FDE: Ang Bagong Posisyon na Nagpapabilis sa Pagtatanggap ng AI sa Mga Enterprise

👦🏻 May-akda: Henry (Team DeerFlow)^[1]

Noong nakaraang buwan, nakatagpo ako ng apat na kaibigan na handa na magpalit ng karera—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: FDE^[2]Nakakatulong ba ito sa akin?

FDE, ang buong pangalan ay Forward Deployed Engineer^[2]Ito ay isang jargon sa loob ng Palantir ilang taon na ang nakalipas, ngayon ay naging pangunahing pagsisimula ng mga headhunter, karaniwang posisyon sa mga pananaw ng paghahanap ng trabaho, at isa sa mga kandidato sa “pinakamahalagang posisyon sa panahon ng AI” sa mga social media. Direktang itinatag ni OpenAI ang Deployment Company noong Mayo 2026 gamit ang pangalan na ito.^[3]Isang pamumuhunan na $4B mula sa simula, sinabi nang malinaw na ipapadala nila ang mga inhinyero upang magsilbi sa loob ng mga opisina ng kliyente at maging bahagi ng kanilang workflow; ang Applied AI team ni Anthropic ay nagpapadala rin ng FDE sa apat na orasan. Naging malinaw na termino ito mula sa internal slang sa loob lamang ng isang taon at ilang buwan.

Sa nakaraang artikulo ng aking kumuha, “Sa Super Individual”[4], tinatalakay ang “engine 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 ng isang tiyak na sistema ng posisyon upang itago ang tao. 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 konsulta, 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 paraan ng paggawa, kung saan ang mga loob na koponan ay pinangalanan gamit ang militar na fonetikong alpabeto, tulad ng Delta at Echo. Ngayon, ito ay binawi ng OpenAI at Anthropic—hindi ito pagkakataon; ang kaluluwa ng pagpapadala ng mga inhinyero sa harapang linya ay patuloy na nagsasalita.

Ang mga tanong na isasagot ng artikulong ito ay ang tatlong partikular na pag-aalala na itinanong sa akin ng apat na kaibigan ko kahapon:

Isang consulting company ba ang FDE na may panlabas na AI? Saan ang hangganan nito sa tradisyonal na consulting?

Is ang FDE ay isang mas advanced na uri ng software outsourcing? Ano ang pagkakaiba nito sa aking kasalukuyang ginagawang乙方?

- Angkop ba ako para sa FDE? Anong uri ng tao ang lalaki sa posisyong ito, at anong uri ang maaaring masira?

Ang pananaw ng may-akda ay prudensyal na 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 ang isang bagay lamang ang maaaring gamitin upang markahan ang panahon ng pagbabalik ng FDE sa pagkakaroon ng pagkakataon, pipiliin ng manunulat ang Mayo 11, 2026—noong ikinahayag ng OpenAI ang pagkakatatag ng Deployment Company^[5], umalis si COO Brad Lightcap mula sa dating business line at naging special projects na direktang nag-uulat kay Sam Altman, at nagtatrabaho nang buong oras para sa bagong gawain. Sa parehong linggo, kinuha ni OpenAI ang British AI consulting company na Tomoro, at isinama ang 150 na 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 ng FDE: San Francisco, New York, Washington, pati na rin ang mga patayong direksyon tulad ng Life Sciences, Semiconductor, at Gov, kahit ang recruiter ng FDE^[6]Ang posisyon ay patuloy na binabawasan. Ipinapahiwatig ng mga analista na lalawak ang koponan sa 2,000–4,000 tao sa loob ng tatlong taon. Hindi ito isang grupo ng pag-aaral, ito ay isang regular na hukbo.

Kahit isang mirror image ang nangyayari dito sa Anthropic. Posisyon ng Forward Deployed Engineer sa ilalim ng Applied AI team^[7]Pinapalabas naman sa anim na lugar—Boston, New York, Seattle, San Francisco, Washington at London—at hinihingi ang 25%–50% na pagbisita ng mga kliyente sa lugar. Isang halimbawa na madalas na binanggit ay ang fintech company na FIS—kung saan direktang isinulat nito sa pahayag na “ang Applied AI team at ang mga 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-expand ito nang mag-isa sa huli ng higit pang agent.”

Ang mga salitang ito ay naglalaman ng totoong kalagayan ng trabaho na FDE. Hindi ito pre-sales architect, hindi rin SDR, o isang evangelist na dumadalo upang magturo sa mga kliyente. Ito ay isang engineer na dala-dala ang model at naninirahan sa codebase ng kliyente. Mas direkta ang sinabi ni Brad Lightcap: “Sinabi samin ng ating mga kliyente na kailangan nila ang kakayahang mula sa pilot patungo sa production. Ang Deployment Company ay ang pagpapasok ng ating mga engineer sa kanilang koponan at pagbibigay ng sapat na mga yaman upang maisagawa.”

I-picture ang bagay na ito, maging sobrang malinaw ang ugnayan ng tatlong panig:

Tandaan ang dalawang linya na may pinakamaraming impormasyon sa larawan, ang mga feedback na ipinapadala ng FDE sa parehong direksyon. Sa direksyon ng kliyente, hindi ipinapagbili ng FDE ang modelo bilang SaaS, kundi isinasama nito ang data, pagsasamantala, pagtutugma, at loobang sistema ng kliyente sa isang tubo na kayang patakaran ang modelo; sa direksyon ng mga kumpanya ng modelo, dinala ng FDE ang mga totoong problema at mga halimbawa ng pagkabigo ng kliyente patungo sa product at research, na nakakaapekto sa roadmap—isang pattern ng tool calling na paulit-ulit ay nagkakaroon ng error, maaaring maging sumusunod na built-in na abstraksyon sa SDK.

Dahil dito, ginamit muli ng dalawang koryo ng model company ang FDE sa round na ito, at hindi ito simpleng “gagawin namin rin ang konsultasyon tulad ng Palantir.” Ito ay isang device para sa pagkuha ng signal mula sa model company—ang pinakamalakas na mga problema ng customer sa harapan ay kailangan ng sariling tao upang maabot, at ang mga hiling na ibinabahagi ng mga partner ay laging may pagkakaintindi. Ang Anthropic ay sumusunod sa mixed approach: nagpapatakbo ng FDE sa sarili, samantalang nagtatayo rin sila ng joint venture network kasama ang mga konsultasyon at PE na pangunahin. Isang bahagi ay mas pabor sa sarili, isa naman sa ecosystem, ngunit pareho ang core: ang mga model company ay hindi na lamang mga API supplier, kundi direktang ipinapadala nila ang kanilang mga engineer sa produkto ng customer.

Ang susunod na sasagutin ay dalawang pinakakaraniwang paghahambing: K де at tradisyonal na konsultasyon (tulad ng McKinsey, Accenture) — saan ang hangganan nila? 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. Pagkamit ng suot na pambabae, pagbisita sa site ng kliyente, pag-uupo sa meeting room ng kliyente at pagsasagawa ng whiteboard, pagpapagkasundo sa mga C-level executive—mula sa pananaw, tila magkakatulad ang FDE at ang mga konsultant. Ngunit kung titingin ka nang isang antas pa pababa, iba-iba ang kanilang paggawa. Binibenta ng konsultant ang hangganan ng proseso, habang binibenta ng FDE ang hangganan ng modelo.

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

Ang pinakamahalagang tandaan sa talahanayan na ito ay ang pagsusulat na "Pagkawala ng Halaga ng Aset".

Ang pinakamalaking kita sa tradisyonal na konsultasyon ay ang paggamit muli ng mga asset—isang plano para sa isang banko, na maaaring kaunting i-edit at ibenta muli sa susunod; isang digital na playbook para sa retail sector na maaaring gamitin muli sa tatlong puong kliyente. Ito ang pangunahing ekonomikong modelo na nagbigay-daan sa paglago ng 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 mabuting disenyo ng prompt chain, ngunit sa susunod na bersyon ng model, maaaring sagutin na ito sa isang pangungusap lamang. Ang “pagpapalalim ng metodolohiya” sa pagkonsulta ay mabilis na mawawalan ng halaga sa ganitong bilis. Kaya hindi maaaring gamitin ng FDE ang modelo ng pag-uulit ng asset; kailangan nito na muling pagsimulan ang buong loop bawat beses—muling pagsusuri sa hangganan ng model, muling pagpili ng tool stack, at muling pagsasama ng anyo ng produkto. Maaaring mukhang hindi efisyente, ngunit ito ang tanging paraan upang makasabay sa bilis ng model.

Alam mo ba—ano ang Product Overhang? Ang may-akda sa nakaraang artikulo na 致超级个体^[4]Nakapaliwanag na namin ang terminong ito: ang kakayahan ng modelo ay higit na nasa antas kaysa sa umiiral na anyo ng produkto, ngunit wala pang entry point, pahintulot, o konteksto upang maisakatuparan ito. Ang halaga ng posisyon na FDE ay, sa pangkalahatan, ang pagpapakita ng mga悬空 na Overhang mula sa mga escenario ng customer bilang isang konkretong produkto na maaaring magtrabaho. Hindi binibili ng customer ang quota ng pagtawag sa API ng modelo, 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 gate acceptance: malinaw na nakasaad sa kontrata kung ano ang ipapadala, kailan ito ipapadala, at saan batay ang pagtataya. Ang batayan ng这套结构 ay ang pagkakadefine ng layunin bago mag-sign ng kontrata.

Hindi nakakatugon ang project ng FDE sa这套. Ang pinakakaraniwang sinasabi ng mga kliyente ay: "Alam kong dapat makatulong ang AI sa akin, pero hindi ko alam kung paano." Ang layunin mismo ay bahagi ng project. Kaya hindi tinatanggap ng FDE ang SOW, kundi ang mission—isang relatibong ambigong direksyon; at pagkatapos ay ginagawa ang iteration upang paulit-ulit na gawing malinaw ang direksyon; at sa huling iteration, isasalin ang nakuha na pag-unawa sa model sa isang anyo ng produkto.

Ang mga "deliverables" ay dapat rin ipaliwanag. Pagkatapos umalis ang FDE, ang natitirang functional sa sistema ng kliyente ay isang gumagana na sistema—maaaring maliit, maliit ang hitsura, 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 pag-unawa sa hangganan ng kakayahan ng model—kung ilang aktwal na client scenario ang iyong pinagana sa buwang ito, mas alam mo kung ano ang kayang gawin ng Claude 4.7 at kung ano ang kailangang hintayin hanggang sa Claude 5. Ang pag-unawa na ito ay hindi maaaring isulat sa PPT o isama sa knowledge base; ito ay maaaring lumaki lamang sa isip ng mga inhinyero na aktibong gumamit sa nakalipas na 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 mahal na software outsourcing" ay ang pangalawa. Mas malabo ang antas na ito dahil ang mga panlabas na ebidensya ay tila napakalakas: talagang umuupo ang FDE sa lugar ng kliyente upang sumulat ng code, talagang binubuo nila 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 mga outsourcing engineer.

Ngunit kahit tingnan mo lang ang feedback loop, hindi na makakatago ang pagkakaiba.

Ang pinakamahalagang pagkakaiba sa larawang ito ay hindi ang pagiging simpleng bahagi ng itaas ng larawan, kundi ang pagkakaroon ng isang feedback chain na umuunlad patungo 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 grupo ng pagkakaiba.

Hindi pareho ang mga bagay na kinukuha. Ang外包 ay kumuha ng SOW—isang malinaw na listahan ng mga pangangailangan na nakadefine bago mag-sign ng kontrata: anong mga function ang gagawin, anong teknikal na stack ang gagamitin, paano ang pagtataya, at paano ang pagbabayad sa paglabag. Ang FDE ay kumuha ng misyon—hindi pa malinaw sa kliyente kung ano ang kailangan, ngunit alam nila na “dapat makatulong sa akin ang AI.” Ang SOW ay batay sa katiyakan, samantalang ang misyon ay batay sa paglalayag. Magkaibang paraan ang pagpapalawak ng dalawang uri ng proyekto.

Magkaiba ang sakop. Ang mga外包 ay nagtatapos sa lokal na deliverable—isang module, isang website, isang data pipeline, tapos isasauli na at pupunta na sa susunod na kliyente. Ang FDE naman ay nagtatapos sa end-to-end—mula sa business pain point, hanggang sa pagpili ng model, pagdisenyo ng product form, hanggang sa retention at churn ng mga totoong user pagkatapos ng launch.

iba ang paraan ng pagbabayad. Ito ang pinakamaliit na nauunawaan. Ang isang kumpanya ng modelo ay nagpapadala ng FDE sa loob ng kliyente, at ang kanilang pangunahing interes ay hindi lamang kung gaano karaming bayarin sa konsultasyon para sa proyektong ito, kundi: gaano karaming token ang magagamit ng kliyente sa susunod? Magiging retention customer ba ito? Magkakaroon ba ito ng pagpapalawak sa mas maraming linya ng negosyo? Ang tunay na KPI ng FDE ay ang mahabang panahong kurba ng paggamit ng model token, hindi ang numero na nakalista sa aklatan ng pagtatapos 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—hindi ito 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 tampok 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 nagsasaliksik ng mga tunay na signal ng produkto sa loob ng mga lugar ng kanilang mga kliyente. Ang mga signal na ito ay hindi nabibili, hindi maipapakita, at hindi mabubuo sa pamamagitan ng mga survey—ito ay maaaring maabot lamang ng isang espesipikong inhinyero, sa loob ng isang espesipikong proseso ng kliyente, pagkatapos na maraming beses magkaroon ng mga pagsubok.

Alam mo ba—ilan ang kabuuang kompensasyon ng FDE ng OpenAI at Anthropic? Ayon sa mga pampublikong datos ng mga software engineer ng Anthropic sa Levels.fyi^[8], ang median ng total compensation para sa senior SDE ay umabot na sa $710K. Mas mataas ang risk sa posisyon ng FDE—dapat harapin ang hindi tiyak na kakayahan ng model, hindi tiyak na negosyo ng kliyente, at hindi tiyak na anyo ng produkto, kaya ang industriya ay nag-iisip^[9]Binanggit na ang mga senior总承包 sa avant-garde AI lab na FDE ay nasa pagitan ng $350K - $550K, habang ang mga Staff level at higit pa ay maaaring makarating sa $630K+. Ang halagang ito ay hindi binabayad para sa “outsourced labor hours,” kundi para sa mga tagapagdala ng risk na binubuo ng “produkto + customer + model.” >>> Tandaan ang 2006, nang unang magtrabaho ako, sa isang state-owned enterprise, kung saan nagaganap ang digital transformation; noong panahong iyon, hinirang ng aming grupo ang mga konsultant mula sa Accenture na nanatili sa loob ng ilang taon, at kinakailangan ng grupo na magbayad ng ₱3,500 araw-araw sa Accenture, na tinawag ng mga midya noon bilang “gold collar.” Pagkatapos ay lumipas ako sa German company na SAP, na kung saan itinakda ng SAP ang isang termino sa industriya ng konsultasyon, at ang SAP consulting consultant ay naging simbolo ng “gold collar.” Sa ganitong paraan, ang mga sahod sa FDE ay patuloy na tataas sa loob ng 24-36 buwan, at ang pangangailangan ay patuloy na umuunlad.

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 pagkaunawa sa client na maaaring pasukin ang FDE gamit ang paraan ng SOW, at magpapahintulot sa mga kandidato na gamitin ang pananaw ng outsourcing sa pagtrato sa FDE. Magkakaroon ng pagkabigo ang parehong panig.

Marami ang mali sa pag-iisip na ang salitang FDE ay nilikha ng OpenAI. Hindi naman talaga. Mayroon itong dalawang pinagmulan: isa mula sa Palantir, at isa mula sa mga kumpanya ng bagong henerasyon ng modelo pagkatapos ng 2023. Kapag isasalungat ang dalawang pinagmulang ito, mas malinaw ang pag-unawa kung ano nga 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 kanilang mga unang kliyente ay ang mga ahensya ng US intelligence. Walang CS background si Karp—nag-aral siya ng doktorado sa pilosopiya kay Jürgen Habermas sa Frankfurt, at bago siya hikayatin ni Thiel na maging CEO. Ang posisyon na FDE ay ipinanganak mula sa kombinasyong ito ng “non-traditional CEO + highly classified clients”—pagsusuri ng 36Kr^[10]Nakasulat nang malinaw na noong unang panahon, kinritika ng mga ahensya ng intelyihensya ang Palantir dahil hindi makakakuha ang mga inhinyero ng totoong mga sitwasyon sa negosyo, at ang mga kahilingan ay naging maligaw pagkatapos ng maraming pagpapalit. Pagkatapos ay nakipag-ugnayan ang Palantir sa isang proyekto—upang direktang ipasok ang kanilang mga inhinyero sa loob ng mga lokasyon ng kliyente at magtrabaho kasama ang mga analista ng intelyihensya. Ang modelo na ito ay sinistematisa ni Shyam Sankar at naging pundasyon ng FDE.

Noong 2009, napalawig ng FDE ang sakop nito sa larangan ng negosyo. Nang i-deploy ng JPMorgan ang Metropolis platform ni Palantir, 120 ang FDE na naka-embed para sa pagmonito ng panloob na banta. Mula noon, hindi na lang ang FDE ay “papadala ng mga inhinyero sa pagbisita” kundi isang sistematisadong estratehiya ng pag-embed sa kliyente: ang pagpapatakbo ng Foundry/Gotham nang talagang malalim sa mga proseso ng negosyo ng kliyente, hindi lang pagbibigay ng lisensya at pag-alis.

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

Alam mo ba—hindi kailangan ng Palantir FDE ng kwalipikasyon sa CS? Ayon sa mga pamantayan sa paghahanap ng trabaho ng Palantir na inayos ng SkillScouter^[11]At ang opisyal na pahina ng karera ng Palantir^[12]Palantir ay malinaw na nagtatawag ng mga kandidato na hindi mula sa larangan ng Computer Science; sa nakaraan, ang mga bagong FDE ay mula sa mga larangan tulad ng Mechanical Engineering, Economics, at Philosophy. 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 na kliyente. Ang degree sa Computer Science ay isang karagdagang benepisyo, hindi isang pahintulot. Si Karp mismo ang unang halimbawa ng pamantayang ito—isang CEO na nag-aaral ng Philosophy, na nagtatag ng isang grupo ng FDE na mula sa Physics, Mathematics, at Philosophy.

Ang pangalawang ugat ay ang mga kumpanya ng bagong henerasyon na modelong itinatayo pagkatapos ng 2023.

Pagkatapos ng paglalabas ng ChatGPT noong katapusan ng 2022, agad na naintindihan ng OpenAI ang isang bagay: ang pagpapakita ng API ng model sa dokumentasyon para sa mga kliyente na i-connect nang sarili nila ay hindi nakakatulong. 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 mag-recruit nang malaki ng FDE.

Ang pagkatuto sa this wave ng FDE ay ang playbook ni Palantir—ipapadala ang mga engineer sa site ng customer para ipatupad nang buong saklaw ang isang workflow. Ngunit ang produkto ay ganap na iba: Sa panahon ng Palantir, ang ginagawa ng FDE ay data integration at UI customization; sa bagong henerasyon ng FDE, ang ginagawa ay prompt design, agent orchestration, tool invocation, at workflow embedding.

Pragmatic Engineer tungkol sa FDE^[13]Tinatawag nila ang bagong bersyon na ito bilang “embedded with enterprises to make Claude solve real, specific, high-value problems” — ang pagkakasulat ay halos magkatulad sa pagkakasulat ng Palantir noong unang panahon, ngunit ang “data” ay nalitan ng “model”.

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

Kaparehong punto: Hindi bumibili ang mga kliyente ng software. Bumibili sila ng “mga inhinyero + combo ng mga kasangkapan na makakasolusyon sa aking problema.” Ito ay kakaiba 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 upgraded version ng system integrator, habang ang ikalawa ay parang extended version ng product engineer.

Isang interesanteng katotohanan pa: Marami sa mga early FDE ng Palantir ay naging mga entrepreneur o direktang sumali sa mga kompanya ng bagong henerasyon ng modelo. Sa mga unang koponan ng Anthropic, OpenAI, Sierra, at Hebbia, maaari mong tukuyin ang isang mahabang lista ng mga dating miyembro ng Palantir. Ito ay hindi pagkakataon—ang posisyon ng FDE mismo ay nagpapakailanman ng isang tao na magtanggol sa product risk, customer risk, at engineering risk, halos isang training ground para sa mga entrepreneur. Mas gusto ng manunulat na tingnan ang Palantir bilang isang lihim na创业 training camp: 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 nagkaisa pagkatapos ng 2023.

Ang pangunahang pagkakasama ng dalawang sangay 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 wala. Upang maunawaan ang FDE sa loob ng bansa, kailangan munang maunawaan ang dalawang lokal na ninuno nito, at pagkatapos ay ang tatlong pagkakaiba nito mula sa bersyon ng FDE sa Amerika.

Dalawang lokal na nakaraan

Ang unang predecesor ay isang solution architect mula sa cloud provider. Sa loob ng nakaraang sampung taon, binuo ng Alibaba Cloud, Tencent Cloud, at Huawei Cloud ang buong koponan ng Solution Architects (SA) na nagsasalita sa mga kliyente tungkol sa arkitektura, sumusulat ng POC, gumagawa ng migration plans, at sumasali sa pagpapadala hanggang sa pag-launch. Mayroon pa rin ang Huawei ang espesyal na "delivery engineer" na sekwensya na responsable sa pagpapatupad ng mga proyekto sa machine room ng kliyente. Ang sistema na ito ay nagsasagawa ng 80% ng mga gawain ng FDE, ngunit ang pangunahing tekad ay nananatili sa pre-sale at deployment—hindi nasa kamay ng SA ang responsibilidad sa end-to-end na pagpapabago ng produkto; kung nagbago ang pangangailangan, kailangan mag-require ng change process; kung magbago ang model, kailangan maghintay sa schedule ng headquarters.

Ang pangalawang nakalagay ay isang bagong sequence na lumitaw sa isang AI startup. Ang MiniMax ay naglalagay ng “AI Pre-sales Solutions Expert” sa Boss Zhipin, at ang mga kompanya ng modelo tulad ng Moonshot, Zhipu, Tongyi, at Hunyuan ay naglalagay din ng katulad na posisyon. May kaunting pagkakaiba sa pangalan, ngunit ang nilalaman ng JD ay mataas na katulad: 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 engineering team ng kliyente hanggang sa paglunsad. Ang mga posisyong ito ay ang totoong “domestic FDE.”

Three water and soil differences

Ang pag-deploy sa sariling infrastruktura + pagtugon sa pagkakasunod sa data ay nagpapababa sa modelo na batay lamang sa pagtawag. Mas mataas ang hiling ng mga lokal na B2B customer sa China tungkol sa pag-iwas sa paglabas ng data sa loob ng teritoryo, kontrol sa weights ng modelo, at pagiging maunawaan sa audit kaysa sa merkado ng Amerika. Sa isang FDE project, ang pagtawag sa API at pagpapatakbo ng prompt ay maaaring magkaroon lamang ng 30% ng gawain, 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 modelo ay patuloy na nagtatryo na makasama ang SOTA, at ang espasyo para sa pag-unlad ay napapaliit sa antas ng inhenyeriya. Ang mga American na OpenAI at Anthropic ay maaaring magpakita ng kapasidad ng modelo bilang pangunahing pagkakataon; samantala, ang pagkakaiba sa kapasidad ng mga lokal na modelo tulad ng Tongyi, DouBao, Kimi, GLM, at DeepSeek ay hindi gaanong malaki, kaya ang pagpapasya ng mga kliyente ay mas nakatuon sa mga inhenyeriyang aspeto tulad ng pag-ayos ng Agent, kalidad ng RAG retrieval, integrasyon ng mga tool, at disenyo ng Workflow. Sa loob ng bansa, ang pakikipagpaligsahan ng mga FDE ay hindi tungkol sa “gaanong lakas ang aming modelo,” kundi “kaya ko bang gawing totoo ang proseso na ito.”

Ang pagkakaroon ng kagustuhan na magbayad at ang ritmo ng pagtatakda ng presyo sa B-side ay hindi pareho sa Amerika. Mahirap direktang kopyahin ang modelo ni Palantir na “unang ilabas ang FDE, pagkatapos ay kumuha ng mataas na presyo sa subscription”. Ang budget ng lokal na kliyente ay nakadepende sa taunang pagbili, at ang pagbabayad ay mas nakatuon sa proyekto. Ang business model ng FDE ay karaniwang isang halong 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 "internong 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 ad na negosyo. Ang JD ay naglalagay ng mga "Industry Implementation Engineers", "AI Application Engineers", at "Intelligent Business Experts"—na sa pangkalahatan ay mga internal FDE—na nagdadala ng kakayahan ng model team nang buo patungo sa gawain. Ito ay nagbibigay ng bagong ideya sa mga leader ng malalaking kumpanya: ilang internal FDE na nakaupo sa gawain, nagpapatakbo ng unang demo, at nagpapadala ng ROI data sa mga boss ng gawain, ay mas mabilis na mapapalitan ang mga pader ng departamento kaysa sa sampung pagpupulong.

Ang may-akda sa nakaraang artikulo, “Patungo sa Super Individual”^[4]Nakapag-iisa ang limang engine ng super individual: malakas ang pagkakaroon ng kuruosity, malakas ang paghahanap at pagkakaroon ng diwa ng inobasyon, malakas ang kakayahang mag-aral nang sarili, malakas ang self-motivation, at malakas ang kakayahang gumawa. Ang limang bagay na ito ay ang papeles ng pagsali sa FDE, ngunit hindi lahat. Ang posisyon na FDE ay may karagdagang mga tiyak na katangian sa labas ng limang engine, at may ilang uri ng personality na malinaw na hindi angkop. Nakakita na ang may-akda ng maraming mahusay na engineer na naglipat sa FDE ngunit nagkaroon ng problema sa pag-adjust—ang mga problema ay karamihan ay hindi sa kakayahan, kundi sa karakter at pagkukulang sa paggawa.

Limang katangian na angkop para sa FDE

Hindi makapag-iisip sa pagbebenta at komunikasyon. Ang araw-araw na gawain ng FDE ay hindi pagsulat ng code sa loob ng isang silid, kundi direktang pakikipag-ugnayan sa CTO, business lead, procurement, compliance, at IT ng kliyente. Isang karaniwang ritmo: habang nagpapakita ang CTO ng kliyente, biglang ipinapahinto ang demo—hindi dapat ang reaksyon ng FDE ay “Babalik ako at i-aayos ko ito, uuwi ako bukas,” kundi agad na buksan ang IDE, baguhin ang Prompt, at i-rerun ito sa harap niya. “Nandito ang kliyente, nag-aayos ako” ay karaniwan sa FDE.

Sarap sa pagiging ambiguo. Hindi natanggap ng FDE ang malinaw na PRD, kundi isang pahayag na, “Gusto namin gumawa ng kahit ano gamit ang AI.” Hindi rin makapagpaliwanag nang maayos ang kliyente kung ano ang kailangan, kaya kailangan ng FDE na kasama siya upang palakasin ang ambigong pangarap hanggang maging konkretong anyo. Kung ikaw ay maaaring gumalaw 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 algorithm sa kumpanya; kailangan nito ay makapagpasa ng end-to-end: makapag-create ng isang clickable na frontend, makapag-setup ng isang gumagana na backend service, at makapag-connect ng model sa source ng business data. Sa mundo ng FDE, ang “sapat na mabuti” ay hindi isang kahinaan, kundi isang katangian.

Nagustuhan ang pagpapabuti sa pamamagitan ng feedback. Maraming pagkakataon sa trabaho ng FDE kung деan “ipinapalit muli dahil sa pagkakamali ng kliyente”: ang demo ngayon ay binabale-wala ng business team bukas; ang plano na naka-agree noong nakaraang linggo ay kailangang gawin muli dahil sa bagong executive ng kliyente. Ang mga tao na angkop sa FDE ay gagamitin ang ganitong feedback bilang enerhiya, at makakatanggap ng end-to-end na responsibilidad nang hindi isasala ang kasalanan sa “mga nangangailangan na hindi nagpaliwanag nang maayos.”

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 maaabot lamang sa pamamagitan ng mga pagkabigo. Habang nagkakalap ang mga sample ng pagkabigo, magsisimula ang FDE na magkaroon ng muscle memory sa hangganan ng modelo: anong mga sitwasyon ay gagamitin ang RAG, anong mga sitwasyon ay dapat sundin 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

Isang teknikal na entusiya na gustong makatago sa code. Hindi nagpapagawa ng code nang 50% ng oras ni FDE—nasa mga pagpupulong ng kliyente, internal coordination, diskusyon sa produkto, at pagpapagawa ng kontrata. Kung ang iyong pinagkukunan ng kasiyahan ay ang pag-encode nang walang pagkakaabala nang apat na oras tuloy-tuloy, ang FDE ay magdudulot ng matagalang pagkabagabag sa isip.

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 tinutukoy ng mga milestone ng proyekto ng kliyente, ang pagbabago sa kakayahan ng model, at ang iyong sariling pagtataya sa scenario. Ang mga nag-iisip na “kailangan muna ng OKR bago malaman kung ano ang gagawin” ay hindi makakahanap ng anchor.

Ang mga taong higit na pinahahalagahan ang “pagtaas sa ranggo” kaysa sa “mga gawa.” Hindi nakikinabang ang 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 malakas kapag ihahambing sa dami ng code at kahalagahan ng pag-deploy sa proseso ng pagtataya ng ranggo. Kung ang pagtaas sa ranggo ang unang prioridad sa iyong motibasyon sa trabaho, ang FDE ay hindi ang tamang piliin.

Ang mga taong nagtatanggol sa mga komersyal na konteksto. Dapat maunawaan ng FDE ang P&L, ROI, proseso ng pagbili, at mga pangangailangan sa pagkakasunod ng kliyente. Kung ikaw ay natural na nagtatanggol laban sa pag-uusap tungkol sa pera, mga kontrata, at mga komersyal na lohika, ang trabaho ng FDE ay magdudulot sa iyo ng pakiramdam na nagtatrabaho ka sa pagbabalewala ng iyong teknikal na mga ideal.

Listahan ng Pagsusuri Sarili

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 seryosamente isipin 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 kung bakit,” ano ang iyong unang reaksyon: pagkakaintindi o pagkagalit?

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

4. Sa iisang pagpapadala, hiniling ng customer na i-edit mo ang 8 bersyon, at kayang mong panatilihin ang iyong paghuhusga, 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. Maaari mo ba tanggapin ang mabilis na prototipo at mabilis na pagkabigo?

Limang katangian, apat na uri ng reverse persona, pitong sariling pagsusuri, at sa wakas 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 “engine ng tao”: ang pagkakaintindi, ang pag-aaral sa sarili, ang pagmamay-ari, at ang kakayahang gumawa—paano ito buong-loop na na-activate 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 suweldo, JD para sa paghingi ng empleyo, at pagsubok sa pagbabayad ng mga kliyente. Hindi ito kapareho ng konsepto ng “super individual,” kundi ang unang coordinate na naging totoo mula sa abstrakto sa praktikal sa pagbabago na ito.

Hindi ang FDE ang katapusan. Ang pagtataya 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 escenario ng kliyente at kailangan ng pagbuo ng produkto sa mga ambigong lugar, ay magkakaroon ng kanilang sariling bersyon ng “forward deployed.” Magbabago ang mga pangalan ng posisyon, ngunit ang pundamental na lohika ay pareho: ang kakayahan ng modelo ay nasa harap, ang anyo ng produkto ay nasa likod na nagsusunod, at ang istruktura ng posisyon ay muling hihiwalay batay sa workflow.

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

Para sa mga teknikal na tao: Hinihingi ng FDE na hindi mo kailangang maging pinakamahusay na programmer sa kompanya, ngunit hinihingi nito na handa kang ilipat ang kalahati ng oras mo mula sa code patungo sa mga kliyente. Kung ang iyong sagot ay “handa,” ang market window ay nagsimula na, at ang paghingi ng mga pinakamalalaking Chinese na kompanya ng AI model, cloud providers, at internal AI teams ng malalaking kumpanya ay umuunlad. 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 “pagkakahiwalay ng pangalan at katotohanan.” Maaari nang mayroon nang isang grupo ng FDE sa inyong kumpanya na nagtatrabaho, ngunit ang kanilang code ng posisyon ay nakalagay bilang “Solution Specialist,” “Industry Architect,” o “AI Application Engineer.” Kilalanin sila, muling i-classify, at bigyan sila ng isang path para sa pag-unlad na tumutugma sa kanilang mga gawain—mas epektibo kaysa mag-recruit ng mga bagong tao mula sa zero.

Para sa mga tagapamahala: Ang FDE mode ay hindi lamang para sa labas, kundi pati na rin sa loob. I-set up ang ilang “internal FDE” sa loob ng kumpanya na magiging point person sa mga operasyon, at i-integrate ang kakayahan ng model team nang buo sa mga proseso ng negosyo—mas epektibo ito kaysa magtatag ng isang bagong AI department at magkaroon ng sampung pagpupulong para sa pagkakasundo sa pagitan ng mga team. Ang mga pader ng department ay hindi nalalabas sa pamamagitan ng organizational design, kundi sa pamamagitan ng isang demo na gumagana.

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 modelo ay naging sapat upang lumikha ng mga bagong posisyon. Gusto ng may-akda na iwanan ang mambabasa ng isang konkretong 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 pagbasa ng artikulong ito.