吴恩达给正火的 FDE 泼冷水：押注它，不如押注 AI Engineer

最近 FDE 这个岗位比较火，全称是 Forward Deployed Engineer，中文叫前端部署工程师。

且看：OpenAI 专门成立了部署公司，Anthropic 在招战略客户的 FDE。猎头开始挖人，年薪开得很高。

一堆文章在说：这是 AI 时代最性感的岗位，一如当年吹捧 Data science 这个岗位一样。

风口正热的时候，吴恩达在 Twitter 上发了条帖子，泼了盆冷水。

FDE 会有，但它永远火不到哪去。真正大的机会，在 AI Engineer。

看一下他为什么这么说。

FDE 是干嘛的

FDE 是被派进客户公司的工程师。

别人坐在 OpenAI 写代码，他直接进你公司现场，帮你把通用的 AI 产品，改造成你这套流程能用的东西：定制 Agent 工作流、调 prompt、接系统、做评估、落地。

有点像我正在干的toB咨询工作。

其实这套打法不新。Palantir 早就干过，FDE 这个词就是他们发明的。把工程师派到政府现场，在隔离的网络里帮客户部署。现在 OpenAI、Anthropic 重新捡起来，FDE 才又火了。

它确实解决真问题。买一个现成的 LLM，并不会自动产生业务价值。你得把它用起来，要嵌进流程，处理权限、数据、评估、异常、业务规则。这些活，需要既懂技术又能跟人沟通的人来干。

所以企业刚上 AI 那会儿，FDE 真香。

那吴恩达在反对什么？

喊得最响的人，正好是要卖东西给你的人

这里有个容易被忽略的事实：把 FDE 捧成风口的，主要是模型厂商自己。

• OpenAI 推出了 OpenAI Deployment Company，专门帮企业部署 AI，顺手收购 Tomoro，带进来约 150 名 FDE 和部署专家。
• Anthropic 在招 Applied AI 团队的 FDE，岗位说明白纸黑字：嵌入战略客户，推动 adoption，帮客户基于自家模型建新应用。

厂商为什么这么使劲推？三个原因。

第一，模型 API 越来越容易被替换， 单纯卖 token 不赚钱了。客户肯付高价的，是「这个模型怎么变成我的业务流程」。FDE 就是干这个转化的人。从最近好多人从 claude 转向 codex 就能看出来，模型的忠诚度也就那样。

第二，AI 落地的瓶颈，从「有没有模型」变成「怎么塞进真实组织」。厂商不做 FDE，这块钱就被埃森哲、德勤、麦肯锡、Palantir 这些专门干咨询的人赚走了。

第三，也是最关键的，FDE 是厂商绑住你的抓手。谁帮你把 AI 工作流嵌进去，谁就掌握了你的流程、习惯、数据接口和长期预算。

所以「FDE 是性感新风口」这个说法，本身就有立场。喊得最响的，是卖铲子的人。

吴恩达站在另一边——买铲子的企业这边。一旦换了这个位置，账就完全不一样了。

企业真正该算的账：AI Engineer 才是大头

吴恩达的核心意思是：从外部引进 FDE，不如把能力放进企业自己的工程师团队里，也就是 AI Engineer。

就是外部 VS 内部，其实是一个经典的交易成本问题：

一项能力，你该去市场上买，还是放进公司自己建？

答案是，看外部交易的成本，到底比不比内部自建高。

刚起步的时候，买外部能力是划算的。你还不会搭 agent workflow、不会做 evals、不会处理 RAG 和权限，请厂商的 FDE 跑通第一个闭环，比自己从零踩坑快得多。

但 AI 落地不是一锤子买卖。它会慢慢长进客服、销售、运营、研发、数据分析、用户研究、质检、内容生产这些流程里。到那一步，真正重要的就不只是模型，而是流程、数据、权限、prompt、评估标准和业务规则。

这就会碰到交易成本理论里很关键的一点：资产专用性。 东西是为你量身定做的，可一旦想搬走，几乎一文不值。

一个 FDE 帮你基于某厂商模型，搭了客服 agent、销售 agent、数据分析 agent。里头沉淀了大量特定厂商的 API、特定框架、特定 prompt、特定评估体系。短期看省事，长期看你丢的是选择权。今天最强的是 A，明年可能是 B。等你想换供应商，才发现根本搬不动。

还有一层可能被：FDE 天然不中立啊。

他的 KPI 是把自家产品嵌得更深，保你的技术自由度不在他考核里。这就是交易成本理论里讲的机会主义。

他未必想坑你，问题是你俩要的东西根本不一样：你要长期灵活、低锁定，他要产品用量、平台绑定、续约、更高客单价。

所以吴恩达那句「很难找到 vendor-neutral 的 FDE」，翻译过来就是：外部的人帮你建得越深，你被锁死的风险越大。

这也是为什么 AI Engineer 才是更大的盘子。FDE 是供应商侧的岗位，受大客户数量、客单价、交付半径限制；而内部 AI Engineer 的需求，是按部门、按场景铺开的。AI 最终要长成企业自己的能力，这事儿没法一直外包。

企业更合理的姿势，是分阶段：

• 早期用 FDE 跑通业务闭环，顺手把内部团队带出来；
• 中期让内部 AI Engineer 接管关键系统；后期让外部 FDE 退回顾问位置，帮你看新模型、新框架，而不是长期替你操作 AI 系统。

FDE 解决的是「怎么开始做 AI」。AI Engineer 解决的是「AI 怎么长成组织能力」。这两个盘子根本不是一个量级。

落到教育公司，这事更明显

落到我比较熟的K12 的教培公司。

这些 AI的应用场景：班主任沟通记录摘要、销售话术诊断、体验课转化预测、家长异议识别、AI 质检、用户研究材料抽取——真正决定效果的，是业务规则、班主任的动作、家长的心理、课程的节奏、转化的节点、组织的考核口径。

这些知识都在内部，外部 FDE 很难轻松理解到那个颗粒度。就算理解了，他也没法随时随叫随到来给你解决问题对吧。

所以对K12 公司，想要用 AI 赋能，工程师好招，真正缺的是三类复合型内部人才：

• 懂业务流程的 AI Engineer，能把模型接进企微、CRM、dify、数据仓库、质检系统。
• 懂评估的 Evals Engineer，能判断 AI 生成的话术、摘要、用户标签、意向判断到底准不准。
• 定义问题、拆场景、建标准、评估效果、推动业务真正用起来的内部产品型人才。AI × 用户研究 × 业务策略的那种角色。

从交易成本看，这三类人放在组织内部，比长期养着外部 FDE 划算得多。因为他们攥着的，恰恰是最难迁移的那部分知识：业务语境、组织信任、数据口径、用户心理、转化链路，和真实能落地的边界。