FDE和AI陪跑支援差在哪｜從賣的東西來看，根本是兩回事

您好，我是TIMEWELL的濱本隆太。

「把工程師送到現場，AI就能上線。」這一年，這種說法變多了。名字叫FDE。Forward Deployed Engineer，前方部署型工程師。這是Palantir養出來的職種，現在OpenAI和Anthropic也在官方場合使用同一個詞。

日本的會議室裡，通常下一個問題會是：那不就是駐場工程師嗎。跟顧問公司的AI陪跑支援差在哪。

結論先寫。不是同一份工作換了稱呼。賣的東西不一樣，成果物的歸屬不一樣，會不會寫進系統也不一樣。我們自己就是把陪跑支援當成本業之一的那一方。正因為如此，不先把自己賣的東西放到檯面上整理，對讀者沒有幫助。

失敗的不是模型

MIT NANDA在2025年7月發表的報告書《The GenAI Divide: State of AI in Business 2025》，數字很硬。企業的生成式AI投資估計300億到400億美元。接著寫道，95%的組織沒有拿到可測量的回報¹。已經整合進去的先導專案裡，真正抽出數百萬美元規模價值的只有5%。ChatGPT和Copilot，八成組織試過，接近四成已經導入。只是那停在個人生產力，還沒走到損益表。

再往現場走近一層，還有一組數字。考慮過企業專用工具的組織有六成。走到先導專案的有兩成。真正上線的只有5%¹。調查期間是2025年1月到6月。公開的AI案件超過300件、對52個組織做了訪談、對153位高階主管做了調查。樣本的限制，報告自己也寫了，這是初步觀察。方向還是清楚的。

原因不是模型效能不夠，報告講得很明白。障礙在學習。大多數生成式AI不把回饋留下來，也不依脈絡改下去。企業愈大，先導專案的件數愈多，要轉進正式環境反而愈慢。比起只靠內部自己做，跟外部一起做的成功率大約是兩倍，報告裡也有這段¹。

底稿裡把這件事叫做落地落差。MIT的用語是GenAI Divide。叫法兩邊都可以，我在現場看到的形狀更單純。會議室裡跑得動。碰到現場的髒資料就停住。一停，承辦人再也不碰。

以前的業務系統，可以先假設放進A就會出來B。需求定義、設計、實作、測試、交付。沒照規格動，就是程式錯誤。一旦把大型語言模型咬進去，同一組輸入，輸出也會晃。那不是程式錯誤，機器本來就是這樣。讀發票金額，這一行後面，手寫、漏蓋章、多種稅率、每個往來對象各自的版面，幾乎沒有底。會議室裡找不到。動了，失敗的形狀才看得到。

所以需要觀察、修正、再觀察的迴圈。而且是業務還在跑的時候。現場有沒有人能把這個迴圈轉起來。專案活不活得下去，多半在這裡分。

FDE到底在做什麼

FDE是為了讓自家產品在客戶的正式環境跑起來，進入客戶組織、承擔開發與落地實作的工程師。前方部署這個詞來自軍事，想法是：部隊不放在司令部，放到最前線。

起源在Palantir。創業初期，客戶的資料比預想的髒，業務比預想的複雜，連能把需求問出來的對象都沒有。所以把工程師坐到隔壁位子，讓他學業務本身。後來的解說幾乎都這樣寫這段開頭。我們沒看過Palantir裡面，不當成創業神話來斷定。職種的型，確實在那裡。不等規格書，先用現場的真實資料放一個能動的東西。

最有象徵性的作法，是進場第一天就交出程式碼。花90天把需求定下來，用乾淨樣本做示範，正式上線前才拿現場資料去撞，然後折掉。常見的死法。FDE型相反。第一天就碰現場真實資料，就算不完整，也在承辦人眼前放一個能動的東西。人面對白紙規格書，講不出自己的工作。看到會動的東西，才開始說「這種情況不一樣」「這裡要課長核准」。原型不是交付物，是把需求問出來的提問裝置。

光有技術力不夠。分散式系統要自己組得起來。飛機維修規程也好，出口管制清單也好，幾週內要學到能跟客戶討論。從經營層、事業部主管、現場這三層，各自把要求拉出來，收成一套設計。最後這件最難。經營層想改寫產業常識，事業部主管想砍本期成本，現場不想改現在的步驟。同時滿足三點的那一個點，才是實質的工作。

2025年到2026年，這個職種不再是Palantir獨家。a16z在2025年6月4日的文章裡，把FDE稱成新創最熱的工作，並且整理成：就算暫時壓低毛利率，也要抓住落地實作，買下護城河²。職缺成長這組數字，a16z本文沒有。Indeed Hiring Lab的分析經Financial Times等報導，2025年1月到9月的刊登量超過800%³。來源是新聞轉述，請留一點寬度來讀。

能用一手資料確認的動作，時間更近。OpenAI在2026年5月11日公布成立OpenAI Deployment Company。通稱DeployCo。收購應用AI顧問公司Tomoro，進場第一天就放約150位FDE與落地專家。初期投資超過40億美元。以TPG為首，顧問公司和系統整合商也列了名⁴。Anthropic則是在2026年5月4日、金融基礎建設大廠FIS的公告裡，寫明把Applied AI團隊和FDE嵌進FIS，共同設計金融犯罪用的代理。目標不是一直駐場，而是把經驗交出去，讓FIS能自己跑，公告是這樣寫的⁵。比底稿裡的「駐場體制」，官方用詞往後退了一步。

陪跑支援和FDE，賣的東西不一樣

這才是本題。只看進現場、一起做，分不出來。往裡頭拆，是兩門生意。

陪跑支援和駐場開發，賣的是工時。營收是人月。最有效的指標變成人力使用率。人閒著的時間就是成本，案子拖長，至少對短期營收是加分。FDE賣的是產品。FDE的工時不是營收，是為了讓產品咬進客戶業務的投資。指標是：客戶感受到價值之前要花的時間。愈快讓對方自己跑、走進正式合約和橫向展開，賣方愈划算。愈久愈賺的結構，和愈早放手愈賺的結構。方向相反。

成果物歸誰，也從此分開。駐場開發做出來的東西，變成客戶資產。原始碼交出去，維運是客戶自己，或另一份合約的供應商。賣方留下的，只有承辦人個人的經驗。FDE做出來的東西，是自家平台上的應用。基礎建設往上走，客戶也一起往上走，這是它要瞄準的設計。用比喻來說，駐場是幫每個客戶鋪一條碎石路。對那個客戶很順，但鋪下去的那一刻就開始舊，隔壁客戶用不了。FDE一邊鋪碎石路，一邊把鋪面技術帶回去。從現場的痛抽出型，升成標準功能。下一個客戶的展開成本往下掉。這條回流轉不起來的FDE，只是單價比較高的接案。

最深的差別，是讀還是寫。陪跑和概念驗證的成果，幾乎都是唯讀。分析、視覺化、提出觀察。沒有改寫核心系統紀錄的權限。判斷和執行是人。FDE會走到寫回去。預留庫存、發出訂單、重排班表。唯讀的東西錯了，人發現就能停。寫進去的東西錯了，現實會壞。錯下單、錯出貨、錯的授信。所以，可以執行的行為型別、權限、事前模擬、重大判斷時的人為介入、可稽核的紀錄。沒有這一套就去寫，不行。案子如果是從「我們陪跑」開始，踩到這裡的很少。因為寫入，就是承擔責任。

學習累積的地方也不一樣。陪跑學到的東西，積在承辦顧問的腦子裡。人一走就沒了。FDE做得起來的時候，學到的東西積在意義結構裡。在這家公司，客戶是什麼。出貨完成是哪個時間點。延遲超過門檻，誰會碰上什麼。用機器讀得懂的形狀固定下來。人走了還在。名字叫本體論。聽起來難，做的事其實是：把那家公司的名詞和動詞教給AI。

項目	陪跑支援、駐場開發	FDE
賣的東西	工時	把產品嵌進現場的投資
指標	人力使用率	感受到價值之前要花的時間
成果物	客戶資產	產品資產
系統	讀	寫
學習	承辦人的腦子	意義結構與標準功能
理想關係	長久持續	盡快自己跑，並橫向展開

我們的WARP，比較接近表的左邊。藏也藏不久，所以先講清楚。這篇不是在否定陪跑本身。我否定的是停在唯讀、最後只留下漂亮報告的那種陪跑。右邊那一欄，也就是寫入、回流、用客戶業績指標來評估，這三件事不放進設計的陪跑，會往MIT畫出的95%那一側靠。

沒把名詞和動詞教會，代理跑不起來

FDE進現場第一件要做的，是把意義結構放下來。把散開的資料，定義成客戶、發票、零件、作業員這類實體，再定義成退款、下單、重排班表這類行為。

很多公司會說，資料基礎建設我們有。只是傳統的正規化模型，設計上握的是現在這個切面，時間的厚度很薄。星狀綱要擅長彙總和預先結合，轉換邏輯卻藏在ETL裡面。兩邊都適合讓人看著圖做判斷。要讓機器走過去、真的執行，不夠。把關係本身做成走得過去的形狀，我在圖工程是什麼從另一個角度寫過。

也有人會說，這跟學術上的本體論、RDF或OWL是另一回事。那邊強在靜態的知識表達和檢索。現場要的是執行、寫回去、再學的循環。用層來說，放名詞的層、放行為的層、放權限和模擬的層。行為層定義好的操作，從大型語言模型看起來就是工具呼叫。去訂一個不存在的零件編號，這種事在型別上就過不了。幻覺不是靠提示詞的巧思壓住，而是用結構壓住。代理在長任務上會壞，原因往往在環境、不在模型，這件事和代理工程入門是連著的。

案例這邊，確認得到的，和底稿沒辦法原封不動寫進去的，分開。

Airbus的Skywise，在2017年6月20日的官方公告裡，是和Palantir合作、面向航空業的資料基礎建設⁶。順序是：先用在自家的製造和維修，再向航空公司打開。A350交機快了33%，這組數字在Palantir這邊的公開資料裡⁷。Airbus的公告文沒有這個比率。所以我把它當Palantir的主張來處理，官方公告只寫到Skywise的啟動。底稿裡有「三天就交出數位分身」的說法，Airbus的一手資料追不到。我沒寫。

John Deere這側，OpenAI在2025年5月公開的對談裡，John Deere方面說See & Spray只瞄準雜草、藥劑最多可減七成⁸。這是產品的話。底稿裡還有FDE走進愛荷華農場、趕上收成期限的故事，同一場對談裡拿不到。評估基礎、管線、控制這三件套，上線時都要有，這點本身我認為是對的。只是，要把它寫成John Deere的FDE案件，這次沒有依據。

確認得到的，是職種正在擴大這件事。OpenAI把落地公司切出來，Anthropic把FDE放進FIS。a16z說的「用毛利率換護城河」，是經營的話。2010年代的SaaS，自助導入加上高毛利率是贏的路。要置換核心工作流程的生成式AI，需要很深的接線和權限，光靠自助導入跨不過去。把人堆厚、暫時壓低毛利率，抓住資料和業務的入口。ServiceNow上市時毛利率63.2%，Workday是54.1%。到2024年各自回到79%、75%，a16z是這樣寫的²。能不能扛住短期的毛利率批評。要不要放FDE，與其說是技術判斷，不如說是經營判斷。

只借了名字的FDE，比接案還糟

不是萬能。不會回流的FDE，只是單價比較高的人月。這一季，現場長出來的功能有幾成進了標準。沒在追這件事的組織，不該自稱FDE。

一直堆客戶專用的例外，程式碼庫幾年內就會壞。這是該標準化的型，還是只屬於這個客戶的分枝。拒絕的能力，也是能力。不先放意義結構、只在現場一直寫腳本，承辦人一離職，就沒人敢碰。本質不是人在現場，而是把現場的默會知識做成結構。把工程師派出來就能成交，這種用法會變成免費客製。那個客戶的痛，是不是很多其他客戶也有。沒有投資假說的投入，只是業務的替身。

給日本企業的建議，不是把職稱進口進來。先縮到最痛的一項業務。從全公司數位轉型開始，又會回到會議室。把那項業務的名詞和動詞，用現場的話原樣寫出來。翻譯成系統用語是後面的事。進場第一天，就放一個不完整但能動的東西。量的不是準確率95%，而是三小時有沒有變成二十分鐘、退件掉了幾個百分點。寫入之前，先放權限、模擬、人為介入、稽核紀錄。沒有這四點的東西，不能接到核心系統。代理讀過的東西留下紀錄，把出口綁住，這件事我也寫在Cloudflare OS為什麼開源。想法指向同一個方向。

陪跑支援是撐住客戶做決定的工作。提出觀察，把選項排開。最後的責任由客戶扛。這是需要的工作，我們也在賣。FDE是把自家產品對客戶現實要負的責任，一路運到現場的工作。所以才寫。所以才做治理。所以才用客戶的業績指標來量。在那裡學到的東西帶回產品，變成下一個客戶的鋪面。

95%停住，不是因為模型弱。是因為沒有人把責任運到現場。生成式AI的能力之後還會再長。落地的溝，光靠能力填不滿。填溝的是願意下去的人，以及把帶回來的經驗做成產品的結構。

我們承接現場設計時，走的是WARP。把公司內部知識以關係留下的那一側，是ZEROCK。重點不是把職稱進口進來，而是想決定自家某一項業務要寫到哪裡的人，歡迎從個別諮詢告訴我們現況。

---

Footnotes

1. MIT NANDA《The GenAI Divide: State of AI in Business 2025》（Aditya Challapally、Chris Pease、Ramesh Raskar、Pradyumna Chari，2025年7月）。調查期間為2025年1月到6月。檢視超過300件公開AI案件、對52個組織做結構式訪談、在四場產業會議收集153位高階主管的調查。企業的生成式AI投資估計300到400億美元、95%的組織沒有拿到可測量的回報、已整合的先導專案裡抽出數百萬美元規模價值的只有5%、ChatGPT和Copilot超過八成試用、約四成已導入但停在個人生產力、專用工具是六成考慮、兩成先導、5%上線、障礙不是模型品質而是學習（不保留回饋、不依脈絡調整）、外部合作的成功率約為內部自建的兩倍、大企業在先導件數上領先、在放大時落後，以上皆出自同一份報告書。https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf ↩ ↩² ↩³

2. Andreessen Horowitz（Joe Schmidt）「Trading Margin for Moat: Why the Forward Deployed Engineer Is the Hottest Job in Startups」（2025年6月4日）。企業級AI若只靠產品導向成長，不容易置換核心工作流程，因此要把落地支援做厚、暫時壓低毛利率來換護城河；ServiceNow上市時毛利率63.2%、Workday 54.1%，2024年各自回到79%、75%；OpenAI公開職缺311件中有22件是FDE或解決方案相關，皆出自該文。本文沒有職缺成長800%的記述。https://a16z.com/services-led-growth/ ↩ ↩²

3. 2025年1月到9月，Forward Deployed Engineer相關職缺刊登量增加超過800%這組數字。是Indeed Hiring Lab的分析經Financial Times等報導的二手資訊。不包含在上述a16z文章裡。https://m.economictimes.com/magazines/panache/what-are-the-hottest-jobs-within-ai-hiring-up-800-this-year/articleshow/125036908.cms ↩

4. OpenAI「OpenAI launches the OpenAI Deployment Company to help businesses build around intelligence」（2026年5月11日）。成立OpenAI Deployment Company（通稱DeployCo）、達成收購應用AI顧問公司Tomoro的協議、約150位FDE以及Deployment Specialist、初期投資超過40億美元、OpenAI持有過半數、以TPG為首的投資與顧問夥伴，皆出自該公告。https://openai.com/index/openai-launches-the-deployment-company/ ↩

5. FIS「FIS Brings Agentic AI to Banking with Anthropic, Starting with Financial Crimes」（2026年5月4日）。Anthropic的Applied AI團隊和FDE嵌進FIS、共同設計Financial Crimes AI Agent、把經驗移轉讓FIS之後能自己擴張代理、BMO和Amalgamated Bank為初期導入，皆出自該公告。https://www.fisglobal.com/about-us/media-room/press-release/2026/fis-brings-agentic-ai-to-banking-with-anthropic-starting-with-financial-crimes ↩

6. Airbus「Airbus launches Skywise – aviation's open data platform」（2017年6月20日）。與Palantir合作的航空業資料基礎建設、先用在Airbus自家的製造、工程與服務、再向航空公司打開，皆出自該公告。三天交出數位分身、A350交機加速33%，這篇公告文裡沒有。https://www.airbus.com/en/newsroom/press-releases/2017-06-airbus-launches-skywise-aviations-open-data-platform ↩

7. Palantir公開的Airbus／Skywise影響說明。寫到Foundry讓A350交機加速33%，並於2017年擴到Skywise。Airbus官方公告未確認，因此本文當成Palantir這邊的主張來處理。為避免導向競爭產品頁，網址不放在腳註本文。 ↩

8. OpenAI「John Deere transforms agriculture with AI」（與Justin Rose的對談，2025年5月6日）。See & Spray只對雜草噴藥、藥劑使用最多減少70%，是John Deere方面的說明。FDE在收成期駐進農場這類記述，這場對談裡沒有。https://openai.com/index/john-deere-justin-rose/ ↩