FDE: Perbatasan Baharu dalam Peranan Kejuruteraan yang Digerakkan oleh AI

Dalam sebulan terakhir, saya berjumpa dengan empat rakan yang sedang bersiap untuk berpindah kerjaya—frontend, arkitek penyelesaian, produk manajer, dan jurutera algoritma tradisional. Dengan latar belakang, umur, dan bandar yang berbeza, mereka semua bertanya tentang singkatan Inggeris yang sama: Adakah FDE [2] patut saya pertimbangkan?

FDE, singkatan bagi Forward Deployed Engineer [2]. Dua tahun lalu, ia masih merupakan istilah dalaman dalam kalangan Palantir, tetapi kini telah berubah secara halus menjadi pembukaan percakapan oleh perekrut, jawatan yang sering disebut dalam iklan pekerjaan, serta salah satu calon jawatan "paling berharga di era AI" di media sosial. OpenAI pada Mei 2026 secara langsung membentuk Deployment Company [3] dengan nama ini, dengan pelaburan awal sebanyak 4 miliar dolar AS, dan secara jelas menyatakan bahawa mereka akan menghantar jurutera ke lokasi pelanggan, menyusup ke dalam alur kerja pelanggan; pasukan Applied AI Anthropic juga sedang merekrut FDE secara serentak di empat zon masa. Perkara ini berubah daripada istilah dalaman kepada perkataan yang jelas hanya dalam masa lebih satu tahun.

Artikel sebelumnya penulis, "Kepada Individu Super" [4], membincangkan "enjin manusia"—rasa ingin tahu, pembelajaran sendiri, motivasi diri, dan kemampuan praktikal—bagaimana ia dirangsang dalam Closed-loop yang lengkap. Namun, manusia bukanlah entiti yang mengambang; manusia perlu diterima oleh satu sistem koordinat jawatan yang spesifik. Jika individu super adalah "bahan mentah" hubungan pengeluaran di era AI, maka FDE adalah bentuk jawatan paling nyata yang muncul di pasaran sepanjang tahun ini.

Menurut penulis, FDE tidak berada dalam kotak konsultasi, juga tidak dalam kotak outsourcings. Ia paling dekat dengan individu super—perbezaannya hanya bahawa FDE adalah individu super yang diorganisasikan di celah antara "syarikat model × pelanggan".

Tahukah anda — dari manakah istilah Forward Deployed berasal? Ia asalnya merupakan istilah tentera AS, Forward Deployed Forces, yang merujuk kepada pasukan yang ditempatkan di luar negara atau di garis depan untuk merespon dengan cepat, berbeza dengan pasukan yang tinggal di pangkalan utama di tanah air. Palantir membawa istilah ini ke industri perisian pada akhir 2000-an untuk menggambarkan model kerja “menghantar jurutera keluar dari markas dan tinggal di tapak pelanggan”, dengan tim dalaman pun dinamakan mengikut nombor tentera, iaitu Delta dan Echo. Kali ini, ia diambil semula oleh OpenAI dan Anthropic — bukan kebetulan — esensi menghantar jurutera ke garis depan tidak pernah berubah.

Tiga keraguan spesifik yang baru-baru ini ditanyakan oleh empat rakan saya dalam artikel ini adalah:

Adakah FDE sebuah syarikat perunding yang memakai pakaian AI? Di manakah sempadan antara FDE dan perundingan tradisional?

- Adakah FDE sebagai perkhidmatan outsorcing perisian yang lebih canggih? Apakah perbezaannya dengan peranan pihak ketiga yang saya lakukan sekarang?

- Saya sesuai untuk FDE? Jenis orang macam mana yang akan diperbesar oleh jawatan ini, dan jenis mana yang akan hancur?

Sikap penulis adalah optimis dengan berhati-hati: FDE benar-benar sedang berkembang, tetapi ia jauh dari menjadi jalan keluar transformasi bagi semua orang. Lebih penting untuk menjelaskannya dengan jelas daripada membuatnya menjadi ramai.

Jika hanya boleh memilih satu perkara untuk menandakan titik masa FDE dalam gelombang kebangkitan semula ini, penulis akan memilih 11 Mei 2026—hari ketika OpenAI mengumumkan pembentukan Deployment Company [5], di mana COO Brad Lightcap meninggalkan garis perniagaan asalnya dan berpindah ke special projects, melapor terus kepada Sam Altman, serta bertanggungjawab sepenuh masa terhadap perkara ini. Dalam minggu yang sama, OpenAI mengakuisisi syarikat perunding AI British, Tomoro, dan secara sekali gus memasukkan 150 Forward Deployed Engineer dan Deployment Specialist ke dalam syarikat baharu itu.

Perlu ditekankan bahawa laman web perekrutan OpenAI sedang mempromosikan lebih daripada sepuluh kedudukan FDE: San Francisco, New York, Washington, serta arah vertikal seperti Life Sciences, Semiconductor, dan Gov berdasarkan industri, bahkan kedudukan perekrut FDE [6] itu sendiri sedang dicari. Analis menganggarkan bahawa pasukan ini akan berkembang menjadi 2,000–4,000 orang dalam tempoh tiga tahun. Ini bukan saiz kumpulan penyelidikan, ini adalah tentera yang teratur.

Anthropic hampir sama seperti tindakan cermin. Jawatan Forward Deployed Engineer di bawah pasukan Applied AI [7] kini dibuka secara serentak di enam lokasi—Boston, New York, Seattle, San Francisco, Washington, dan London—with keperluan perjalanan ke tapak pelanggan sebanyak 25%–50%. Satu contoh yang baru-baru ini kerap dirujuk ialah syarikat fintech FIS—ia secara langsung menyatakan dalam pengumumannya bahawa “pasukan Applied AI dan forward-deployed engineers dari Anthropic telah ditempatkan di dalam FIS untuk bersama-sama merekabentuk Financial Crimes AI Agent serta mentransfer pengetahuan kepada FIS supaya ia boleh mengembangkan lebih banyak agent secara berdiri sendiri pada masa hadapan.”

Perkataan ini mengungkapkan gambaran sebenar pekerjaan FDE. Ia bukan arkitek pra-penjualan, bukan SDR, dan bukan penceramah yang datang untuk melatih pelanggan. Ia adalah jurutera yang membawa model dan tinggal di dalam repositori kod pelanggan. Brad Lightcap sendiri mengatakan dengan lebih terus terang: “Pelanggan kami memberitahu kami bahawa mereka memerlukan kemampuan untuk berpindah dari pilot ke production. Deployment Company ialah dengan memasukkan jurutera kami ke dalam pasukan mereka, memberi sumber yang mencukupi untuk menyerahkan hasil.”

Lukiskan perkara ini sebagai satu gambar, hubungan ketiga-tiga pihak akan menjadi sangat jelas:

Perhatikan dua garis paling bermakna dalam gambar ini, iaitu umpan balik yang disalurkan oleh FDE ke dua arah. Ke arah pelanggan, FDE bukan menjual model sebagai SaaS, tetapi menggabungkan data, kebenaran, kesesuaian, dan sistem dalaman pelanggan menjadi satu saluran yang boleh menjalankan model; ke arah syarikat model, FDE membawa kembali masalah sebenar dan sampel kegagalan pelanggan kepada produk dan penyelidikan, mempengaruhi peta jalan—pola panggilan alat yang sering gagal mungkin menjadi abstrak binaan seterusnya dalam SDK.

Inilah sebabnya FDE dinyalakan semula bersamaan oleh dua syarikat model terkemuka dalam gelombang ini, bukan sekadar “kita juga perlu belajar Palantir membuat perkhidmatan konsultasi”. Ia adalah alat pengumpulan isyarat bagi syarikat model—masalah pelanggan paling ketara di garis depan hanya boleh ditangkap jika terdapat wakil sendiri di lokasi, kerana permintaan yang diterjemahkan oleh rakan kongsi sentiasa kurang tepat. Anthropic mengambil jalan campuran: mengendalikan FDE sendiri sambil membina rangkaian pelaburan bersama dengan syarikat konsultasi dan pemain utama PE. Satu pendekatan lebih berfokus pada pengendalian sendiri, yang lain lebih berfokus pada ekosistem, tetapi intinya sama: syarikat model tidak lagi hanya menjadi penyedia API, ia perlu menghantar jurutera secara langsung ke dalam produk pelanggan.

Soalan seterusnya yang akan dijawab adalah dua soalan perbandingan paling biasa—di manakah sempadan FDE berbanding konsultasi tradisional (seperti McKinsey, Accenture)? Adakah ia perkara yang sama dengan pengluaran perisian yang kita kenali?

Banyak orang yang mendengar deskripsi pekerjaan FDE untuk pertama kalinya, reaksi pertama mereka ialah: “Bukankah ini McKinsey dan Accenture versi baru?”

Saya memahami asosiasi ini. Berpakaian jas, mengunjungi lokasi pelanggan, duduk di ruang rapat pelanggan untuk menggambar di papan putih, dan menyelaraskan dengan eksekutif tingkat C—secara visual, FDE dan konsultan memang tampak serupa. Tetapi sekali Anda melangkah lebih dalam, tekstur pekerjaan keduanya benar-benar berbeda. Konsultan menjual batasan proses, sementara FDE menjual batasan model.

Letakkan kedua-duanya bersebelahan dalam satu jadual, perbezaannya akan segera nampak.

Baris yang paling patut dihentikan sebentar dalam jadual ini ialah "Susut Nilai Aset".

Logik paling menguntungkan dalam konsultasi tradisional ialah penggunaan semula aset — satu cadangan untuk sebuah bank boleh diubah sedikit dan dijual semula kepada bank seterusnya; satu playbook digital untuk industri runcit boleh digunakan berulang kali kepada tiga puluh pelanggan. Ini adalah model ekonomi asas yang menjadikan Accenture, Deloitte, dan McKinsey Digital tumbuh besar selama tiga dekad terakhir.

FDE tidak mempunyai aset semacam ini. Kemampuan model masih bergerak pantas—hari ini masih memerlukan rantai Prompt yang dirancang dengan teliti, tetapi model versi seterusnya mungkin boleh menyelesaikannya dengan satu ayat sahaja. “Pengendalian metodologi” dalam konsultasi akan cepat kehilangan nilainya menghadapi kelajuan ini. Oleh itu, FDE tidak boleh menggunakan model semula jadi aset; setiap kali menyelesaikan lingkaran tertutup, ia mesti dijalankan semula—menilai semula sempadan model, memilih semula tatanan alat, dan menyusun semula bentuk produk. Kelihatan tidak cekap, tetapi ini adalah satu-satunya cara untuk mengekori kelajuan model.

Tahukah anda—Apakah itu Product Overhang? Penulis telah menjelaskan istilah ini dalam artikel sebelumnya, "Kepada Individu Super" [4]: kemampuan model telah melebihi bentuk produk yang ada, tetapi belum ada saluran produk, keizinan, atau konteks untuk mewujudkannya. Nilai peranan FDE pada dasarnya adalah mewujudkan Overhang yang menggantung dalam skenario pelanggan menjadi produk nyata yang boleh dijalankan. Pelanggan tidak membeli kuota pemanggilan API model, tetapi kemampuan "seseorang yang benar-benar dapat mewujudkan sekumpulan Overhang ini dalam bisnis saya".

Ini juga menjelaskan perbezaan dalam baris "struktur projek". Struktur standard projek konsultasi ialah SOW (Statement of Work) + WBS (Work Breakdown Structure) + pengesahan peringkat: kontrak harus menyatakan dengan jelas apa yang perlu diserahkan, bila ia perlu diserahkan, dan mengikut apa piawaian pengesahan. Dasar struktur ini adalah bahawa matlamat telah ditakrifkan dengan jelas sebelum kontrak ditandatangani.

Projek FDE tidak mengikuti pendekatan ini. Pernyataan paling sering dikatakan pelanggan adalah: "Saya tahu AI seharusnya dapat membantu saya melakukan sesuatu, tetapi saya tidak tahu apa itu." Tujuan itu sendiri adalah sebahagian daripada projek. Oleh itu, FDE tidak menerima SOW, tetapi menerima misi—arah yang agak kabur; kemudian menggunakan iterasi secara berulang-ulang untuk menjadikan arah tersebut lebih jelas; akhirnya, dalam salah satu iterasi, mewujudkan pemahaman model yang telah dikumpulkan menjadi bentuk produk.

Baris “hasil penghantaran” juga patut diperluaskan. Selepas FDE berhenti, yang tinggal dalam sistem pelanggan ialah satu fungsi yang berfungsi—mungkin kecil, mungkin buruk, mungkin tiada antaramuka pengguna, tetapi ia benar-benar dipanggil, diubah, dan dikritik setiap hari. Hasil penghantaran konsultasi ialah PPT dan laporan pengurusan perubahan, walaupun kod telah ditulis atau ERP telah disesuaikan dalam projek, yang akhirnya tinggal di tangan pengurusan tinggi pelanggan tetaplah satu dokumen kaedah.

Baris "parit pertahanan" adalah yang paling halus. Parit pertahanan FDE adalah rasa langsung terhadap batasan kemampuan model—berapa banyak skenario pelanggan sebenarnya yang anda jalankan bulan ini, itulah yang membuat anda lebih tahu mana yang dapat dilakukan oleh Claude 4.7 dan mana yang perlu menunggu Claude 5. Rasa ini tidak dapat ditulis ke dalam PPT atau dimasukkan ke dalam banci pengetahuan; ia hanya tumbuh di dalam otak jurutera yang telah menggunakannya dalam 90 hari terakhir.

Jadi, jika ada yang berkata, “FDE bukanlah Accenture versi baru?”, anda boleh menjawab: Jurutera Accenture berusaha mendesain semula proses pelanggan, manakala FDE berusaha mengenal semula sempadan model. Aset yang pertama boleh bertahan selama sepuluh tahun, manakala aset yang kedua perlu tumbuh semula selepas 90 hari.

Jika "FDE adalah Accenture versi baru" adalah salah tafsir tahap pertama, maka "FDE adalah perkhidmatan outsourcings perisian mahal" adalah tahap kedua. Tahap ini lebih menyesatkan kerana bukti zahir kelihatan sangat kukuh: FDE benar-benar pergi ke lokasi pelanggan untuk menulis kod, benar-benar menyesuaikan fungsi mengikut perniagaan pelanggan, dan benar-benar boleh dipanggil semasa jam kerja pelanggan. Pada pandangan pertama, ia tidak berbeza daripada jurutera outsourcings.

Tetapi sekali melihat umpan balik, perbezaannya tidak boleh disembunyikan.

Perbezaan paling penting dalam gambar ini bukanlah betapa mudahnya bahagian atas gambar, tetapi adanya rantai umpan balik yang memanjang ke syarikat model di bahagian bawah gambar. Rantai ini bukanlah hiasan; ia adalah alasan sebenar mengapa jawatan FDE wujud. Apabila kita menguraikan perbezaan ini, sekurang-kurangnya terdapat empat pasangan perbandingan.

Perkara yang diterima berbeza. Pihak luar menerima SOW—senarai keperluan yang telah ditakrifkan sebelum perjanjian ditandatangani: fungsi apa yang perlu dibangunkan, teknologi apa yang digunakan, bagaimana penerimaan dilakukan, dan bagaimana ganti rugi jika terjadi pelanggaran. FDE menerima misi—klien sendiri tidak pasti apa yang mereka inginkan, hanya tahu bahawa “AI sepatutnya boleh membantu saya melakukan sesuatu”. Premis SOW ialah kepastian, manakala premis misi ialah eksplorasi. Kedua-duanya mempunyai pendekatan yang berbeza sama sekali dalam memulakan projek.

Lingkup kerja berbeza. Pihak luar membuat penghantaran separa—satu modul, satu laman web, satu data pipeline, selepas selesai, bungkus dan pergi ke syarikat seterusnya. FDE melakukan secara end-to-end—mulai dari masalah perniagaan, pemilihan model, reka bentuk bentuk produk, hingga retensi dan churn pengguna sebenar selepas pelancaran.

Cara penagihan berbeza. Ini adalah perkara yang paling tidak intuitif. Sebuah syarikat model menghantar FDE ke tapak pelanggan, dan yang mereka benar-benar pedulikan bukan hanya berapa banyak yuran perundingan yang diperoleh daripada projek ini, tetapi: berapa banyak token yang akan digunakan oleh pelanggan ini seterusnya? Akankah pelanggan ini menjadi pelanggan yang kekal? Akankah ia berkembang ke garis perniagaan lain? KPI sebenar FDE ialah lengkung penggunaan token model jangka panjang, bukan nombor yang terdapat pada surat pengesahan projek.

Umpan balik berbeza destinasi. Ini adalah kumpulan paling mendalam di antara keempat-empatnya. Dalam projek outsourc­ing, umpan balik pihak penghantar hanya sampai ke syarikat outsourc­ing dan tidak akan mempengaruhi produk yang akan dijual syarikat outsourc­ing kepada orang lain. Sebaliknya, umpan balik FDE mengalir semula ke peta jalan syarikat model—setiap masalah, kegagalan Prompt, dan ralat panggilan alat yang dihadapi pelanggan dalam skenario sebenar, akan menjadi input untuk data latihan versi seterusnya, reka bentuk alat versi seterusnya, dan ciri produk versi seterusnya. Dengan kata lain, setiap pelanggan yang melaksanakan FDE, bagi syarikat model, adalah juga rakan reka bentuk semula jadi.

Inilah sebenarnya alasan mengapa syarikat model bersedia membayar gaji tinggi untuk merekrut FDE. Mereka tidak hanya menjual satu perkhidmatan, tetapi mengumpulkan isyarat bentuk produk dunia nyata di lokasi pelanggan. Isyarat-isyarat ini tidak boleh dibeli, ditangkap, atau diperoleh melalui tinjauan kuesioner—ia hanya boleh dibawa balik oleh seorang jurutera tertentu, setelah mengalami beberapa kali kegagalan dalam alur kerja pelanggan tertentu.

Tahukah anda—berapa jumlah total kompensasi FDE untuk OpenAI dan Anthropic? Berdasarkan data awam dari jurutera perisian Anthropic di Levels.fyi [8], median total kompensasi untuk SDE berpengalaman telah mencapai US$710K. Jawatan FDE membawa risiko yang lebih tinggi—ia perlu menghadapi ketidakpastian kemampuan model, ketidakpastian bisnes pelanggan, serta ketidakpastian bentuk produk—maka, seperti dinyatakan dalam pengumpulan industri [9], jumlah total kompensasi untuk FDE peringkat menengah hingga tinggi di laboratorium AI terkini biasanya berada di antara US$350K - US$550K, sementara peringkat Staff ke atas boleh mencapai US$630K+. Harga ini bukan dibayar untuk “jam kerja outsourced”, tetapi sebagai bayaran kepada mereka yang menanggung gabungan tiga risiko: “produk + pelanggan + model”. > Ingat semula pada tahun 2006, ketika saya baru memulakan kerjaya di sebuah syarikat milik kerajaan, ketika itu sedang menjalani transformasi informasi; pada masa itu, konsultan Accenture yang dijemput oleh syarikat kami tinggal di tempat kerja, dan syarikat kami perlu membayar bayaran konsultasi sebanyak RM14,000 sehari, dan mereka tinggal selama beberapa tahun, dikenali sebagai “gold collar” oleh media pada masa itu. Saya kemudian berpindah ke syarikat Jerman SAP, yang bahkan mencipta istilah dalam industri konsultasi—konsultan SAP menjadi simbol “gold collar”. Dari perspektif ini, gaji FDE akan terus meningkat selama 24 hingga 36 bulan ke depan, dengan permintaan yang juga terus meningkat secara stabil.

Pengluaran ialah arbitrase tenaga kerja, FDE ialah sensor depan. Menggabungkan dua perkara ini akan menyebabkan pihak yang menghantar salah faham bahawa FDE boleh diambil masuk melalui cara SOW, dan juga menyebabkan calon memperlakukan FDE seperti pekerjaan pengluaran. Kedua-dua belah akan segera menabrak dinding.

Banyak orang salah sangka bahawa perkataan FDE dicipta oleh OpenAI. Sebenarnya tidak. Ia mempunyai dua punca sejarah, satu daripada Palantir, dan satu daripada syarikat model generasi baru selepas 2023. Dengan membandingkan kedua-dua punca ini, anda boleh memahami dengan lebih jelas apa yang sebenarnya dilakukan oleh jawatan FDE.

Lihat terlebih dahulu satu garis masa.

Akar pertama ialah Palantir.

Palantir didirikan pada tahun 2003 oleh Peter Thiel, Alex Karp, Joe Lonsdale dan lain-lain, dengan pelanggan pertama mereka ialah agensi keamanan Amerika Syarikat. Karp sendiri tidak memiliki latar belakang dalam bidang komputer sains—beliau mengejar doktor falsafah di Frankfurt bersama filsuf Jürgen Habermas, dan baru diseret masuk oleh Thiel untuk menjadi CEO setelah kembali ke Amerika. Jawatan FDE muncul sebagai keperluan daripada kombinasi "CEO bukan stereotaip + pelanggan sangat sulit" ini: laporan ulasan dari 36Kr [10] menyatakan dengan jelas bahawa Palantir awalnya mendapat kritikan tajam daripada agensi keamanan kerana jurutera tidak dapat mengakses skenario perniagaan sebenar, dan keperluan yang diterjemahkan melalui beberapa peringkat telah berubah bentuk. Kemudian, Palantir berjaya menyetujui satu perkara—membenarkan jurutera mereka masuk ke lokasi pelanggan dan bekerja bersama analis keamanan. Model ini kemudian disistemkan oleh Shyam Sankar, menjadi cikal bakal FDE.

Pada tahun 2009, FDE meluas ke bidang perniagaan. Semasa JPMorgan melaksanakan platform Palantir Metropolis, 120 FDE ditempatkan untuk memantau ancaman dalaman. Sejak saat itu, FDE tidak lagi sekadar “menghantar jurutera ke tapak”, tetapi menjadi pendekatan penanaman pelanggan yang sistematik: memasukkan Foundry / Gotham secara sebenar ke dalam aliran perniagaan pelanggan, bukan sekadar memberikan lesen dan pergi.

Palantir memiliki piawaian yang tidak intuitif dalam perekrutan FDE—tidak memerlukan latar belakang CS. Perkara ini boleh dimasukkan ke dalam "Tahukah Anda?"

Adakah anda tahu—Palantir FDE tidak memerlukan latar belakang CS? Berdasarkan standard rekrutmen Palantir yang disusun oleh SkillScouter [11] dan laman kerjaya rasmi Palantir [12], Palantir secara jelas menyambut calon bukan dari bidang CS, dengan baru-baru ini peserta FDE yang dilantik berasal dari bidang kejuruteraan mekanikal, ekonomi, falsafah, dan sebagainya. Dua perkara utama yang benar-benar menjadi penentu ialah: kemampuan bertindak dalam keadaan maklumat tidak lengkap, serta mampu berkomunikasi secara langsung dengan pelanggan peringkat C. Ijazah CS adalah nilai tambah, bukan syarat masuk. Karp sendiri adalah contoh awal pertama kepada standard ini—seorang CEO yang belajar falsafah, yang membimbing sekelompok FDE yang belajar fizik, matematik, dan falsafah.

Punca kedua ialah syarikat model generasi baru selepas 2023.

Selepas pelancaran ChatGPT pada akhir 2022, OpenAI segera sedar satu perkara: memaparkan API model pada dokumen dan membiarkan pelanggan menyambung sendiri benar-benar tidak berkesan. Pelanggan bukan tidak ingin menggunakannya, tetapi tidak tahu bagaimana untuk menggunakannya—mereka mempunyai masalah perniagaan, tetapi tiada bentuk produk. Oleh itu, syarikat-syarikat seperti OpenAI, Anthropic, Cohere, Scale, Glean, Sierra, Hebbia, dan Decagon bermula merekrut FDE dalam skala besar.

Gelombang FDE kali ini belajar dari playbook Palantir—menghantar jurutera ke lokasi pelanggan untuk mengendalikan alur kerja secara end-to-end. Namun, media produk telah berubah sepenuhnya: FDE pada era Palantir berfokus pada pengintegrasian data dan penyesuaian UI, manakala FDE generasi baharu berfokus pada rekaan Prompt, pengaturan Agent, pemanggilan alat, dan penyertaan alur kerja.

Dalam artikel khas Pragmatic Engineer mengenai FDE [13], versi baharu ini dipanggil "ditanamkan bersama perusahaan untuk menjadikan Claude menyelesaikan masalah nyata, spesifik, dan bernilai tinggi"—pernyataannya hampir sama dengan yang digunakan Palantir pada masa itu, hanya menggantikan "data" dengan "model".

Melihat kedua akar ini bersama-sama, anda dapat melihat satu set persamaan dan perbezaan yang jelas.

Titik persamaan: Pelanggan bukan membeli perisian. Pelanggan membeli "jurutera + kombinasi alat yang boleh menyelesaikan masalah saya." Perkara ini sebenarnya tidak biasa dalam sejarah perisian perniagaan selama tiga dekad terakhir. SAP, Oracle, dan Salesforce menjual perisian itu sendiri—jurutera ada sebagai sumber sokongan untuk "membuat perisian ini boleh diakses oleh pelanggan." Palantir sebaliknya: alat-alat itu wujud sebagai tuas untuk "membolehkan FDE menyelesaikan masalah di tempat pelanggan." Perusahaan model generasi baru mewarisi hubungan terbalik ini—OpenAI tidak menjual lesen GPT-4, tetapi "FDE kami boleh gunakan GPT-4 untuk membantu anda mengautomasikan perkhidmatan pelanggan."

Perbezaan: Era Palantir lebih berfokus pada integrasi OPS—fokus utama ialah integrasi data, pemodelan ontologi, dan tata kelola keizinan. Generasi baharu lebih berfokus pada pelaksanaan kemampuan model—fokus utama ialah reka bentuk Prompt, pengaturan Agent, dan pengoptimuman retensi. Yang pertama seperti versi lanjutan syarikat integrasi sistem, yang kedua seperti sambungan jurutera produk.

Fakta menarik terakhir: Banyak FDE awal Palantir kemudian menjadi pengusaha, atau secara langsung menyertai syarikat model generasi baru. Di pasukan awal Anthropic, OpenAI, Sierra, dan Hebbia, anda boleh menyenaraikan panjang nama-nama bekas Palantir. Ini bukan kebetulan—peranan FDE itu sendiri memaksa seseorang untuk menanggung risiko produk, risiko pelanggan, dan risiko kejuruteraan secara serentak, hampir seperti latihan pengusaha. Penulis lebih suka melihat Palantir sebagai latihan pengusaha terselindung: ia membentuk bukan sahaja jurutera, tetapi sekumpulan orang yang tahu bagaimana mendorong sesuatu dari sifar ke satu dalam keadaan maklumat yang tidak lengkap. Dua punca ini akhirnya bergabung selepas 2023.

Pertemuan dua akar utama berlaku terutama di luar negara. Di dalam negara, istilah FDE tidak lama muncul, tetapi kandungan kerja yang berkaitan dengannya bukanlah sesuatu yang muncul secara tiba-tiba. Untuk memahami FDE di dalam negara, perlu terlebih dahulu memahami dua pendahulu tempatannya, kemudian memahami tiga perbezaan konteks antara FDE versi domestik dan versi Amerika.

Dua pendahulu tempatan

Pra-sesuai pertama ialah arkitek penyelesaian penyedia awan. Alibaba Cloud, Tencent Cloud, dan Huawei Cloud telah membina satu pasukan arkitek penyelesaian (SA) yang lengkap dalam sepuluh tahun terakhir, yang berurusan dengan pelanggan untuk membincangkan arsitektur, menulis POC, menyediakan pelan migrasi, serta bekerjasama dalam pelaksanaan hingga pelancaran. Di dalam Huawei, terdapat juga siri “jurutera pelaksanaan” khas yang bertanggungjawab untuk melaksanakan projek di pusat data pelanggan. Sistem ini telah melaksanakan 80% kerja FDE, tetapi fokus utamanya masih berada pada pra-penjualan dan penghantaran—tanggungjawab iterasi produk end-to-end tidak berada di tangan SA; jika keperluan berubah, ia perlu melalui proses perubahan, dan jika model ditukar, ia perlu menunggu jadual dari pusat.

Pra-sesuai kedua ialah urutan baharu yang muncul di syarikat rintisan AI. MiniMax memasang iklan “Pakar Penyelesaian Pra-jualan AI” di BOSS Zhipin, dan syarikat model seperti Moonshot, Zhipu, Tongyi, dan Hunyuan juga memasang jawatan serupa. Nama jawatan sedikit berbeza, tetapi kandungan JD sangat serupa: memahami skenario pelanggan, membuat demo, menyesuaikan Prompt, menjalankan RAG, menulis pelan penghantaran, dan berkoordinasi dengan pasukan kejuruteraan pelanggan hingga pelancaran. Gelombang jawatan ini benar-benar merupakan “FDE domestik” dalam erti kata sebenarnya.

Tiga perbezaan tanah dan air

Penghijauan peribadi + kesesuaian data membebani model pemanggilan tulen. Pelanggan B-end di dalam negara mempunyai keperluan yang jauh lebih tinggi berkenaan data tidak keluar dari wilayah, kawalan berat model, dan audit yang boleh dilacak berbanding pasaran Amerika Syarikat. Dalam satu projek FDE, jumlah kerja yang melibatkan pemanggilan API semata-mata untuk Prompt mungkin hanya menempati tiga puluh peratus, manakala tujuh puluh peratus selebihnya melibatkan pemindahan model ke pejabat pelanggan, mengaktifkan pengesahan, menghubungkan dengan platform data, dan membuat pendaftaran kesesuaian.

Kemampuan model masih mengejar SOTA, ruang untuk berprestasi semakin terbatas pada tahap kejuruteraan. OpenAI dan Anthropic di Amerika Syarikat boleh menarik pelanggan dengan kemampuan model itu sendiri; manakala model tempatan seperti Tongyi, DouBao, Kimi, GLM, dan DeepSeek mempunyai perbezaan kemampuan yang kurang ketara, maka penilaian pelanggan lebih tertumpu pada kemampuan kejuruteraan seperti pengaturan Agent, kualiti pengambilan semula RAG, integrasi alat, dan reka bentuk Workflow. Di pasaran tempatan, FDE tidak bersaing dengan “model saya sekuat mana”, tetapi dengan “saya mampu menjalankan bisnes ini secara praktikal atau tidak”.

Kesediaan membayar dan ritme penetapan harga di segmen B tidak sejalan dengan Amerika Syarikat. Model seperti Palantir, yang “menghantar FDE terlebih dahulu, kemudian menarik bayaran langganan tinggi”, sukar untuk disalin secara langsung. Anggaran pelanggan tempatan mengikuti pembelian tahunan, dengan kecenderungan pembayaran berdasarkan projek, dan model perniagaan FDE sering kali berbentuk campuran antara langganan, lesen privatisasi, dan penghantaran projek.

Satu posisi unik: FDE dalaman

Banyak pasukan AI di syarikat besar mula menggunakan model FDE untuk melayani "pelanggan dalaman". Alibaba Cloud PAI menghantar jurutera ke Taobao, dan Tencent Hunyuan juga mempunyai mekanisme serupa untuk berhubung dengan WeChat dan bahagian iklan. Di JD, jawatan yang dipaparkan ialah "Jurutera Pelaksanaan Industri", "Jurutera Aplikasi AI", dan "Pakar Bisnes Pemantapan", yang pada dasarnya ialah FDE dalaman—membawa kemampuan pasukan model secara end-to-end ke sisi bisnes. Ini memberi pandangan baru kepada pemimpin syarikat besar: beberapa FDE dalaman yang berada di sisi bisnes, membangunkan demo pertama, dan menyerahkan data ROI kepada pengurus bisnes, akan menghapuskan dinding jabatan lebih cepat daripada mengadakan sepuluh mesyuarat penyelarasan.

Penulis dalam artikel sebelumnya, "Kepada Individu Super" [4], telah membincangkan lima enjin individu super: rasa ingin tahu yang tinggi, semangat eksplorasi dan inovasi yang kuat, kemampuan belajar sendiri yang tinggi, motivasi diri yang kuat, dan kemampuan praktikal yang baik. Lima perkara ini adalah tiket masuk untuk FDE, tetapi bukan keseluruhan. Jawatan FDE memerlukan ciri-ciri tambahan yang sangat spesifik selain lima enjin ini, serta terdapat beberapa jenis kepribadian yang jelas tidak sesuai. Penulis telah melihat terlalu banyak jurutera cemerlang yang beralih ke FDE tetapi mengalami kesukaran beradaptasi; masalahnya kebanyakannya bukan pada kemampuan, tetapi pada peribadi dan preferensi kerja.

Lima ciri yang sesuai untuk FDE

Tidak menghindari jualan dan komunikasi. Hari kerja FDE bukanlah menulis kod di belakang pintu tertutup, tetapi berinteraksi secara langsung dengan CTO pelanggan, pemimpin perniagaan, pembelian, kesesuaian, dan IT. Ritma yang typikal: CTO pelanggan menghentikan demo di tengah jalan, tindakan FDE bukanlah “Saya akan pulang dan ubah versi, datang semula minggu depan,” tetapi segera membuka IDE, mengubah Prompt, dan menjalankan semula di hadapan mereka. “Pelanggan di sini, saya sedang mengubah” adalah keadaan biasa FDE.

Nikmati zona kabur. FDE tidak menerima PRD yang jelas, tetapi hanya satu pernyataan: “Kami ingin menggunakan AI untuk melakukan sesuatu.” Pelanggan sendiri pun tidak tahu pasti apa yang mereka inginkan, dan memerlukan FDE untuk menemani mereka mengubah harapan kabur ini menjadi bentuk yang konkret. Jika anda hanya dapat bergerak apabila ada keperluan yang jelas, FDE akan membuat anda cemas setiap hari.

Kemampuan kejuruteraan yang kukuh tetapi tidak memerlukan 10x. FDE tidak memerlukan anda menjadi orang dengan kod paling bersih atau algoritma paling mendalam di syarikat, ia memerlukan anda mampu menjalankan secara end-to-end: frontend boleh mencipta laman web yang boleh diklik, backend boleh membina perkhidmatan yang berfungsi, dan model boleh disambungkan kepada sumber data perniagaan. Di dunia FDE, "cukup baik sudah" bukanlah kelemahan, tetapi kebajikan.

Menyukai proses penyempurnaan melalui umpan balik. Dalam pekerjaan FDE, terdapat banyak momen di mana “dikritik oleh pelanggan dan diminta ulang”: demo hari ini besok diberitahu oleh pihak bisnis “Ini bukan yang saya inginkan”; rencana yang telah disepakati minggu lalu, minggu ini pelanggan mengganti eksekutifnya dan meminta dibuat ulang. Orang yang sesuai untuk peran FDE akan menjadikan umpan balik ini sebagai bahan bakar, mampu menanggung tanggung jawab penuh dari awal hingga akhir, dan tidak menyalahkan “kebutuhan yang tidak dijelaskan dengan jelas”.

Sensitif terhadap sempadan model. Ini adalah yang paling teknikal dan paling tersirat. FDE perlu mampu menilai tugas mana yang sesuai untuk dilakukan oleh LLM dan mana yang tidak, serta bagaimana seharusnya fallback dilakukan—kesensitifan ini tidak dapat dilihat daripada kertas kajian, hanya boleh dipelajari melalui kes kegagalan. Dengan akumulasi sampel kegagalan, FDE akan membangunkan ingatan otot terhadap sempadan model: situasi apa yang memerlukan RAG, situasi apa yang perlu menggunakan peraturan, dan situasi apa yang mesti menyediakan laluan fallback untuk manusia.

Empat jenis orang yang tidak sesuai untuk FDE

Penggemar teknikal yang ingin bersembunyi di dalam kod. FDE menghabiskan sekitar 50% masa mereka bukan untuk menulis kod—tetapi untuk mesyuarat pelanggan, koordinasi dalaman, perbincangan produk, dan penghantaran kontrak. Jika kebahagiaan anda datang daripada menulis kod tanpa gangguan selama empat jam berturut-turut, FDE akan membawa anda kepada keletihan mental dalam jangka panjang.

Orang yang memerlukan OKR untuk bergerak. Tujuan FDE terletak pada pelanggan, bukan pada jadual prestasi anda. Kemajuan kerja ditentukan oleh titik projek pelanggan, perubahan kemampuan model, dan penilaian anda terhadap skenario. Orang yang terbiasa “memerlukan OKR dahulu sebelum tahu apa yang perlu dilakukan” akan kehilangan titik rujukan.

Orang yang mengutamakan "kenaikan pangkat" berbanding "karya". FDE tidak mendapat keuntungan dalam sistem kenaikan pangkat di syarikat besar—indikator seperti kepuasan pelanggan, penandatanganan projek, dan kadar penggunaan semula tidak sekuat kod jumlah atau frekuensi pelancaran dalam penilaian pangkat. Jika kenaikan pangkat adalah prioriti utama dalam motivasi kerja anda, FDE bukan pilihan yang baik.

Orang yang menolak konteks perniagaan. FDE mesti memahami P&L pelanggan, ROI, proses pembelian, dan keperluan pematuhan. Jika anda secara semula jadi membenci pembicaraan tentang wang, kontrak, dan logik perniagaan, pekerjaan FDE akan membuat anda rasa seperti menjual ideal teknologi anda.

Senarai Semak Diri

7 soalan, setiap satu berkaitan dengan satu situasi kerja sebenar FDE. Jawab 5 atau lebih “ya” untuk mempertimbangkan FDE dengan serius, sarankan berhati-hati jika jawab 3 atau kurang.

1. Adakah anda bersedia untuk mengalihkan 50% masa setiap hari dari kod kepada mesyuarat pelanggan, membalas mesej, dan panggilan telefon?

2. Apabila pelanggan memberitahu anda, "Ini tidak berfungsi, saya pun tak tahu kenapa," reaksi pertama anda ialah rasa ingin tahu atau kesabaran yang terbatas?

3. Tiada siapa yang menulis PRD untuk anda, adakah anda mampu menjalankan satu prototaip yang boleh ditunjukkan kepada pelanggan dalam tempoh seminggu bersama Claude Code?

4. Dalam satu penghantaran yang sama, pelanggan meminta anda mengubahnya sebanyak 8 versi, apakah anda masih mampu mengekalkan keupayaan penilaian, bukan sekadar melaksanakan secara mekanikal?

5. Apabila model memberikan jawapan yang salah, tindakan pertama anda ialah mereka reka fallback, atau mengeluh bahawa model tidak berfungsi?

6. Adakah anda bersedia menandatangani kontrak, menulis laporan, menjalani pengesahan pelanggan, dan berunding dengan jabatan undang-undang mengenai syarat-syarat kesesuaian?

7. Adakah anda mampu menerima prototaip pantas dan kegagalan pantas?

Lima ciri, empat jenis profil sebaliknya, tujuh soalan self-assessment—akhirnya semuanya bermuara pada satu soalan: Adakah anda bersedia untuk memperhalusi rasa produk, kekuatan kejuruteraan, dan penilaian perniagaan anda secara serentak dalam satu alur kerja?

Pada artikel sebelumnya, penulis membincangkan "enjin manusia": rasa ingin tahu, semangat menjelajah, kemampuan belajar sendiri, motivasi diri, dan kemahiran praktikal—bagaimana ia dipicu secara lengkap dalam kalangan syarikat besar. Artikel ini membincangkan perkara lain—bentuk jawatan. FDE adalah bentuk jawatan baru pertama dalam revolusi AI yang mempunyai nama, julat gaji, deskripsi pekerjaan, dan pengesahan pembayaran daripada pelanggan. Ia bukan sinonim konsep "individu super", tetapi koordinat pertama yang berjaya direalisasikan dari khayalan kepada kenyataan dalam gelombang semasa ini.

FDE bukanlah titik akhir. Pendapat penulis ialah, FDE hanyalah bentuk pertama dalam pembahagian kerja baru yang mendapat nama. Seterusnya akan muncul Forward Deployed PM, Forward Deployed Designer, Forward Deployed Researcher—semua peranan yang berkait rapat dengan skenario pelanggan dan memerlukan pengembangan produk di kawasan kabur, akan mempunyai versi “penempatan awal” masing-masing. Nama jawatan akan berubah, tetapi logik asasnya sama: kemampuan model bergerak lebih awal, bentuk produk mengejar di belakang, dan struktur jawatan disemula bahagikan mengikut aliran kerja.

Berikan satu ayat untuk setiap tiga kategori pembaca.

Untuk para teknisi: FDE tidak meminta anda menjadi orang dengan kod paling unggul di syarikat, tetapi ia meminta anda bersedia meluangkan separuh masa dari kod kepada pelanggan. Jika jawapan anda adalah “bersedia”, jendela pasaran baru sahaja dibuka, dan perekrutan oleh syarikat model terkemuka di China, penyedia awan, dan pasukan AI dalaman syarikat besar semakin dipercepat. Jika jawapan anda adalah “tidak bersedia”, tiada masalah—peranan baru akan muncul dalam pembahagian tugas baru untuk anda.

Untuk HR dan OD: Waspadai "perbezaan antara nama dan realiti". Syarikat anda mungkin sudah mempunyai sejumlah FDE yang sedang beroperasi, tetapi kod jawatan mereka disenaraikan sebagai "Pakar Penyelesaian", "Arkitek Industri", atau "Jurutera Aplikasi AI". Kenal pasti mereka, klasifikasikan semula, dan berikan salur perkembangan yang sepadan dengan kandungan kerja mereka, lebih berkesan daripada mempekerjakan pekerja baru dari awal.

Untuk pengurus: Mod FDE tidak hanya boleh digunakan secara eksternal, tetapi juga secara dalaman. Menetapkan beberapa “FDE dalaman” di bahagian operasi untuk mengintegrasikan kemampuan pasukan model secara end-to-end ke dalam proses perniagaan mungkin jauh lebih berkesan daripada membina satu jabatan AI baru dan mengadakan sepuluh pertemuan penyelarasan antara pasukan. Dinding jabatan bukan dihapuskan melalui reka bentuk organisasi, tetapi melalui satu demo yang berjalan dengan lancar.

Peralihan kerjaya di era AI telah bermula, FDE adalah isyarat pertama yang memberitahu kita: kelajuan perubahan kemampuan model telah secepat untuk mencetuskan jawatan baru. Penulis ingin meninggalkan satu soalan spesifik kepada pembaca—jika tiga tahun lagi terdapat tiga jawatan baru dalam gambar struktur organisasi syarikat anda, apakah menurut anda ketiga-tiga jawatan itu? Memikirkan soalan ini dengan jelas lebih berguna daripada membaca artikel ini sendiri.

👦🏻 Penulis: Henry (Pasukan DeerFlow) [1]