吴恩达给正火的 FDE 泼冷水：押注它，不如押注 AI Engineer

最近，一个叫FDE的岗位突然火了起来。FDE的全称是Forward Deployed Engineer，中文常被称为前端部署工程师。

你可能会看到这样的消息：OpenAI专门成立了一个部署公司；Anthropic也在招聘战略客户方向的FDE。猎头们开始到处挖人，开出的年薪相当可观。

于是，很多文章开始鼓吹：这是AI时代最性感的岗位。这番论调，听着是不是有点耳熟？就像当年Data Science刚兴起时被捧上天的样子。

就在这股热潮正劲的时候，吴恩达却发了一条Twitter，不轻不重地泼了盆冷水。

他的观点大致是：FDE这个岗位肯定会存在，但它远不会火爆到那个程度。真正的大机会，藏在AI工程师（AI Engineer）身上。

来看看，他为什么会这么说。

FDE 是干嘛的

简单说，FDE就是被派到客户公司工作的工程师。

当其他工程师坐在OpenAI的办公室里写代码时，FDE会直接进驻你的公司，在现场帮你把通用的AI产品改造成适合你业务流程的东西。他们会定制Agent工作流、调整提示词（Prompt）、对接现有系统、做评估，最终让项目落地。

这本质上很像toB领域的咨询工作。

这套打法其实不算新颖。Palantir公司早就干过，“FDE”这个词就是由他们发明的。当时他们就是把工程师派驻到政府现场，在隔离的网络环境中帮客户完成部署。现在，OpenAI和Anthropic重新拾起了这个方法，FDE才再次成为热点。

必须承认，FDE确实能解决真实问题。买一个现成的LLM回来，并不会自动产生业务价值。你得把它用起来，嵌入到实际流程中，处理权限、数据、评估、异常和各种业务规则。这些工作，需要一个既懂技术又能和业务方顺畅沟通的人来完成。

所以，在企业刚刚开始接触AI的时期，FDE的确是非常有价值的。

那么，吴恩达反对的到底是什么？

喊得最响的人，正好是要卖东西给你的人

这里有个容易被忽略的事实：

• OpenAI推出了OpenAI Deployment Company，专门帮企业部署AI，还顺手收购了Tomoro，带来了约150名FDE和部署专家。
• Anthropic则在招聘Applied AI团队的FDE，岗位说明里写得很清楚：要嵌入战略客户，推动用户采纳（Adoption），帮助客户基于自家模型构建新应用。

厂商为什么这么卖力地推广FDE？主要有三个原因。

单纯靠卖Token很难赚钱了。客户愿意付高价的，是“如何让这个模型变成我自己的业务流程”。FDE恰恰就是完成这个转化工作的关键角色。从最近不少人从Claude转向Codex就能看出，模型的忠诚度并没有想象中那么高。

第二，AI落地的瓶颈，已经从“有没有模型”，变成了“怎么把它塞进真实组织”。如果厂商自己不提供FDE服务，这块利润就会被埃森哲、德勤、麦肯锡、Palantir这些专业的咨询公司赚走。

第三，也是最关键的，FDE是厂商绑住你的抓手。谁帮你把AI工作流嵌入进去，谁就掌握了你的业务流程、使用习惯、数据接口和未来的长期预算。

所以，“FDE是性感新风口”这个说法，本身就有其立场。

而吴恩达站在了另一边——买铲子的企业这边。一旦换到这个位置，算账的方式就完全不同了。

企业真正该算的账：AI Engineer 才是大头

吴恩达的核心观点很明确：与其长期依赖从外部引进的FDE，不如把这种能力内化到企业自己的工程师团队中，也就是培养内部的AI工程师。

这其实是经典的“外部购买 vs. 内部自建”问题，背后是交易成本理论的考量：

一项能力，你究竟该去市场上买，还是留在公司内部自己搭建？答案取决于外部交易的成本，和内部自建的成本相比，哪个更高。

在刚起步的阶段，购买外部能力是划算的。你还不会搭建Agent工作流、不懂如何进行评估、不知道如何处理RAG和权限问题。这时，请厂商的FDE来跑通第一个闭环，比自己从零开始踩坑要快得多。

但AI落地从来不是一锤子买卖。它会慢慢渗透到客服、销售、运营、研发、数据分析、用户研究、质检、内容生产等各个流程中。到这一步，真正重要的就不仅仅是模型了，而是流程、数据、权限、提示词、评估标准和业务规则。

这就触及了交易成本理论中非常关键的一点：

当资产是为某个特定用户量身定做，一旦想要挪作他用，价值就会急剧下降，甚至一文不值。

设想一下：一个FDE帮你基于某家厂商的模型搭建了客服、销售、数据分析等多个Agent。这里面沉淀了大量针对该厂商API、特定框架、特定提示词、特定评估体系的东西。短期看是省事了，长期看你可能会失去选择权。今天最强的模型是A，明年可能就变成了B。等你想更换供应商时，才会发现自己根本搬不动这套系统。

还有一层风险更需警惕：FDE天然就不中立。

他的KPI是把自家产品嵌入得更深，而保证你的技术自由度，并不在他的考核范围之内。这在交易成本理论里，被称为“机会主义”行为。他未必想要害你，但问题在于你们的目标从一开始就不一样：你需要的是长期灵活、低锁定；而他追求的是产品用量、平台绑定、续约和更高的客单价。

所以，吴恩达那句“很难找到供应商中立（Vendor-neutral）的FDE”，翻译过来就是：

这也就是为什么AI工程师的未来盘子会大得多。FDE是供应商侧的岗位，受大客户数量、客单价和交付能力的限制；而内部AI工程师的需求，是按部门、按业务场景不断铺开的。AI最终要成为企业自身的能力，这件事不可能永远外包出去。

对企业来说，更合理的做法是分阶段进行：

• 早期：利用FDE快速跑通业务闭环，同时让他们把内部团队带出来；
• 中期：让内部的AI工程师接管关键系统；
• 后期：让外部的FDE退回到顾问角色，帮助他们评估新模型、新框架，而不是长期替代他们操作AI系统。

总结一下，FDE解决的是“如何开始做AI”的问题，而AI工程师解决的是“AI如何长成组织的能力”。这两个盘子，根本不在一个量级。

落到教育公司，这事更明显

就拿比较熟悉的K12教培行业来说。

这些公司的AI应用场景很多：班主任沟通记录摘要、销售话术诊断、体验课转化预测、家长异议识别、AI质检、用户研究材料抽取……真正决定这些应用效果的，其实是内部的业务规则、班主任的具体动作、家长的真实心理、课程的节奏、转化的关键节点、组织的考核口径。

这些深层的业务知识都沉淀在公司内部，一个外部的FDE很难轻松理解到那么细的颗粒度。就算他理解了，也很难做到随叫随到、随时响应你的变化需求。

所以，对K12教培公司而言，想用好AI，优秀工程师并不难招，真正稀缺的是以下三类复合型内部人才：

• 懂业务流程的AI工程师：能把模型接入企业微信、CRM、Dify、数据仓库、质检系统等实际场景。
• 懂评估的Evals工程师：能准确判断AI生成的话术、摘要、用户标签、意向判断是否真的可靠。
• 能定义问题、拆解场景、建立标准、评估效果、推动业务落地使用的内部产品型人才：这是一类融合了AI、用户研究和业务策略的复合角色。

从交易成本的角度看，这三类人放在组织内部，比长期依赖外部的FDE要划算得多。因为他们掌握着最难迁移的那部分知识：业务语境、组织信任、数据口径、用户心理、转化链路，以及真正能落地的边界。