吴恩达给正火的FDE泼冷水：押注它，不如押注AI Engineer

近期，一个名为FDE（Forward Deployed Engineer，前端部署工程师）的岗位在AI领域迅速走红。OpenAI专门成立了部署公司，Anthropic也在积极招聘战略客户的FDE，猎头开出的年薪水涨船高，一时间「AI时代最性感的岗位」等说法甚嚣尘上。然而，在风口正热之际，吴恩达却在社交平台上泼了一盆冷水：FDE会有，但它永远火不到哪去，真正的大机会在于AI Engineer。

谁在推动FDE成为「风口」？

FDE的核心工作是被派驻到客户公司现场，帮助企业将通用的AI产品改造成适配自身业务流程的解决方案。他们负责定制Agent工作流、调试prompt、对接系统、搭建评估体系，直至项目落地交付。这套模式并非新创，Palantir早就采用类似打法——将工程师派驻到政府客户现场，在隔离网络中完成系统部署。如今OpenAI和Anthropic等模型厂商重新捡起这套方法论，FDE才再次成为行业焦点。

交易成本视角下的「买」与「建」

一个值得深思的事实是：把FDE捧成风口的，主要正是模型厂商自己。OpenAI推出了专门的部署公司并收购了Tomoro，引入约150名FDE和部署专家；Anthropic的Applied AI团队也在招聘FDE，岗位描述明确写着「嵌入战略客户，推动产品采用」。厂商如此卖力推动FDE模式，背后有三层逻辑：其一，模型API越来越容易被替代，单纯卖token的利润空间有限，客户真正愿意付高价的，是「如何把模型变成业务流程」；其二，AI落地的瓶颈已从「有没有模型」转向「如何嵌入真实组织」，厂商不做FDE，这部分价值就会被埃森哲、麦肯锡等咨询公司赚走；其三，FDE是厂商绑定客户的抓手——谁帮你把AI工作流嵌进去，谁就掌握了你的流程、习惯、数据接口和长期预算。

资产专用性：被低估的锁定风险

吴恩达的反对意见，本质上是从企业视角出发的一场交易成本分析。一项能力该从市场购买还是内部自建？答案取决于外部交易成本是否高于内部建设成本。AI落地初期，引入外部FDE确实划算——企业尚未掌握agent workflow搭建、evals评估、RAG处理等技能，请厂商FDE跑通第一个闭环，比自己从零摸索快得多。但问题在于，AI落地绝非一锤子买卖，它会逐步渗透到客服、销售、运营、研发、数据分析、用户研究、质检、内容生产等各个环节。

企业AI能力的阶段性建设路径

这里涉及交易成本理论中一个关键概念——资产专用性。当外部FDE基于某厂商的模型、API和框架，为企业搭建了客服agent、销售agent、数据分析agent之后，其中沉淀了大量特定的技术实现：特定厂商的API调用、特定框架的代码、特定prompt模板、特定评估体系。短期看确实省事，但长期来看，企业丢失的是选择权。今年最强的是A厂商，明年可能变成B厂商，等到企业想更换供应商时，才发现系统根本无法迁移。更值得关注的是，FDE天然存在利益冲突——他的KPI是把自家产品嵌入得更深，「保持客户技术自由度」不在他的考核范围内。这就是交易成本理论所说的「机会主义」：他未必想坑你，但你俩追求的目标根本不同——你要的是长期灵活、低锁定，他要的是产品用量、平台绑定和续约。

如有侵权，请联系删除。