FDE: Peranan Baru yang Mendorong Pengambilan AI di Perusahaan

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

Dalam sebulan terakhir, saya berjumpa dengan empat rakan yang sedang bersiap untuk berpindah bidang—frontend, arkitek penyelesaian, jurutera produk, dan jurutera algoritma tradisional—dengan latar belakang, umur, dan bandar yang berbeza, tetapi semuanya bertanya tentang singkatan Inggeris yang sama: FDE^[2]Adakah ia patut saya pergi?

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

Artikel sebelumnya penulis《Kepada Individu Super》[4] membincangkan “enjin manusia” — rasa ingin tahu, pembelajaran sendiri, motivasi diri, dan kemampuan praktikal, bagaimana ia dipicu dalam Closed-loop yang lengkap. Namun, manusia bukanlah entiti yang mengambang; manusia perlu diterima oleh 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 outsourching. Ia paling dekat dengan individu super—perbezaannya hanya bahawa FDE adalah individu super yang diorganisasi 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 memberi respons secara berdekatan, berbanding 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 besar dan tinggal di tapak pelanggan”, dengan tim dalaman pun dinamakan mengikut ejaan nato, 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:

Apakah FDE merupakan syarikat perunding yang memakai pakaian AI? Di manakah sempadan antara ia dan perundingan tradisional?

Apakah FDE merupakan perkhidmatan outsourcings 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 peranan 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 populer.

Jika hanya boleh memilih satu perkara untuk menandakan titik masa FDE kembali bangkit dalam putaran ini, penulis akan memilih 11 Mei 2026 — hari ketika OpenAI mengumumkan pembentukan Deployment Company^[5], COO Brad Lightcap meninggalkan garis perniagaan asalnya dan dipindahkan ke projek khas, melapor terus kepada Sam Altman, dan bertanggungjawab penuh atas perkara ini. Pada minggu yang sama, OpenAI mengakuisisi syarikat perunding AI Britain, Tomoro, dan secara sekali gus memasukkan 150 Forward Deployed Engineer dan Deployment Specialist ke dalam syarikat baharu tersebut.

Perlu ditekankan bahawa laman web perekrutan OpenAI sedang menampilkan lebih daripada sepuluh jawatan FDE: San Francisco, New York, Washington, serta arah vertikal seperti Life Sciences, Semiconductor, Gov berdasarkan industri, termasuk juruambil FDE^[6]Posisi ini sedang dibuka secara keseluruhan. Para analis memperkirakan pasukan ini akan berkembang menjadi 2000–4000 orang dalam tiga tahun. Ini bukan skala kumpulan penyelidikan, ini adalah tentera yang sebenar.

Anthropic pihak ini hampir merupakan tindakan cermin. Jawatan Forward Deployed Engineer di bawah pasukan Applied AI^[7]Dikeluarkan serentak di Boston, New York, Seattle, San Francisco, Washington, dan London, dengan keperluan 25%–50% pelanggan melakukan perjalanan dinas ke tempat kejadian. Satu contoh yang baru-baru ini kerap dirujuk ialah syarikat fintech FIS—ia menulis secara langsung dalam pengumumannya bahawa “tim Applied AI dan jurutera forward-deployed dari Anthropic telah diintegrasikan ke dalam FIS untuk bersama-sama merekabentuk Financial Crimes AI Agent serta mentransfer pengetahuan kepada FIS supaya ia boleh mengembangkan lebih banyak agent secara bebas seterusnya.”

Perkara ini mengungkapkan realiti 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: “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 menghantar.”

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 kedua-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 pemanggilan alat yang sering gagal mungkin menjadi abstrak binaan seterusnya dalam SDK.

Inilah sebab mengapa FDE dinyalakan semula bersamaan oleh dua syarikat model terkemuka dalam gelombang ini—bukan sekadar “kita juga perlu meniru Palantir membuat perundingan”. Ia adalah peranti pengumpulan isyarat bagi syarikat model—kesulitan pelanggan di garis depan yang paling ketat hanya boleh ditangkap jika terdapat wakil sendiri di lokasi; permintaan yang diterjemahkan melalui rakan kongsi sentiasa bersifat tidak langsung. Anthropic mengambil jalan campuran: sambil mengendalikan FDE secara sendiri, ia juga membina rangkaian pelaburan bersama dengan syarikat perunding dan raksasa PE. Satu pendekatan lebih berfokus pada pengendalian sendiri, yang satu lagi 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 yang akan dijawab seterusnya adalah dua soalan perbandingan paling biasa—di manakah sempadan FDE dan konsultasi tradisional (seperti McKinsey, Accenture)? Adakah ia sama dengan outsourcing perisian yang kita kenali?

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

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—dari sudut pandang visual, FDE dan konsultan memang terlihat serupa. Tetapi sekali Anda melihat 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 adalah penggunaan semula aset — satu cadangan untuk sebuah bank boleh dimodifikasi 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, tetapi mesti menjalankan semula keseluruhan kitaran setiap kali—menilai semula sempadan model, memilih semula tatanan alat, dan menyusun semula bentuk produk. Kelihatan tidak cekap, tetapi sebenarnya merupakan satu-satunya cara untuk mengekori kelajuan model.

Adakah anda tahu—Apakah itu Product Overhang? Penulis dalam artikel sebelumnya Untuk Individu Super^[4]Sudah dijelaskan sebelumnya: kemampuan model telah melampaui bentuk produk yang ada, tetapi belum ada saluran masuk, keizinan, atau konteks untuk mewujudkannya. Nilai peranan FDE pada dasarnya adalah mewujudkan Overhang yang menggantung dalam skenario pelanggan menjadi produk nyata yang dapat dijalankan. Pelanggan tidak membeli kuota pemanggilan API model, tetapi kemampuan “seseorang yang benar-benar dapat mewujudkan 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. Premis struktur ini ialah objektif 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 satu iterasi tertentu, mewujudkan pemahaman model yang telah dikumpulkan menjadi bentuk produk.

Baris “hasil penghantaran” juga patut dibentangkan. Selepas FDE berlalu, apa 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 dicaci setiap hari. Hasil penghantaran perundingan ialah PPT dan laporan pengurusan perubahan, walaupun kod telah ditulis dan ERP telah disetel dalam projek, yang masih 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 pasti semula sempadan model. Aset yang dihasilkan oleh yang pertama boleh bertahan selama sepuluh tahun, manakala aset yang dihasilkan oleh yang kedua perlu tumbuh semula selepas 90 hari.

Jika "FDE adalah versi terkini Accenture" adalah salah tafsir tahap pertama, maka "FDE adalah perkhidmatan outsourcing 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 outsourcing.

Tetapi sekali melihat umpan balik, perbezaannya tidak dapat 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 bukan 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 ditakrifkan jelas sebelum kontrak ditandatangani: fungsi apa yang perlu dibuat, 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 sama sekali berbeza dalam memulakan projek.

Lingkup kerja berbeza. Pekerjaan luaran hanya menangani penghantaran separuh—satu modul, satu laman web, satu data pipeline, selepas selesai, dibungkus dan pergi ke pelanggan seterusnya. FDE menangani 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 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 kepada lebih banyak garis perniagaan? KPI sebenar FDE ialah lengkung penggunaan token jangka panjang model, bukan nombor yang terdapat pada senarai pengesahan projek.

Umpan balik berakhir di tempat yang berbeza. Ini adalah kumpulan paling mendalam di antara keempat-empatnya. Dalam projek outsourc­ing, umpan balik daripada pihak yang menghantar projek 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 secara alami seorang rakan reka bentuk.

Ini sebenarnya adalah alasan sejati 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, tidak boleh ditangkap, dan tidak boleh diperoleh melalui tinjauan kuesioner—ia hanya boleh dibawa balik oleh seorang jurutera tertentu, setelah mengalami beberapa kali kegagalan dalam alur kerja pelanggan tertentu.

Adakah anda tahu—berapa jumlah total kompensasi FDE untuk OpenAI dan Anthropic? Berdasarkan data awam jurutera perisian Anthropic di Levels.fyi^[8], median total compensation untuk SDE berpengalaman telah mencapai \$710K. Jawatan FDE mempunyai risiko yang lebih tinggi—perlu menghadapi ketidakpastian kemampuan model, ketidakpastian perniagaan pelanggan, dan ketidakpastian bentuk produk, jadi pengumpulan industri^[9]Disebutkan bahawa gaji keseluruhan tingkat menengah ke atas di laboratorium AI terkini FDE berada dalam julat $350K - $550K, sementara peringkat Staff ke atas boleh mencapai $630K+. Harga ini bukan dibayar untuk "masa kerja outsourced", tetapi untuk membayar mereka yang menanggung gabungan tiga risiko: "produk + pelanggan + model". > Ingat semula pada tahun 2006, apabila penulis baru memulakan kerjaya di sebuah syarikat milik kerajaan, ketika itu sedang menjalani transformasi maklumat; pada masa itu, konsultan Accenture dijemput untuk berada di tempat, dan syarikat kami perlu membayar bayaran konsultasi sebanyak 3,500 yuan sehari kepada Accenture, dan mereka tinggal selama bertahun-tahun, dijulangkan sebagai "gaji emas" oleh media pada masa itu. Penulis kemudian berpindah ke syarikat Jerman SAP, yang lebih lanjut mentakrifkan nama dalam industri konsultasi, dan konsultan SAP menjadi simbol "gaji emas". Dari sudut pandangan ini, gaji FDE sekurang-kurangnya akan terus meningkat dalam tempoh 24 - 36 bulan, dan permintaannya juga meningkat secara stabil.

Pengluaran adalah arbitrage tenaga kerja, FDE adalah sensor garis depan. Menggabungkan dua perkara ini akan menyebabkan pihak yang meminta membuat anggapan bahawa FDE boleh diambil masuk dengan 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 lagi 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 awalnya ialah agensi keamanan Amerika Syarikat. Karp sendiri tidak memiliki latar belakang CS—beliau mengejar doktor falsafah bersama Jürgen Habermas di Frankfurt, baru kemudian diambil oleh Thiel untuk menjadi CEO apabila kembali ke Amerika. Jawatan FDE ini muncul sebagai keperluan daripada kombinasi "CEO bukan biasa + pelanggan sangat sulit" seperti Karp: tinjauan 36Kr^[10]Penjelasannya sangat terus terang, Palantir awalnya dikritik keras oleh agensi kecerdasan kerana jurutera tidak mendapat akses kepada skenario perniagaan sebenar, dan keperluan yang diterjemahkan melalui pelbagai peringkat telah berubah bentuk. Kemudian, Palantir berjaya menyelesaikan satu perkara—mengizinkan jurutera mereka masuk ke lokasi pelanggan dan bekerja bersama analis kecerdasan. Model ini kemudian disistemkan oleh Shyam Sankar dan 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 bukan lagi sekadar “menghantar jurutera ke tapak pelanggan”, 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".

Tahukah anda—Palantir FDE tidak memerlukan ijazah dalam bidang CS? Berdasarkan standard perekrutan Palantir yang disusun oleh SkillScouter^[11]dan laman kerjaya rasmi Palantir^[12]Palantir secara jelas menyambut calon bukan dari latar belakang CS, dan baru-baru ini, peserta FDE yang diterima berasal dari bidang kejuruteraan mekanikal, ekonomi, falsafah, dan lain-lain. Dua perkara utama yang menjadi penentu ialah: mampu bertindak dalam keadaan maklumat tidak lengkap, dan mampu berkomunikasi secara langsung dengan pelanggan peringkat C. Ijazah CS adalah kelebihan, bukan syarat masuk. Karp sendiri merupakan contoh awal pertama bagi standard ini—seorang CEO yang belajar falsafah, yang membimbing sekelompok FDE yang belajar fizik, matematik, dan falsafah.

Punca kedua adalah syarikat model generasi baru selepas 2023.

Selepas pelancaran ChatGPT pada akhir 2022, OpenAI dengan cepat menyedari satu perkara: menghubungkan API model kepada dokumen dan membiarkan pelanggan menyambung sendiri, sebenarnya 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 tapak pelanggan untuk menjalankan alur kerja secara end-to-end. Tetapi media produk sudah berbeza sepenuhnya: FDE pada era Palantir fokus pada pengintegrasian data dan penyesuaian UI, manakala FDE generasi baharu fokus pada rekaan Prompt, pengaturan Agent, pemanggilan alat, dan penyertaan alur kerja.

Artikel khas Pragmatic Engineer mengenai FDE^[13]Mereka memanggil versi baru ini sebagai "ditanamkan bersama perusahaan untuk membuat Claude menyelesaikan masalah nyata, spesifik, dan bernilai tinggi" — penyampaiannya hampir sama dengan yang dilakukan Palantir pada masanya, 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 30 tahun terakhir. SAP, Oracle, 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 bukan menjual lesen GPT-4, tetapi "FDE kami boleh gunakan GPT-4 untuk membantu anda mengautomasi perkhidmatan pelanggan".

Perbezaan: Era Palantir lebih berfokus pada integrasi OPS—fokus utama ialah integrasi data, pemodelan ontologi, dan pentadbiran 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 bergabung dengan perusahaan model generasi baru. Di tim awal Anthropic, OpenAI, Sierra, dan Hebbia, terdapat panjang daftar nama mantan karyawan Palantir. Ini bukan kebetulan—peran FDE secara alami memaksa seseorang untuk mengambil risiko produk, risiko pelanggan, dan risiko teknik sekaligus, hampir seperti pelatihan wirausaha. Penulis lebih suka memandang Palantir sebagai perkemahan wirausaha tersembunyi: ia melatih bukan hanya insinyur, tetapi sekelompok orang yang tahu cara mendorong suatu hal dari nol ke satu dalam kondisi informasi yang tidak lengkap. Dua akar ini akhirnya bergabung setelah 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 tempatan dengan FDE versi Amerika.

Dua pendahulu tempatan

Pra-pendahuluan 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, membuat penyelesaian pemindahan, serta bekerjasama dalam pelaksanaan hingga pelancaran. Di dalam Huawei, terdapat juga urutan “jurutera pelaksanaan” khas yang bertanggungjawab untuk melaksanakan projek di pusat data pelanggan. Sistem ini telah melaksanakan 80% kerja FDE, tetapi fokusnya masih 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-pendahulu 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 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. Jawatan-jawatan ini benar-benar merupakan “FDE domestik” dalam erti kata sebenarnya.

Tiga perbezaan tanah dan air

Penghijauan sendiri + kesesuaian data membebani model murni berdasarkan panggilan. Pelanggan B-domestik di China mempunyai keperluan yang jauh lebih tinggi berkenaan dengan data tidak keluar dari wilayah, kawalan terhadap timbangan model, dan audit yang boleh dilacak berbanding pasaran Amerika Syarikat. Dalam satu projek FDE, jumlah kerja yang melibatkan panggilan API semata-mata untuk menjalankan Prompt mungkin hanya menempati tiga persepuluh, manakala tujuh persepuluh lagi adalah menggerakkan model ke pusat data pelanggan, mengaktifkan pengesahan, menghubungkan ke pusat data, dan membuat pendaftaran kesesuaian.

Kemampuan model masih mengejar SOTA, ruang untuk berprestasi ditekan ke tahap kejuruteraan. OpenAI dan Anthropic di Amerika Syarikat boleh menarik pelanggan dengan kemampuan model itu sendiri; di dalam negara, perbezaan kemampuan Tongyi, DouBao, Kimi, GLM, dan DeepSeek tidak begitu ketara, jadi titik penilaian pelanggan lebih banyak terletak pada keupayaan kejuruteraan seperti pengaturan Agent, kualiti pencarian RAG, integrasi alat, dan reka bentuk Workflow. Di dalam negara, FDE tidak bersaing dengan “model saya sekuat mana”, tetapi “saya mampu menjalankan bisnes ini secara praktikal atau tidak”.

Kesediaan dan jadual penetapan harga untuk sisi 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 pembayaran cenderung kepada model projek, dan model perniagaan FDE sering kali merupakan bentuk campuran antara langganan, lesen privat, dan penghantaran projek.

Satu penempatan unik: FDE dalaman

Kumpulan AI di dalam banyak 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 menghubungkan WeChat dan bahagian iklan. Di JD, tajuk yang dipaparkan ialah "Jurutera Pelaksanaan Industri", "Jurutera Aplikasi AI", dan "Pakar Bisnes Pemantapan", yang pada dasarnya adalah FDE dalaman—membawa kemampuan pasukan model secara end-to-end ke sisi bisnes. Ini memberikan idea baharu kepada pemimpin syarikat besar: beberapa FDE dalaman yang berada di sisi bisnes, membangunkan demo pertama, dan menyerahkan data ROI kepada pemilik bisnes, akan menghapuskan dinding jabatan lebih cepat daripada mengadakan sepuluh mesyuarat penyesuaian.

Penulis dalam artikel sebelumnya 《Kepada Individu Super》^[4]Telah dibahas sebelumnya 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 semuanya. Jawatan FDE juga memerlukan sifat-sifat tambahan yang sangat spesifik di luar 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 gunakan AI untuk membuat 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 bertindak 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 ke sumber data perniagaan. Di dunia FDE, “cukup baik sudah” bukanlah kelemahan, tetapi kebajikan.

Menyukai penyempurnaan melalui umpan balik. Dalam pekerjaan FDE, terdapat banyak momen “dikritik 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 eksekutif baru dan meminta dibuat ulang. Orang yang cocok untuk FDE akan menganggap umpan balik semacam ini sebagai bahan bakar, mampu menanggung tanggung jawab penuh dari awal hingga akhir, tanpa menyalahkan “kebutuhan yang tidak dijelaskan dengan jelas”.

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

Empat jenis orang yang tidak sesuai untuk FDE

Penggemar teknikal yang ingin bersembunyi di dalam kod. FDE tidak menulis kod sebanyak 50% masa—mereka berada dalam 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 menyebabkan anda mengalami 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 motivasi utama 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 merasa seperti menjual ideal teknologi anda.

Senarai Semak Diri

7 soalan, setiap satu berkaitan dengan satu situasi kerja sebenar FDE. Jika menjawab "ya" kepada 5 atau lebih, pertimbangkan FDE dengan serius; jika menjawab "ya" kepada 3 atau kurang, disarankan berhati-hati.

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

2. Apabila pelanggan memberitahu anda, “Ini tidak berfungsi, saya pun tidak tahu kenapa,” reaksi pertama anda adalah rasa ingin tahu atau kesabaran?

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

4. Dalam penghantaran yang sama, pelanggan meminta anda mengubah 8 versi, adakah 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 berupaya?

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

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

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

Penulis dalam artikel sebelumnya membincangkan “enjin manusia”: rasa ingin tahu, semangat menjelajah, kemampuan belajar sendiri, motivasi diri, dan kemampuan praktikal—bagaimana semuanya dipicu secara lengkap dan tertutup di dalam 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 merupakan koordinat pertama yang berjaya direalisasikan dari khayalan kepada kenyataan dalam gelombang penstrukturan semula ini.

FDE bukanlah titik akhir. Penulis berpendapat bahawa 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 “forward deployed” 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 alur kerja.

Berikan satu ayat untuk setiap tiga kategori pembaca.

Untuk para teknisi: FDE tidak memerlukan anda menjadi orang dengan kod paling unggul di syarikat, tetapi ia memerlukan anda bersedia mengalihkan separuh masa dari kod ke arah pelanggan. Jika jawapan anda ialah “bersedia”, jendela pasaran baru sahaja dibuka, dan perekrutan oleh syarikat model terkemuka di dalam negara, penyedia awan, dan pasukan AI dalaman syarikat besar semakin dipercepatkan. Jika jawapan anda ialah “tidak bersedia”, tiada masalah—peranan baru akan muncul dalam pembahagian tugas yang baru untuk anda.

Untuk HR dan OD: Waspadai “perbezaan antara nama dan realiti”. Syarikat anda mungkin sudah mempunyai sejumlah FDE yang sedang bekerja, tetapi kod jawatan mereka disenaraikan sebagai “pakar penyelesaian”, “arkitek industri”, atau “jurutera aplikasi AI”. Kenal pasti mereka, klasifikasikan semula, dan berikan mereka salur perkembangan yang sepadan dengan kandungan kerja mereka, lebih berkesan daripada mempekerjakan orang baru dari awal.

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