需要半年甚至一年的IT建设周期，而如今构建一个智能体只需数周。
Rolling AI内部甚至设定了一条硬性标准——所有智能体必须在15天内上线。这个时间窗口的设定耐人寻味：企业雇佣一名新员工，不会让他先去学校培训三个月再上岗，最多给15天的适应期就必须开始产出。AI数字员工也同理。
一个姑娘与50个智能体，服务600万用户
最能体现这种效率跃迁的案例，来自2022年一家乳制品企业的转型。受出生率下滑影响，传统乳品市场萎缩，企业急需开辟高溢价新品类（如蛋白饮、益生菌）的线上直销通道。但挑战在于：此类产品的销售高度依赖专业营养师的在线咨询服务，而全中国注册营养师仅40万人，目标客群却高达8000万，供需缺口达10倍。若纯靠人工，单次服务成本约16元。
GPT-3.5接口的开放带来了转机。Rolling AI团队为企业微调了营养健康模型，将单次服务成本从16元降至一毛钱级别。最终，该平台承载了600万在线用户，而整个运营团队仅由一位姑娘负责，她带领50多个分工明确的智能体——有的做测评，有的写内容，有的做营养咨询——协同完成全部服务。
但这里隐藏着一个极易被忽略的细节：通用AI助手面对“我要减肥”的诉求，会直接给出方案；而一位专业营养师会先说“你又不胖，为什么要减肥？”——先提供情绪价值，再引导用户给出有效输入。这种带着人情味的服务流程，无法靠冰冷的模型调用来实现，必须由一线优秀从业者将其经验、话术和判断逻辑“传授”给AI。这正是FDE的核心工作之一：在数字员工上岗前，帮它找到一位好师傅。
街头智慧与书本智慧的融合：AI副店长实践
在连锁零售场景中，FDE的价值体现得更为淋漓尽致。以每日营业额预估为例，传统做法是由总部统一下发算法模型，但常常失准，因为每家门店的微观环境千差万别——周边竞对动态、天气变化、社区属性等，总部根本无法精细化覆盖。
Rolling AI的方案是：将总部统一预估系统拆掉，为每位店长配备一个AI副店长。这个智能体会主动提示店长：“明天下午有暴雨”“周边竞对正在做活动”，但最终订多少货、排几个人，由店长基于自身经验做判断。结果，营业额预估准确率大幅提升。
这里的关键洞察在于：大模型拥有的是“书本智慧”——系统性的知识储备；而一线店长拥有的是“街头智慧”——对本地实际情况的敏锐直觉。AI落地的本质，不是让前者取代后者，而是让两者深度融合。
一个更生动的例子来自酸奶货架的调整。AI副店长发现某家大包装酸奶在周边社区店都卖得很好，唯独这家店滞销，便向店长提问。店长回答：“因为5米外有家面积是我两倍的大超市，同款产品比我便宜。但高端卡士酸奶他们不卖，我这儿卖得不错。”AI随即建议调整货盘——停掉大超市也在卖的通货，主推供应商独供和高端不宜比价的品类。调整后销量增长40%-50%。如果纯靠AI自行推断，极可能得出“该店客群高端只适合卖贵价品”的错误结论。街头智慧与书本智慧的结合，才是最优解。
这个逻辑也呼应了7-Eleven的经典管理智慧——将订货决策权下放给一线店长，从而释放巨大活力。但过去，一线店长受限于精力和分析能力，很难将决策权用好。如今，24小时在线的AI副店长提供了实时数据支持和分析辅助，决策权彻底下沉终于成为可规模化落地的现实。
FDE的三重能力与“工头”角色
那么，FDE究竟是怎样一群人？刘开给出了一个生动的比喻——“工头”。FDE像是一位带队者，领着一群“清北或斯坦福毕业级别”的数字高材生（大模型），但这些高材生初到企业是无法直接上手的。比如AI面试官，什么提问方式算专业、什么措辞会让人感到不被尊重，都需要FDE在现场反复调试和校准。
一个合格的FDE需具备三重核心能力：
第一，战略咨询能力——能一眼看穿业务痛点的本质。究竟是缺人、缺知识，还是协作机制出了问题？诊断错了方向，堆砌再多技术也无济于事。
第二，人机协作的原生思维——懂得将流程合理拆解，把人类员工放在最具决定性的枢纽位置（审核、评判、规划），让数字员工承担高重复性的智能劳动，而非追求全自动化。
第三，极强的工程动手能力——能用AI原生开发工具，在半天到一天内快速跑通智能体原型和系统编排。
这种复合型能力决定了FDE极难在短期内系统化培养。优秀的商业判断力带有某种“手感”和“品味”属性——在AI给出的海量冗余信息中，下一手该往哪个方向走、哪种解法最性感，这需要天赋和长期浸泡在一线的敏锐度，远非标准化培训所能速成。
SOP的终结：从“保底线”到“给最优解”
更深远的变化在于管理范式的颠覆。刘开抛出一个颇具冲击力的观点：“SOP代表着落后。”传统管理咨询和IT系统帮助企业建立SOP，本质是在保底线——确保最差也不会差到哪里去。但这种标准化同时也抹杀了灵活性，让全盘迁就一个及格线，只能做到60分。
在AI时代，真正的价值在于：为每一家店、每一个区域提供足够的智力工具，使其能结合自身“上下文”做到85分甚至90分。总部从“管控中心”转型为“赋能中心”，不再是制定繁琐规章来监视和约束一线，而是为每个门店配备数字教练和数字智囊，辅助它们冲锋拿业绩。
这套管理范式的变革之所以在今天成为可能，根本原因在于“智力资源”的稀缺性被打破了。过去，既懂一线实操细节又擅长带教他人的优秀店长少之又少；如今，只要算力和智能流转起来，企业就拥有了近乎无穷的智力生产力。
中国企业家在这轮变革中具有独特的先发优势。阿甘指出，跨国企业往往极度追求过程正义，耗费大量精力在合规和审批上；而中国民企一把手高度务实，只要结果正义，路径可以灵活调整。更重要的是，中国大量民企的所有者至今仍在一线亲自操盘，甚至会自己上手搭智能体、研究Claude Code。这种“亲力亲为”的特质，在AI时代成为一种稀缺的竞争力。相比之下，欧美大量成熟企业由职业经理人打理，目标函数天然不同。
AI落地失败率过半：三大死因
尽管前景广阔，但现实远比想象中残酷。刘开坦言，当前AI转型项目的真实成功率连50%都不到。主要失败原因可归结为三点：
第一，CEO对AI技术水位存在不切实际的幻想，认为只要引入大模型，公司经营便能脱胎换骨。这种认知偏差导致项目目标与实际情况严重脱节。
第二，将AI落地项目全权交由IT或研发部门主导，业务部门被边缘化。这类项目失败率高达90%以上。因为真正理解业务痛点和流程细节的永远是业务线负责人，IT团队无法替代。
第三，缺乏对业务团队考核与激励机制的配套调整。大模型进场本质上是生产关系重组的过程，如果底层的人机协作关系和利益分配不随之进化，再强大的模型也只是摆设。
一个典型的失败场景来自大型跨国公司：IT部门极度严苛的系统合规审查，动辄三个月的审批周期，将一切轻量级探索扼杀在萌芽中。合规本身没有错，但在业务重构初期将绝对安全拔高到最高优先级，往往意味着错失窗口期。
从“战术提效”到“10倍重构”
华熙生物董事长的一番话颇具启发：“如果做AI提效仅仅追求50%的提升，这种不痛不痒的事就不要碰。应该寻找3倍、5倍甚至10倍跨越的突破口。”大模型的意义在于提供低成本的智力生产力，真正的机会在于重构整个工作流程，而非挤牙膏式优化。
一个实现数倍跨越的案例来自租房中介平台。长租房平台都有一个不可或缺却极度疲惫的角色——租房管家，每天处理租客海量的投诉和琐事（邻里纠纷、空调漏水、催租等），充斥着负面情绪。最初的思路是为管家开发一个快速回复的辅助工具——典型的战术提效思路。
但退一步审视，两个更本质的痛点浮现出来：第一，在大中城市化见顶背景下，传统租房业务缩水，急需向租客兜售高溢价生活增值服务（保洁、宠物代喂养等）；第二，管家深陷琐碎投诉，根本没精力开拓增值服务。
最终的重构方案是：将负情绪、高重复性的回复全权交由AI智能体处理，人类管家被彻底释放出来，专注于提供有温度的人文关怀和增值服务销售。AI还会在聊天中捕捉销售线索——比如租客提到“我家猫不吃东西”或“下周回老家”，便提醒管家推送宠物喂养或上门保洁服务。结果，续约率和增值服务转化率大幅提升，一位管家可同时维护2000名租客，工作量反而减轻。
该平台负责人感叹：“大模型一上线，好员工的标准被推倒重建了——过去打字快、记得准的是好员工；如今，能在一线输出共情、提供情绪价值、让顾客感到温暖的人，才是真正不可替代的好员工。”
管理的底层逻辑：赋能而非控制
阿甘指出，商业咨询的本质很多时候是在给董事长做高级的“心理咨询”。AI时代的管理底层逻辑是激发和释放善意。智能体提供的效能是过去的数倍，如果发心是约束和控制，能量是10倍；如果发心是赋能和善意，让每个销售多赚到钱，能量同样可以是10倍。Rolling AI选择相信后者。
面对AI进场带来的基层恐慌，必须与员工深度沟通：被淘汰的不是具体的人，而是那些在设计之初就注定落后的岗位。关键在于发现新的岗位机会，并让合适的人匹配上去。
首当其冲面临消亡的岗位，是那些只承担“信息中转”职责的管理中层。过去，一线销售的口头报告布满杂音和情绪，中层管理的核心价值就是将这些非结构化信息清洗、转化为标准化报告呈报总部，并做多层汇总提炼。如今，这套流程大语言模型可以做得极好，层层中转的岗位便失去了存在的基础。
FDE公司的资本逻辑：不该被投，而该被拥有
回到OpenAI和Anthropic为何突然下场做FDE的议题。阿甘认为，首先是公域互联网数据资源的枯竭——通用模型需要行业特有知识和一线业务数据来继续突破，与其花大钱买专家数据，不如将顶尖工程力量空投到真实的商业泥沼中求解。
其次，ToB从来不是靠卖几个API或SaaS账号就能跑通的轻模式。它本质上是极重度的服务业。大模型在政企落地的最大鸿沟，不在于“接不上接口”，而在于改写工作流程、打破利益格局、重构人才梯度。这必须有FDE深入一线。
更深一层，大模型巨头联手PE资本设立FDE合资公司，逻辑在于抢占溢价空间：大模型对传统商业链条的改造将释放出惊人的利润池，巨头们绝不满足于只做底层算力供应商、分得一点Token接口费。他们要通过资本手段控制投后实业链条，吞噬企业市值和利润爆发的资本溢价。未来10-15年，任何PE、VC要获取超额收益，都必须将投后服务武装成AI赋能业务中心。
刘开更进一步指出：优秀的FDE服务商不只值得被VC投资，甚至值得被顶级资本直接独占拥有。零售等传统行业的竞争，最终火拼的是极致供应链与AI原生管理。能输出这套能力的FDE团队，其价值具有排他性——一旦深度服务了某家企业，就不可能再服务其生死竞对。这与传统咨询的非排他性截然不同。
结果即服务：从纸面增长到确定性交付
与传统咨询最根本的区别，在于对业务结果的确定性。过去的战略规划再绚丽，也只能停留在纸面——总部没有精细化触角能潜入全国上万家门店去给店长日夜赋能。今天有了AI智能体，FDE可以拍着胸脯向企业承诺“一定能带来真实的业绩增长”。正因为有这种确定性在，甚至有勇气与企业进行业绩提成对赌。
在上一个工业时代，MBB等咨询巨头之所以掌握话语权，是因为他们解决的问题最靠近企业一把手的最核心痛点——战略抉择和营收大盘。而在AI驱动下，要么传统巨头自我颠覆，越做越大；要么一定会有中国本土成长起来的、高度智能原生的新咨询力量崛起，达到足以抗衡的巨大规模。
Rolling AI对自己的定位是“Service as a Software”——交付给客户的确实是一个个AI智能体软件，但支撑这个软件在泥泞一线持续跑出优秀业绩的，是底层提供的一整套业务重构服务。这既不是传统咨询，也不是SaaS，而是一种全新的物种。
朴谷观点
从战略咨询的视角审视，FDE的兴起绝非简单的“售前/交付”岗位换名，它揭示了AI产业化落地中一个被长期低估的核心矛盾：模型的通用能力与企业个性化业务场景之间，横亘着一道组织行为学意义上的鸿沟。 这道鸿沟无法靠更强的模型参数来弥合，只能靠人——那些兼具战略视野、工程能力与商业敏感度的复合型人才——通过深度嵌入客户一线运营，完成知识转移、流程再造与利益重构。
值得特别关注的是，这一轮变革正从技术赋能演变为管理范式层面的竞争。中国民营企业“一把手亲为”和“结果导向”的特质，使其在AI落地中展现出比跨国企业更快的决策速度与更强的执行韧性。这意味着，在全球AI竞争的下半场，中国企业极有可能率先探索出一套不同于西方标准化管理的新范式——一种以“赋能一线、动态最优”为内核的智能原生管理体系。
而对投资机构而言，FDE服务商的出现提供了全新的资产逻辑：它不再是被投组合中的“成本项”（投后管理），而是被投企业竞争力构建的“核心引擎”。这一角色的战略价值，足以让资本方重新思考投后赋能的边界与深度。那些率先将AI原生服务能力内化为投后标配的PE/VC，将在未来十年的超额收益争夺战中占据制高点。这场变革才刚刚开始，而中国企业正站在最前沿。
Disclaimer: The information provided in this article is for general informational purposes only and does not constitute financial advice.