过去一年，一个原本冷门的岗位名称在 AI 圈频繁出现：FDE，全称 Forward Deployed Engineer，中文常译作“前置部署工程师”或“前沿部署工程师”。海外多家头部 AI 公司在扩充这类岗位，国内服务商也在搭建自己的 FDE 团队。36氪研究院在 2026 年 9 月的行业报告中，就把“FDE 生态”列为企业服务商解决中小客户 AI 落地难题的典型做法。一个工程师岗位为什么突然这么受重视？答案藏在企业 AI 落地的一个朴素事实里：问题只有到了现场，才看得清楚。

一、FDE 是什么，从哪里来

FDE 这种做法最早因数据分析公司 Palantir 而广为人知。和传统的“卖软件、做实施”不同，Palantir 会把工程师直接派驻到客户现场，和客户的业务人员坐在一起，在真实的业务里理解问题、搭建方案、迭代产品。工程师既懂技术，又要在现场把业务吃透，把客户的问题变成可以运行的系统。

简单来说，FDE 是一种“驻场式”的交付方式：

• 传统交付：厂商演示产品，客户提需求，厂商按需求实施，上线后交给客户自己用；
• 前置部署：工程师先走进企业，像新员工一样了解业务，在一线找出最值得解决的问题，再结合产品能力设计方案，并在企业内部推动上线和持续优化。

前者默认客户已经清楚自己要什么，后者则承认：在很多项目里，客户恰恰不清楚自己要什么，或者说不清楚。

二、为什么 AI 时代格外需要 FDE

在传统的信息化项目里，需求相对明确：要一套进销存系统、一套财务软件，功能清单列出来就能开发。AI 项目则不一样，它面对的往往是一个模糊的目标，比如“提高销售效率”“减少重复劳动”“让老板更快看到经营数据”。从模糊的目标到可以落地的方案，中间隔着大量需要在现场才能回答的问题。

企业在推进 AI 落地时遇到的困难，大多不在技术本身：

• 需求说不清。管理者知道效率不高、成本太高，但说不清是哪个环节、哪件事、耗了多少时间。
• 流程不统一。同一件事，不同员工有不同做法；制度写的是一套，实际执行的是另一套。
• 数据散落各处。客户信息在销售的个人微信里，价格在某个人电脑上的表格里，库存要靠打电话问仓库。
• 员工不愿意用。员工担心 AI 是来考核自己、替代自己的，或者觉得新工具比老办法更麻烦。
• 效果算不清楚。事前没有基线，事后就无法评估，下一步该不该继续投入也就无从判断。

德勤的调研显示，目前只有 25% 的企业把 40% 以上的 AI 试点推进到了生产环境。很多试点之所以停在演示阶段，恰恰是因为上面这些问题在一开始没有被看清。36氪研究院的报告也指出，垂直行业智能体的竞争重点已经不再是底层模型，而是行业经验、业务流程理解、企业数据适配和场景经验的积累。这些东西，都只能在现场获得。

大模型让“做出一个能用的 AI 工具”变得越来越容易，但“让 AI 在一家具体的企业里真正用起来”并没有变容易。FDE 的价值，正是填补这两者之间的空白。

三、驻场调研怎么做：访谈、跟岗、看资料三方对照

FDE 的第一项工作，是把业务看清楚。实践中行之有效的方法，是用三种方式相互对照：

• 访谈：听员工怎么说。了解每个岗位的职责、一天的工作安排、最花时间和最头疼的事。
• 跟岗：看员工怎么做。坐到员工身边，观察一次完整的咨询、报价、开单或对账过程，记下每一步花了多久、中间切换了几个软件或工具。
• 看资料：看真实的数据和单据。价格表、订单、对账表、销售数据，用事实来核对说法。

三者对不上的地方，往往就是真正的痛点。员工说“开单很快”，跟岗却发现每张单都要在几个表格之间来回查找、核对；制度规定“当天对账”，资料却显示经常拖到月底。这些差异，是坐在会议室里听汇报永远听不到的。

访谈本身也有讲究。开场要先说明来意：是来帮大家减少重复劳动的，不是来考核的，员工才愿意说真话。提问要问具体的事，不问笼统的感受，比如问“上一次出错是什么时候、怎么回事”，而不是“你觉得有什么痛点”。涉及时间、数量、金额的问题，要尽量拿到具体数字。收集资料之前要先征得同意，涉及客户信息和金额的资料一律脱敏。

四、把业务画成一张完整的链路图

调研得到的信息往往是零散的，需要整理成一张完整的业务链路图。以百货批发企业为例，一笔生意通常要经过这样一条链路：采购选品进货、入库上库位、商品拍图上架、获客、线索承接、咨询报价、到店看货、成交开单、收款、配货发货、售后复购。每个环节由哪个部门负责、关键动作是什么、交给下一个环节的是什么，都要一一标清楚。

在这条链路上，重点盯住三条线：

• 货流：商品怎么从采购、入库、上库位，一路走到拣货、打包、发货和退货；
• 钱流：从报价、多渠道收款、对账，到赊账应收、给供应商付款；
• 信息流：订单怎么从销售传到仓库，库存数据由谁维护，新品信息怎么传到负责拍图和推广的同事手里。

还要特别关注部门之间的交接点。销售把订单交给仓库，销售把收款信息交给财务，采购把新品信息交给美工，每一次交接都要问清楚六件事：交什么、怎么交、什么时候交、怎么确认对方收到、出过什么问题、希望怎么改。很多问题并不出在某个部门内部，而是出在部门与部门之间的“缝隙”里，而这些缝隙，往往也是 AI 和系统最能发挥作用的地方。

五、从痛点到方案：先做一个能快速见效的项目

链路图画清楚之后，下一步是把痛点整理出来，并尽量量化：每天要花几个小时，每月会错几单，每次出错影响多大。只有量化之后，不同的痛点才能放在一起比较。

然后，从几个维度评估每一个机会点：

• 价值：能省下多少时间、减少多少差错、带来多少增收；
• 实施难度：需要改动多少流程、对接多少系统；
• 数据是否就绪：需要的数据有没有、准不准、拿不拿得到；
• 员工接受度：一线员工是否愿意用、用起来是否顺手。

综合评估之后，通常先选出一个价值明确、难度适中、两周左右就能见到效果的“快速见效项目”，再规划一到两个影响更大的核心项目。先让员工用起来、看到效果、建立信心，再逐步扩展，比一开始就铺开一个大而全的系统稳妥得多。

在方案设计上，半标准化产品是一种务实的选择：标准功能开箱即用，解决大部分共性问题；和企业业务紧密相关的部分，再按需定制。这也是 FDE 模式能够服务中小企业的关键：如果每个客户都从零定制，成本会高到中小企业难以承受；把行业里成熟的能力封装成产品，再由 FDE 在现场做适配和补充，才能做到既贴合业务又控制成本。

六、为什么说 FDE 尤其适合中小企业

很多人以为，驻场服务是大企业才用得起的“奢侈品”。其实恰恰相反，中小企业往往更需要它。

大企业有自己的 IT 部门和数字化团队，能把需求整理成文档，能对接系统、管理项目。中小企业通常没有这些条件：老板身兼数职，没有专人负责信息化，员工习惯了微信、表格和纸质单据，很难自己说清楚“AI 应该用在哪里”。在这种情况下，买一套软件回去，大概率是装上以后没人用。

36氪研究院的报告提到，有服务商通过 FDE 生态解决中小客户的落地难题：工程师把行业里成熟的智能体封装上架，中小企业可以低成本直接使用，个性化的需求再按需定制。这种做法的思路很清楚：用标准化的产品控制成本，用驻场的工程师解决“最后一公里”。对中小企业来说，这比自己摸索或者从零定制都更现实。

中小企业还有一个天然优势：流程短、决策快。一旦 FDE 在现场找准了问题，老板当场就能拍板，方案几周内就能看到效果，这是大企业层层审批难以做到的。

七、陪跑：上线只是开始

系统上线，并不意味着 AI 已经落地。真正的考验在上线之后：员工会不会用、愿不愿意用、用了之后效果如何。驻场式服务通常会在上线后继续陪跑一段时间：

• 培训到岗：不是开一次大会讲功能，而是结合每个岗位的日常工作，手把手教会关键用法；
• 收集反馈：记录员工在使用中遇到的问题和建议，快速调整；
• 跟踪指标：对照调研时建立的基线，定期查看耗时、差错、响应速度等指标的变化；
• 持续迭代：根据效果决定下一步，是扩大使用范围、调整方案，还是转向下一个机会点。

FDE 的考核标准，也因此和传统交付不同：不是“功能是否按时上线”，而是“业务指标是否改善、员工是否真的在用”。

八、企业如何判断服务商是不是真的“入企”

FDE 火了以后，很多服务商都会说自己提供“入企服务”。企业在选择时，可以用下面几个问题来判断对方是不是真的走进了业务：

• 对方是先演示产品，还是先了解你的业务？
• 调研时，是只和老板开会，还是会和一线员工交流、观察实际操作？
• 方案里，有没有基于你企业真实情况的流程图和量化的痛点，而不是一套放之四海而皆准的模板？
• 对方能不能说清楚第一个项目要解决什么问题、怎么衡量效果、多久能看到结果？
• 上线之后，有没有明确的陪跑安排和效果复盘？

能经得起这几个问题检验的，才是真正把“入企”当回事的服务商。

结语

FDE 的走红，本质上是 AI 行业的一次“回归”：在模型能力越来越强、工具越来越多的今天，决定 AI 能否落地的，反而是那些最朴素的功夫：走进现场，看清业务，找准问题，陪着企业把事情做成。对企业而言，与其追问“AI 能做什么”，不如先请懂行的人把自己的业务看清楚。问题找准了，AI 才有用武之地。

参考资料

• 36氪研究院《2026年中国AI Agent行业发展研究报告》，2026 年 9 月。
• 德勤《企业 AI 现状》年度报告（据虎嗅《AI落地，别死在从试点到生产的路上》转引，2026 年 5 月）。