OpenAI联手PE砸下40亿美元，聊聊硅谷最火新职位FDE

AI落地浪潮中的前线部署工程师

最近硅谷最火的岗位，非FDE莫属。FDE全称“Forward Deployment Engineer”，可以直接翻译成“前线部署工程师”。他们既要懂模型和技术，也要理解客户的数据、流程和业务痛点，核心任务是把AI从demo变成各个职业自己的AI-native工作流。Perspective AI在2026年对1500名FDE的调查显示，前沿实验室资深FDE的年总薪酬中位数达到48.5万美元，资深员工级别则高达72.5万美元，顶级实验室的总薪酬区间落在35万至55万美元之间。

这股热潮的背后，是顶尖AI公司战略上的重大转向。今年5月，OpenAI联手19家PE，合计投入超40亿美元，成立了Deployment Company（部署公司），并收购了一家AI落地服务公司Tomoro，打包带走了150个FDE。Anthropic也宣布与包括Blackstone在内的多家金融机构合作，成立价值15亿美元的合资企业。这些顶尖模型公司，都开始押注同一种服务：不只是提供AI工具，而是深入企业内部，在具体业务场景中把AI能力真正部署起来。

本期《硅谷101》，我们请到了两位一线从业者讨论FDE和部署公司。我们聊了FDE这份工作的具体形态、它与Palantir早年军方部署模式的渊源，也讨论了在这波AI落地浪潮中，私募基金和咨询行业正在经历怎样的变化。

Jove，Cresta FDE团队负责人，Cresta为企业呼叫中心提供AI Agent，Jove从去年年初就开始扩招FDE团队

Oliver，前麦肯锡咨询师、现任Invisible Technologies企业业务VP

以下是这次对话内容的精选：

01、模型公司为什么开始做部署？

Yiwen：Jove，你怎么看待最近OpenAI、Anthropic和其他模型公司开始做AI部署的动作？

Jove：我觉得这就是FDE一下子就让大家上头的部分原因。作为一个工作类型，FDE从Palantir开始就已经存在了十几年的时间。我们公司是在去年1月份开始做FDE的这样一个部署，当时没有很明确的一定要招FDE，但是模模糊糊觉得需要把一些工程师拿出来跟客户走得更近，通过这些非常贴近的一些服务，能够了解他们想要什么，然后把我们的产品用到位。

但是过去一两个月，尤其是最近这一两个星期，出现了大量对FDE的讨论。我知道这次事情确实会来，但我没有想到会这么快，来得这么迅猛。但我觉得这也印证了几个事情：一是模型公司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。

另外，模型公司跟应用公司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。但至于是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找，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，模型公司跟应用之间的亦友亦敌的关系就变得更加纠缠不清了。

02、FDE的具体工作

Yiwen：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，二是把这些Lesson Learned（经验教训）能够以直接的方式去改变产品，让产品变得更好。甚至像是一个“Forward Deployed CTO”，你是非常全面的一个人：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，你不光是整天想着怎么让产品变得更好，甚至是你要自我革命了。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：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？比如，你们服务的这些财富100强的公司，很多都是不同领域的公司，对AI智能呼叫中心（Cresta的核心业务）这件事情有不同的需求，工作肯定也会涉及到很多他们专业领域的一些术语、知识甚至数据。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，我们相对来说积累比较多，从2017年就开始做了。所以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的。所以比方说，像Marriott这些大的公司，在Agent这个时代之前，就有人工Agent，所以有大量这些文本语音的语料，通过合规的方式在Cresta这边存储。

所以你可以想象，一旦我们决定去挑几个AI Agent的用例去做，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。这也就是没有很多人工判断的，相当于说SOP比较清晰，量比较大。可能80%的业务量是来自20%的应用场景。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。所以这些就避免很多猜的成分，因为我觉得AI跟数据需要做很好的结合。

在我们做一个相对比较大单子的时候，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这样一个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、做优化，其实也要花很多的精力。

Yiwen：你会需要去现场看客户是怎么样进行这些工作的吗？

Jove：前线部署这个词比较抓人眼球。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能够定下来，KPI定下来，把它对应的API能够验证，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，我们每周甚至每天都会有会议，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。而且面对面的话，大家会有些眼神交流，大家甚至可以培养一些私交。你早期培养这些私交，有些信任对后续工作是很有用，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，更了解更多的背景，这些往往是你不到现场很难达到的。

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。

图片来源：Pixabay

Yiwen：FDE这个概念是由Palantir一开始发明并且推广的。最早的时候，Palantir其实是有两个团队，一个叫Echo，一个叫Delta，这两个它们放在一起成为了一个FDE。但是可能Deltas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：对，Palantir作为这个模式的最初的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，他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：一个团队是有点像前线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。我们最近这差不多一年的方式，也是有所谓的FDE和FDPM（Forward Deployed Product Manager，前线部署产品经理）一起配合，FDPM就不需要那么技术。

FDE像一个Forward Deployed CTO，可以想象FDPM就是Forward Deployed CEO，他用他的人际能力、沟通能力、协商能力，与客户深度磨合，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，他也不需要知道安全应该怎么做、网络怎么配，但这个本身是个很扎扎实实的一大块的活，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，因为他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，把它变成SDK、工具包、CLI，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，你是不是可以做成六个。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：所以总结一下就是，FDE其实本身是一个技术性比较强的这样一个职位；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说咨询背景，或者更多的是一个企业运营的背景。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句话：我要说打造全世界最好的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，因为它本身有太多因素在里面，但是它开创了这样一个模型。但现在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把在前线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、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。原先都是大家留在脑子里面，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。所以这个就很容易像一个雪球效应，所以FDE现在肯定是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，招到合适的人——他首先需要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？就现在你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。毕竟我们是前线部署，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。这边有不光是英文层面的沟通，而且是你整个人要比较老练，实际上跟CTO一样的——CTO也不能是光写代码的一个人。

所以这个技能我就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，或者是他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，剩下可能就是一些人的要比较靠谱、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，你有很多压力，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一些想法，所以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founder、cofounding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，你就是要必须是非常努力地去做，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要到位，你的对接客户的能力要在那边，你能够抓很多事情，端到端。

Yiwen：你刚才说FDE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？在AI的时代，当工具会不断地自我迭代不断成熟之后，你觉得这个角色他会变吗？还是他会消失？

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

但这些工具能够让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会更高，或者是能够做事情更多。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。

一方面会有大量原本不需要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，因为原先觉得他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，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。但我觉得这个会有很长一段路要走。

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。

03、私募与AI部署的重要入口

在和Jove的访谈中，我们产生了两层疑问：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，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。

Yiwen：Hello Oliver，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，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。

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，是很多传统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。变化真的快得吓人，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，我们能帮他改造这些工作流，效果非常惊人。

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，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。

还有一个我很感兴趣的就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。

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-native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，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——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。

04、AI如何改变咨询和企业本身？

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，这个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，二就是把本该确定性的东西也让AI来做。

该文观点仅代表作者本人，36氪平台仅提供信息存储空间服务。