FDE 是什么：AI 落地的最后一公里生意

本文为个人学习整理，内容转写自券商研报与会议纪要，版权归原作者所有；如有出入以原文为准。

基于 8 份券商研报与会议纪要（2026-08）+ 公开报道整理。数据口径打架的地方都标了出来，没有抹平。 配套 deck（咨询版式，A4 横版 13 页）：在线版 ｜ PDF 下载

一、先从一个反常的数字说起

2025 年 4 月，全球招聘市场上挂着的 FDE 岗位是 643 个。2026 年 4 月，5330 个。一年，729% 的涨幅。

另一个统计口径说，从 400 余个涨到 5000 余个；还有媒体按”今年内”算，增长 800% 以上。口径不同，方向一致：这是 2026 年科技行业需求最猛的岗位，没有之一。

薪酬更能说明问题。70% 的 FDE 岗位带股权激励；薪资有两个口径，基础年薪 7.4 万美元，含股权的平均包报到 17.2 万美元——和模型公司研发人员一个档次。要知道这是个”驻场”岗位。在传统软件行业里，驻场约等于二等公民：甲方会议室角落的位置，改需求的传话筒，项目延期时的背锅位。现在这个位置开到了研发的价。

招聘主体也值得看：超过一半的 FDE 岗位由初创企业和 A 轮公司发布。没存量业务包袱的公司跑得最快，这个规律在哪轮技术浪潮里都一样。国内招聘平台上，FDE 岗位已经挂出 20-35k×15 薪的价码，要求清一色写着”全栈+懂业务”。

更早的信号在去年 6 月：a16z 把 FDE 定义为”创业圈最热门的岗位”。风投不创造价值，但风投对边际变化敏感，这句话可以当行业温度计用。

然后是真金白银。2026 年 5 到 7 月，头部厂商密集下注：

• OpenAI 联手 19 家 PE，掏出超 40 亿美元成立 OpenAI Deployment Company（投前估值 100 亿美元），顺手收购英国 AI 咨询公司 Tomoro，打包带走约 150 名 FDE；
• Anthropic 与黑石、高盛、Hellman & Friedman 组建 15 亿美元的企业 AI 服务合资公司——Anthropic、黑石、H&F 各出约 3 亿，高盛约 1.5 亿，阿波罗、红杉跟投；
• AWS 投入 10 亿美元搭建千人级 FDE 组织，外加合作伙伴主导的 FDE 体系；
• 微软 投入 25 亿美元成立专属机构 Frontier Company，配齐 6000 名行业专家与工程人员。

两个月，承诺投入超 90 亿美元。这些公司 2025 年还在卷模型跑分，2026 年突然集体掉头去抢”驻场工程师”。

为什么？

二、FDE 到底是什么

FDE，Forward Deployed Engineer，前向部署工程师（也译前线部署、前沿部署，指同一个东西）。

名字来自军事。美军的 forward deployment 是把核心作战力量前置到一线行动位置，而不是蹲在后方指挥部里层层请示——前置部署换响应速度，用现场判断替代层层传导。Palantir 在 2003-2008 年服务情报机构时，把这个组织方式搬进了软件行业：工程师带着安全许可进驻客户的敏感环境，在客户现场写代码，对现场的落地结果承担端到端责任。

注意最后半句，这是 FDE 和所有近似岗位的分界线：

刻薄一点说，咨询顾问对 PPT 负责——埃森哲 70 万人、人均创收 9 万美元的生意，卖的确实是工时。FDE 的考核反过来：系统没跑起来、客户指标没改善，就是 FDE 的失败。

具体工作拆成三件事：

1. 业务问题筛选——吃透客户的商业模式、营收结构、业务流程、组织架构，找出能被 AI 撬动、值得做的高价值场景。不是什么都能做，先回答”应该做什么”；
2. AI 工程落地——数据接入、工作流搭建、原型开发、系统对接、调试部署，把筛选出的场景做成能跑的系统；
3. 业务效果验证——上线不是终点，拿业务指标说话，持续迭代。

对应的能力模型是全栈的：计算/存储/网络架构，模型训练微调调优，Agent 调试与 MCP 接入，系统集成。但最稀缺的一条不在技术清单上：读懂客户的业务 SOP，并把它翻译成 Agent 能执行的流程。会写代码的人好找，看得懂工厂排产逻辑、医院诊疗路径、银行风控规则的工程师不好找。

Palantir 内部把这个岗位拆成两个角色协同：Echo 驻场挖掘业务痛点、翻译成精准需求，偏业务翻译；Delta 在现场快速搭原型、部署、迭代，偏工程实现。一个回答”应该做什么”，一个回答”怎么做出来”。这套分工打通了一个老病灶：传统软件行业里，懂业务的人不会写代码，会写代码的人不了解业务痛点，售前、咨询、研发、实施各司其职又互相断层。

组织形态是小编制、短周期。AWS 的做法有代表性：5-6 名工程师组成专项小组嵌入客户团队，45 天一个冲刺迭代，把传统数月的 AI 交付压缩到数天。交付物也不只是一套系统，还配套知识图谱、运行手册、架构文档和客户内部人员的培训，外加支撑 Agent 自主推理的语义层——目的是让客户离了你也能转。这听起来反商业直觉，但恰恰是续约率的来源，后面讲。

三、一个 FDE 项目长什么样

把各份报告里散落的细节拼起来，一个典型 FDE 项目的完整流程大致是：

**第 0 步，选场景。**Echo 角色先进场，花一到两周泡在客户业务一线：看数据在哪、流程怎么跑、人怎么协作、哪些环节最耗时、哪些决策最常出错。产出不是需求文档，是一个判断——这个场景值不值得用 AI 做。多数场景不值得，如实说。

**第 1 步，接数据。**企业的数据散在 CRM、ERP、MES、审批流和各种 Excel 里，口径还互相打架。数据接入和治理是体力活，也是最没技术光环但最决定成败的环节。

**第 2 步，搭原型。**Delta 角色用平台工具快速搭出可运行的最小系统。Palantir 的 Bootcamp 把这个压缩到五天：带 AIP 工具进场，用客户真实数据搭出原型，客户亲眼看着自己的数据跑起来。AIP 落地后，Palantir 的上线周期缩短到两三天，转化效率是传统模式的 2.3 倍。

**第 3 步，跑生产。**原型过验证后进生产环境，对接权限体系、合规要求、现有系统。这一步是 80/20 缺口里的那个 20%，通用方案全在这里翻车。

**第 4 步，沉淀。**项目里形成的行业知识、接口、测试方法、失败案例，回流到厂商的平台和本体层。这一步客户无感，但它是 FDE 商业模式的命根子。

**第 5 步，交接。**知识图谱、运行手册、架构文档、人员培训，再加常驻的 Agent 工作流持续运行。系统留在客户那里继续产生价值，经验留在厂商平台里服务下一个客户。

整个周期的组织成本：一个 5-6 人小组，45 天一个冲刺。对照组是传统项目制：30 个外包，6 个月。

四、为什么以前没有，现在有了

FDE 这个做法，Palantir 二十年前就在用。但二十年来只有它一家跑通，制约因素很朴素：太贵。工程师驻场是人力密集型生意，成本结构决定了它没法规模化——每多一个客户就要多派一队人，收入涨、成本跟着涨，永远是线性生意。

2026 年变了，三个边际变化同时发生。

**第一，交付物变了。**以前企业项目交付的是动辄几千台服务器、超融合和私有云产品，现在交付的是 AI 服务和 Agent 系统。硬件集成里最重的体力活没了。

**第二，交付人力变了。**以前是 30 个外包干 6 个月，现在是一个 FDE 小组加 Agentic Coding。AI 编码工具把代码生成、接口开发、测试校验、文档编写这些初级工程师的重复劳动吃掉了，人只做需求判断、架构设计和知识沉淀。有个对比很直观：以前上千名技术人员耗费数年才能开发完成的协作平台，现在 10 个工程师加 AI 工具就能落地核心功能。

**第三，付费方式变了。**按人天、按里程碑分阶段付款，正在变成结果导向或 License 部署验收。客户不再为”过程”付钱，开始为”结果”付钱。

有人把这个转变讲得很形象：大型 AI 项目正在从”一群外包+核心产品+一堆硬件+系统集成”的工业浊酒，切换成”几个人+业务 Agent+基础软件和数据+Agentic Coding”的酱香白酒。原料表短了，度数高了。

需求侧的变化同样关键。企业 AI 落地有个被广泛引用的 80/20 缺口：通用大模型加基础提示词，能覆盖企业 80% 的标准化常规业务；真正卡脖子的是剩下 20%——长尾需求、异常场景、行业合规约束。这 20% 恰恰是企业愿意付高价的部分。

落地现状的数据很不好看。参与 AI 布局的公司里，只有 60% 做过企业级 AI 工具评估，20% 进入落地试点，最终真正落地、创造百万美元级收益的，只有 5%。另一个口径：88% 的公司在至少一项业务职能里常态化用 AI（上一年还是 78%），但只有约三分之一做到全域规模化；Agent 赛道 62% 的公司开了试用，规模化部署的只有 23%。模型能力狂奔和企业落地滞后之间的剪刀差，就是 FDE 的市场。

企业钱的走向也能印证。2026 年全球 IT 支出预计 6.15 万亿美元（2025 年 5.55 万亿），其中软件支出 1.43 万亿美元，同比还在涨 10.8%-14.7%——AI 转型没有让 IT 预算缩水，只是换了流向：压缩低频席位释放经费、砍重复工具、减少低价值 BPO，把运营预算转向智能体建设。AI 在 IT 总预算中的占比，2024 年不足 15%，2027 年预计接近 25%。

很多公司过去几年每年花几百万甚至上千万美元采购模型 API，结果接口买回去落不了地，大量 Token 额度闲置。采购逻辑因此彻底转向：2025 年看榜单排名、看每百万 Token 单价；2026 年看的是任务成功率能不能从 80% 提到 95%、人工介入频次能不能持续下降、原来 10 个人的流程能不能 3 个人跑完。一句话，从”买模型”变成”买业务结果”。

能为结果负责的人，就是 FDE。

五、历史纵深：每轮范式切换都有自己的”最后一公里”

把镜头拉远，FDE 不是新事物，是一个老行当的最新一轮。

每轮基础设施范式切换，都会催生一波以改造存量系统为生的专业服务公司：

• 物理机时代：IBM/Oracle/HP/Dell 开创数据中心，系统集成商做机房搭建和实施；
• 虚拟化时代：VMware/AWS EC2/Microsoft/Citrix 重新定义数据中心，一批公司靠虚拟化改造活着；
• 云原生容器化时代：MSP（云管理服务提供商）承接 K8s 改造项目；
• 微服务化时代：互联网公司做微服务改造，扛亿级并发；
• AI-Native 时代：轮到 FDE 承接存量系统的 Agent 化改造与新系统交付。

规律很清楚：底层技术每换一次，就诞生一代”翻译者”，把新技术翻译成旧系统能消化的样子。这行当历来利润率不高，因为翻译是人力活，人停收入停。

但这一轮有个本质区别。以前的迁移是把系统从 A 架构搬到 B 架构，交付完关系就结束了；这一轮是把”人做事”的流程翻译成”Agent 做事”，交付物是系统本身，而且系统交付后还在持续干活、持续消耗 Token、持续产生数据回流。驻场第一次从一次性买卖变成经常性收入的入口。

AWS 自己就是活样本：一家亲历了虚拟化、容器化、微服务化、Agent 化四轮改造的公司，现在把下一个万亿级增长点押在企业生产负载的 AI 化上——AI 需求杠铃的中段。杠铃一头是模型研发，一头是消费级应用，中段是企业生产系统，以前最不起眼，现在最肥。

六、商业模式解剖

双向蒸馏：FDE 的飞轮

FDE 模式最核心的机制叫双向蒸馏。蒸馏是借 AI 训练的说法，指把粗糙的经验提纯成可复用的资产。方向有两个：

对客户侧蒸馏，让企业零散的业务经验显性化——以后换谁来操作系统，经验都留在里面。对厂商侧蒸馏，让下一个同类客户不用从零开始：简单配置加少量定制就能上线。失败案例尤其值钱，它是测试集和边界条件的来源。

先投入后回收：延迟收益是入场券

双向蒸馏转起来，规模效应才出现。一份研报算过这笔账：

前几个客户是亏的或微利的，复利从后面开始。所以 FDE 的财务模型注定是延迟收益：初期小规模试点验证价值、构筑客户信任，允许单项目亏损；验证成功后横向拓展到客户其他业务部门，做大合同金额、提升续约粘性。

这也意味着准入门槛：前期亏得起。这解释了为什么排头兵是云厂商和拿了巨额融资的模型公司，也解释了 Palantir 为什么在军方和情报机构熬了十几年才等到商业化。

计费模式的三级跳

人天计费 → 平台订阅/用量计费 → 按结果付费（result as service）。

第一级是外包逻辑，第二级是 SaaS 逻辑，第三级是 FDE 的终态。员工激励跟着变：从绑定工时饱和度，变成绑定客户业务指标和续约率。国内明略科技已经在往 result as service 转：驻场梳理场景、部署定制化 Agent、对接全系统、验证 ROI，按效果收钱。从”卖工具”到”卖价值”，收费方式的变化是商业模式变化的最后一公里。

怎么判断一家公司的 FDE 是真 FDE

三条运营指标，比看团队规模靠谱：

1. 同类客户上线周期是否持续缩短——沉淀在起作用；
2. 单客户交付人天是否持续下降——复用在起作用；
3. 可复用平台资产占比是否持续提升——飞轮在起作用。

终局状态是收入增速持续快于交付人员增速。Palantir 做到了：2026Q2 收入增速 93%，员工同比增速约 1%。

还有一个更直接的试金石：毛利率。传统咨询外包的毛利率中枢是 30%-40%，埃森哲长期稳定在这个区间，因为成本跟着收入线性涨。一家号称做 FDE 的公司如果毛利率也是这个水平，那它做的其实是旧酒装旧瓶——驻场外包换了个时髦名字。真 FDE 的毛利率应该向软件公司看齐。Palantir 2026Q2 调整后毛利率 86%、调整后经营利润率 62%，创历史新高。

口碑案例与人才壁垒

这行靠案例吃饭：合作客户的规模、落地效果、有没有企业愿意站台，是下一个项目的敲门砖。第一个标杆客户的选择几乎决定后面三年的生意。

人才壁垒是核心资产。全栈贯通的能力模型（架构→模型→Agent→集成）加上业务 SOP 翻译能力，培养周期长。FDE 薪酬对标模型公司研发，不是噱头，是供需。

七、Harness：FDE 手里的扳手

讲 FDE 绕不开 Harness。这两个词经常一起出现，一个管人，一个管机器。

Harness 直译是”马具”——套在马上让马力为人所用的挽具。AI 语境里，它指包裹在基础大模型外层的智能体运行时系统。基础大模型只负责理解和推理生成；Harness 负责把单次模型调用组织成可持续运行、能自主调用工具、能闭环完成复杂任务的完整系统，管五件事：上下文构建、工具筛选调用、权限合规控制、长周期任务状态维持、异常恢复。它直接决定智能体能看见什么、能操作什么、什么时候动手、出错了怎么办。

为什么模型越强，Harness 反而越重要？因为任务形态变了。早期对话式 AI 是单次问答，一分钟内结束，出错的代价是重新问一遍。现在的 Agent 任务是规划、检索、多轮工具调用、跨系统联动、结果校验的长链条，一跑几个小时。链条越长、工具越多、权限越高，出事的概率越大。没有 Harness 的 Agent，像没装刹车的快车。

Harness 行业的竞争不在功能多少，在任务成功率和调用成本的平衡。Anthropic 做过一个对比实验：同一个模型做同一个应用，简易单智能体跑 20 分钟、花 9 美元；加上完整规划、生成、评估模块的全套 Harness，跑 6 小时、花 200 美元——成本 20 倍，换来任务完整度和准确率的大幅提升。什么时候该上重 Harness、什么时候够用就行，这个分寸感是核心壁垒。

AWS 把 Harness 做成两层：一层是智能体核心运行 Harness，保障单个 Agent 稳定运行、异常恢复；一层是交付 Harness，沉淀项目落地的行业知识和系统能力，让多项目、多客户之间的经验可复用。前者管机器，后者管组织记忆。

FDE 和 Harness 合起来是完整闭环：FDE 在现场把隐性经验蒸出来，Harness 把蒸出来的知识变成机器可重复执行的能力；系统上线后持续产生运行数据（工具调用、流程异常、权限报错），FDE 根据数据甄别问题根源——是模型不行、数据有缺陷、权限有漏洞还是规则缺失——再回头优化。转一圈，飞轮快一格。

所以有句话值得记住：模型正在变得可替换（开源模型可用性大幅提升后尤其如此），真正有价值的是把业务 SOP 转成 Agent 系统的那套 Harness 和沉淀本身。

八、案例：Palantir 的二十年

所有 FDE 讨论最终都会回到 Palantir，因为它是唯一跑完全程的样本。

**2003-2008，情报机构阶段。**工程师带着安全许可进驻军方和情报机构的保密环境，做目标追踪、关系分析、态势感知，沉淀出 Gotham 平台和 Delta+Echo 的早期组织架构。没有大模型，用的是传统神经网络技术。这段经历定了 FDE 的基因：进最复杂的现场，啃最硬的数据。

**2016 起，商业化阶段。**推出面向企业客户的 Foundry，把企业的异构数据映射为统一的语义层 Ontology——Palantir 最重要的资产。Ontology 把客户体系里零散的字段、编码、接口规整成标准化的业务语义，让系统”懂业务”而不是裸读数据库。驻场项目里挖出的行业 know-how 持续回流，从零散项目升级为平台运营，单项目服务成本大幅下降。

**2023 起，AIP 阶段。**在 Ontology 上叠加大模型能力层 AIP，让大语言模型通过语义层理解业务。配套的销售交付打法叫 Bootcamp：FDE 团队带工具进驻客户现场，用客户的真实业务数据，五天搭出可运行的业务原型。客户转化率约 70%，获客成本下降 40%-60%。客户不再听 PPT，看着自己的数据跑起来再决定买不买。后续的 AI First 体系更进一步，把数据转换、本体编辑、功能开发、系统配置这些原本人工做的活也智能体化。

产品线的分工：

财务数据是模式成立的最终证据（2026Q2 财报，已交叉验证）：

• 单季收入 19.35 亿美元，同比 +93%，全年指引上调至 +82%；
• Rule of 40 得分 155%（收入增速+调整后经营利润率，超 40% 就算健康），全球百强市值科技公司第一，第二是英伟达；
• 年收入从 2021 年 15 亿美元到 2025 年约 45 亿美元，四年三倍；
• 毛利率 82%-86%，对照传统咨询的 30%-40%；
• TTM 人均创收 140 万美元，对照埃森哲的 9 万美元——15 倍；
• NDR（净收入留存率）157%，老客户持续加购新场景；
• 剩余合同价值超 60 亿美元；
• 员工年增速约 1%，五年只新增 4500 人，对照埃森哲 70 万人；
• 无负债。

一句话总结 Palantir 证明的事：驻场服务这个自古以来的低毛利人力生意，在”平台沉淀+AI 赋能”之后，可以做出比大多数 SaaS 公司还好的财务指标。这是整个 FDE 叙事的地基——也是它被质疑的原因，后面讲。

九、玩家图谱

**CSP（云厂商）：排头兵。**逻辑是全栈人力（懂 infra、能翻译业务 SOP、付得起高薪）加基础软件生态（数据库、大数据、安全），能做跨系统的整套交付，而且是相对中立方。AWS 最体系化：专属 FDE 团队嵌入客户业务和安全团队，按月交付压缩到按天，双层 Harness 沉淀组织记忆。微软走自建，25 亿美元、6000 人。CSP 做 FDE 还有一层自家算盘：FDE 交付的常驻 Agent 工作流会持续消耗 Token。谷歌云 2026 年 5 月全系产品月度 Token 处理量超 3200 万亿，是去年同期 7 倍、两年前 300 多倍；年消耗超 1 万亿 Token 的客户，5 月 375 家，7 月近 500 家。FDE 帮客户落地，顺便把云厂商的印钞机开到更大档位。

**模型公司：用收购和合资补交付短板。**OpenAI 的 Deployment Company（40 亿美元、100 亿投前估值、Tomoro 的 150 名 FDE、与 BCG/贝恩/埃森哲合作）；Anthropic 的合资公司（15 亿美元，Applied AI 工程师直接进驻 PE 被投企业）。对 PE 来说这买卖很划算：帮被投企业落地 AI、改善利润，退出时直接体现为估值倍数。但模型公司自己做不全——中信证券的判断是，软件公司和咨询公司作为伙伴的价值会显现。

**独立 FDE：Palantir 独一档，稀缺。**护城河是二十年积累的 Ontology 和政府级场景背书，别家短期复刻不了。

**SaaS 厂商：有入口，天花板待观察。**优势是现网系统的高粘性，ERP/CRM 的 MCP 化改造是天然的 FDE 引流入口；劣势是企业内部远不止 ERP，还得和 CSP 正面竞争。

**咨询公司：被冲击方。**Gartner 预测到 2026 年底，超过 85% 的科技服务商将把 FDE 项目作为交付 AI、压缩部署周期的核心方式。传统咨询如果转不过来，面对的就不是份额问题，是生死问题。

十、FDE 在中国

落地条件已经齐了

海外验证完成（Palantir 财报）+ 头部厂商路径清晰（自建或收购）+ 国内大模型成本打下来（DeepSeek 树立的性价比斩杀线，技术不及它的厂商大概率出局）+ 低代码零代码工具普及 + 企业定制化需求爆发。几份纪要的共同判断：国内 FDE 即将进入规模化推广阶段，2026 年是 AI native 应用元年。

国内宏观背景还加了一层：软件行业刚结束五年衰退，市场需求修复的上行周期开启，但 70%-80% 转型滞后的传统软件公司面临生存压力。FDE 对它们是转型出口，也是生死线。

国内玩家已经在动

平台型：腾讯用 Codebuddy、Workbuddy 等工具降低智能体开发门槛，FDE 的重心从基础搭建抬升到高价值场景筛选——从人力复制到能力复制；阿里云直接开出 FDE 招聘岗位，依托百炼、悟空企业 AI 平台，把一线落地形成的智能体流程、权限配置、系统联动能力持续产品化。

传统 IT 服务转型：软通动力做”AI 工厂+FDE”组合，前端行业咨询接后端开发部署运维，还布局大规模算力集群和 Token 工厂，给全行业 FDE 项目做配套；中软国际搞 AI 训练营加专业化 FDE 团队，把交付链条标准化；极视角让 FDE 团队专责需求拆解、定制开发和现场交付，项目知识回流产品体系。

行业软件：金蝶把 Harness 深度内嵌进 ERP 底层——ERP 本来就连着客户的财务、供应链、人力、经营管理，是天然的好卡位，不用重新适配业务流程，FDE 微调定制就能落地；科大讯飞、赛意信息是类似逻辑；鼎捷数智发布企业智能运行空间 EIOSpace，主打可感知、可协同、可治理、可进化的 AI 原生企业基础设施，重构人机协同模式。

垂直行业：工业的中控技术（中石油等一线场景落地大模型和 UCS 能力，已跑通按结果计费）、宝信软件（工业信息化积淀）；金融公安能源的明略科技（实控普联软件，补齐前端工程师团队和客户资源）、海智科技（Harness 与企业场景融合）；法律的华宇软件（FDE 方案在调研验证阶段）；医疗的卫宁健康、麦迪科技（医院体系壁垒高）；AI for Science 制药方向的英矽智能、华兰股份；安全方向的亚信安全（政企金融高壁垒行业）。

国盛证券给的选股框架是两类：传统软件转型公司（有存量客户资源，用 FDE 深挖客户价值）和 FDE 基础平台供应商（卖算力底座和工具链，给全行业驻场交付做配套）。

但中国市场的难点也是真的

研报讲得都乐观，泼几盆冷水。

**付费习惯。**中国企业软件市场长期预算薄、定制重、回款慢。“按结果付费”听着美好，政企客户连”按订阅付费”都还没完全接受。FDE 的财务模型（前期亏、后期赚）需要厂商有耐心和资本，国内二级市场软件公司的现金流普遍不宽裕。

**人力成本基数。**美国 FDE 的经济账是”17 万美元的人替代 30 个外包”；中国工程师成本是美国的三分之一到一半，Agent 省下的人力红利绝对值更小。反过来说，中国 FDE 的定价天花板更低，做出 Palantir 式毛利的难度更大。

**信创与合规。**政企是 FDE 最大的潜在客户群，但数据不出内网、国产化替代的要求会把交付成本再抬一层。是壁垒，也是成本。好消息是国产模型栈（DeepSeek、Kimi、智谱）的可用性已经过了及格线，私有化部署的技术障碍比一年前小得多。

**柯达困境。**传统 SaaS 和集成商的存量业务会被 AI 直接冲击，内部事业部抵制是常态——当年柯达自己发明了数码相机，但没人愿意干掉每年十几亿利润的胶卷业务。超一半 FDE 岗位是初创和 A 轮公司在招，没包袱的人跑得最快，哪国都一样。

所以对中国 FDE 的判断应该是：方向确定，斜率未知，别拿 Palantir 的财务指标直接套 A 股标的。看一家公司值不值得信，回到前面那三条运营指标加一个毛利率。

十一、对从业者意味着什么

最后说说人。FDE 岗位爆发对个体的含义，比对公司更直接。

能力模型上，它是少见的”三者都要”的岗位：工程能力能独立交付系统，业务理解能和客户的老师傅对话，沟通推进能力能在甲方组织里推动变革。纯技术背景的工程师要补的是业务——去理解一个行业的钱怎么赚、活怎么干、坑在哪里；业务背景的人要补的是 Agentic Coding 时代的工程手感——不用自己写每行代码，但要知道系统边界在哪。

职业路径上，它是个不错的杠杆位：驻场意味着同时暴露在真实业务和最前沿工具里，一年见的场景比总部研发五年见的都多。对个人简历来说，“独立交付过生产级 Agent 系统”会比”参与过某大模型训练”越来越值钱。

风险也写明白：岗位曲线符合每轮热潮的规律——稀缺、高薪、培训产业化、供给涌入、回归均衡。现在进场吃的是稀缺红利，红利期长度取决于供给爬坡速度。FDE 横跨业务和技术，供给爬坡比纯技术岗位慢，这是它红利期可能更长的原因。

十二、接下来会怎样

**支出周期切换。**2023-2025 年，全球 AI 支出的大头是 CSP 的基础设施投入——抢卡、建机房。2026 年起，增量开始转向企业侧：主权 AI、生产负载 AI 化。FDE 是这波支出的承接形态。a16z 的数据：财富 500 强里 29%、全球 2000 强里 19% 已经是头部 AI 创业公司的付费客户。B 端渗透刚刚开始。

**Token 经济的自我强化。**FDE 落地越多，常驻 Agent 工作流越多，Token 消耗越大，云厂商和模型公司越有钱投 FDE。这个循环还有一层硬件传导：长上下文、多轮工具调用推高 KV cache 占用，对推理算力和 HBM 是刚性拉动。单客价值的膨胀速度已经能看到：Adobe 年付费超 100 万美元的企业客户，2 月 500 余家、4 月破 1000 家；AI 创作平台 Runway 的营收从 2 月的 1.4 亿美元涨到 5 月的 4.7 亿美元。

**最大的不确定性：模型会不会吃掉 FDE。**如果 Agent 强到能自己读懂企业系统、自己完成集成，驻场交付的必要性就下降了。目前的答案是不会——80/20 缺口还在，合规和权限问题更不是模型能力问题，是信任问题。年初的 token maxxing 已经证明，仅靠编程效率的提升拉不动企业整体生产率，木桶最短的板不在模型，在落地。但这是一个需要持续跟踪的假设，不是可以忘掉的背景板。

**伪 FDE 会泛滥。**每轮概念热潮都伴随贴牌：驻场外包改名叫 FDE，人天报价单改名叫”按效果付费”。辨别方法前面说过：毛利率、上线周期、人天投入、可复用资产占比。四个数字比任何路演都诚实。

结尾

FDE 这件事，技术圈看到的是新岗位，咨询圈看到的是灭顶之灾，云厂商看到的是 Token 印钞机，投资人看到的是 Palantir 的 Rule of 40 155%。

它其实是个更老的故事的最新版本：技术从来不会自己走进企业，总要有人把它背进去。这一次不同的是，背进去的东西会自己沉淀下来，越背越轻。

附一：术语表

附二：数据来源

8 份券商研报与会议纪要（国盛证券、中信证券等，2026-08）+ 公开报道（OpenAI 官网、WSJ、财联社、Palantir 2026Q2 财报等），关键数据已交叉验证。

附三：数据口径存疑处（诚实声明）

• FDE 岗位增速：729%（643→5330）、“400→5000+”、“年内 800%+“三个口径并存，方向一致、基数不同；
• FDE 薪酬：基础年薪 7.4 万美元与平均 17.2 万美元两个口径，前者疑为底薪、后者含股权；
• 纪要原文把 Palantir 2026Q2 的 +93% 误记为”2025Q2”，已按 Palantir 财报更正；
• 两篇纪要分别把 Palantir 误写为”派伦天儿""Pioneer”，Gotham 误写为”Go Time”，引用时已修正并注明。