--- layout: post.njk source: https://yage.ai/share/fde-ai-smb-digitization-20260503.html speaker: yage.ai title: |- AI 会把软件带到过去够不到的地方吗？FDE 模式真正重要的地方 date: '2026-05-03' summary: 本文探讨了将 AI 和软件应用于低度数字化小微企业面临的“翻译成本”挑战，即现实业务逻辑转化为数字系统的过程。文章分析了前沿部署工程师（FDE）模式的潜力与成本限制，并借鉴了 ServiceTitan 和 ScaleFactor 的经验教训。AI 可降低实施成本，但关键的业务判断仍需人工，而“AI 整合”模式则提供了新的服务交付路径，核心在于降低翻译成本并实现能力的复用。 area: tech-engineering category: ai-application tags: - forward-deployed-engineer - small-business-software - translation-cost - ai-implementation people: - Barry - Colin Jarvis companies_orgs: - Palantir - OpenAI - ServiceTitan - ScaleFactor products_models: - FDE - AI - SaaS media_books: [] draft: true status: evergreen --- ## 第一家店：订单从电话和路边来 我家附近有一家招牌打印店。订单从电话、邮件、路边走进来。每一单的材料类型、尺寸、安装方式都不一样，设计稿要反复改，审批要过几道，工期得在已经排满的日程里挤出来。老板听过 AI，也知道软件有用。但他最担心的是：新系统会不会把报价搞错，把工期排乱，让员工花几周学一套到头来发现不适配的东西。 美国这样的 sign and banner shop 超过四万家。IBISWorld 的统计是 41,805 家，Mordor Intelligence 估算市场规模约为 88.6 亿美元。但市场高度碎片化：中小型店铺年收入从 20 万到 300 万美元不等，群体里有年入数百万美元、雇十几个人的店，也有大量连一个全职 IT 人员都没有的微型作坊。不同规模的店对软件的需求和支付能力相差很大，用一个统一的预算假设覆盖所有店不现实。 通用软件的困境就在这里。它默认客户能自己描述流程、清理数据、配置系统和判断效果，低数字化的小店恰好不具备这些条件。CompassApp 转引的 Capterra 调查显示，61% 的美国小企业过去一年多里后悔过技术采购，原因主要是成本超预期或与现有系统不兼容。Avoma 在实践中也发现，即使产品支持完整的自助体验，很多小企业仍然会主动约 demo，因为他们需要有人帮自己确认这东西是否合适。 ## FDE 是做什么的 FDE 是 Forward Deployed Engineer 的缩写，最早由 Palantir 系统化使用。传统产品工程师做一个功能服务很多客户，FDE 服务一个客户需要的多种能力。两者的区别可以用一个场景判断：售前工程师在客户说”这个应该能用”时结束工作，FDE 在客户说”那就让它跑起来”时开始工作。代码进了客户生产环境、半夜要处理线上问题，那就算 FDE。 前 Palantir FDE Barry 在个人回忆里提到，客户部署是新技术的试验场，有效的东西会被迁回产品团队接手。在传统 SaaS 公司，客户的改进建议要经过售前转给产品经理、排进迭代计划，几个月后可能才变成功能。FDE 当天听到，当天就可以回去试。 这套机制的内核是产品发现：客户现场会不断暴露真实需求。当类似需求在多个客户那里反复出现，产品团队就能把它抽象成平台里的可复用能力。这也是 Palantir 能同时做到高客单价和平台复用的原因。 AI 公司现在也在招聘这个角色。OpenAI、Anthropic、Databricks、ServiceNow 都有 FDE 或类似职位的招聘。Anthropic 的 FDE 要嵌入战略客户，理解对方的工作流程，开发能解决实际问题的 AI 应用。OpenAI 的 Forward Deployed Software Engineer 要和客户一起设计定制软件，并把最佳实践写回内部知识库。 ## 贵得用不起：FDE 的经济账 低数字化业务需要服务，这个判断成立。但它还缺关键的一半：Palantir 和 OpenAI 式的 FDE，成本不允许直接下沉到小店。 OpenAI FDE 团队负责人 Colin Jarvis 曾在采访中提到，他们的项目价值从数千万到低十亿美元不等。这个数字来自采访转述，未经独立核实。FDE 本身的薪资也高：公开职位汇总显示 AI FDE 的年总薪酬在 13.5 万到 60 万美元之间。服务 Morgan Stanley 这样的客户，这笔成本可以接受。服务一家年利润十几万美元的打印店，怎么算都不成立。 ## ServiceTitan 和 ScaleFactor 的启示 这里可以先看两个公司。ServiceTitan 做的是 trades 行业的软件，把水管工、暖通空调、电工公司的派单、报价、调度、收款和客户管理放到同一套系统里。ScaleFactor 做的是小企业记账自动化，曾经把自己包装成 AI 会计软件。一个后来上市，一个停运，差别正好落在服务能不能沉淀成产品。 ServiceTitan 的意义在于，它证明传统行业可以接受有人深度介入的上线方式：帮客户梳理流程、配置系统、培训员工，把软件真正跑进日常运营里。但这件事有前提：客户够大，产品覆盖够深。根据它的 S-1 文件，过去十个季度 gross dollar retention 都超过 95%，net dollar retention 超过 110%（注：S-1 使用的季度口径，SaaS Capital 曾指出季度 95% 对应的年化可能在 81.5% 左右）。Meritech 的分析指出，约 8,000 个活跃客户平均每年付费约 78,000 美元，超过 1,000 个客户年化账单超过 10 万美元。SaaStr 进一步指出，ServiceTitan 96% 的收入来自年付 1 万美元以上的客户。这类客户通常已经有多个技师，更接近 mid-market，和最小的 trades SMB 有明显距离。 ScaleFactor 的问题正好相反。它的承诺是让小企业把记账交给 AI，但实际交付大量依赖 Austin 和菲律宾的人力记账。它融资超过 1 亿美元，2020 年停运。Failory 复盘发现，公司为了让现实不那么明显，把记账人员称为 customer service officers，不将其计入成本。客户拿到的账本充满错误，被迫重新雇人或自己清理。教训在于：服务如果没有沉淀为产品资产，规模越大，错误和成本也越大。 ## AI 压缩了实施成本，但没有替代判断 AI 也在改变 FDE 的成本结构。数据迁移、字段映射、文档处理、初始配置这些可标准化的工作正在被压缩。Flatfile 称其数据导入让客户数据进入系统快 70%，onboarding 速度提升 2.17 倍。Glean 的企业 AI 案例显示，Koch Industries 在 7 周内索引超过 10 亿个 objects，新员工 onboarding 平均每人节省 36 小时。 但更难的判断层还在依赖人。Moxo 在总结 AI onboarding 时说过：如果团队自己都无法就当前流程达成一致，需要先理清流程再考虑自动化。AI 会放大你建出来的东西。小店数字化也是同样道理。AI 可以更快导入数据、配置系统，但这家店该怎么报价、怎么排产、怎样算一次成功的交付，这些判断还离不开人。 ## AI roll-up：另一条路 除了用 AI 降低实施成本，还有一种思路直接绕开了”把软件卖给小店”这个环节。做法是直接买下服务公司，把 AI 嵌入运营流程，赚效率提升的利润。 General Catalyst 提到，Long Lake 收购了 18 家服务公司，在 HOA 管理中用 AI 提升了 25–30% 的工作效率，新客户 pipeline 增长了 10 倍。Crescendo 收购 PartnerHero，把客服 BPO 和 AI 客服平台合并，AI 处理 70–80% 的常规工单，据称毛利率达到 60–65%，是传统 BPO 的四倍。Eudia 以 1.05 亿美元融资收购了拥有 300 多名法律专业人士的 Johnson Hana。 这些数字来自公司和投资方的早期叙事，没有经过独立周期验证。但它们指向了一个变化：AI 公司未必只卖软件，也可以拥有服务交付。FDE 从对外收费项目变成了并购后的内部改造能力。 ## 真正的问题：翻译成本 回到那家招牌打印店。老板看到一个写着”自动报价”的 SaaS 页面，通常还不会立刻买单。他需要有人理解他的材料、客户、返工、安装、现金流和员工习惯，再把这些变成数据、流程和判断标准。FDE 这个模式重要，因为它命名了这种翻译工作：把现实世界的业务逻辑转化到数字系统里。 但翻译成本不能永远这么高。三种路径可能让这个等式成立：第一，轻量 FDE 加垂直模板和 AI agent，让人只处理最关键的业务判断，AI 处理迁移和配置。第二，像 ServiceTitan 一样，在足够大的垂直里做完整系统，用更高客单价吸收实施成本。第三，走 AI roll-up 的路，直接拥有服务交付，用 AI 改造运营。 AI 会把软件带到过去够不到的地方，但这件事不会自动发生。最值钱的能力是把现实业务翻译成可计算系统。AI 时代真正的问题是：谁能把翻译成本降下来，并且让每次翻译都沉淀成下一次成本更低的能力。