硅谷火爆新工种

Yiwen: 大家好，欢迎回到《硅谷101》，我是Yiwen。5月初，OpenAI宣布成立部署公司（Deployment Company），背后的投资人包括私募基金，也有我们熟悉的咨询公司。同一时间，Anthropic也宣布了和包括Blackstone在内的金融机构合作成立合资企业。这两家实验室的新动作，都是在提供同一种服务：把他们的模型带到企业里，在真实的工作场景中落地。来执行这件事的人叫做FDE，也是硅谷这段时间来最火的新工种。FDE全称Forward Deployment Engineer，可以直接翻译成“前线部署工程师”。为了组建FDE团队，OpenAI收购了一家叫做Tomoro的公司，打包带走了150个FDE。许多面向企业市场的初创公司，最近也在扩建FDE团队。部署公司的成立和FDE的爆火，本质上都是在证明在智能体（Agent）时代，企业需要的不仅是AI工具，而是一套AI原生（AI-native）的工作流。

这具体意味着什么？在这期播客里，我们和两位从业者聊了聊：一位是Cresta的FDE负责人Jove，另一位是前麦肯锡咨询师、现任Invisible Technologies企业业务VP的Oliver。其中Oliver的访谈原本是用英语录制的，在这期节目里，我们用配音的方式呈现。我们不止聊了FDE在做什么，也聊了FDE模式和Palantir的渊源，以及在这波AI浪潮里，私募和咨询行业正在发生的变化。

Jove，介绍一下自己。

Jove: 大家好，我是Jove。我在FDE这个很神奇的工种，可能算是在硅谷这边，FDE相对来说做得声势比较大。我有一个将近百人的团队在招，是做Agent，所以很高兴能够参加这个节目，分享一下FDE相关的一些看法，跟大家解答一些问题。

Yiwen: 我们之所以要聊这个话题，是因为5月份的时候，OpenAI成立了一家叫做Deployment Company部署公司的这样一家公司。它同时收购了一家叫做Tomoro的公司，拿到了150个FDE，就是我们说的“前线部署工程师”——Forward Deployment Engineer，或者“前端部署工程师”，现在还没有特别好的中文翻译。我甚至听到一种说法，这一周是说“AI落地官”。“AI落地官”听起来可能更fancy一些。无论如何，这确实是一个值得被不停定义的工种。

在相同的时间，Anthropic也宣布了类似的消息。包括你之前也有写到，Google其实也有类似的动作。你怎么看待这些动作？能不能说一下，你看到这些新闻的时候，你的立刻反应是什么样的？

Jove: 对，我觉得这也是部分原因是FDE一下子就让大家上头了。因为作为一个工作类型，它可能已经存在十几年的时间，从Palantir开始。但随着OpenAI跟Anthropic纷纷动手去买公司和资本去做一些合作，包括我们公司是在去年1月份——差不多整整14、15个月的时间之前开始做FDE的这样一个部署。或者是说，当时没有很明确的一定要招FDE，但是说模模糊糊觉得需要把一些工程师拿出来跟客户走得更近，通过这些非常贴身的一些服务能够了解他们想要什么，然后把我们的产品用到位。

但是过去这一两个星期，甚至一两个月，有大量的关于FDE的一些讨论，在中文、英文那些媒体的平台，包括像OpenAI、Anthropic。我的一个感受就是说，这次事情确实我知道会来，但我没有想到会来得这么快，来得这么的迅猛。

但我觉得这也印证了几个事情：一是大家还是要承认，模型公司它会意识到模型本身并不是一个产品，产品要落地还需要做大量的工作。这个是传统的模型公司很容易疏忽，甚至是不屑去做的。但是你没有这样一个非常紧密的合作，对于有钱想买这个模型的人，他也觉得买了也不知道怎么用。我们发现FDE是一个非常好的形式。

还有一个就是说，模型公司跟应用公司之间的边界就变得很模糊。OpenAI跟Anthropic的做法更多是，我依然招最好的人去训练我的模型，包括像Anthropic，大家可能知道他的模型就特别好，但也特别贵，可以卖得很贵，人效来讲可能会很高，但至于说我要去向三百六十行每行去落地，那个需要大量的人，那这块我不见得想要自己招，所以这也是为什么有些是收购，有些是通过资本来让别的公司来做FDE。所以这个模型公司跟应用之间的亦友亦敌的关系，就变得更加地纠缠不清了。

FDE的核心定义

Yiwen: 这个很有意思。我们先来给听众解释一下FDE的概念。如果要让你用一句话定义FDE，你会怎么说？

Jove: FDE是在跟客户紧密合作，能够让AI应用真正跑起来的工程师，且它承担了让产品变得更好的这样一个职责。所以FDE一是要把AI落地，二是要把这些经验教训（Lesson Learned）能够以直接的方式去改变产品，让产品变得更好。就有点甚至像是一个前线部署的CTO（Forward Deployed CTO）一样，你是一个非常全面的人：你要把单子搞定，你要把AI应用落地，把客户锁住；但是你作为一个CTO，你不仅整天要想着怎么让产品变得更好，甚至是要自我革命了。所以FDE就做这样一个事情，就是把AI落地，且用这些经验教训把产品变得越来越强。

Yiwen: 能不能给我们一个具体的例子？在你接触到的客户里面，FDE是怎么样去改变他们现有的工作流的？其实你们服务的这些财富100强的公司，他们很多都是不同领域的公司，对AI智能呼叫中心这件事情有不同的需求，肯定涉及到很多他们专业领域的一些无论是术语也好，知识甚至数据也好。这些客户是怎么样跟你们传递他们的需求的？你们又是怎么样去理解这些需求，并且去做部署的？

Jove: 针对客户体验这个领域，因为Cresta的先天优势是在于我们相对来说是积累比较长，我们 2017 年就开始做了。所以在AI这个浪潮之前，有大量的人与人之间的这些对话就已经在Cresta这个系统里面，当然我们花大量工夫去做合规什么。所以比方说我们可以说的，像Marriott（万豪）这些大的公司，在Agent这个时代之前，人工Agent大量的这些文本语音的语料，就是以合规的方式在Cresta这边存储。

所以你可以想象，一旦AI Agent我们决定去挑几个用例去做的时候，我们肯定会去分析哪些用例是量比较大，但是又没有做起来那么复杂的——就是没有很多人工判断的，它相当于说SOP比较清晰，且量比较大。这有点像是你可能80%的业务量是来自20%的一些应用场景。

有了大概的一些判断之后，我们可以借助过去的一些历史，能够去抽象出来说有哪些典型的问题客户在问。作为一个客服，不管是人工的还是AI的，你应该怎么去有效地跟他解决这个问题。所以这些就避免了很多猜的成分，因为我觉得AI跟数据需要做很好的结合，我们是一个蛮好的例子。

在我们做一个相对比较大的单子的时候，往往他已经用了很长一段时间Cresta别的产品了，我们可以基于他人工对话的一些数据能够去提炼出它的一些规律，我们甚至可以用它的数据来训练一个小的模型，用那个模型来去做更多的模拟。所以FDE就要去作为一个相对有经验的AI落地官，去判断哪些用例我们可以先做，用例对应的这些资源资源是不是到位了，不到位的话并不倾向于我们帮他改一批，更多是跟客户共创，包括后续做出一个版本的Agent，也要做大量的测试和优化。这边其实也是花了很多的精力。

所以FDE还是以技术人的方式，就像一个迷你的CTO，去跟客户培养好关系，了解他具体想要什么，做出一个AI Agent。而且做出来只是第一步，你后续有大量的一些优化监控，这些都是很花精力，也很花大家的技能点跟经验的。

数据与前线部署

Yiwen: 我想再回到你刚才说的数据问题。你讲到你们从2017年开始就有很多历史数据，这个对你们来说是一个优势。甚至说和一些客户相比，因为你们有的数据比有的客户还要多，你们可以做的事情也会更多。这个是不是你刚才提到的应用层的公司和模型层公司的区别？像OpenAI、Anthropic这样做模型的公司，他们想要把他们的模型用在用户的具体使用场景里面，但是他们没有这些数据，他们可能也不是那么了解客户的具体需求是什么，所以这个是不是他们的一个劣势？

Jove: 对，大家其实挺矛盾的。模型公司有很强的意愿，觉得我一方面要把模型变得很聪明，但是我也一定要能够了解企业到底每天在做些什么事情，它的系统怎么流转的，这些最终在一起工作，模型扮演一个指挥家的作用，但模型不用什么都做。所以应用这块，我觉得是会越来越重，但是大家不能期望模型本身就无所不能。因为毕竟每个公司要做的业务，它的很多数据不可能共享，它的API千奇百怪，甚至是在内网，就有太多的事情是模型本身不能控制的。所以为了让AI能够更深刻地改变世界，需要利用FDE这样一些人，能够把应用落地得更加扎实一些。

Yiwen: 你会需要去现场看客户是怎么样进行这些工作的吗？

Jove: 会。前线部署这个词可能比较抓人眼球。包括我自己，包括我的同事，没有一次是超过一个星期在一个客户那边的。因为我们FDE不需要做一些初次联系，或者是一些偏售前的事情，更多是说大家已经有很强的意向了，更多是拉我们作为一个专家，看怎么去落地更合适一些。

所以我们可能会有一个启动会，大家飞到他的办公室，我们可能闭门地开个两三天的会，把一些高层级的目标定下来，KPI定下来，把它对应的API验证一下，甚至如果顺利，我们可以在那边做一个小型的PoC（概念验证），让他们产生兴趣。但是之后我们可能就各回各家，我们可能会每周或者甚至是每天会有一些会，开发都是要么在办公室或在家里面。

我们可能会在项目所谓的UAT（用户验收测试）的时候可能会再聚一下，或者是我们谈到要考虑下一波的用例怎么做的时候。而且面对面就像我们现在聊天一样，大家会有些眼神交流，大家可以甚至培养一些私交。你早期培养这些私交，有些信任对后续工作是很有用的。很多大家不见得很方便书面化的东西，通过一些聊天和一些沟通，能够培养更多的默契，跟了解更多的背景。这些是往往你不在现场很难达到的。但这些目的加在一块，都是为了能够把AI落地变得更加的扎实，而不是逼客户去学，而是说我们了解你要什么，然后帮你做出来。做完之后你想自己维护也可以，但是AI落地这个事情就属于又难时间又漫长，但是FDE会让它变得稍微简单一些。

Yiwen: 所以FDE是在什么时候进入客户的工作流的？是在你们产品刚卖出之后吗？相当于和产品一起打包可能送给客户的这样一个套餐，还是说是在更后面一点？

Jove: 我们其实比较灵活，FDE在售前、售中、售后都会有参与。售前有可能是如果需要做一个功能级比较全的样本，往往可能我们售前人员并没有这样一个技能，FDE需要帮他做一做。尤其是说当这个单子谈完了，我们可能会有一个期待是在两个月到四个月内这个就要上线了。当然上线也是一批一批的，我们挑一批用例作为一期上线，后面再做。在这过程中就会花些时间去做初期的开发，把它做调试、灰度发布，或者是一些监控什么。

但一个项目如果它已经上线了，我们会监控这些比如说客户的满意度，或者电话的时长，或者这个案例有没有解决，这些指标都是在合同里面的。如果已经符合合同，其实是没有必要继续把人放在里面，因为毕竟我们项目比较多，而且你总会有机会可以修改Prompt做些东西，这个其实不见得很划算。所以一个项目我们可能做个两个月、四个月，FDE就退出了，后续可能一些小修小补就可以让别的同事以没那么AI专家的方式来去做。

这样的模型我们也是在一个尝试的过程中。甚至我们再看是不是有些情况下，即使客户没有花钱，我们是不是给他一个甜头，让他花个比如说两个月、三个月，我们倒贴一些人进去把这东西做出来。他尝到甜头之后，就像有的时候送货上门，就已经在门口放在那边让你试穿了，你说你再退掉也不愿意。所以AI现在这个领域就属于节奏非常快，可以说是各自在抢山头。所以我们FDE本身不用操心这些ROI，我们也从来不是以FDE的小时来收费的。所以一旦团队协作我们决定要把这个项目放FDE进去，我们就全力以赴把它做出来。

Palantir模式传承

Yiwen: 其实我们今天聊FDE这个工种，它有一个历史背景。你之前也提到了，这个模式或者这个概念是由Palantir一开始发明并且推广的。我理解最早的时候，Palantir其实是有两个团队，一个叫Echo，一个叫Delta。这两个团队放在一起成为了一个FDE。但是可能Delta更像我们现在理解上的FDE，就是工程师的这样一个角色；Echo这一批人，他们更多是熟悉这个专业领域。这个能不能给我们讲一下，你觉得当时Palantir解决的核心问题是什么？

Jove: Palantir作为这个模式的最初创造者来讲肯定值得尊重。当然他的业务会非常的神奇，因为不是每个厂商都能够去做一些军方的业务。在10年、15年前他开始做，我觉得因为很多具体想要什么，客户是不高兴说得很明的。你必须是跟他们面对面，跑到同一个军营的帐篷，看到这些数据他才愿意说得很细。而且中间又会涉及到比如说数据建模或者是要临时做API，所以他是招了这两个团队。一个团队是前沿驻场软件工程师类似的，另外一个是偏业务负责人的，对一些作战或者是一些抢救之类的他会比较熟。一个是偏技术，一个是非技术。

FDE我们通常意义上来讲还是一个非常技术的工种。对Cresta来讲，我们其实也是觉得这样的方式会比较合适。最理想情形当然是你一个人什么都会，就像所谓的一人公司一样：你什么都会，你既是CEO又是CTO。但毕竟这样的人比较难招，而且大家精力比较有限，所以我们做过一些尝试。比如说我们早期也有所谓的对话设计师，他更多对人际交互、共情很多细节会比较熟，他不需要技术。

我们最近这一年左右的方式也是有所谓的FDE和FDPM（Forward Deployed Product Manager）——前线部署产品经理，就不需要那么技术。FDE像一个前线部署的CTO（Forward Deployed CTO）一样，可以想象FDPM就是前沿部署的CEO（Forward Deployed CEO）。就他用他的人际能力、沟通能力、协商能力，这些能力能够跟客户耗在一起，花很多时间去培养信任，知道他到底想要什么，包括做一个Agent你该说什么不说什么。你的测试集应该怎么去创建？很多事情跟编码没有那么直接相关，客户也不需要知道安全应该怎么做、网络怎么配，但这本身是个很扎扎实实、就一大块的活，FDPM就可以专门对这块做一些把控。

就像CEO一样，他为整个公司负责，FDPM就为整个AI Agent的智能体行为和能力水准负责。FDE就是从技术角度确保这个实现是合理的，我们对应的测试是健全的，包括FDE还带有把这些经验教训带回公司、能够把产品变得更好这样一个职责。这样一个FDPM跟FDE合在一块，因为我们很容易一天要跟两三个客户开好多的会，这些会对于FDE来讲，并不是每个都要参加，因为可能还在讨论我应该先说什么后说什么。如果大家有个结论，实现来看不是一个很难的事情。

所以大家分工不一样，FDE就可以更注重这些AI的一些行业最优实践，怎么能够把经常要做的一些开发的工作，能够把它变成SDK、工具包、CLI（命令行界面）。我们更多从技术角度来做贡献，而FDPM就可以把握具体的一些需求，包括有的时候会有一些风险，你怎么去上报，甚至是你要去追加销售——原先你已经做了三个用例，你可能是不是变做成六个。有大量这种你就把它想象成CEO和CTO的差别，我觉得还是有效的。这样避免对招聘的人的要求过于高，而且让一个人每天要花大量时间做不同的事情，这样分开两个之后会好一些。

Yiwen: 了解。每个项目现在都需要一个FDPM和一个FDE吗？还是说有的项目它可能有比较多的历史数据，它的流程更加的标准化一点，可能就是一个工程师就可以来做了？

Jove: 我们基本上差不多是以一个FDPM配2到3个FDE在一个项目里面，不管这个项目有多大。这样就避免因为这个项目现在小，FDE在里面，如果这个项目变得越来越大，你是不是还要做交接。而且确实你有大量的要跟客户沟通的一些事情，所以我们大概在1:2、1:3这样的比例。同时一个FDPM可能会做好几个项目。

而且我们也有意识地去看能不能找到一些共性。比方说这几个人比较多地做一些医疗保险，他对这些行业的一些术语、一些规范、一些所谓的常识会比较熟，这几个人如果做类似的一些项目，他们这块的行业经验会越来越多，会越来越有经验。包括从技术角度来看，FDE也会有意识地，比方说有这几个人对付款很熟，这几个人对查找很熟。因为毕竟我们要面临的这个世界是非常复杂的，所以FDE我们慢慢成规模之后，也会培养一些不光是领域的专家在某个商业领域里，而且也是针对某些技术领域也会培养一些专家。

优秀FDE的画像

Yiwen: 所以总结一下就是，FDE其实本身是一个技术性比较强的职位，FDPM更多是对行业知识的了解，我理解可能这些人很多是从比如咨询背景或者更多的是一个企业运营的背景。因为你这次正好来纽约也是来招人的，我觉得可以借这个机会说一下，你觉得什么样的人最适合当FDE？一个优秀的FDE是什么样的？

Jove: 我觉得也是逼自己抛出来一句话：我要打造全世界最好的FDE团队。对，是个目标。虽然说现在获得一些成绩，但我确实觉得Palantir巨大的成功，或者是它的股票往上涨，有多少比例是因为FDE，这个其实很难讲，因为这本身有太多因素在里面。但是它开创这样一个模型。

现在FDE变成很热门，是因为AI落地有太多的困难，而这个复杂性你不想把它直接抛给客户，而FDE能够把这些复杂的层面自己消化掉，能够给客户一个很好的方案。而且对于很多产品公司或者是SaaS或平台公司来讲，FDE把在前沿的这些经验教训直接去改变产品了。因为你想，10年前Palantir的FDE就算知道产品有很多漏洞又怎么样？他可能回头只能写封信或者是开一个工单求着别人去改，可能再过半年就改好了。

但是因为现在AI Coding特别强，所以我们这些FDE——当然我们招的时候就会门槛比较高，希望是比较好的工程师，但是另一方面，因为有这些AI Coding Agent，比如Claude Code或者是这些模型，你知道哪里不对，哪里有提升空间，哪里可以做得不一样，哪怕你有5个、10个不同的repo，不同的语言、不同的栈，你就可以很容易地让AI帮你做成这个样子，然后你找个合适的人复盘就可以了，所以这个迭代就很快。

除了coding之外，现在skill本身也是一个很好的模型，就能够有一个方式可以蒸馏了。就原先都是大家留在脑子里，大家可能要花很多时间做知识转移，现在你可以把它写成skill，有一个很长的markdown，有一些脚本，有一些参考文档。你做了两个、三个类似的事情之后就可以变成一个很好的skill，这个能力就可以在下一个项目里面很快去用得到。或者是说我们现在30个FDE，又来了20个FDE，那20个FDE它甚至只要把这个skill装在那边能够访问就可以，它都不用去学，所以这很容易产生一个雪球效应。

所以FDE现在肯定是很好的、一个比较合适的状态，招更多FDE能够去落地。包括我这次来纽约TechWeek，也是希望能够办一些活动。我们希望招的人：

一是说肯定是一个很合格的工程师。因为这个本身就像个CTO，你肯定不想是一个很不会写代码的人做CTO，他肯定要技术很强。因为我现在招的这个团队就是局限在AI Agent FDE，我这边对数据工程、对信息安全没有那么强的要求，但是你这个人一定要会AI Agent。我这边很多时候看到一个简历，他说我是个AI工程师，我这不废话吗？就现在哪个软件工程师如果不是AI工程师，你都已经很出局了。肯定没有人期待你每行代码都自己写，你是必须要会用这些Harness framework，你要用Cursor、用Claude Code。但是，不是很多人会知道怎么去开发跟测试AI Agent，这个技能对我们来说是很在乎的。我们不想花个两个月、三个月再培训一个人，可能这个人两到三个礼拜就应该进一个项目。所以你需要是一个好的开发者，你要是开发跟测试过AI Agent。

另外一块就是说，他需要有比较过硬或者比较让人信服的对接客户的经验。毕竟我们是前沿部署，哪怕你过去都是线上开会，或者是偶尔可能会过去个几天，但你还是要去跟对方的CTO、对方的IT总监、对方资深的人进行沟通的。有的时候你也跟一些非技术人员去沟通，你应该知道怎么去把一个比较复杂的问题能够简化，或者是你能够从他表达的过程中抓到具体一些点能够进行求证。有的时候你要说“不”。这里不仅有语言层面的沟通，而且是你整个人要比较老练。实际上跟CTO一样的，就CTO也不能是光写代码的一个人。所以这个技能，我一般是期待他要么做过咨询，或者是他自己就是作为一个创始工程师，或者是自己有大量的甚至是自由职业者，我觉得都是挺好的。

除了编程、除了这些对接客户之外，剩下可能就是人要比较靠谱，要有韧性。因为FDE就是真的很忙，你同时多线程处理很多事情，有很多压力，你面对的就是一个很不完美的世界。API根本就是纸糊的，SOP就跟没有是一样的，文档也是千奇百怪的，压力很大。大家可能会有不切实际的一些想法，所以需要很强的能够面临巨大复杂性的一些能力，能够面临巨大不确定的能力。所以有自主决断力，去知道我应该怎么去推进，怎么去跳出来做一些事情。

所以我是很喜欢招创始工程师，甚至是说经历过很多大风大浪的，能够知道没有一个事情是有保障的、一定会成功的，你就是必须非常努力地去做，才能够到一个稍微好一点的状态。所以这种靠谱、韧性，往往也是通过这种方式我们希望能够看到。我这边是不招任何初级的FDE，因为就像前面讲的，你一个项目也就一两个人跟对方的CTO在那边共创。你如果是一个很初级的人，就很难达成这样一个信任，你可能很多时候也没有头绪，你总不能打开AI让AI告诉你怎么做，你自己没有判断的能力也很差。所以技术的能力肯定是要在位的，你的对接客户的能力要在那边，你能够抓很多事情端到端。

长期存在还是过渡角色

Yiwen: 其实这也是我下面想问的一个问题。FDE你刚才说他们面临的是一个不完美的世界，面临的还是一些现在来说还是比较新的这样一些Agent工具。那么这个职位到底会是一个长期存在的职位，还是一个过渡性的角色？当模型足够强、工具足够成熟之后，我在想这个角色它会消失吗？而且我们刚才把它和Palantir做对比，因为你也说到Palantir做军方的业务，其实这是一个门槛还是比较高的这样一个业务，所以说导致他的客户对Palantir提供的工具还有提供的FDE产生了一个比较强的用户黏性。但在AI的时代，当工具会不断地自我迭代、不断成熟之后，你觉得这个角色它会变吗？还是它会消失？

Jove: 唯一不变的就是变化。但我觉得相比很多别的自营工程师的工作来看，FDE要被AI化的路还很长。

短期来看，比如说1到2年，它肯定会有越来越多的工具能够让FDE的工作变得更高效。比如说我们现在大量的电话或者是沟通都会有像Gong能够把它录下来，能够做翻译，甚至对着这个录音你可以提问题。对，类似我们有些工具像Glean也是可以搜到最新的一些聊天记录，然后看到一些代码。就这些工具的产生，会让我们这些同时处理多件事的人更高效。而且有的时候，我可能日历上面一个时间段同时约了两场、三场，有些会你肯定会缺席，你就可以通过这些工具能够让你更加同时出现在不同地方，或者是不至于错过很多具体的一些点。但这工具能够让FDE，比如说假设我们现在平均是两到三个项目是在一个人身上，再过段时间可能变成5到6个。所以工具的改进会让我们效率更高，或者是能够做的事情更多。

但是再远一点会分化。会要求有很多很高端的FDE做那些很难的事情，你可以用各种工具，但是工具本身并不能解决，还是需要有非常资深的人去做。另一方面，会有大量的原本不需要FDE的人会想着我能不能招一个便宜的FDE。就像大家在说软件工程师这个事情，招聘需求其实反而在上升，因为原先觉得没法雇软件工程师的小的诊所、小的个体户觉得我也可以招一个软件工程师，可以把我的某一个工作流把它产品化掉。所以对应的FDE就会出现有一批可能针对中小型的、针对这种长尾的，甚至是这种远程的。比方说越南或者哪里不是很发达的地方，可能就会有很多FDE永远不能到现场，但他就是结合客户的需求，结合他的AI技能把他东西做出来。如果他自己有一个产品可以沉淀，也是一种模式。

所以只要是客户的这种复杂性还在那边， AI能够完全自动化的总归是有缺口的，这个缺口需要FDE来填。真的到了某一天，比如说有一个完全AI FDE，哪怕现在SDR（销售开发代表）这个事情都没有很好的AI化。假设真的有一天，FDE这个事情99%都可以AI化，不管是你理解客户、写Prompt、做测试、跟客户沟通，甚至你可能这个AI跟另外一个客户的AI做agent-to-agent的一些沟通或对齐。但那个时候其实我们担心的就不是FDE本身，就整个行业世界都已经不一样了，就可能人在里面参与的就很少。但我觉得这会有很长一段路要走，对于FDE我还是非常地有信心，这个工种会越来越丰富，参与的人会越来越多，大家会越来越意识到它的一个重要性。

私募与大模型公司的合谋

Yiwen: 其实这也是一个很好的过渡。因为我们一开始提到了，OpenAI做Deployment Company，Anthropic做Joint Venture，这两家公司其实都是在和私募基金合作。我们知道很多PE的旗下有很多可能中型的一些企业，一些中端市场公司，他们有的是比较传统的SaaS服务，有的也是在不论是机械、重工或者制造业这些比较传统的企业里面。你觉得这些私募去做改变，去和OpenAI、Anthropic这些模型公司去做合作，他们是不是也有把自己旗下被投项目的这些公司进行转型的这样一个意思？

Jove: 对，大家一开始听到这个新闻可能有点诧异的地方是，并没有找传统的像埃森哲（Accenture）这些咨询公司，而是直接去找私募。有一种说法就是说，如果你找一个软件外包公司做，毕竟它还是一个工具人，你还要比较长的一个“我要找哪个供应商，然后填一个工期”的过程。但如果你的投资人是说“如果你用这个FDE的模型，我帮你有些投资会做得更快一些”，所以你直接是给一个诱饵，给一把手的话，这个推进会快很多。

所以我觉得很多VC/PE现在对AI的加速是抱有很大的期待的。他希望通过资本的力量能够直接给CEO一个指标：所以说你就是要用FDE把你行业的东西能够AI化。过程中也会用到更多模型的Token，这要比我安排给你一个咨询公司，你跟咨询公司慢慢谈、谈个项目范围要更加地简单粗暴一些。所以PE在里面扮演的角色也会非常的神奇。

另一方面，这些咨询公司本身也会有这种危机感。因为他们原先做了一些相对比较——国内说CRUD工程师，就是你数据库做一些增删改查的事情。原先没有AI可能大家会找外包，现在外包针对这个领域也会有一些忐忑。因为对客户来讲，他不见得非要找外包，他自己也能做。AI这块也是一样：到底AI是让客户自己学，还是找外包公司来做，还是说像我们这种平台公司直接帮你做掉？所以这些咨询公司、传统的这些软件外包公司也在一个不能说是生死存亡，但是对他们来说也是一个很大的转折点。各方势力都是希望能够一起把AI的这个饼越做越大，就是以各自的方式想把这个饼做大，但是每家都是需要非常努力才能够在这个市场里拿到它的份额。

传统企业与工作流重塑

Yiwen: Jove提出的这个疑问其实也是我的问题。第一，部署公司做的事，包括深入企业、改造流程、帮他们用好AI，其实和传统咨询的逻辑很相似，咨询行业会被这波浪潮取代吗？第二，就像Jove说的，模型公司为什么要找PE合作呢？我们知道Blackstone这样的机构手里握着大量投资组合公司（Portfolio companies），很多是运营了几十年的传统企业。对PE来说，这个合作到底有什么吸引力？Jove从他的角度聊到了一部分，接下来我又和有咨询背景、有长期服务PE客户的Oliver，从行业变化的角度聊了聊这两个问题。

Hello Oliver，你好！给我们的听众简单介绍一下你自己和你目前所在的公司。

Oliver: 谢谢Yiwen，我叫Oliver，是Invisible Technologies（隐形技术）企业业务的VP。我的工作是帮企业客户落地AI，使用我们的解决方案。在这之前，我在麦肯锡做私募股权咨询，我所在的团队叫Rewired，专门帮企业重新思考商业模式，变得更技术驱动和AI驱动。

Yiwen: 你说你们帮公司落地解决方案，具体是什么样的解决方案？

Oliver: 好，简单介绍一下我们在做什么。我们的公司叫Invisible Technologies，也就是“隐形技术”。我们的名字来自于一个理念：当技术做得足够好的时候，它是隐形的，也就是说你是感受不到的。我们的做法和很多软件公司不一样。我们在日常生活里都会用AI工具，这些工具非常好用，但问题也就在这里：个人AI使用率和企业采用率之间有巨大的落差。

这个落差很大程度上是市场的供给造成的。你想想看现在市场上是怎么服务企业的？要么是大模型厂商自己卖，要么是套壳产品，比如做法律的Harvey或者做会议记录的Granola，都是很好的工具，但它们没有改变你做事的方式，只是在已有的方式上做了增强。结果就是很多公司部署了AI，却感受不到变化。

所以我们走了一条不同的路：我们不是一个工具一个工具地上，而是一个工作流一个工作流地切入，为每家公司量身定制软件。我们会把一个工作流拆开来看，比如说如果有十个步骤，判断其中五个步骤必须是确定性的，因为涉及数学计算、合规要求、不能出错；三四个步骤可以用AI来做，允许有一定的弹性；还有两个步骤需要人工审核，确认一切没有问题。这才是真正使用AI改变业务的正确方式。

但要做到这一点，必须针对每家公司定制，因为每家公司、每个部门的流程都不一样。所以如果你想把那些“前AI时代”的公司变成AI原生公司，你必须给他们搭一套适配他们工作流的定制软件，这就是我们在做的事。我们搭了一个模块化平台，所以可以做得很快。

Yiwen: 听起来你们在做的事情，其实跟OpenAI前段时间宣布的Deployment Company部署公司还蛮像的。他们也是在帮企业落地。你怎么看待他们这个动作？你觉得他们为什么要这样做？

Oliver: 我觉得他们做得非常正确。过去半年你能明显感觉到CFO们和企业高管们越来越多地在谈压缩成本。与此同时，MIT、斯坦福的研究报告也显示，真正把AI跑通、跑到规模化的企业其实寥寥无几。这个落差是不可持续的，不能一直这样。

所以大模型厂商必须推动企业侧的真实采用，必须证明ROI（投资回报率）。光卖一个聊天机器人是做不到这件事的。他们想打开这扇门，就必须走跟我们一样的路。所以我觉得这步棋踩得很准。当然了，他们有大量资本，也有很强的技术能力，肯定能做成。只是他们原来的打法非常横向，虽然有一些垂直应用，但本质上他们是做通用大模型的。现在突然要转去给企业搭定制化工作流，这是完全不同的市场动作，完全不同的销售方式，跟他们以前熟悉的打法很不一样。我相信他们能够想清楚，但需要一些时间。

私募视角的AI转型

Yiwen: 我想先从私募股权这侧聊一下这个问题。因为你说你服务了很多金融机构的客户，我感觉这里有两条线：一条是这些机构自己内部在用AI；另一条是他们投资的公司（Portfolio companies），很多是传统SaaS公司，他们都是PE去投资的，可能也需要转型。你觉得他们现在最需要什么？他们在怕什么？而这是不是他们跑去和OpenAI、Anthropic合作投资的原因？

Oliver: 我觉得PE和私募资本机构有三个核心诉求：

第一个是信号价值。我跟PE公司打交道有一段时间了。三年前大家还在问“能不能来讲讲AI是怎么工作的”；两年前变成了“能不能帮我想想怎么在整个投资组合里推AI”；今年彻底变了，他们来找我说的是：“我要去向LP募资、向养老金、向我的出资人募资，我必须证明我站在AI的最前沿，我需要有案例能展示我通过AI创造了价值，否则LP不会把钱给我。”这是完全不同的逻辑。现在对GP来说，能不能展示AI已经关系到募资的存亡。跟行业里最响亮的名字建立合作是一个非常好的背书方式，所以信号价值非常高。

第二个是投资组合的价值创造。这也是非常真实的需求，用对了AI真的能够创造很大的价值。细节比较复杂，但这一块确实是真实的。

第三个是投资回报本身。这些合作的结构设计相当的诱人，本质上是让GP们进入一个高回报赛道，获得高增长资产的敞口。从这个角度看，逻辑也完全说得通。

Yiwen: 我觉得你说的第一点很有意思。你觉得是什么在让LP推动AI？

Oliver: 跟大多数公司在推AI的原因是一样的。从普通消费者的角度，你能读到多少相关内容，你就能感受到AI能做多少事。就比如说一个叫《The Daily AI》的播客，之所以每天都有新的东西可以讲，是因为变化真的快得吓人。MCP协议（Model Context Protocol）去年才出来，感觉一切都在以疯狂的速度推进。所以每个人都意识到，AI能做的事太多了，如果你没有在认真做AI，你就在落后。站在LP的角度，我把钱投给一个GP，我当然想确保他也在用AI改造被投企业，这是非常真实的需求。

再说一个点，因为你也提到了SaaS。过去五到十年，PE最大的两个资产类别是医疗和软件，几乎所有的PE都有软件公司的敞口。今年“SaaS已死”的论调闹得很凶，LP们和GP们都高度紧张，GP们都在努力证明“我们没有问题”，所以信号价值进一步放大。但话说回来，你看Anthropic和Coatue那些合作，合作对象不是纯软件投资人，因为你说得很对，AI创造价值最大的地方往往恰恰不是软件公司。

Yiwen: 对，就是那些传统企业，包括工业、制造业之类的。

Oliver: 商业服务、工业、医疗，特别是医疗，这个太大了。基本上所有原来软件不太能帮上大忙的行业，现在都可以用软件做出非常有意思的事情。

还有一个很好的例子就是GP自身。PE公司是干什么的？找项目、估值、投钱、管资产，这是非常人力密集的工作，要用到非常贵的人，不管是内部团队还是外部顾问。这套工作流恰恰是最适用AI改造的。我有一个大客户是一家非常大的资产管理公司，我们帮他改造这些工作流，效果非常惊人。

自动化工作流实例

Yiwen: 能不能给我们举几个具体的例子？我感觉现在跟很多金融从业者聊，他们都还是在用AI做研究、摘要，就还是那套和大语言模型比较相关的这个用法。我还蛮好奇你们是怎么做到真正自动化工作流的？

Oliver: 可以，有很多可以讲的。如果把一个投资基金的业务拆开来看，大概有几个模块：募资、投资管理、合规财务和基金运营。我挑几个工作流举例子。

先说募资这一块。我有一个大客户是一家非常大的资产管理公司，他们想跟一家规模较小的资管合作，对方帮他们把产品纳入自己的产品线，收一部分佣金。听起来不错，但对方说“每次开客户会议都要配一个你们的销售经理”，大资管当然不接受，因为这样利润就没了，根本不可行。所以他们来找我们，说能不能搭一个AI销售助理让它参与这些对话。

这个工作流是这样的：首先他们大概有一千款产品，所以你得先搭数据基础设施，把这一千款产品整合进来；然后搭一个输入层，让另一方能够输入客户数据，同时权限要隔离；再搭一个计算模块，算出针对这个客户的最优产品组合——这部分是确定性的，因为本质上是数学；然后生成销售话术供会前准备；再有一个会中使用的工具；最后会后根据会议记录自动更新产品方案。整个是一个反馈闭环，大概七个步骤。这套系统让这家大资管能够服务更大范围的客户，这是一个典型案例。

另一个我很感兴趣的是投资决策流程本身。做尽调的时候，你通常要跑十条工作线，雇法律、雇各类顾问，什么商业尽调、环境尽调，跟这么多人协调，对投资团队来说压力很大。我们在为他们搭一个平台，让他们能够跟所有顾问交互，把问题推给顾问，自动扫描整个数据房间，你可以看到一个实时界面追踪所有顾问的进展，还能调取这家基金在类似项目里曾经提过的问题，借鉴过往投资的经验教训。这样他们既能用上机构的历史知识，又能大幅精简跟外部顾问的沟通，最后文件的输出也是自动的。这本来也是一个很大的负担，我见过太多投资人周末也要加班做这些，能帮他们省掉这些我很高兴。

还有一个是基金运营，比如净资产值（NAV）计算或者账户对账。每个月甚至每天收盘后，都要确认账户的余额是对的。我的第一份工作就是做簿记，非常耗时，但这套流程完全可以自动化。好，我讲了很多，就是希望给你展示一些有用的场景。

AI Roll-up时代

Yiwen: 基于你刚才说的我其实想知道，你觉得AI时代的PE收购这件事情有没有改变？因为过去我们谈到PE收购一家公司的时候，我们可能想到的是比如说投后公司之间会有一些并购，一些roll-up整合。现在感觉我们几乎是进入了一个所谓“AI roll-up”的时代，表面上你是在买这些公司，但实际上你买下的是他们的工作流，我们再把他们改造成一家AI原生的公司。你觉得这会改变PE本身的运作方式吗？

Oliver: 我看到过很多不同的打法，但主要可以分为两类：

第一类投资人会说：“凡是AI颠覆风险太大的领域，我们都不能投。”这其实是很多人的直觉反应。 第二类则是更主动拥抱这件事情的投资人，他们会说现在其实是一个非常有意思的时间点，可以通过AI来创造价值。Amex GBT（美国运通全球商务旅行）那笔交易就是一个很好的例子。还有很多类似的交易，投资人会去收购一些过去技术含量并不高的企业，非常激进地用技术、用AI去赋能它们。

所以这显然正在成为一种新兴的打法，一些走在前面的GP已经在这样做了。而且我认为，他们能够创造的规模价值是真实存在的。但要真正创造出这种价值，逻辑并不是一件简单的事。现在我看到的一个问题是，很多人想象中自己能做到的事情和真正能落地的现实结果之间存在很大差距。

我想强调一个核心观点：很多人容易犯的错误是只把AI理解成一个降低成本的工具，但实际上AI真正的价值很多时候在于创造收入，打开新的收入机会。所以我经常会问客户一个问题：“如果现在免费给你一万个受过大学教育的员工，你会做什么？你过去想做但做不了的事情是什么？”因为某种程度上，这就是AI现在带来的能力。

就像我刚才举的两个资管公司的例子，对他们来说，这意味着可以进入一个全新的客户或业务细分市场，这在一个过去他们根本无法触达的市场。所以这不是在降低成本，而是在增加收入，我觉得这才是很多公司真正应该走的方向。但现在大家还是非常关注AI带来的成本削减，我认为这并不是最有力的切入点，真正该想的应该是哪些事情是我过去做不了而现在可以做的，也就是收入创造。

它可以有很多种形式。我再给你一个例子：我们有一个客户是一家乳制品公司，他们有很多农场和奶牛。我们和他们讨论的时候问：“如果你有一万个人你们会做什么？”他们说这个问题很有意思，我们会给所有账户都写报告，因为他们希望减少这些报告的时间，而把更多时间用来维持奶牛的健康。所以我们帮他们做了一整套数据整合和定制AI系统，用来为所有奶牛生成健康报告。这样一来，他们就可以把更多时间拿回来，真正去维持奶牛健康状况，而这在过去并不可行。

咨询行业的未来

Yiwen: 听起来你们做的事情和咨询公司做的事也很像，这也是我之前想提的另一个话题。传统咨询公司以前是帮客户去搞定他们自己不熟悉的领域，但现在你们这样的科技公司和AI公司好像在替代这个角色，用AI去改造流程。你觉得咨询行业会不会因此过时？还是说咨询本身会变成AI转型咨询？

Oliver: 我觉得未来三到五年，咨询会迎来一波增长。因为所有企业在谈AI的时候，都需要重新思考商业模式。最简单的一个例子就是律师事务所：以前按小时收费，现在越来越难了。如果要转成按结果收费，整套激励结构都变了。这种转型你是要找人来聊的，你想知道别人是怎么做的，有没有经验可以借鉴，需要有人带你走这段路。所以我认为咨询在未来三到五年会有一个明显的需求增长。

但真正释放价值的是那些最终留下了一套转型后的业务的人。所以我觉得AI实验室和像我们这样的公司，这种做完就走但留下一套改造好的业务的模式，才是真正创造价值的方式，而不是只聊怎么转型。

但话说回来，现在市场上不确定性很高，大家都处于观望状态，所以对咨询的需求是真实存在的。大家不知道该怎么做、从哪里入手。这也是我工作的很大一部分，就是坐下来跟客户聊，先搞清楚哪些事情值得先做，这必须是具体问题具体分析。

Yiwen: 你有没有遇到过公司以为它自己可以用AI搞定某个工作流，但实际上却根本行不通的情况？比如说大家有的时候是不是对AI太乐观了，或者说对AI的运作方式有误解？

Oliver: 最常见的问题就是什么都想AI化，但现实是这条路走不通。你必须把几件事做好，最关键的一点是好的数据平台，它的价值是复利式增长的。AI再聪明，没有足够的信息和知识，什么都做不了。我们有一个叫Neuron的数据模块，专门帮你整合数据，把数据映射清楚，确保数据可以被使用，这是大多数公司的第一道坎，而且代价不小，因为他们之前根本没有做过这种事。

第二个常见的错误是，一个十步的工作流，不是每一步都应该用AI。你可以用AI来优化整体流程、厘清逻辑，划定哪些步骤是确定性的，但不是所有步骤都该交给AI。比如账目对账这种财务流程，你不会想让AI来做的，你想要的是确定性的结果。所以可以用AI帮你梳理工作流逻辑，但具体执行的很多步骤应该是硬编码的、确定性的数学计算。我觉得最大的两个坑：一是数据，二是把本该确定性的东西也让AI来做。

Yiwen: 你觉得整合数据这件事情难不难？我理解每个公司都有自己的私有数据仓库（Proprietary Data），但这些数据是不是比想象中的要更加难用？

Oliver: 在麦肯锡的时候，每次去一个新的客户，我都会把七个不同的数据集扔给一个分析师，让他把它们合并起来找洞察。我当时就觉得很不可思议，为什么还要这个分析师来干这件事，但这就是现实。

数据不是只有结构化数据，还有非结构化的。你的Outlook邮件、Gmail、LinkedIn、ERP系统、Salesforce，这些散落在各种各样的系统里。如果你真的想要搭一套能够改变业务的系统，就必须把这些数据汇聚起来。我们有四个数据模块：

第一个叫Neuron，是一个数据层和数据网格，不会打乱你原有的数据架构，把结构化和非结构化的数据整合起来，并映射不同对象之间的关系，让你真正能够消费这些数据。 第二个叫Atomic，帮你梳理和自动化工作流。 第三个叫Synapse，评估AI在工作流中的表现。 第四个是Action，协调工作流中的不同智能体。

Neuron是起点，因为数据整合往往是第一道门槛，而数据就散落在各种各样不同的系统里。

Yiwen: 对，而且有的时候公司自己都不清楚自己现有的数据长什么样。PE收购来的公司就是这样，可能跑着四套不同的ERP系统，Salesforce在这边，Outlook在那边，Gmail又在另一边。然后你想做销售转型，说想搞清楚为什么客户在流失，结果发现客户成功的数据在这个系统里，Salesforce的数据在那边，销售电话记录又在Gong里。先把这些整合起来，才是第一步。

好的，谢谢Oliver。

Oliver: 谢谢。

行业演变与未来展望

Yiwen: 可以说现在这个赛道已经有太多玩家了。模型公司在自己做部署，咨询公司在转型，应用层公司在快速扩张FDE团队。在播客最后，我们回到和Jove的对谈，聊聊这个市场最终会怎么演变。

你觉得现在有那么多玩家参与到这个赛道里面，从一开始我们说的模型公司，到你们这样的应用层的公司，再到这些咨询公司，他们都开始去做类似于FDE的业务，这个市场之后会怎么样演变？它会变得像你说的那样，更加地去专注一个垂直赛道，会有更多的比如说专精领域的这样一个产品；还是说我们会看到模型公司提供出一个更加通用型的产品，但是可以用在每个不同的企业里面？

Jove: 对，还是比较难。就是在OpenAI跟Anthropic宣布它跟FDE公司合作，或者自己建FDE公司的同时或者之后，可能Google也宣布它有FDE团队。我们跟Google的渊源还是蛮强的，很多人其实是Google过来的，我们的工程文化也比较接近。所以Google的FDE其实跟OpenAI、跟Anthropic就不一样。他们也是说“我这些工程师帮你做应用的落地，且过程中遇到我们产品的不足，我需要把它修复掉”，也是像我们这样有很强的产品的洞察，帮客户去落地。

但我觉得反过来说，毕竟它是Google，它是很不高兴去用别人家东西的。就比如说它语音，Google自己的语音，它不高兴用ElevenLabs、Cartesia、DeepGram这些第三方厂商或者是模型，它可能想推Gemini，这个领域就很卷的。所以它不见得像我们这种比较独立的AI应用公司来讲会比较自由。就我们往往一个谈话中，可能用二十几个不同模型。哪里最好或者哪里最经济有效，我们就去挑，我们不见得挑最贵、最好的，因为我们最后是卖成果的，我们并不是卖Token的。所以我们有很强的动力是说，我们挑哪个模型刚好够用，价格又合适，那我们就去挑。而且要保证它要合规，要一直在线。有些情况下你可能还要用一些自己部署的模型，确保如果网络瘫掉你能用。我们会在这样一个中间状态，我们有机会挑最好或最合适的，而这种选择的自由度对大厂其实都是没有的。

Yiwen: 明白。

Jove: 最后我的观点还是说，FDE是一个对人的要求会很高的一个职位，但是也是作为工程师来讲非常令人激动的。我还是认为会有很多工程师需要做技术专家，比如他是某些网络安全的专家、他是一个基础设施的专家、他是一个安全的专家，甚至是说他能够做出一些很好的全端组件的模型，诸如此类。就不是说所有工程师都需要转成FDE。

但是对于那些对自己的技术有自信，你也很开放去学新的技术，而且你不讨厌跟客户沟通，甚至是你喜欢今天跟这个餐馆、明天跟这个牙医了解到他们怎么运作的人——因为你自己不可能一年换个三四次工作去不同公司去做，但是你做FDE其实是有机会跟这些具体的行业、具体的负责人能够有细聊。哪些东西可能不见得很技术，但是对你作为个人来讲，你会对这个世界有一个很近的认识。如果你不讨厌出差，不讨厌跟客户沟通，这是一个很不错的方式，能够让你利用“人”这样一个价值。

因为到最后我们自己也是百分之九十几的代码都是AI写的，但是我们还要花点时间去比如你要调提示词，你不能完全信任AI来调。AI调AI很多时候就会进入一个过分拟合或者这样一个状态。所以人在里面扮演的角色更多是，我们是AI的触手。我们可能白天跟客户开会，甚至吃饭、喝咖啡；你可能到晚上了，你自己对电脑一顿输出，把他的东西说出来，AI知道了，变成AI的上下文。但你是不能指望一个机器人跟人喝咖啡、聊些有的没的，对吧？

所以我们人在里面扮演的角色，就变成一方面能够获得很多AI本身不能获得的信息；另外肯定AI很容易出各种方案，但你需要有这个判断力。因为到最后，我们是为这个事情负责的人，切身利益绑定。所以你有五六个不同的选择，每个选择一大堆的利弊，你出来个表格也好，AI可以帮你做这些看起来很全面的一些分析，但是它不能帮你做决定。还是要人在里面挑一个决定，然后你要为这个决定负责——不管是简化流程，还是做一个大而全的方案，或者你意识到哪些有风险。就这边这个决定能力还是要比较强，包括你要去说服别人做一些改变。

所以FDE锻炼人的层面会比较多。如果有人甚至以后想自己创业，我觉得FDE是一个创业营一样。因为这是公司给你一个可能不是一个很舒服的工作状态，肯定有很多活要做，很多事情要学，但是你通过FDE可以锻炼出很多技能。这对于你后续的不管创业或者是怎么样，都会很有帮助。

Yiwen: 是的。好，我觉得非常好。那我们今天的播客就到这里了，谢谢Jove。

Jove: 谢谢Yiwen，谢谢《硅谷101》，各位拜拜。

Yiwen: 拜拜。

好了，以上就是我们这期播客的全部内容了。国内的听众可以通过小宇宙、苹果播客、网易云音乐、喜马拉雅、QQ音乐、蜻蜓FM、荔枝FM来关注我们。海外的听众可以通过苹果播客和Spotify，或者在YouTube上搜索“《硅谷101》播客”来关注我们。我们部分的文字稿还会收录在《硅谷101》的微信公众号上。谢谢大家，我们下次再见了！