OKFDE｜大模型都这么强了，为什么公司里的 AI 还像个实习生？【Insights #001】

OKFDE · Forward Deployed Engineering · Insights #001

凌晨 1:17。

一家公司的会议室里，还坐着六个人。

CEO 刚刚结束了一个关于 AI Transformation 的演讲，PPT 做得非常漂亮。最后一页写着：“AI First.”

业务负责人：“我们这个流程其实没那么标准。”          
IT：“这个系统没有 API。”          
法务：“这些数据不能这么传。”          
一线员工：“你们画的流程图跟我们实际操作不太一样。”          
AI 团队：“但我们的模型准确率已经 94.7% 了。”

空气突然安静了几秒。

如果你参与过企业 AI 项目，大概率见过这个场面。每个人说的都对。也正因为每个人都对，事情才特别难办。

模型能力以近乎疯狂的速度进步。写代码、分析文件、调用工具、操作浏览器、处理图像、完成复杂推理……Demo 越来越惊艳。

可一旦把 AI 从 Demo 搬进真实公司，画风往往迅速改变。

它需要登录权限，需要读 ERP，需要知道这个 Excel 为什么有 17 个 Sheet；还需要理解“王姐每周五下午手工改一下”，其实也是业务流程的一部分。

真正复杂的东西，可能一直都不是模型。          
复杂的是公司本身。

01 / CONTEXT

AI 已经会思考了，然后它遇到了企业微信、SAP 和王姐的 Excel。

过去十几年，科技行业习惯了一种非常舒服的产品逻辑：Build once, sell many times.

工程师把产品做好，销售把它卖出去，客户成功负责培训，用户按照产品定义好的方式使用。这是 SaaS 黄金时代非常漂亮的一套机器。

AI 开始进入企业核心工作流之后，这台机器有点卡住了。

假设我们要做一个制造企业的采购 Agent。PPT 上可以只画五个框：

真正去现场待两天，你可能会发现：采购需求来自三个系统；一部分来自邮件；老供应商有历史协议价；新供应商需要额外审核；超过某个金额需要 VP 批准；ERP 里的供应商名称和合同里的名称偶尔还对不上。

“这个情况比较特殊。”          
工程师：“有多特殊？”          
业务：“大概占 30%。”

欢迎来到 Enterprise Software。

真实工作流里同时存在 Workflow、People、Data、Systems、Permissions、Rules、Exceptions、Organizational Context。模型只生活在其中一层，企业期待的却是让整套东西跑起来。

02 / DEPLOYED

一个十几年前就出现的奇怪职位，突然火了

这个时候，一个过去主要在 Palantir 语境里被人熟悉的词，开始频繁出现：

FDE

Forward Deployed Engineer

第一次听起来，很像某种会背着电脑从直升机上跳下来的工程师。实际上没那么刺激。大部分时候还是要开会。很多会。

但这个职位背后的组织逻辑很值得研究。工程能力开始向问题真正发生的地方移动。

传统模式里的每一个箭头，都意味着一次信息传递，也可能丢掉一点 Context。

客户说“减少订单审核时间”，几次 handoff 之后，Engineering 最后收到的可能只剩一个 Jira Ticket：Add endpoint for order approval.

大家都完成了自己的 KPI。六个月以后客户问：“所以我的订单审核时间到底减少了吗？”会议室再次安静。

组织按照职能切分，问题却从来不会按照职能出现。

03 / DISCOVERY

FDE 到底在干什么？

FDE 是那个有能力把“客户到底想解决什么”，一路追到“系统真的跑起来了吗”的工程角色。

所以一个成熟的 FDE 项目，很少从写代码开始。它通常从一件程序员不一定特别喜欢的事情开始：问问题。

谁在做？为什么这么做？多久做一次？输入是什么？输出是什么？哪个系统提供数据？谁有权限？最容易出错在哪里？失败以后谁处理？这个流程如果快 50%，到底值多少钱？

这也是为什么我们越来越重视一个词：Discovery。

很多 AI 项目的 Discovery 目前还是：开会、记笔记、整理会议纪要、发群里、没人看，三周后工程师再问一遍。

在 OKFDE Discovery 里，我们尝试做的就是：边聊，边建模。原始 Evidence 保留，结构化对象由 AI 辅助提出，再由 FDE 确认；访谈结束后直接进入 Workflow、Opportunity 和 Pilot。

很多企业 AI 项目真正失败的地方，可能发生在第一行代码写下之前。

04 / PRODUCTION

Build 已经不是最难的一步了

AI 编程时代有一个很反直觉的变化：Demo 的成本正在快速下降，Production 的成本没有同比例下降。

Demo：上传一个 PDF。          
Production：连接 SharePoint、Google Drive、数据库、CRM 和内部知识库，同时处理权限继承。          
Demo：让 Agent 自动执行任务。          
Production：它用谁的身份？日志在哪？能 rollback 吗？工具超时怎么办？谁负责？

在企业软件世界里，“谁负责”通常比“模型多少参数”更接近核心架构问题。

05 / SIGNAL

2026 年，FDE 已经从一个小众职位变成了行业信号

如果 FDE 只是某一家公司的组织文化，这件事没那么值得专门研究。真正有意思的是，越来越多 AI 公司开始建立类似的角色和团队。

Palantir长期使用Forward Deployed Engineering；OpenAI 已建立 FDE 团队，并在 2026 年进一步推出 Deployment Company；Scale AI 和 Anthropic 的招聘体系中，也出现了 Forward Deployed Engineer 相关岗位。

Frontier Model 越来越强之后，“把智能送进真实世界”的工程能力，正在成为新的竞争层。

06 / PRODUCTIZE

这里有一个坑，而且很大

FDE 很容易滑向一种危险状态：客户要什么就写什么；系统接不上就写 Connector；流程特殊就写 Special Logic。

项目成功，客户开心，销售开心，工程师累得想去冰岛放羊。

一年以后，公司拥有 47 个客户、83 个代码仓库、216 个特殊配置，以及一个没有人敢碰的：

utils_final_v2_really_final.py

Services Trap

所以 Deploy 后面还有一个极重要的动作：Productize。

一个项目结束后，真正值得问的是：我们留下了什么？

第二个项目比第一个快，第十个项目开始调用前九个项目留下的能力，第一百个客户甚至不再需要 FDE 完整介入。

一个普通交付团队的经验，往往留在项目里。          
一个优秀 FDE 组织的经验，会逐渐长进产品里。

07 / OPERATING MODEL

所以，FDE 可能根本不只是一个职位

如果 AI 产品必须深入真实 Workflow 才能创造价值，那么更大的问题是：一家 AI 公司应该怎么组织自己？

真正重要的是最后那个回去的箭头。现场发现的 Workflow、Eval、Schema、Connector 和 Integration Pattern，能够重新进入 Platform 和 Product。

08 / CONTEXT

AI 时代真正稀缺的，可能是 Context

Coding 会越来越便宜，推理会越来越便宜，Token 会越来越便宜。

但有一种东西不会自动出现在模型里：你的公司到底是怎么运转的。

为什么财务部门每个月 25 号会出现那个 Excel；为什么某个审批必须经过那个人；为什么 SOP 说三个步骤，实际有七个；为什么客户嘴上说最需要 A，真正每天花四小时的却是 B。

“这个你得问老张，他比较清楚。”

这些东西有一个共同的名字：Context.

模型越来越通用。          
企业 Context 依然高度具体。

09 / WHY OKFDE

这也是我们为什么做 OKFDE

说实话，我们一开始也没有打算把这件事搞这么大。

最开始只是研究一个问题：FDE 到底是什么？

然后问题开始失控。

FDE 怎么做 Discovery？怎么判断 Use Case 值不值得做？怎么从访谈进入 Pilot？怎么衡量 Outcome？FDE 和 Solutions Engineer、AI Engineer 有什么区别？项目结束之后怎么 Productize？怎么避免 FDE 团队最后变成昂贵的外包公司？

再往下挖，我们发现它正在形成一套完整的人才体系、工程方法、交付方法、组织模型和产品化机制。

所以我们决定把这些研究公开出来。

Train — 研究 FDE 人才、能力模型、训练方法和职业路径。

Build — 研究真实企业问题如何变成可以工作的 AI 系统。

Deploy — 研究 AI 如何进入生产环境、产生结果，并把现场经验重新送回产品。

10 / FIELD NOTES

接下来，我们准备去一些“不太干净”的地方

这里说的不干净，当然不是卫生条件。是 Enterprise Software 意义上的不干净。

数据会脏，API 会挂，权限会乱，流程会变，组织会争论，用户会绕过你精心设计的流程。Prompt 会失效，Agent 会犯错，业务负责人星期一说这是 P0，星期三可能就变成 P2。

但恰恰是在这些地方，真正的 AI 工程才开始。

过去几年，我们一直在问：模型还能变得多聪明？

接下来的几年，也许应该多问一句：这些 Intelligence 到底怎么进入真实世界？

进入一家银行、一家工厂、一家物流公司、一间办公室、一条生产线、一个用了十五年的内部系统。

最后，进入某个人每天早上 9:07 打开的那个 Excel。

那里没有 Benchmark，没有漂亮的 Demo，通常也没有掌声。

只有一句非常朴素的话：          
“这个东西，明天能不能真的用？”

能够回答这个问题的人，可能就是下一代 AI 工程体系真正需要的人。

模型会越来越强。          
代码会越来越便宜。          
Demo 会越来越容易。          
但 Context 依然昂贵。

真正的工程，往往从模型离开实验室之后才开始。

关于 OKFDE
我们关注 FDE，也关注 AI 真正落地之后发生的事。

如果你也关注AI，关注产业，欢迎扫码我们建联。（微信：okai-leo）