FDE: Ang Bagong Hangganan sa mga Puesto sa Inhinyeriya na Dinedevelop ng AI

Noong nakaraang buwan, nakakita ako ng apat na kaibigan na handa mag-convert—frontend developer, solution architect, product manager, at traditional algorithm engineer—may iba’t ibang background, edad, at lungsod, ngunit nagtanong sila ng iisang English abbreviation: Totoo ba na值得我去 ang FDE [2]?

FDE, o Full Forward Deployed Engineer [2]. Dalawang taon ang nakalipas, ito ay isang jargon sa loob ng Palantir, ngunit ngayon ay naging pangkaraniwang pagsisimula ng mga headhunter, karaniwang posisyon sa mga pananaw sa trabaho, at isa sa mga kandidato sa “pinakamahalagang posisyon sa panahon ng AI” sa mga social media. Direktang itinatag ni OpenAI ang Deployment Company [3] noong Mayo 2026 gamit ang pangalan na ito, na may unang pag-invest na $4 bilyon, at malinaw na sinasabing ilalabas nila ang mga inhinyero sa loob ng mga site ng kliyente at isasama sila sa mga proseso ng trabaho ng kliyente; ang Applied AI team ni Anthropic ay nagpapahayag din ng FDE sa apat na orasan. Ang proseso na ito mula sa isang jargon sa loob ng komunidad hanggang sa isang eksplisitong termino ay nangyari sa loob lamang ng isang taon at ilang buwan.

Sa nakaraang artikulo ko, ang “Paalam sa Super Individual” [4], sinuri ko ang “motor ng tao”—ang pagkakaroon ng pagkakaintindi, self-learning, self-motivation, at kakayahang gawin—at kung paano ito na-activate sa isang buong Closed-loop. Ngunit ang tao ay hindi nakakapag-isa; kailangan niya ng isang tiyak na sistema ng posisyon upang mapabilang. Kung ang super individual ay ang “materyales” ng mga relasyon sa produksyon sa panahon ng AI, ang FDE ay ang pinakamalabas na anyo ng posisyon na nabuo ng merkado sa taong ito.

Sa pananaw ko, ang FDE ay hindi nasa kahon ng konsultasyon, ni sa kahon ng outsourcing. Mas malapit ito sa super individual—ang pagkakaiba ay ang FDE ay isang organized super individual sa pagitan ng “model company × client”.

Alam mo ba—saan galing ang terminong Forward Deployed? Ito ay orihinal na termino ng US Armed Forces na Forward Deployed Forces, na tumutukoy sa mga puwersang nakadeploy sa ibang bansa o sa harapang linya na kayang magsagawa ng mabilis na tugon, kumpara sa mga puwersang nananatili sa mga base sa bansa. Ginamit ng Palantir ang terminong ito sa industriya ng software noong huling bahagi ng 2000s upang ilarawan ang “pagpapadala ng mga inhinyero mula sa pangkalahatang tanggapan upang manatili sa lugar ng kliyente” na modelo ng paggawa, kung saan ang mga loob na koponan ay pinangalanan gamit ang military phonetic alphabet bilang Delta at Echo. Ngayon, ito ay binawi ng OpenAI at Anthropic—hindi pagkakataon: ang pagpapadala ng mga inhinyero sa harapang linya, ang kalikasan nito ay hindi nagbago.

Ang mga tanong na isasagot ng artikulong ito ay ang tatlong partikular na pag-aalinlangan na itinanong sa amin ng apat na kaibigan ko sa huling panahon:

Ang FDE ba ay isang konsultasyong kumpanya na may pananamit na AI? Saan ang hangganan nito sa tradisyonal na konsultasyon?

Is FDE a more advanced form of software outsourcing? How does it differ from what I'm currently doing as a contractor?

- Angkop ba ako para sa FDE? Anong uri ng tao ang mapapalakas ng posisyong ito, at anong uri ang mapapababa?

Ang pananaw ng may-akda ay konservatibong optimista: ang FDE ay tunay na umuunlad, ngunit ito ay malayo sa pagiging solusyon para sa lahat. Mas mahalaga na ipaliwanag ito nang malinaw kaysa ipakita ito nang masigla.

Kung kailangan lang ng isang pangyayari upang tukuyin ang punto ng pagbabalik ng FDE sa this round, pipiliin ng manunulat ang Mayo 11, 2026—noong ikinahayag ng OpenAI ang pagkakatatag ng Deployment Company [5], nagpalit si Brad Lightcap, ang COO, mula sa kanyang dating business line patungo sa special projects at direktang nag-uulat kay Sam Altman, at nagdededikasyon nang buong oras sa proyektong ito. Sa parehong linggo, kinuha ng OpenAI ang British AI consulting firm na Tomoro, at isang beses lang ay isinama ang 150 mga Forward Deployed Engineer at Deployment Specialist sa bagong kumpanya.

Mahalagang banggitin na ang pahina ng paghahanap ng trabaho ng OpenAI ay nagpapakita ng higit sa sampung posisyon para sa FDE: San Francisco, New York, Washington, pati na rin ang mga pagsasakatuparan ayon sa industriya tulad ng Life Sciences, Semiconductor, at Gov, at kahit ang posisyon ng tagapag-recruit ng FDE [6] ay nasa paghahanap din. Ipinapalagay ng mga analista na ang tim ay magkakaroon ng paglago hanggang sa 2,000–4,000 tao sa loob ng tatlong taon. Hindi ito isang pangkat ng pag-aaral—ito ay isang regular na hukbo.

Halos ng Anthropic ay halos isang mirror image. Ang posisyon ng Forward Deployed Engineer sa ilalim ng Applied AI team [7] ay ipinapahayag nang sabay-sabay sa anim na lokasyon—Boston, New York, Seattle, San Francisco, Washington, at London—at nangangailangan ng 25%–50% na pagbisita sa customer site. Isang halimbawa na madalas na binanggit ay ang fintech company na FIS—na direktang isinulat sa kanilang pahayag na “ang Applied AI team at ang forward-deployed engineers ng Anthropic ay naka-embed sa FIS upang magkasama silang disenyo ang Financial Crimes AI Agent at ipasa ang kaalaman sa FIS upang makapag-extend nang independiyente ng higit pang agent.”

Ang mga salitang ito ay naglalaman ng totoong kalikasan ng trabaho ni FDE. Hindi ito pre-sales architect, hindi rin SDR, o isang evangelist na dumadalo upang magtrabaho sa mga kliyente. Ito ay isang inhinyero na dala ang model, at naninirahan sa codebase ng kliyente. Mas direkta ang sinabi ni Brad Lightcap: “Sinabi sa amin ng aming mga kliyente na kailangan nila ang kakayahang lumipat mula sa pilot patungo sa production. Ang Deployment Company ay ang pagpapasok ng aming mga inhinyero sa kanilang mga koponan, at pagbibigay ng sapat na mga yunit upang makapagbigay.”

Iguhit ang bagay na ito sa isang larawan, at maging sobrang malinaw ang ugnayan ng tatlong panig:

Tandaan ang dalawang linya na may pinakamaraming impormasyon sa larawan: ang feedback na ipinapadala ng FDE sa parehong direksyon. Sa direksyon ng customer, hindi ipinapagbili ng FDE ang model bilang SaaS, kundi isinasama nito ang data, pahintulot, pagkakasunod sa batas, at internal na sistema ng customer sa isang pipeline na kayang patakaran ang model; sa direksyon ng mga kumpanya ng model, binabalik ng FDE ang totoong mga problema at mga halimbawa ng pagkabigo mula sa customer sa product at research, na nakakaapekto sa roadmap—isang pattern ng tool calling na paulit-ulit ay nagkakaroon ng error, maaaring maging susunod na built-in na abstrakcyon sa SDK.

Ito ang dahilan kung bakit ginamit muli ng dalawang pangunahing model company ang FDE sa round na ito—hindi ito simpleng “gagawin namin rin ang kagaya ng Palantir bilang konsultasyon.” Ito ay isang device para sa pagkuha ng signal mula sa model company—ang pinakamalalim na mga problema ng customer sa harapan ay kailangan ng sariling tao upang maabot, at ang mga hiling na ipinapasa ng mga partner ay laging may isa pang layer. Ang Anthropic ay sumusunod sa mixed approach: nagpapatakbo ng FDE sa sarili habang nagtatayo ng joint venture network kasama ang mga consulting firm at mga pangunahing PE. Isang bahagi ay naka-focus sa sarili, ang isa naman sa ecosystem, ngunit pareho ang core: hindi na lamang ang model company ay isang API supplier, kundi kailangan nilang ipadala ang kanilang mga engineer direktang sa produkto ng customer.

Ang susunod na sasagutin ay dalawang pinakakaraniwang paghahambing na tanong—saan ang hangganan ng FDE at ang tradisyonal na konsultasyon (tulad ng McKinsey, Accenture)? At pareho ba ito sa aming kilalang software outsourcing?

Marami ang unang reaksyon kapag nakikinig sila sa paglalarawan ng trabaho ni FDE: “Hindi ba ito ang bagong bersyon ng McKinsey at Accenture?”

Naiintindihan ko ang ganitong ugnayan. Ang pagkakasuot ng suot na pambabae, pagbisita sa site ng kliyente, pag-uupo sa meeting room ng kliyente at pagguhit sa whiteboard, pagpapagkasunduan sa mga C-level executive—mula sa paningin, tila magkakatulad ang FDE at ang mga konsultant. Ngunit kung titingin ka nang isang antas pa pababa, iba-iba ang kanilang mga proseso. Binebenta ng konsultant ang mga hangganan ng proseso, samantalang binebenta ng FDE ang mga hangganan ng modelo.

Ilagay ang dalawang ito sa parehong tabla, agad mong makikita ang pagkakaiba.

Ang pinakamahalagang punto na dapat i-stopper sa talahanayan na ito ay ang pagsusuri sa “pagbaba ng halaga ng ari-arian”.

Ang pinakamalaking kita sa tradisyonal na konsultasyon ay ang paggamit muli ng mga aset—isang plano para sa isang banko, na maaaring kaunting i-edit at ibenta muli sa susunod; isang digital na playbook para sa retail industry na maaaring gamitin muli sa tatlong pû na kliyente. Ito ang pangunahing ekonomikong modelo na nagpapalaki sa Accenture, Deloitte, at McKinsey Digital sa nakalipas na tatlong dekada.

Wala ang FDE sa ganitong uri ng asset. Ang kakayahan ng model ay patuloy na umuunlad—ngayon ay kailangan pa ng maingat na disenyo ng prompt chain, ngunit sa susunod na bersyon ng model, maaari nang sagutin sa isang pangungusap. Ang “pagpapalalim ng metodolohiya” sa pagkonsulta ay mabilis na mawawalan ng halaga sa harap ng ganitong bilis. Kaya hindi maaaring gamitin ng FDE ang modelo ng pag-uulit ng asset; kailangan mong muling i-run ang buong loop bawat beses—muling i-evaluate ang hangganan ng model, muling piliin ang tool stack, at muling i-puzzle ang anyo ng produkto. Maaaring mukhang hindi efisyente, ngunit ito ang tanging paraan upang makasunod sa bilis ng model.

Alam mo ba—ano ang Product Overhang? Ipinaliwanag ko ang terminong ito sa nakaraang artikulo ko, “Para sa Super Individual” [4]: ang kakayahan ng model ay higit na malaki kaysa sa umiiral na anyo ng produkto, ngunit wala pang product entry point, pahintulot, o konteksto upang ito ay maisakatuparan. Ang halaga ng posisyong FDE ay, sa kanyang core, ang pagpapakita ng mga悬空 na Overhang mula sa client scenario bilang isang konkretong produkto na maaaring magtrabaho. Hindi binibili ng client ang quota ng pagtawag sa model API, kundi ang “kakayahan na maisakatuparan ang mga Overhang na ito sa iyong negosyo.”

Ito rin ang nagpapaliwanag sa pagkakaiba sa pahayag na “project structure.” Ang standard na istruktura ng isang proyekto ay SOW (Statement of Work) + WBS (Work Breakdown Structure) + phase acceptance: malinaw na isinusulat sa kontrata kung ano ang ipapadala, kailan ito ipapadala, at saan ang pamantayan para sa pagtataya. Ang batayan ng这套结构 ay ang pagkakadefine ng layunin bago isagawa ang kontrata.

Hindi nakakapagpatuloy ang FDE sa ganitong paraan. Ang pinakakaraniwang sinasabi ng mga kliyente ay: “Alam kong dapat makatulong ang AI sa akin, pero hindi ko alam kung paano.” Ang layunin ay bahagi na mismo ng proyekto. Kaya hindi tinatanggap ng FDE ang SOW, kundi ang misyon—isang relatibong ambigong direksyon; at pagkatapos ay ginagawa ang iteration upang gawing malinaw ang direksyon sa bawat bilang; at sa huling bilang, isasalin ang mga nakuha at naipon na pag-unawa sa modelo sa isang anyo ng produkto.

Ang mga “deliverables” ay dapat palawakin din. Pagkatapos umalis ang FDE, ang natitirang functional sa sistema ng kliyente ay isang nagtatrabaho na sistema—maaaring maliit, mukhang magulo, o walang malaking user interface, ngunit araw-araw itong tinatawag, binabago, at pinaparusahan. Ang deliverables ng consulting ay ang PPT at mga ulat sa change management; kahit na isinulat ang code o na-configure ang ERP sa loob ng proyekto, ang natitirang dokumento sa kamay ng mga eksekutibo ng kliyente ay isang dokumento ng methodology.

Ang "moat" ay ang pinakamaliit na detalye. Ang moat ng FDE ay ang real-time na pagkakaintindi sa hangganan ng kakayahan ng model—ilan man ang totoong customer scenarios na iyong pinasagot sa loob ng buwang ito, mas malalaman mo kung ano ang kayang gawin ng Claude 4.7 at kung ano ang kailangang hintayin hanggang sa Claude 5. Ang pagkakaintinding ito ay hindi maaaring isulat sa PPT o isama sa knowledge base; ito ay maaaring lumaki lamang sa isip ng mga engineer na aktibong gumawa sa nakaraang 90 araw.

Kaya kapag sinabi ng isang tao, “Hindi ba ang FDE ay ang bagong bersyon ng Accenture?”, maaari mong sagutin ito: Ang mga inhinyero ng Accenture ay nagrere-design ng mga proseso ng kanilang mga kliyente, habang ang FDE ay nagrere-discover ng hangganan ng mga modelo. Ang mga asset ng una ay maaaring mag-umpisa sa loob ng sampung taon, habang ang asset ng huli ay kailangang lumago muli pagkatapos ng 90 araw.

Kung ang pagsasabing "Ang FDE ay ang bagong bersyon ng Accenture" ay ang unang pagkakamali, ang "Ang FDE ay isang mahal na software outsourcing" ay ang pangalawa. Mas malabo ang anting ito dahil ang mga panlabas na ebidensya ay tila napakalakas: talagang umuupok ang FDE sa lugar ng kliyente upang sumulat ng code, talagang binubuo nito ang mga tampok ayon sa negosyo ng kliyente, at talagang tinatawag sila ng kliyente sa kanilang oras ng trabaho. Sa unang tingin, walang pagkakaiba sa isang outsourcing engineer.

Ngunit kahit isang tingin sa feedback loop, ang pagkakaiba ay hindi makakatago.

Ang pinakamahalagang pagkakaiba sa larawang ito ay hindi kung gaano kasimple ang itaas ng larawan, kundi ang pagkakaroon ng isang feedback chain na umaabot sa mga kumpanya ng model sa ibabaw ng larawan. Ang chain na ito ay hindi isang dekorasyon; ito ang tunay na dahilan kung bakit umiiral ang posisyon ng FDE. Kapag pinaghihiwalay ang pagkakaiba na ito, mayroong kahit na apat na pares ng pagkakaiba.

Hindi pareho ang kinukuhang bagay. Ang outsourcing ay kumukuha ng SOW—isang malinaw na listahan ng mga pangangailangan na natukoy bago ang pag-sign ng kontrata: anong mga function ang gagawin, anong teknikal na stack ang gagamitin, paano ang pagpapatunay, at paano ang kompensasyon sa paglabag. Ang FDE naman ay kumukuha ng misyon—ang kliyente ay hindi pa rin sigurado kung ano ang kailangan, ngunit alam na lang na “dapat makatulong sa akin ang AI.” Ang SOW ay batay sa katiyakan, habang ang misyon ay batay sa pag-aaral. Iba-iba ang paraan ng pag-start ng dalawang uri ng proyekto.

Ang sakop ay iba. Ang mga outsourced ay nagtatapos sa lokal na deliverable—isang module, isang website, isang data pipeline; pagkatapos ay isasama at umalis, papunta sa susunod na kliyente. Ang FDE naman ay nagtatrabaho sa end-to-end—mula sa business pain point, patungo sa pagpili ng model, pagdidisenyo ng product form, hanggang sa retention at churn ng mga totoong user pagkatapos ng launch.

Iba ang paraan ng pagbabayad. Ito ang pinakamaliit na intindihin. Ang isang kumpanya ng modelo ay nagpapadala ng FDE sa loob ng customer site, at ang kanilang pinakamahalagang interes ay hindi lamang kung magkano ang babayaran para sa proyektong ito, kundi: Gaano karaming token ang magiging gamit ng customer sa susunod? Magiging retention customer ba ito? Magkakaroon ba ito ng paglalawak sa mas maraming business line? Ang totoong KPI ng FDE ay ang matagalang kurba ng paggamit ng model token, hindi ang numero na nakalista sa acceptance form ng proyekto.

Magkakaiba ang direksyon ng feedback. Ito ang pinakamalalim na grupo sa apat na grupo. Sa mga proyektong ibinibigay sa labas, ang feedback ng client ay hindi lalampas sa外包 company at hindi nakakaapekto sa mga produkto na ibebenta ng外包 company sa iba. Ang feedback ng FDE naman ay bumabalik sa roadmap ng kumpanya ng model—ang bawat problema, bawat pagkabigo sa Prompt, at bawat bug sa pagtawag sa tool na kinakaharap ng client sa totoong sitwasyon ay naging input para sa susunod na bersyon ng training data, susunod na disenyo ng tool, at susunod na feature ng produkto. Ibig sabihin, ang bawat client na nagde-deploy ng FDE ay isang natural na design partner para sa kumpanya ng model.

Ito ang totoong dahilan kung bakit handang magbigay ng mataas na sahod ang mga kompanya ng model para mag-recruit ng FDE. Hindi sila nagbebenta ng isang serbisyo lamang; sila ay kumukuha ng mga signal tungkol sa tunay na anyo ng produkto sa loob ng mga site ng mga customer. Ang mga signal na ito ay hindi mabibili, hindi maipapakita, at hindi maaaring maibigay sa pamamagitan ng survey—ito ay maaaring maibigay lamang ng isang espesipikong inhinyero, sa loob ng isang espesipikong workflow ng customer, pagkatapos na maraming beses na makaharap sa mga hadlang.

Alam mo ba—ilan ang kabuuang kompensasyon para sa FDE ng OpenAI at Anthropic? Ayon sa publikong datos sa Levels.fyi para sa software engineer ng Anthropic [8], ang median kabuuang kompensasyon para sa senior SDE ay umabot na sa $710K. Ang posisyon ng FDE ay may mas mataas na panganib—kailangan itong harapin ang hindi tiyak na kakayahan ng model, ang hindi tiyak na negosyo ng kliyente, at ang hindi tiyak na anyo ng produkto, kaya ayon sa industry compilation [9], ang kabuuang kompensasyon para sa intermediate hanggang senior FDE sa mga frontier AI lab ay karaniwang nasa pagitan ng $350K - $550K, habang ang Staff level at higit pa ay maaaring umabot sa $630K+. Ang halagang ito ay hindi binabayaran para sa “outsourced hours,” kundi para sa tagapagdala ng kombinasyon ng tatlong panganib: “produkto + kliyente + model.” > Tandaan ang 2006, nang magsimula ako sa trabaho sa isang state-owned enterprise, kung saan kami ay nasa gitna ng digital transformation; noong panahong iyon, ang aming grupo ay nagpapadala ng mga konsultant mula sa Accenture, at kailangan naming ibayad ang $3,500 araw-araw sa Accenture—nag-iwan sila ng ilang taon, at tinawag sila ng media noon bilang “gold collar.” Pagkatapos ay lumipas ako sa German na SAP, na kung saan itinakda nila ang termino para sa industriya ng konsultasyon, at ang SAP consultant ay naging simbolo ng “gold collar.” Kung tingnan natin ito, ang suweldo ng FDE ay patuloy na tataas sa loob ng 24–36 buwan, at ang pangangailangan ay patuloy na tumataas.

Ang outsourcing ay pagpapahalaga sa puwersa ng paggawa, habang ang FDE ay isang frontline sensor. Ang pagkakamali sa pagkakaiba ng dalawang bagay na ito ay magdudulot ng maling paniniwala sa client na maaaring pasukin ang FDE gamit ang paraan ng SOW, at magiging dahilan na gamitin ng mga kandidato ang pagkakaroon ng trabaho bilang outsourcing para sa FDE. Magkakaroon ng maliwanag na pagkabigo ang parehong panig.

Marami ang nagkakamali na ang salitang FDE ay nilikha ng OpenAI. Sa katotohanan, hindi. Mayroon itong dalawang ugat sa kasaysayan: isa mula sa Palantir, at isa mula sa mga kumpanya ng bagong henerasyon ng modelo pagkatapos ng 2023. Kapag isasalaysay mo ang dalawang ugat na ito nang side by side, mas malinaw mong maunawaan kung ano talaga ang ginagawa ng posisyong FDE.

Tingnan muna ang isang timeline.

Ang unang ugat ay Palantir.

Itinatag ng Peter Thiel, Alex Karp, Joe Lonsdale at iba pa ang Palantir noong 2003, at ang mga unang kliyente nito ay ang mga ahensya ng intelyihensya ng Estados Unidos. Walang CS background si Karp—nag-aral siya ng doktorado sa pilosopiya kay Jürgen Habermas sa Frankfurt, at bago siya hilingin ni Thiel na maging CEO nang bumalik siya sa Amerika. Ang posisyon na FDE ay ipinanganak mula sa kombinasyong ito ng “hindi karaniwang CEO + mataas na nakakabit na kliyente”: sa isang pagsusuri ng 36Kr [10], sinabi nang direkta na ang Palantir ay malakas na pinagsabihan ng mga ahensya ng intelyihensya sa kanilang mga unang taon dahil sa kakulangan ng mga inhinyero sa totoong mga sitwasyon sa negosyo, at ang mga pangangailangan ay naging mali sa bawat pagpapasa. Pagkatapos, nakipag-usap ang Palantir tungkol sa isang bagay—pahintulutan ang kanilang mga inhinyero na pumasok sa loob ng lugar ng kliyente at magtrabaho kasama ang mga analista ng intelyihensya. Ang modelo na ito ay sistematizado ni Shyam Sankar at naging pundasyon ng FDE.

Sa 2009, lumawak ang FDE patungo sa komersyal na sektor. Nang i-deploy ng JPMorgan ang Palantir’s Metropolis platform, 120 ang FDE na naka-embed para sa pagmonito ng panloob na banta. Mula noon, hindi na lang ang FDE “pagpapadala ng mga inhinyero sa field”—kundi isang sistematikong estratehiya ng pag-embed sa kliyente: ang pagpapatakbo ng Foundry/Gotham nang direkta sa mga proseso ng negosyo ng kliyente, hindi lang pagbibigay ng lisensya at pag-alis.

Ang FDE hiring ng Palantir ay may isang hindi intuisyong pamantayan—hindi nangangailangan ng degree sa CS. Maaaring isama ito sa “Alam mo ba?”

Alam mo ba—hindi kailangan ng Palantir FDE ng degree sa CS? Ayon sa mga pamantayan sa paghahanap ng trabaho ng Palantir na inilahad ng SkillScouter [11] at sa opisyal na pahina ng careers ng Palantir [12], binibigyan ng pabor ng Palantir ang mga kandidato na hindi galing sa CS, at ang mga bagong FDE noong nakaraan ay galing sa mechanical engineering, economics, philosophy, at iba pang larangan. Ang dalawang bagay na talagang pinagsisikapan nila ay: ang kakayahang gumawa ng desisyon sa gitna ng hindi kompletong impormasyon, at ang kakayahang makipag-usap nang direkta sa mga C-level client. Ang degree sa CS ay isang karagdagang puntos, hindi isang pahintulot. Si Karp mismo ang unang halimbawa ng pamantayang ito—isang CEO na galing sa philosophy, na nagtatag ng isang grupo ng FDE na galing sa physics, mathematics, at philosophy.

Ang ikalawang ugat ay ang bagong henerasyon ng mga kumpanyang modelo pagkatapos ng 2023.

Pagkatapos ng paglalabas ng ChatGPT noong katapusan ng 2022, agad na naramdaman ng OpenAI ang isang bagay: ang pagpapakita ng API ng model sa dokumentasyon at pagpapahintulot sa mga kliyente na i-integrate nang sarili nila ay hindi nagiging epektibo. Hindi dahil ayaw ng mga kliyente gamitin ito, kundi dahil hindi nila alam kung paano ito gamitin—mayroon silang mga problema sa negosyo, ngunit wala silang produkto na anyo. Kaya nagsimula ang OpenAI, Anthropic, Cohere, Scale, Glean, Sierra, Hebbia, at Decagon na maghingi ng malaking bilang ng FDE.

Ang pagkatuto sa current wave ng FDE ay sumusunod sa playbook ni Palantir—ang pagpapadala ng mga engineer sa lugar ng kliyente upang ganap na ipatupad ang isang workflow. Ngunit ang produkto ay naging iba na: Sa panahon ng Palantir, ang FDE ay nagsasagawa ng data integration at UI customization, habang ang bagong henerasyon ng FDE ay nagsasagawa ng prompt design, agent orchestration, tool invocation, at workflow embedding.

Sa pagsusulat ni Pragmatic Engineer tungkol sa FDE [13], tinawag nila ang bagong bersyon na “embedded with enterprises to make Claude solve real, specific, high-value problems”—ang paglalarawan ay halos katulad ng noong panahon ng Palantir, ngunit binago ang “data” sa “model”.

Kapag tingnan ang dalawang ugat nang magkasama, makikita mo ang isang malinaw na set ng mga pagkakatulad at pagkakaiba.

Kaparehong punto: Hindi bumibili ang mga kliyente ng software. Bumibili sila ng “mga inhinyero + kombinasyon ng mga kasangkapan na makakasolusyon sa aking problema.” Ito ay hindi karaniwan sa kasaysayan ng enterprise software sa nakaraang 30 taon. Binibili ng SAP, Oracle, at Salesforce ang software mismo—ang mga inhinyero ay nagsisilbing suportang yunit para “gawing accessible ang software para sa kliyente.” Ngunit ang Palantir ay kabaligtaran: ang mga kasangkapan ay umiiral para “bigyan ng lakas ang FDE upang makasolusyon sa kliyente.” Ang mga bagong henerasyon ng modelong kumpanya ay nagpapatuloy sa pabaligtad na ugnayang ito—hindi binibili ng OpenAI ang GPT-4 license, kundi “ang aming FDE ay makakagamit ng GPT-4 upang tulungan kang i-automate ang customer service.”

Pagkakaiba: Ang panahon ng Palantir ay nakatuon sa OPS integration—ang pangunahing diin ay sa data integration, ontological modeling, at permission governance. Ang bagong henerasyon ay nakatuon sa pagpapatupad ng model capability—ang pangunahing diin ay sa prompt design, agent orchestration, at retention optimization. Ang unang isa ay parang advanced version ng system integrator, habang ang ikalawa ay parang extension ng product engineer.

Isang interesanteng katotohanan: Marami sa mga unang FDE ng Palantir ay naging mga entrepreneur o direktang sumali sa mga kompanya ng bagong henerasyon ng modelo. Maaari mong tukuyin ang isang mahabang lista ng mga dating miyembro ng Palantir sa mga unang koponan ng Anthropic, OpenAI, Sierra, at Hebbia. Ito ay hindi pagkakataon—ang posisyon ng FDE mismo ay nagpapakailangan sa isang tao na harapin ang product risk, customer risk, at engineering risk nang sabay-sabay, halos isang training course para sa isang entrepreneur. Mas gusto ng manunulat na tingnan ang Palantir bilang isang lihim na startup incubator: ito ay nagpapalaki hindi lamang ng mga engineer, kundi ng isang grupo ng mga tao na alam kung paano ipagpatuloy ang isang proyekto mula sa zero hanggang one sa gitna ng hindi kompletong impormasyon. Dalawang ugat, na nagkakasama noong 2023 at pagkatapos.

Ang pangunahang pagkakasama ng dalawang ugat ay nangyayari sa labas ng bansa. Sa loob ng bansa, hindi pa matagal ang pagkakaroon ng terminong FDE, ngunit ang mga gawain na ito ay hindi nagmula sa walang hanggan. Upang maunawaan ang FDE sa loob ng bansa, kailangan munang maunawaan ang dalawang lokal na ninuno nito, at pagkatapos ay ang tatlong pagkakaiba nito sa bersyon ng FDE sa Amerika.

Dalawang lokal na predecesor

Ang unang predecesor ay ang solution architect mula sa cloud provider. Sa loob ng nakaraang sampung taon, tinuruan ng Alibaba Cloud, Tencent Cloud, at Huawei Cloud ang isang buong koponan ng Solution Architects (SA) na nagpapaliwanag ng arkitektura sa mga kliyente, sumusulat ng POC, gumagawa ng migration plans, at nakikipagtulungan sa pagpapadala hanggang sa paglunsad. Mayroon pa rin ang Huawei ng isang espesyal na "delivery engineer" na sekwensya na responsable sa pagpapatupad ng mga proyekto sa loob ng customer's data center. Ang sistema na ito ay nagsasagawa na ng 80% ng mga gawain ng FDE, ngunit ang pangunahing pagkonsentrasyon ay nasa pre-sale at deployment—hindi nasa kamay ng SA ang responsibilidad sa end-to-end na pagpapalawak ng produkto; kung nagbago ang pangangailangan, kailangan lumakad sa proseso ng pagbabago, at kung magbabago ang model, kailangan maghintay sa schedule ng headquarters.

Ang pangalawang ninuno ay isang bagong sequence na lumitaw sa mga AI startup. Ang MiniMax ay naglalagay ng “AI Pre-sales Solution Expert” sa Boss Zhipin, at ang mga kompanya ng modelo tulad ng Moonshot, Zhipu, Tongyi, at Hunyuan ay naglalagay rin ng katulad na posisyon. May kaunting pagkakaiba sa pangalan, ngunit ang nilalaman ng JD ay mataas na magkakatulad: pag-unawa sa mga escenario ng kliyente, paggawa ng demo, pag-adjust ng Prompt, pagpapatakbo ng RAG, pagsulat ng plano ng pagpapadala, at pakikipag-ugnayan sa mga teknikal na tim ng kliyente hanggang sa pagpapalabas. Ang mga posisyong ito ay ang totoong “domestic FDE.”

Three soil and water differences

Ang pag-deploy sa pribado at ang pagtugon sa pagkakasunod sa datos ay nagpapabigat sa modelo na batay lamang sa pagtawag. Mas mataas ang hiling ng mga lokal na B2B customer sa China kaysa sa US market sa mga sumusunod: ang data ay hindi dapat lumabas sa loob ng teritoryo, ang mga timbang ng modelo ay dapat kontrolado, at ang audit ay dapat ma-track. Sa isang FDE project, ang pagtawag sa API at pagpapatakbo ng prompt ay maaaring bumuo lamang ng 30% ng trabaho, habang ang 70% ay kinabibilangan ng pagpapalipat ng modelo sa loob ng opisina ng kliyente, pagpapagana ng authentication, pagkonekta sa data platform, at pagpapasa ng compliance documentation.

Ang kapasidad ng model ay patuloy pa ring nakakasunod sa SOTA, at ang espasyo para sa pag-unlad ay napapaliit sa antas ng inhenyeriya. Ang OpenAI at Anthropic sa Estados Unidos ay maaaring makapagpabigay ng pagkakaiba sa pamamagitan ng kapasidad ng modelo mismo; samantala, ang mga modelong tulad ng Tongyi, Doubao, Kimi, GLM, at DeepSeek sa bansa ay may mas maliit na pagkakaiba sa kanilang kapasidad, kaya ang pagpapasya ng mga kliyente ay mas nakatuon sa mga inhenyeriyang katangian tulad ng pag-ayos ng Agent, kalidad ng RAG retrieval, integrasyon ng mga kasangkapan, at disenyo ng Workflow. Sa bansa, ang pakikipagpaligsahan ng FDE ay hindi tungkol sa “gaano kalakas ang aking model,” kundi tungkol sa “kaya ko bang gawing totoo ang proseso na ito.”

Ang pagkakaroon ng pagkakaintindi sa pagbabayad at ang ritmo ng pagtatakda ng presyo sa B-side ay hindi magkakatugma sa Amerika. Mahirap direktang kopyahin ang modelo ni Palantir na “unang ilagay ang FDE, tapos i-collect ang mataas na presyo sa subscription”. Ang budget ng lokal na kliyente ay nakadepende sa taunang pagbili, at ang pagbabayad ay mas nakatuon sa proyekto. Madalas ang business model ng FDE ay isang kombinasyon ng subscription + private licensing + project delivery.

Isang natatanging posisyon: Internal FDE

Ang maraming mga internong AI team sa malalaking kumpanya ay nagsisimula na na gamitin ang FDE model para serbisyan ang "mga loobang kliyente." Ang Alibaba Cloud PAI ay nagpapadala ng mga inhinyero sa Taobao, at ang Tencent Hunyuan ay may katulad na mekanismo para makipag-ugnayan sa WeChat at mga negosyo sa advertising. Sa JD, nakalista ang mga "Industry Implementation Engineers," "AI Application Engineers," at "Intelligent Business Experts"—na sa pangkabuuan ay mga internal FDE—na nagdadala ng kakayahan ng mga team ng model mula sa simula hanggang sa pagpapatupad sa bahagi ng negosyo. Ito ay nagbibigay ng bagong ideya sa mga leader ng malalaking kumpanya: ilang internal FDE na nakaupo sa bahagi ng negosyo, nagpapatakbo ng unang demo, at nagpapadala ng ROI data sa mga boss ng negosyo, ay maaaring mas mabilis na mabawasan ang mga pader sa pagitan ng mga departamento kaysa sa pagpupulong na sampu.

Sinabi ng may-akda sa nakaraang artikulo na “Patungkol sa Super Individual” [4] ang limang motor ng super individual: malakas na pagkakaroon ng kuruosity, malakas na pagtuklas at pagkakaroon ng diwa ng inobasyon, malakas na kakayahan sa self-learning, malakas na self-motivation, at malakas na kakayahan sa paggawa. Ang limang bagay na ito ay ang papeles ng pagsali sa FDE, ngunit hindi lahat. Bukod sa limang motor, mayroon pa ang FDE na posisyon ng isang espesipikong set ng karagdagang katangian, at may ilang uri ng personality na malinaw na hindi angkop. Nakakita na ang may-akda ng maraming mahusay na engineer na nag-transform sa FDE ngunit hindi nakakatugma, at ang mga problema ay karaniwang hindi sa kakayahan, kundi sa karakter at pagkukulang sa trabaho.

Limang katangian na angkop para sa FDE

Hindi nakakatakot sa pagbebenta at komunikasyon. Ang araw-araw na gawain ng FDE ay hindi pagsulat ng code sa pagsarili, kundi direktang pakikipag-ugnayan sa CTO, business lead, procurement, compliance, at IT ng kliyente. Isang karaniwang ritmo: habang nagpapakita ang CTO ng kliyente, biglang ipinagbabawal ang demo—hindi dapat ang reaksyon ng FDE ay “Babalik ako at i-aayos ang bersyon para sa susunod na linggo,” kundi agad na buksan ang IDE, baguhin ang Prompt, at i-rerun muli para sa kanya. “Nandito ang kliyente, nag-aayos ako” ay ang karaniwang kalagayan ng FDE.

Sikat ang mga bagay sa gray area. Hindi natanggap ng FDE ang isang malinaw na PRD, kundi isang pahayag na, “Gusto namin gumawa ng ilang bagay gamit ang AI.” Hindi rin malinaw ng kliyente kung ano ang kailangan, kaya kailangan ng FDE na kasama siya upang palakasin ang ambigong pangarap hanggang maging konkretong anyo. Kung ikaw ay nagpapatakbo lamang kapag may malinaw na pangangailangan, ang bawat araw ng FDE ay magiging pinagkakaitan.

May matibay na teknikal na kakayahan ngunit hindi kailangan ang 10x. Hindi kailangan ng FDE na ikaw ay ang may pinakamalinis na code o pinakamalalim na algoritmo sa kumpanya; kailangan nito ay makapagpasa ka ng end-to-end: makapag-create ng isang functional na frontend page, makapag-set up ng isang gumagana na backend service, at makapag-connect ng model sa business data source. Sa mundo ng FDE, ang “sapat na mabuti” ay hindi isang kahinaan, kundi isang katangian.

Nagmamahal sa pagpapabuti sa pamamagitan ng feedback. Maraming pagkakataon sa trabaho ni FDE kung деan “binabalewala ng kliyente at kailangang gawin muli”: ang demo ngayon ay binabalewala ng business team bukas na “hindi ito ang gusto ko”; ang plano na nailahad noong nakaraang linggo ay kailangang gawin muli ngayong linggo dahil nagkaroon ng bagong executive ang kliyente. Ang mga tao na angkop para sa FDE ay gagamitin ang ganitong feedback bilang puwersa, makakatanggap ng end-to-end na responsibilidad, at hindi magpapahinga sa “hindi malinaw na mga pangangailangan.”

Makakaramdam sa hangganan ng modelo. Ito ang pinakateknikal at pinakakatagong patakaran. Dapat makapag-decide ang FDE kung anong mga gawain ang angkop para sa LLM at anong mga gawain ay hindi, at paano mag-fallback—ang sensitivity na ito ay hindi makikita sa mga papel, kundi matututunan lamang sa pamamagitan ng mga pagkabigo. Habang nagkakalap ang mga sample ng pagkabigo, magkakaroon ang FDE ng muscle memory sa hangganan ng modelo: anong mga sitwasyon ay gagamitin ang RAG, anong mga sitwasyon ay susundin ang mga patakaran, at anong mga sitwasyon ay kailangang magbigay ng fallback na entry para sa tao.

Apat na uri ng mga tao na hindi angkop para sa FDE

Ang isang teknikal na tao na gustong makatago sa code. Hindi nagkakaroon ng 50% ng oras ni FDE sa pagsusulat ng code—kundi sa mga pagpupulong ng kliyente, internal coordination, diskusyon sa produkto, at pagpapabilis ng kontrata. Kung ang iyong pinagkukunan ng kasiyahan ay ang pag-sulat ng code nang walang pagkakaabala sa loob ng apat na oras, ang FDE ay magdudulot ng matagalang mental na pagod sa iyo.

Ang mga tao na kailangan ng OKR para makagalaw. Ang layunin ng FDE ay nasa kliyente, hindi sa iyong performance sheet. Ang progreso ng trabaho ay tinukoy ng mga milestone ng proyekto ng kliyente, ang pagbabago sa kakayahan ng model, at ang iyong sariling pagtataya sa scenario. Ang mga taong nakakauunawa na “kailangan muna ng OKR bago malaman kung ano ang gagawin” ay hindi makakahanap ng anchor.

Ang mga taong hahalawin ang “pagtaas sa ranggo” kaysa sa “mga gawa.” Hindi benepisyado si FDE sa sistema ng pagtaas sa ranggo sa malalaking kumpanya—ang mga indikador tulad ng kasiyahan ng kliyente, pag-sign ng proyekto, at rate ng paggamit muli ay hindi magkakaroon ng malaking bigat kumpara sa dami ng code at kahiligan ng pag-deploy sa proseso ng pagtataya ng ranggo. Kung ang pagtaas sa ranggo ang unang layunin ng iyong trabaho, hindi ang FDE ang tamang piliin.

Ang mga taong nagtataglay ng pagtutol sa mga komersyal na konteksto. Dapat maintindihan ng FDE ang P&L, ROI, proseso ng pagbili, at mga pangangailangan sa pagpapatupad ng regulasyon ng kliyente. Kung ikaw ay natural na nagtataglay ng pagtutol sa pag-uusap tungkol sa pera, mga kontrata, at mga komersyal na lohika, ang trabaho ng FDE ay magpaparamdam sa iyo na ikaw ay nagtatrabaho laban sa iyong teknikal na mga ideal.

Listahan ng Self-Check

7 tanong, bawat isa ay tumutugon sa isang totoong sitwasyon sa paggawa ng FDE. Kung sumagot ka ng 5 o higit pa na “oo”, maaaring seriyosong isaalang-alang ang FDE; kung 3 o mas kaunti, payo na maging maingat.

1. Handa ka bang ilipat ang 50% ng iyong oras araw-araw mula sa code patungo sa mga pagpupulong sa kliyente, pagbabalik ng mensahe, at mga tawag?

2. Kapag sabi ng customer, “Hindi ito gumagana, hindi ko rin masasabi k bakit,” ano ang iyong unang reaksyon: pagkakaintindi o pagkainis?

3. Walang nag-isulat ng PRD para sa iyo, kayabang mo bang makapagpasa ng isang prototype na makikita ng customer sa loob ng isang linggo kasama ang Claude Code?

4. Sa iisang pagpapadala, hiniling ng customer na i-edit mo ang 8 bersyon, at kaya mo pa ring panatilihin ang iyong pagpapasya, hindi lang mekanikal na pagsasagawa?

5. Kapag nagbibigay ang modelo ng maling sagot, ang iyong unang reaksyon ay ang disenyo ng fallback, o ang pagmamaliw na hindi kayang gawin ng modelo?

6. Handa ka bang mag-sign ng kontrata, sumulat ng ulat, magpasa sa kliyente para sa pagtatanggap, at makipag-ugnayan sa legal tungkol sa mga tuntunin sa pagkakasunod?

7. Makakatanggap ka ba ng mabilis na prototipo at mabilis na pagkabigo?

Limang katangian, apat na uri ng reverse persona, pitong sariling pagsusuri, at sa huli ay iisang tanong: Handa ka bang palakasin ang iyong product sense, engineering strength, at business judgment nang sabay-sabay sa isang workflow.

Sa nakaraang artikulo, tinatalakay ko ang “motor ng tao”: pagiging masigasig, pagiging masigla, kakayahang mag-aral nang sarili, pagkakaroon ng loob na mag-umpisa, at kakayahang gumawa—paano ito buong-loop na maipapalaganap sa loob ng malalaking kumpanya. Sa artikulong ito, tinatalakay ko ang isang iba pang bagay—ang anyo ng trabaho. Ang FDE ay ang unang uri ng trabaho sa AI industrial revolution na may pangalan, saklaw ng sahod, detalyadong paglalarawan ng trabaho (JD), at pagsubok mula sa mga kliyente na nagbabayad. Ito ay hindi kapareho ng konsepto ng “super individual,” kundi ang unang talaan na naging totoo mula sa abstrakto patungo sa realidad sa pagbabago na ito.

Hindi ang FDE ang dulo. Ang pananaw ng may-akda ay ang FDE ay ang unang anyo na nakakakuha ng pangalan sa bagong paghahati ng trabaho. Susundan ito ng Forward Deployed PM, Forward Deployed Designer, Forward Deployed Researcher—lahat ng mga trabaho na malapit na nakakapag-ugnay sa mga skenaryo ng kliyente at nangangailangan ng pagbuo ng produkto sa mga abiso na lugar, ay magkakaroon ng kanilang sariling bersyon ng “forward deployed.” Bubusog ang mga pangalan ng posisyon, ngunit ang pundamental na lohika ay pareho: ang kakayahan ng modelo ay nasa harap, habang ang anyo ng produkto ay sumusunod, at ang istruktura ng trabaho ay muling hihiwalay batay sa flow ng trabaho.

Mag-iwan ng isang pangungusap para sa bawat isa sa tatlong uri ng mambabasa.

Para sa mga teknikal na tao: Hindi hinihingi ng FDE na maging pinakamalakas na programmer sa iyong kumpanya, ngunit hinihingi nito na handa kang ilipat ang kalahati ng iyong oras mula sa code patungo sa mga kliyente. Kung ang iyong sagot ay “handa,” ang market window ay bukas na—ang paghingi ng mga pangunahing kompanya sa modelong lokal, cloud providers, at mga internal AI team ng malalaking kumpanya ay nagsisimulang mabilis. Kung ang iyong sagot ay “hindi handa,” walang problema—magkakaroon pa rin ng iba pang posisyon na lalabas sa bagong paghahati ng trabaho para sa iyo.

Para sa HR at OD: Maging alerto sa “pagkakaiba ng pangalan at katotohanan.” Maaaring mayroon na kayong mga FDE na nagtatrabaho, ngunit ang kanilang code ng posisyon ay nakalagay bilang “Solution Specialist,” “Industry Architect,” o “AI Application Engineer.” Kilalanin sila, muling klasipikahin, at bigyan sila ng isang landas sa pag-unlad na tumutugma sa kanilang mga gawain—mas epektibo kaysa mag-recruit ng mga bagong empleyado mula sa zero.

Para sa mga manager: Ang FDE mode ay hindi lamang para sa labas, kundi pati na rin sa loob. I-set up ang ilang “internal FDE” sa mga business side upang i-end-to-end i-integrate ang kapasidad ng model team sa mga business process, mas epektibo ito kaysa magbuo ng isang bagong AI department at mag-organize ng sampung meeting para sa cross-team alignment. Ang mga pader ng department ay hindi nalalampasan ng organizational design, kundi ng isang functional demo.

Nagsimula na ang pagbabago ng karera sa panahon ng AI, at ang FDE ay ang unang signal na nagpapakita na ang bilis ng pagbabago sa kakayahan ng model ay naging sapat upang lumikha ng mga bagong posisyon. Gusto ng may-akda na iwanan sa mga mambabasa ang sumusunod na tanong: Kung may tatlong bagong posisyon ang idinagdag sa organizational chart ng iyong kumpanya sa loob ng tatlong taon, anong tatlo ang iyong hula? Mas mahalaga ang pag-iisip nang mabuti sa tanong na ito kaysa sa pagbabasa ng artikulong ito.

👦🏻 May-akda: Henry (Koponan ng DeerFlow) [1]