OpenAI与私募股权公司合作，投资40亿美元。谈谈硅谷最新热门职位：FDE。

摘要

硅谷最新的热门职位是前向部署工程师（FDE），这是一种工程师与商业顾问的混合体，其核心使命是将AI演示转化为客户组织中原生的、实用的工作流程。近期的需求激增源于领先AI公司的战略转变。OpenAI与19家私募股权公司合作，投资40亿美元，成立了一家部署公司，并收购了Tomoro及其150名FDE。Anthropic也宣布与黑石等金融机构成立15亿美元的合资企业。本文基于对行业专家Jove（Cresta FDE团队负责人）和Oliver（Invisible Technologies副总裁，前麦肯锡）的采访，探讨了FDE角色以及以部署为中心的公司的崛起。关键洞察包括：FDE角色： Jove将FDE描述为“前向部署CTO”——一位技术扎实的工程师，与客户紧密合作实施AI解决方案，从过程中学习，并将这些见解反馈回来改进核心产品。他们需要具备AI代理专业知识、客户对接经验、韧性以及处理复杂、不完美系统的能力。虽然AI工具提高了他们的效率，但该角色的复杂性使得完全自动化遥遥无期。行业转变： 模型公司正在超越销售工具，转向确保现实世界的采用。这模糊了模型公司与应用公司之间的界限。与私募股权（PE）公司的合作是关键，提供了...

最近，硅谷最热门的工作无疑是FDE。FDE代表“前向部署工程师”。他们需要理解模型和技术，以及客户的数据、流程和业务痛点。他们的核心使命是将AI从演示转化为针对每个职业量身定制的AI原生工作流程。根据Perspective AI对1500名FDE的2026年调查，领先实验室的高级FDE年薪中位数达到48.5万美元，而经验丰富的员工则高达72.5万美元。顶级实验室的总薪酬范围在35万至55万美元之间。

这一热潮背后是顶级AI公司的重大战略转变。今年5月，OpenAI与19家PE公司合作，总投资超过40亿美元，成立了一家部署公司，并收购了AI实施服务公司Tomoro，带走了其150名FDE。Anthropic也宣布与包括黑石在内的多家金融机构合作，成立15亿美元的合资企业。这些顶级模型公司现在都在押注同一种服务：不仅仅是提供AI工具，而是深入嵌入企业，在特定业务场景中真正部署AI能力。

在本期“硅谷101”节目中，我们邀请了两位一线从业者讨论FDE和部署公司。我们探讨了FDE角色的具体性质，其起源于Palantir早期的军事部署模式，以及私募股权和咨询行业在这一AI采用浪潮中如何变化。

Jove，Cresta FDE团队负责人。Cresta为企业呼叫中心提供AI代理。Jove从去年初开始扩展他的FDE团队。

Oliver，前麦肯锡顾问，现任Invisible Technologies企业业务副总裁。

以下是对话精选：

01. 为什么模型公司开始部署？

Yiwen：Jove，你如何看待最近OpenAI、Anthropic等模型公司开始涉足AI部署？

Jove：我认为这正是FDE突然吸引所有人注意力的原因。作为一种工作类型，FDE已经存在了十多年，从Palantir开始。我们公司从去年1月开始部署FDE。当时，并没有明确的指令要招聘FDE，但有一种模糊的感觉，即我们需要工程师更接近客户。通过这种非常紧密的服务，我们可以了解他们想要什么，并有效地实施我们的产品。

但在过去一两个月，尤其是最近几周，关于FDE的讨论激增。我知道这个趋势会来，但没想到这么快这么猛。不过，我认为这证实了几点：首先，模型公司意识到模型本身并不是产品。将其转化为产品需要大量工作——这是传统模型公司经常忽视甚至不屑一顾的。但没有这种紧密的合作，即使有预算购买模型的客户也会对如何使用感到迷茫。我们发现FDE是一种非常有效的形式。

此外，模型公司和应用公司之间的界限变得模糊。OpenAI和Anthropi的方式更像是：我们仍然会雇佣最好的人来训练我们的模型——比如Anthropic，他们的模型以出色但昂贵著称，可以实现高定价和高人均效率。但至于部署到各个行业，那需要大量人力。这可能不是他们想自己处理的事情，这就是为什么有些人选择收购，有些人用资本让其他公司处理FDE工作。因此，模型公司和应用之间的关系变得更加纠缠，既是朋友也是敌人。

02. FDE的具体工作

Yiwen：如果让你用一句话定义FDE，你会怎么说？

Jove：FDE是与客户紧密合作、让AI应用真正运行起来的工程师，并且他们承担着根据这种体验改进产品的责任。因此，FDE的工作有两方面：第一，部署AI；第二，将学到的经验直接用于改进产品。他们几乎就像一个“前向部署CTO”——一个非常全面的人。你需要完成交易、部署AI应用、锁定客户；但作为CTO，你不仅考虑改进产品，甚至可能需要自我颠覆。所以，这就是FDE所做的：部署AI并利用这些经验使产品更强大。

Yiwen：在你与客户合作的经验中，FDE如何改变他们现有的工作流程？例如，你服务于不同领域的财富100强公司，它们对AI驱动呼叫中心（Cresta的核心业务）的需求各不相同。这项工作可能涉及大量他们特定的领域术语、知识甚至数据。这些客户如何向你们传达需求，你们如何理解并基于此进行部署？

Jove：在客户体验领域，我们积累了相对较多的经验，从2017年就开始了。所以即使在AI浪潮之前，大量人与人之间的对话已经存储在Cresta的系统中，当然在合规方面下了很大功夫。因此，对于像万豪这样的大公司，即使在Agent时代之前，也有人类客服，所以我们有大量文本和语音数据合规地存储在Cresta内。

所以你可以想象，一旦我们决定挑选几个AI Agent用例来实施，我们肯定会分析哪些用例数量大但不太复杂——即那些人工判断较少、相对清晰的标准操作流程（SOP）且数量大的用例。也许80%的业务量来自20%的用例。通过一些初步判断，我们可以利用过去的历史来抽象出客户通常问什么问题，以及客服（无论是人类还是AI）应该如何有效解决。这避免了很多猜测，因为AI和数据需要很好地结合。

当我们接手一个相对较大的项目时，客户通常已经使用其他Cresta产品很长时间了。我们可以分析他们的人工对话数据来识别模式；我们甚至可以在他们的数据上训练一个小模型来运行更多模拟。因此，FDE充当了相对有经验的AI实施官，判断首先处理哪些用例以及相应的资源是否到位。如果没有，我们不会强行改变他们的方式；我们更喜欢与客户共同创造。即使构建了一个版本的Agent，也需要大量测试和优化，这也需要大量努力。

Yiwen：你们需要去客户现场看他们如何执行任务吗？

Jove：“前向部署”这个词相当吸引人。就我个人和我的同事而言，我们从未在客户现场待超过一周。我们的FDE不负责最初的接洽或售前活动；更多的是已经有强烈意愿，我们作为专家被引入，看看如何最好地实施。

我们可能会有一个启动会议，飞到他们的办公室，闭门开两三天会，设定高层次目标，定义KPI，验证相关API，如果顺利的话，甚至可能在现场运行一个小型概念验证（PoC）以激发兴趣。但之后，我们回到各自基地。我们每周甚至每天开会，开发在办公室或家里进行。我们可能会在项目的用户验收测试（UAT）阶段或讨论下一波用例时再次聚在一起。面对面的会议可以进行眼神交流，建立个人关系。早期建立这种关系有助于建立信任，对后续工作非常有用。通常，那些不容易写下来的东西可以通过聊天和对话传达，建立更多默契（tacit understanding），提供更多背景信息——这些不现场很难做到。

但这些目的都是为了使AI实施更扎实，而不是强迫客户学习，而是理解他们需要什么并为他们构建。完成后，如果他们愿意，可以自己维护。但AI实施本质上困难且耗时；FDE只是让它稍微容易一些。

图片来源：Pixabay

Yiwen：FDE的概念最初由Palantir发明并推广。早期，Palantir实际上有两个团队，一个叫Echo，一个叫Delta。它们一起组成了FDE。但也许Delta更接近我们今天理解的FDE——工程角色。Echo团队更熟悉专业领域。你能告诉我们当时Palantir要解决的核心问题是什么吗？

Jove：是的，作为这种模式的原创者，Palantir当然值得尊重。他们的业务非常独特，不是每个供应商都能与军方合作。当他们10或15年前开始时，我认为是因为许多具体需求没有明确说明——你必须面对面，在同一军事帐篷里，看到数据后他们才会分享细节——而且涉及数据建模或即时创建API。所以他们雇佣了这两个团队：一个类似于现场前向部署软件工程师，另一个更像是业务负责人——比如熟悉运营或救援任务。一个是技术性的，另一个是非技术性的。

通常，FDE仍然是一个非常技术性的角色。在Cresta，我们也发现这种方法很合适。理想情况当然是万事通，就像所谓的单人公司，你既是CEO又是CTO。但这样的人很难找，每个人的精力也有限。所以我们做了实验。例如，早期我们有“对话设计师”，他们更熟悉人际互动、同理心和细节，不需要深厚的技术技能。过去一年多，我们的做法是将FDE与FDPM（前向部署产品经理）配对。FDPM不需要那么技术化。

FDE就像前向部署CTO；你可以把FDPM想象成前向部署CEO。他们利用人际交往、沟通和谈判能力，深度参与客户，花大量时间建立信任，了解他们真正想要什么。这包括Agent应该说什么、不应该说什么，如何创建测试集等与编码不直接相关的任务。他们不需要知道安全配置或网络，但这是一项实质性工作。FDPM可以专门管理这些。就像CEO负责整个公司，FDPM负责整个AI Agent的行为和能力标准。FDE确保技术实施到位，相应测试稳健，并承担将经验带回公司改进产品的责任。

将FDPM与FDE配对效果很好，因为我们经常一天与两三个客户开会。不是每次会议都需要FDE出席——他们可能正在讨论先说什么、后说什么。如果得出结论且实施不难，那么分工（division of labor）就不同了。FDE可以更多地关注AI行业最佳实践，以及如何将频繁需要的开发任务转化为SDK、工具包或CLI，从技术角度贡献更多。FDPM可以管理具体需求，包括风险、升级甚至追加销售——比如从三个用例扩展到六个。这种情况很多。可以把它想象成CEO和CTO的区别。我认为这很有效，因为它避免了将招聘门槛设置得过高，也防止了一个人每天必须同时处理太多不同任务。将角色分开效果更好。

Yiwen：所以总结一下，FDE本质上是一个高度技术性的角色，而FDPM需要更多的行业知识。我猜很多FDPM来自咨询背景或有更多企业运营经验。我想这是一个好机会来问：什么样的人最适合做FDE？一个优秀的FDE是什么样的？

Jove：我尽量简洁：我的目标是打造世界上最好的FDE团队。这是一个目标。虽然我们取得了一些成功，但我认为Palantir的巨大成功或股价上涨——其中有多少归功于FDE？很难说，因为因素很多，但他们开创了这种模式。现在FDE很火，因为AI实施非常具有挑战性，这种复杂性不应该甩给客户。FDE可以消化这些复杂层次，提供好的解决方案。

对于许多产品、SaaS或平台公司来说，FDE从一线获取经验并直接改进产品。想想看：10年前，即使Palantir的FDE知道产品有缺陷，他们能做什么？也许写封信或提交一个工单请求更改，这可能需要六个月。但现在，借助强大的AI编码能力，我们的FDE——我们招聘标准很高，寻找优秀的工程师——而且，由于AI编码代理、Claude Code或其他模型，当你知道问题所在、需要改进什么或可以做什么不同的事情时，即使跨越五到十个不同的仓库、语言或技术栈，你也可以轻松让AI实现，然后只需让人审查。所以迭代快得多。

除了编码，技能本身现在也可以利用模型有效提炼。以前，知识停留在人们头脑中，需要大量时间进行知识转移。现在你可以将其编写为一项技能——一个包含脚本和参考文档的长篇Markdown。做过两三次类似的事情后，它就变成了一项有价值的技能，可以快速应用到下一个项目。或者如果我们有30名FDE，再招聘20名，新员工只需安装并访问这些技能，无需从头学习。这产生了雪球效应。所以现在是FDE的好时机；招聘更多FDE可以加速部署。

我现在在纽约参加TechWeek，部分目的是举办活动并找到合适的人——他们首先需要是称职的工程师，因为像CTO一样，你不想找一个编码不好的人。他们必须有扎实的技术能力。由于我的团队专门关注AI Agent FDE，我不要求太多数据工程或信息安全方面的专业知识，但他们必须了解AI代理。

我经常看到简历上写着“我是AI工程师”。好吧，如今，如果你是一名软件工程师却不是AI工程师，你已经出局了。没人期望你亲自编写每一行代码。你必须知道如何使用框架、Cursor、Claude Code。但知道如何开发和测试AI代理的人并不多。这项技能对我们至关重要。我们不想花两三个月培训一个人；他们应该能在两三周内加入项目。所以你需要是一个优秀的开发者，构建并测试过AI代理。

另一个方面是有扎实可信的客户对接经验。毕竟，我们是前向部署。即使大部分会议在线或偶尔短期出差，你仍然需要与客户的CTO、IT主管、高级人员，有时是非技术人员沟通。你应该知道如何简化复杂问题，或从他们的解释中提取具体点进行验证；有时你必须说“不”。这不仅仅涉及英语沟通能力，还有整体成熟度——就像一个不只是编程的CTO。

这种技能通常来自于做过咨询、创始工程师、有广泛经验，甚至做过自由职业者——这些都是不错的背景。除了编程和客户互动，剩下的素质是可靠和有韧性，因为FDE真的很忙。你多任务处理，承受压力，面对一个不完美的世界——API可能脆弱，SOP不存在，文档乱七八糟。压力巨大，人们可能有不可实际的期望。所以你需要强大的能力来处理巨大的复杂性和不确定性。你需要自主性，知道如何推动事情前进，何时介入。

这就是为什么我喜欢招聘创始人、联合创始工程师或经历过风浪的人——他们知道没有什么是理所当然的，你必须非常努力才能达到稍好一点的状态。这种可靠性和韧性是我们寻找的品质。我不招聘初级FDE，因为如前所述，一个项目可能只有一两个人与客户CTO共同创造。初级人员很难建立这种信任，可能缺乏方向；你不能没有自己的判断就只问AI该做什么。所以技术能力必须有，客户对接技能必须有，而且必须能够端到端处理很多事情。

Yiwen：你提到FDE面对一个不完美的世界和相对较新的Agent工具。这个角色是长期存在的还是过渡性的？在AI时代，随着工具不断自我迭代和成熟，你认为这个角色会改变还是消失？

Jove：唯一不变的是变化。但与许多其他工程角色相比，用AI自动化FDE工作的道路还很漫长。短期来看，比如1-2年，会有更多工具让FDE更高效。例如，许多电话或对话可以用Gong等工具录音、转录、翻译甚至查询。像Glean这样的工具可以搜索最近的聊天记录和代码。这些工具帮助那些同时处理多项任务的人提高效率。有时我的日历上有两三个会议重叠；我会错过一些，但这些工具帮助我在更多地方“出现”，或不错过关键点。

这些工具可能允许一个FDE——比如现在平均处理2-3个项目——以后处理5-6个。所以工具改进提高了效率和容量。但展望更远，会出现分化。高端FDE将处理最困难的问题。你可以使用各种工具，但工具本身不能解决所有问题；你仍然需要非常有经验的人。

一方面，许多以前不需要FDE的人可能会想：“我能雇一个更便宜的FDE吗？” 类似于软件工程师的趋势，需求实际上可能上升。小诊所、个体经营者过去认为雇不起软件工程师，现在可能认为可以通过产品化一个工作流程来实现。相应地，可能会出现一批针对中小企业、长尾市场或远程地区（如越南）的FDE——他们从不去现场，但将客户需求与自己的AI技能结合交付。如果他们能将自己的解决方案产品化，这是另一种模式。

所以，只要客户复杂性存在，以及AI完全自动化存在差距，这个差距就需要FDE来填补。如果有一天出现完全AI的FDE——即使现在SDR（销售开发代表）也没有完全自动化——如果99%的FDE工作可以由AI自动化，从理解客户、编写提示词、测试到客户沟通，甚至公司之间的AI到AI代理通信，那么我们就不只是担心FDE了；整个行业和世界都会不同，人类参与最小化。但我认为这还很遥远。

我对FDE非常有信心。这个角色将变得更加多样化，涉及更多人，其重要性将越来越被认可。

03. 私募股权作为AI部署的关键切入点

我们与Jove的对话提出了两个问题：第一，部署公司做什么——嵌入企业、改造流程、帮助他们有效使用AI——听起来与传统咨询类似。咨询会被这波浪潮取代吗？第二，正如Jove提到的，为什么模型公司要与PE合作？像黑石这样的机构持有庞大的投资组合公司，许多是运营了几十年的传统企业。PE在这些合作中的吸引力是什么？

Jove已经触及了部分内容。接下来，我与有咨询背景且长期服务PE客户的Oliver进行了交谈，讨论这些行业变化。

Yiwen：你好Oliver，请简单介绍一下你自己和现在的公司。

Oliver：谢谢Yiwen。我是Oliver，Invisible Technologies的企业业务副总裁。我的工作是帮助企业客户利用我们的解决方案实施AI。在此之前，我在麦肯锡做私募股权咨询，属于Rewired团队，该团队帮助公司重新思考商业模式，使其更受技术和AI驱动。

Yiwen：你说帮助公司实施解决方案。具体是什么解决方案？

Oliver：好的，我简单解释我们做什么。我们公司叫Invisible Technologies。我们的名字来源于一个理念：当技术做得足够好时，它变得隐形——你感觉不到它。我们的方法与许多软件公司不同。在日常生活中，我们都使用AI工具；它们很好，但这正是问题所在：个人使用AI与企业采用之间存在巨大差距。这个差距很大程度上源于市场服务企业的方式。

想想当前市场：要么大模型供应商直接销售，要么有包装产品——比如面向律师的Harvey或用于会议记录的Granola。它们是好工具，但它们没有改变你的工作方式；只是增强了现有方法。结果是许多公司部署了AI但没有看到变革性的变化。

所以我们走了不同的路：我们不是逐一实施工具，而是切入（enter）工作流程，为每家公司构建定制软件。我们拆解一个工作流程。假设有十个步骤；我们确定其中五个由于数学计算、合规等原因必须是确定性的——不能出错。其中三四个步骤可以使用AI，允许一些灵活性。其中两个步骤可能需要人工审核以确保一切正确。这是真正利用AI改变业务的正确方式。

但要这样做，你必须为每家公司定制，因为每家公司、每个部门的流程都不同。所以如果你想将“前AI”公司转变为AI原生公司，你必须构建适应该工作流程的定制软件。这就是我们做的——我们构建了一个模块化平台，因此可以快速完成。

Yiwen：你们所做的听起来很像OpenAI最近宣布的“部署公司”——也是帮助企业实施。你如何看待他们的举措？你认为他们为什么这样做？

Oliver：我认为他们非常正确。过去六个月，你可以清楚看到CFO和企业高管更多谈论成本压缩。同时，MIT和斯坦福的报告显示，真正运营和规模化AI的企业很少。这种差距不可持续，不能继续下去。所以大模型供应商必须推动企业端的实际采用，证明ROI。仅仅销售聊天机器人做不到这一点。要打开那扇门，他们必须走和我们一样的路。

所以我认为这是一个非常及时的举措。当然，他们拥有大量资本和强大的技术能力；他们肯定会成功。但他们的原始方法非常横向——尽管他们有一些垂直应用，但本质上他们构建通用模型。现在突然转变为企业构建定制工作流程，这是一个完全不同的市场动作，完全不同的销售动作，与他们习惯的非常不同。我相信他们能解决，但这需要时间。

Yiwen：我想从私募股权方面开始。既然你服务许多金融机构客户，我看到这里有两条线：一条是这些机构内部使用AI；另一条是他们的投资组合公司——许多PE公司投资的传统SaaS公司也可能需要转型。你认为他们现在最需要什么？他们害怕什么？这就是他们与OpenAI和Anthropic合作的原因吗？

Oliver：我认为PE和私人资本公司有三个核心需求。

首先是信号价值。我处理PE公司有一段时间了：三年前，他们会问：“你能来解释AI如何工作吗？”两年前，变成了“你能帮我考虑如何在投资组合中推广AI吗？”今年，情况完全变了。他们来找我说：“我需要从LP、养老金、我的投资者那里筹集资金。我必须证明我在AI前沿。我需要案例研究证明我通过AI创造了价值，否则LP不会给我钱。” 这完全是不同的逻辑。现在对于GP来说，展示AI能力与筹款生存相关。与行业内最大的名字合作是极好的验证，所以信号价值非常高。

第二是为投资组合创造价值。这是一个非常真实的需求。正确使用AI可以创造巨大价值。细节很复杂，但这一方面是真实的。

第三是投资回报本身。这些合作的结构非常有吸引力。基本上，它允许GP进入一个高回报领域，获得高增长资产的风险敞口。从这个角度，逻辑也成立。

Yiwen：你的第一点很有意思。是什么驱动LP推动AI？

Oliver：这与大多数公司推动AI的原因相同。从消费者角度看，你越读AI能做什么，就越意识到它的潜力。变化的速度确实可怕；一切似乎都在以极快速度发展。所以每个人都意识到AI可以做这么多；如果你没有认真做AI，你就落后了。

从LP的角度看，如果我把钱给一个GP，我当然希望确保他们也在利用AI改造投资组合公司。这是一个非常真实的需求。另一点，既然你提到了SaaS：过去5-10年，PE最大的两个资产类别是医疗保健和软件。几乎每个PE都有软件风险敞口。今年有很多关于“SaaS已死”的噪音。LP和GP高度紧张。GP在努力证明“我们还好”，所以信号价值进一步放大。

但看看Anthropic与Coatue等人的合作，合作伙伴并非纯粹的软件投资者。因为你说得对：AI最大的价值创造往往不在软件公司。

Yiwen：对，是那些传统企业，包括工业、制造业等。

Oliver：商业服务、工业、医疗保健——尤其是医疗保健，规模巨大。基本上，所有以前软件帮不上太多忙的行业，现在都可以用软件做非常有趣的事情。另一个很好的例子是GP公司本身。PE公司做什么？寻找交易、估值、投资、管理资产。这是非常劳动密集型的，使用非常昂贵的人——无论是内部团队还是外部顾问。这个工作流程正好适合AI转型。我有一个大客户，一家非常大的资产管理公司。我们正在改造他们的工作流程，影响令人惊讶。

Yiwen：能举一些具体例子吗？与许多金融专业人士交谈，他们似乎主要将AI用于研究、总结等与LLM相关的事情。我很好奇你们如何真正自动化工作流程。

Oliver：好的，有很多可以分享的。分解一个投资基金的业务，有几个模块：募资、投资管理、合规/财务、基金运营。我挑几个工作流程例子。

首先，募资。我有一个大客户，一家大型资产管理公司。他们想与一家较小的资产管理公司合作，后者将他们的产品纳入产品线以换取佣金——听起来不错。但小公司说他们需要大公司的一名销售经理参加每次客户会议。大公司不能接受；利润会消失。所以他们来找我们，问能否构建一个AI销售助手来参与这些对话。

工作流程是：他们大约有一千个产品，所以首先需要构建数据基础设施来整合它们。然后是一个输入层，供合作伙伴输入客户数据，并权限隔离。然后是一个计算模块，确定该客户的最佳产品组合——这部分是确定性的（数学）。然后生成销售脚本用于会前准备。