AI 落地為什麼總失敗？矽谷用「前線部署工程師 FDE」把 AI 從工具變員工

今年五月四號，OpenAI 和 Anthropic 這兩家全世界最會做 AI 模型、平常針鋒相對的公司，在同一天各自宣布要成立一個專門幫企業導入 AI 的合資公司。

Anthropic 那家，找來 Blackstone、Goldman Sachs 等一票華爾街資金，規模 15 億美元。OpenAI 那家更直接，取名叫「The Deployment Company」（部署公司），募了 40 億美元，估值一口氣衝到 100 億美元。

兩家死對頭難得有志一同，而且嘴上掛的是同一個詞，叫 FDE，Forward Deployed Engineer，中文翻成「前線部署工程師」。

你可能沒聽過這個詞。但如果去翻 Y Combinator（矽谷最有名的新創加速器）的徵才看板，現在有超過 100 家新創在徵 FDE，三年前是 0。這個角色的需求，一年之間暴增 10 倍。

一個你沒聽過的職位，憑什麼讓矽谷最聰明的一群人集體下注？

先講一個你一定有感的場景

想像一下，你早上打開電腦，老闆丟一句話過來：「最近 AI 這麼紅，我們也來導入一下吧。」

於是你開了 ChatGPT 企業版、買了幾套 AI 工具、找廠商來簡報。三個月後呢？團隊還是用老方法做事，那些工具躺在角落生灰塵，老闆問你「到底有沒有效」，你只能尷尬地笑。

這不是你一個人的問題。這就是 AI 落地最常見的死法。

有一份被瘋傳的研究指出，真正從 AI 投資裡拿到回報的企業，只有 5%（OpenAI 的 FDE 負責人 Colin 在座談會上也引用了這個數字）。

意思是，95% 的公司，錢花了、模型也接上了，結果什麼都沒變。

這中間那道落差，就是 FDE 想補的洞。

FDE 到底是什麼？一個坐在你公司裡的工程師

最清楚的定義來自 Bob McGrew。

這個人來頭不小。PayPal 早期工程師、Palantir 早期高管，後來當到 OpenAI 的首席研究官（Chief Research Officer），ChatGPT、GPT-4、o1 推理模型都是他帶出來的。他在 Y Combinator 的 podcast《The Light Cone》上，一句話把 FDE 說透了：

「FDE 就是一個工程師，他坐在客戶的辦公室裡，負責補上『產品做得到的事』和『客戶真正需要的事』之間的那道落差。」

這個我太有感了。

我在雨傘產業待了七年，從工廠業務做起。你知道做工廠業務最痛苦的是什麼嗎？客戶嘴上說要一支「好用的傘」，但他講不清楚「好用」到底是什麼。你得親自跑去他的通路、看他的客人怎麼開傘、怎麼收傘、在哪裡卡住，你才摸得到他真正要的東西。

那時候我們沒有「FDE」這個洋名字。我們只知道一件事：坐在辦公室等需求單，永遠做不出對的產品。你得自己走到前線去。

FDE 幹的就是這件事。只是他帶的不是傘，是 AI。

這套打法是 Palantir 發明的，源頭是「幫間諜寫軟體」

這套模式的祖師爺，是 Palantir。

Bob 說，Palantir 一開始的任務是「幫間諜寫軟體」。問題來了，你不認識間諜。就算找到一個間諜問他「你平常都在幹嘛」，他也不會告訴你。

所以他們只好換個打法：先做一個 demo（產品原型），帶去給情報單位看。對方說「這什麼鬼，跟我們的工作完全沒關係」，他們就追問「那你希望它長怎樣？」然後當場一條一條記下來，回去改。

聽起來是不是很像現在大家都在喊的「走出辦公室、去跟客戶聊」？沒錯。但 Palantir 後來發現一件更關鍵的事。

他們發現，每一個客戶要的東西都「差一點點」。如果每一家都客製一套，那就是純做工、無法規模化，這在傳統認知裡叫「服務」，是要盡量避免的成本。

但 Palantir 的早期員工 Ram Shankar 把這件事反過來想：與其把 FDE 當成本，不如把他當成「產品探索」的尖兵。

Bob 用了一個很美的比喻。

FDE 先衝到客戶現場，鋪一條「碎石路」，把客戶眼前的問題硬解掉。然後產品團隊在後面看著這條碎石路，思考「這條路該怎麼鋪，才能同時通往下五個、下十個客戶」，再把它升級成一條「鋪好的高速公路」。

碎石路，是給一個客戶走的。高速公路，是給所有人走的。

為了跑這套，Palantir 把人分成兩種角色：

• Echo 團隊：嵌入客戶內部的分析師，懂這個產業、會管客戶關係。Bob 說這種人有個特質很重要，他們得是「叛逆者」，看得懂現在怎麼做、而且知道現在這樣做不行。
• Delta 團隊：部署工程師，特點是寫程式超快、能「吃苦」（eat pain），不糾結程式碼漂不漂亮，先把東西做出來、能跑再說。

Bob 還說了一句話：這個訓練，根本就是在量產創業者。Palantir 後來噴出一大堆新創老闆，不是巧合。

為什麼是現在？因為 AI 沒有「現成的對手產品」

這裡是重點。

過去十年，大家都知道 Palantir 這套很猛，但都覺得「那是 Palantir 的特例，你在家別亂試」。連 Bob 自己都說，他給想學 FDE 的人的前三個建議是：「不要、不要、還是不要。」

那為什麼現在突然全矽谷都在學？

Bob 的答案很犀利：因為 AI agent（AI 代理，會自己執行任務的 AI）這個市場，沒有「現成的對手產品」。

以前你做一套 SaaS（雲端訂閱軟體），比如把舊的記帳方式換成新的記帳方式，大家都懂這個市場長什麼樣，你只要做得比對手好、然後拼命複製規模就行。

現在做 AI agent，根本沒有人知道「正確答案」長怎樣。Bob 甚至說，五年後回頭看，我們可能會發現「AI agent」根本不是一個東西，而是一百種不同的東西，現在大家都還在摸。

還有一個更大的反差：AI 的能力跑得飛快，但企業的採用速度遠遠跟不上。

這個落差有多大？大到你坐在無人駕駛的 Waymo 裡，腦中想的不是「天啊居然沒人開車」，而是「唉唷怎麼這麼塞」。能力已經衝到未來，但大部分人的工作方式還停在過去。

而填補這道落差的人，就是 FDE。

四家公司的實戰：FDE 在 OpenAI、Ramp 怎麼跑

South Park Commons 辦了一場座談，找來四家公司的 FDE 負責人。每一家打法都不同，但都很有看頭。

Ramp（一家做企業財務管理的新創）的 Calvin 講得最白。他說 FDE 在 Ramp 是「一把劍，也是一面盾」。劍，是去拿下大企業客戶；盾，是保護核心工程團隊不被大客戶的客製需求綁架，免得整個產品藍圖被帶歪。

他們的玩法是「把 FDE 拉得很薄」，一個 FDE 同時服務五六個客戶，每個客戶只分到三分之一個工程師。聽起來很拚，但 Calvin 說，這樣反而逼 FDE 去看「哪個需求真的能推動生意」，而不是客戶喊什麼就做什麼。

Calvin 還有一句話我很喜歡。他說 FDE 是「那個想說 yes 的團隊」。一般工程師心裡其實想對客戶說 no，因為他想繼續做自己的東西。FDE 不一樣，他是真心想贏下這個客戶。

OpenAI 的 Colin 講的故事最科幻。

他們幫一個日本的銷售團隊（2,000 個業務）做了一個「簡報小幫手」（Slide Buddy）。一開始模型做出來的投影片「醜到爆」，他們試了 50 種做法，最後讓模型改用 HTML 產生版面，再丟一堆範例給「後訓練團隊」（post-training team，負責優化模型的人）。三個月後，模型吐出新版本，投影片突然就變漂亮了。

他們還幫一家電信公司做語音客服。一開始連請 AI 念出一組電話號碼都做不到，半年後上線，現在每天攔下 7 萬通電話，到目前沒出過大包。

Colin 講了一個很關鍵的轉折。

半年前，他以為 FDE 團隊要做出 50 個小產品。結果 OpenAI 的 Codex（AI 編碼工具）越來越強，現在他們每做一個產品都先問一句：「這個能不能直接變成 Codex 的延伸功能就好？」這一問，吞掉了他們本來要做的 80% 產品。

重點是什麼？

連 OpenAI 自己都在用「能不能不做」來篩產品。FDE 的價值，不在於做更多東西，而在於判斷哪些東西根本不該做。

（寫程式變便宜之後，整個矽谷在重建什麼，我在〈Code with Claude 舊金山場全 19 場筆記〉裡聊過，這篇可以一起看。）

還有 Dataland 的 Howard，兩個人的團隊，靠著自己打造的「meta-agent」（會自己生 agent 的 agent），做到每個人頭貢獻好幾百萬美金的年經常性收入（ARR，Annual Recurring Revenue）。這就是槓桿。

中國的實戰版本：FDE 其實是數位員工的「HRBP」

如果說 Bob 和矽谷四家講的是「方法論」，那中國這集《十字路口》訪談的 Rolling AI，講的就是「接地氣的實戰」。

Rolling AI 的兩位合夥人阿甘和劉開，都是 BCG（波士頓顧問公司）出身，做 AI 商業落地四年、服務超過 100 家企業，平均客單價從幾百萬到上千萬人民幣。他們講了一句話，我認為是這三個來源裡最重要的一句：

「別把 AI 當成一個軟體、一個 IT 解決方案。你得把它當成一個新員工在上崗。」

順著這個邏輯，FDE 的角色就清楚了。

他不是賣軟體的工程師。他更像企業的 HRBP（人資業務夥伴），負責把一個「數位員工」帶進公司、幫它熟悉公司的上下文（context，做判斷時所依賴的背景資訊）、搭好工作台、看著它真的能幹活，才放手。

阿甘還有一個更傳神的說法：FDE 是「人力外包公司的工頭」。他帶著一群數位員工進場，但不能把人一丟就走，得確認他們能做出夠水準的活，才能撤。

他們公司有一條鐵律：所有的 AI agent 必須在 15 天內上線。

為什麼？阿甘說：「因為你雇一個員工，不會讓他先去學校讀三個月才上班。最多給他 15 天訓練期，他就得開始幹活。」

最精彩的，是「街頭智慧 vs 書本智慧」這個觀念。

書本智慧，是那種大模型能從資料裡學到的系統知識。街頭智慧，是一線員工在現場累積、講不太出來、但超級值錢的判斷力。

他們舉了一個案例。

一家連鎖店的「AI 副店長」在盤點冷藏櫃，發現某款大包裝優格賣得特別差。AI 一開始的判斷是：「你這區的客人是不是比較高端，不愛買大包裝？」店長說不是。AI 再追問，店長才講出真相：「因為我 5 公尺外開了一家叫樂福的超市，比我大兩倍。那種大包裝他賣得比我便宜，我當然賣不掉。」

於是他們改策略：冷藏品只賣供應商獨家供貨的、高端的東西，避開跟隔壁拼價格。結果銷量馬上多了 50%。

你知道為什麼這件事 AI 自己做不到嗎？

因為 AI 不知道 5 公尺外開了一家樂福超市。這個資訊，只有站在現場的店長知道。

阿甘下了一個我覺得很有份量的判斷：標準化 SOP 的本質，是「保底線」。它讓你每家店都做到 60 分。但 AI 能做的，是讓每家店都拿到 85、90 分。

以前管理靠「由上而下」發 SOP，現在靠「由下而上」收集一線的街頭智慧，再蒸餾給 AI。

他們也很誠實地講，AI 落地的失敗率超過 50%，三大坑是：

一是 CEO 對 AI 有超現實的過度期待，以為接上就會起飛。
二是讓 IT 部門主導，而不是業務部門主導。懂怎麼選貨、怎麼讓客人買單的是業務，不是 IT。
三是底層的激勵機制和組織，沒跟著一起改。

這三條坑說到底，都是「AI 治理」沒做好。我把電商老闆該抓的治理原則，整理在〈你的 AI 不是不夠聰明，是你管太多〉這篇，剛好補上這裡。

阿甘講了一句結論，值得你抄下來：

「只是接上電、只是接上網、只是接上大模型，救不了你的企業。如果你的做事方式不變的話。」

他說，每一次生產力革命，電力、網路、行動網路，都有 95% 的企業消失。那些消失的公司，相信我，他們全都接了電、上了網。他們不是因為沒接電才被淘汰，是因為沒有把它當成一股全新的動力，去重構整門生意。

那你能拿什麼回去用？

講了這麼多矽谷和中國的大公司，回到你身上。你是台灣的中小企業主、電商、行銷人，這套 FDE 思維，你能拿什麼回去用？

► 先別急著買工具，先找出你的「碎石路」。 挑一個你公司裡最痛、最值錢的問題（最好是老闆前五大煩惱之一），讓一個懂業務又願意動手的人，先硬解一遍。Bob 說得對，沒解過第一個真問題，你根本不知道該蓋什麼產品。

► 把 AI 當員工招募，不是當軟體採購。 問自己：這個「數位員工」上崗，需要哪些公司的上下文？誰是它的師傅？給它 15 天，它能不能開始幹活？用招人的標準去想，你的期待會務實很多。

► 去挖你公司裡的「街頭智慧」。 誰是你的金牌業務、最強店長、最懂客人的客服？他們腦袋裡那些講不清楚的判斷，才是 AI 學不到、也最該被蒸餾下來的東西。別讓 IT 部門主導這件事，讓業務站到第一線。

► 改激勵機制，不然一定推不動。 Rolling AI 踩過的坑很清楚：員工只要覺得「教會 AI，我就沒價值了」，就會擺爛。你得讓那些願意貢獻經驗、把 AI 帶聰明的人，賺到更多錢、拿到更多舞台。

► 目標訂大一點，別只想著省成本。 Rolling AI 提過一位企業董事長講的狠話：「做 AI 提效，做 50% 的提效你就別做了，要做就做三倍、五倍、十倍的。」如果你只想省一個人力，格局就太小了。

收尾

如果你問我，FDE 這個詞會不會紅很久？

我覺得「FDE」這三個字也許會退流行，也許會被別的洋名字取代，也許五年後沒人記得吧。

但它背後那個轉變，是回不去的。

AI 正在從一個「你要去操作的工具」，長成一個「會自己幹活的員工」。而每一個會自己幹活的員工，都需要有人帶它上崗、融入團隊、學會你這門生意的眉角。

這件事，外包給一套軟體做不到。它需要一個既懂技術、又懂生意、還願意走到第一線吃苦的人。

矽谷管這種人叫 FDE。在我們這裡，他可能就是你團隊裡那個最雞婆、最想把事情搞定、坐不住辦公室的那個人。

這年頭就是 AI、AI、AI。但真正稀缺的，從來不是 AI，是那個能把 AI 變成生意的人。

那個人，會不會就是你？

常見問題 FAQ

Q：FDE（Forward Deployed Engineer）到底是什麼？

A：FDE 中文叫「前線部署工程師」。簡單講，他是一個坐在客戶現場的工程師，負責補上「產品做得到的事」和「客戶真正需要的事」之間那道落差。在 AI 時代，他更像幫「數位員工」上崗的工頭，把 AI 帶進企業、融入流程、確認它真的能幹活，才放手。

Q：FDE 跟一般的軟體工程師差在哪？

A：一般工程師通常待在公司裡，把產品做好、做穩、做得能維護很多年。FDE 反過來，他衝到第一線，先用最快的方式把一個客戶的問題硬解掉（Bob McGrew 比喻成「鋪碎石路」），再把經驗帶回產品團隊，整理成所有人都能走的「高速公路」。他要同時懂技術、懂生意、還要會跟客戶溝通，比較像一個帶著產品槓桿的創業者。

Q：為什麼企業導入 AI 常常失敗？

A：根據 Rolling AI 的實戰觀察，AI 落地的失敗率超過 50%，三大主因是：一、老闆對 AI 有超現實的過度期待，以為接上就起飛；二、讓 IT 部門主導，而不是最懂業務的人主導；三、底層的激勵機制和組織沒跟著改。換句話說，只是「接上大模型」救不了你，做事方式不變，照樣被淘汰。

延伸資料來源

• South Park Commons 座談〈Forward Deployed Engineering〉，與談人：Ramp（Calvin）、Nominal（Jason）、Dataland（Howard）、OpenAI（Colin）。YouTube 影片
• 《The Light Cone》（Y Combinator）ft. Bob McGrew，〈The FDE Playbook for AI Startups〉。YouTube 影片
• 《十字路口》ft. Rolling AI（阿甘、劉開），〈OpenAI 和 Anthropic 共同看好的 FDE〉。YouTube 影片

協作聲明與免責

這篇文章由王董與 AI 一起整理製作完成。文中引用的第三方資料、研究或工具都會標註來源名稱；若原始出處有公開連結，會以 [來源名稱](URL) 形式附上，方便你進一步查找。若文中內容與原始出處有任何出入，請以原文為準。

內容僅供參考與學習交流，不構成任何專業、商業或投資建議，請依自身情況判斷並自行承擔行動風險。文中提及的工具功能、數據與平台政策可能隨時間異動，請以各官方最新公告為準。