AI 时代，企业为什么需要 FDE？

Chat

↓

Copilot

↓

Agent

↓

AI Workforce

决策参考 · 2026

AI 时代

企业为什么需要 FDE？

Forward Deployed Engineer · 前线部署工程师

未来企业竞争的，是 AI 工作系统，而不是 AI 模型。

汇报对象：CEO / 董事长 / 总经理

FDE.NAME · 企业 AI 组织能力研究

执行摘要 EXECUTIVE SUMMARY

如果只看一页：三个结论

1

AI 落地的瓶颈已经不是模型

Gartner 复盘：GenAI 项目在 PoC 后被放弃的实际比例

至少 50%。失败原因集中在数据质量、业务价值不清、

无人负责——没有一条是「模型不够强」。

≥50%

GenAI 项目

PoC 后被放弃

2

Prompt Engineering 沉淀不成企业能力

它是一项技能，不是一个岗位。独立 Prompt 岗位在

招聘市场已萎缩至不足 0.5%，而「会用 AI」正在

变成所有岗位的默认要求——技能扩散，能力未沉淀。

<0.5%

招聘职位中

独立 Prompt 岗

3

钱正在流向「部署」而不是「模型」

2026 年 5 月同一周：OpenAI 投入超 40 亿美元成立

FDE 交付公司，Anthropic 联合黑石投入 15 亿美元

做企业交付。最懂模型的人，在给交付下注。

$55亿

两周内投向

AI 交付能力

结论：企业缺的不是更强的模型，而是一个能把模型变成生产系统、并对结果负责的角色 —— FDE。

02

目录 AGENDA

我们将回答四个问题

01

AI 发展的三个阶段

我们正处在哪一段？下一段需要什么？

Chat → Copilot → Agent → AI Workforce。每一次跃迁，

真正改变的不是模型，而是「谁来承担工作」。

02

企业 AI 失败率为什么这么高

为什么钱花了，P&L 上看不见？

五个缺口：没有流程、没有知识、没有数据、

没有连接器、没有人负责。

03

企业真正缺的是 FDE

为什么不是 Prompt 工程师或 AI 产品经理？

业务 + 流程 + 数据 + AI + 工程，五种能力必须

收敛到同一个「负责人」身上。

04

怎么建：路径与投入

第一个 FDE 从哪来？多久见效？

自建 / 共建混合路径、90 天验证、

组织位置与考核口径。

03

01

AI 发展的三个阶段

Chat → Copilot → Agent → AI Workforce

每一次跃迁，改变的不是模型能力，而是「谁来承担工作」。

STAGES

04

01

AI的四个阶段

从「会说话」到「会干活」

判断标准只有一个：工作成果由谁交付，责任由谁承担。

2022 →

Chat

对话

人做全部工作

AI 提供信息与草稿。

价值取决于使用者

个人水平。

个体效率

→

2023 →

Copilot

副驾驶

人做，AI 辅助

嵌入 IDE、文档、CRM。

提升单点效率，

但流程未改变。

岗位效率

→

2025 →

Agent

智能体

AI 做，人审核

能调用工具、访问系统、

多步执行。开始需要

权限、数据与连接器。

流程效率

→

2026 →

AI Workforce

AI 劳动力

AI 承担岗位职责

以「工作系统」交付成果，

可考核、可审计、

可规模复制。

组织产能

价值量级 →

多数中国企业今天卡在 Copilot 与 Agent 之间：工具买了、账号开了、员工也在用，

但公司层面拿不出一条「因为 AI 而改变的业务流程」。原因是前两个阶段只需要采购，

后两个阶段需要工程——而工程需要一个负责人。

阶段划分为本文分析框架；时间标注为技术可用性大致节点，非严格行业标准。

05

01

跃迁门槛

为什么大多数企业停在第二阶段？

前两阶段的门槛是「预算」，后两阶段的门槛是「工程与责任」。这是一道组织坎，不是技术坎。

Chat / Copilot

采购型 · 买了就能用

决策人

IT / 采购

投入形式

账号订阅费

上线周期

数天

失败成本

低（停订即止）

能力沉淀

留在个人手里

VS

Agent / AI Workforce

工程型 · 必须建出来

决策人

业务一号位 + 工程

投入形式

人 · 数据 · 系统改造

上线周期

数月（企业均值 9 个月+）

失败成本

高（沉没投入 + 信任损耗）

能力沉淀

留在系统与流程里

这道坎上没有产品可买 —— 只有人可以派。跨过它需要的是 FDE，而不是下一个订阅。

「企业均值 9 个月+」引自 MIT NANDA《State of AI in Business 2025》对企业与初创部署周期的对比访谈（初创约 90 天）。

06

01

现实检查

但 Agent 本身也在大量失败

把「上 Agent」当成答案，会重复 Copilot 阶段的错误。Agent 提高了上限，也提高了工程门槛。

40%+

Agentic AI 项目

将在 2027 年底前被取消

原因：成本失控、

业务价值不清、

风控不足。

Gartner, 2025.06

~130

全球数千家自称 agentic AI 的

供应商中，真正名副其实的

绝大多数是把既有产品

重新贴标签。

采购时需要技术尽调。

Gartner「agent washing」

15%

到 2028 年由 AI 自主完成的

日常工作决策占比

方向确定、速度真实，

但需要企业侧

先具备承接能力。

Gartner 预测（2024 年为 0%）

给董事会的提醒：Agent 不是「更聪明的 Copilot」，它是一套要接权限、接数据、接系统、

还要能被审计的生产设施。谁来接？这个问题如果在立项会上没有明确答案，

项目大概率会成为那 40% 的一部分。

来源：Gartner, "Over 40% of Agentic AI Projects Will Be Canceled by End of 2027", 2025-06-25（含 agent washing 与 2028 年预测）。

07

02

企业 AI 失败率为什么这么高？

不是模型不行。是流程、知识、数据、连接器、责任

这五件事，一件都没有到位。

DIAGNOSIS

08

02

事实基线

先看事实：放弃率在上升，不是在下降

两组互相独立的数据指向同一个方向。这不是个别企业的执行问题，而是行业性的系统缺陷。

放弃「大部分 AI 项目」的企业占比

S&P Global Market Intelligence（451 Research）

≥50%

GenAI 项目在 PoC 后被放弃

Gartner 2026.01 复盘（原预测 30%）

60%

因数据未就绪而将被放弃的项目

Gartner 预测，至 2026 年

39%

在企业层面看到 EBIT 影响的企业

McKinsey State of AI 2025

注意时间线：Gartner 2024 年的预测是「30% 会被放弃」，2026 年初的实际复盘是「至少 50%」。

形势比预期更差 —— 因为企业补的是工具，没有补组织。

来源：S&P Global VotE: AI & ML Use Cases 2025（n=1,006，2024 年 Q4 采集）；Gartner 2024-07 / 2026-01；McKinsey State of AI 2025。

09

02

一个必须说清的数字

关于流传最广的「95% 失败率」

这个数字大概率会被引用到您面前。建议提前知道它的真实含义与边界 —— 以免在董事会上被反问。

它实际说的是

95% 的企业在 GenAI 上「没有可衡量的 P&L 回报」。

这是一个关于「财务归因」的说法，

不等于「95% 的项目技术上失败了」。

报告同时指出：采用率很高、个人效率提升

真实存在 —— 只是没有体现在 EBIT 上。

它的局限（对方可能反问）

自我标注为「初步发现」，未经同行评审

样本：会议现场招募的 153 位高管问卷

95% 这一数字未公开推导过程

报告内部口径不一致（2/8 与 7/9 并存）

沃顿 Mollick 等学者公开质疑其「非研究」

我们的建议：不要用 95% 做论证主线。用 Gartner 的「实际 ≥50%」和 S&P 的「17%→42%」——

这两个数字方法论公开、可被追问。而把这份 MIT 报告用在它真正扎实的地方：

它对失败原因的定性诊断（组织设计问题），以及「外部共建成功率是内部自建的 2 倍」这一发现。

来源：MIT NANDA《The GenAI Divide: State of AI in Business 2025》（自我标注为初步发现）；质疑见 Ethan Mollick 公开评论、Futuriom、Tim Sanders 等。

10

02

五个缺口

原因不是模型，而是这五件事

「模型不够强」

并非主因

→ 真正的五个缺口，全部在企业侧：

01

没有流程

AI 插在哪一步？

没人重画过业务流程。AI 被挂在

流程旁边，而不是嵌进流程里——

省下的时间无法转成产出。

RAND 首要成因：

问题定义错误

02

没有知识

老师傅的判断在哪？

定价怎么定、例外怎么批、客户

怎么分级——只在人的脑子里。

没被结构化，AI 就学不到。

MIT：缺乏上下文

留存与反馈学习

03

没有数据

哪份数据敢用？

数据散在多个系统、口径不一、

权限不清。63% 的组织不具备

AI-ready 的数据实践。

Gartner 三次预测

均列首因

04

没有连接器

AI 够不着系统

Agent 要读 ERP、写 CRM、

调工单。没有集成层，它

只能「建议」，不能「执行」。

Gartner：改造

既有系统成本高

05

没有人负责

算谁的 KPI？

IT 说这是业务的事，业务说这是

IT 的事。没有单一责任人，

就没有人为结果买单。

MIT：首要障碍

是组织设计

五个缺口有一个共同点：没有任何一个能靠「买一个更好的模型」解决。它们都需要有人下场，把系统建起来。

证据来源：RAND RR-A2680-1（65 位从业者深访，2024-08）；Gartner 2024–2026 多份预测；MIT NANDA 2025；McKinsey State of AI 2025。

11

02

最关键的缺口

五个缺口里，最致命的是第五个

前四个是「技术债」，第五个是「组织债」。组织债不还，技术债会反复产生。

IT / 技术部门

「模型部署好了，接口也开了。

业务不用，不是我的问题。」

懂技术，不懂这个业务为什么这么做

责任真空

流程谁改？知识谁录？

数据谁清？连接器谁写？

上线后效果谁背？

← 这里没有人 →

业务部门

「这东西不好用，还不如我

自己做。我有业绩指标。」

懂业务，不懂这个系统能改成什么样

RAND 对 65 位从业者的深度访谈得出的首要建议：「确保技术人员与业务专家之间的有效互动，

往往就是 AI 项目成功与失败的分界线。」这份研究发表于 2024 年 8 月 —— 早于本轮 Agent 热潮。

RAND Corporation, RR-A2680-1《The Root Causes of Failure for AI Projects》

FDE 就是被派去填这个真空的人。

12

02

核心论证

为什么 Prompt Engineering 无法形成企业能力？

因为它是「个人技能」，而企业能力的定义是：人走了，能力还在。

① 它存在于个人，不存在于组织

提示词写得好的员工离职，能力随人

离开。没有版本管理、没有测试、

没有交接文档 —— 它不是资产，

是手艺。

人走 → 能力归零

② 它随模型升级而失效

为上一代模型精心调优的提示词，在

新模型上可能不再最优甚至失效。

投入无法累积，每次换模型

都要重做一遍。

模型换 → 重新开始

③ 它触不到失败的真正原因

提示词再好，也解决不了数据口径不一、

系统无法调用、流程没人改。

它优化的是「输入」，

而问题在「系统」。

优化输入 ≠ 修好系统

招聘市场已经给出了答案

<0.5%

20,662 份 LinkedIn 职位中

仅 72 个 Prompt 工程师岗位

-80%

Indeed 上 Prompt 工程师搜索

热度较 2023 年峰值回落

倒数第二

企业未来 12–18 个月

优先招聘的新角色排名

关键区分：Prompt 能力并没有消失 —— 它扩散成了所有岗位的通用素养。正因为如此，它不再是一个「岗位」。

来源：Vu & Oppenlaender, arXiv:2506.00058（n=20,662 职位）；Indeed 数据经 WSJ / Fortune 报道；Microsoft & LinkedIn Work Trend Index 2024（n=31,000，31 国）。

13

02

判定标准

什么才算真正的「企业 AI 能力」？

用这五个问题自查。全部为「是」，才叫能力；否则只是若干个人在用工具。

自查问题

是 → 能力已沉淀

否 → 只是个人在用

1

关键员工离职后，AI 产出是否照常？

能力在系统里

能力在个人手里

2

换一个底层模型，是否两周内可切换？

有抽象层与评测集

全部重做

3

能否说清 AI 每月替代了多少工时？

有度量与归因

只有主观感受

4

出错时，是否有人被问责、有日志可查？

可审计、有责任人

无人负责

5

一个部门做成了，能否复制到第二个？

有可复用资产

每次从零开始

这五项，恰好就是 FDE 这个岗位的职责清单。

自查框架为本文提出，综合 Gartner、McKinsey、BCG 关于 AI 规模化前置条件的研究整理。

14

03

企业真正缺的是 FDE

不是 Prompt Engineer，也不是 AI 产品经理。

而是：业务 + 流程 + 数据 + AI + 工程，收敛在同一个人身上。

THE ROLE

15

03

定义与出处

FDE：从 Palantir 走出来的岗位

这不是一个新造的概念。它有明确出处、成熟范式，并已被写入上市公司招股书。

Forward Deployed Software Engineer

「一名直接嵌入客户现场的软件工程师，通过配置我们既有的软件平台，

来解决客户最棘手的问题。」

— Palantir 官方工程博客，2020

传统工程师（Dev）

为「很多客户」

打造「一种能力」

纵向做深产品，追求可复用性

前线部署工程师（FDE）

为「一个客户」

打通「很多能力」

横向打通场景，追求业务结果

Palantir 招股书（2020）原文：「我们的前线部署工程师曾前往阿富汗的军事基地，

以及美国中西部的工厂，去部署我们的平台……当 FDE 帮助客户用好软件时，

他们第一手观察到用户真正的困难。」—— 这是「工程师必须到现场」被写进 SEC 文件。

来源：Palantir Technologies Form S-1（SEC，2020-08-25，p.154）；Palantir 官方博客《A Day in the Life of a Palantir FDSE》（2020-11-02）。

16

03

能力构成

五种能力，必须长在同一个人身上

关键不在于每一项都最强，而在于它们不被组织边界切断 —— 一个人能从业务问题一路走到生产系统。

业务

Business

听得懂业务在

抱怨什么，

分得清真痛点

和伪需求。

+

流程

Process

能重画流程，

知道 AI 应该

插在第几步、

谁来复核。

+

数据

Data

找得到可信

数据源，能对

齐口径、

处理权限。

+

AI

Model

懂模型边界、

评测方法、

RAG 与 Agent

的适用场景。

+

工程

Engineering

写得出生产

代码，能接

系统、做监控

与回滚。

= 一个能对「业务结果」负责的人

为什么必须是同一个人？因为这五件事之间的「翻译损耗」，正是项目失败的地方。

拆给五个部门，每一次交接都会丢掉上下文；而丢掉的那部分，往往正是问题的关键。

能力构成框架为本文归纳，参考 Palantir FDSE 岗位描述及 2025–2026 年 FDE 招聘要求统计（Bloomberry n=1,000；Plank n=1,206）。

17

03

边界澄清

FDE 不是 Prompt 工程师，也不是 AI 产品经理

这三个角色经常被混为一谈。区别不在头衔，而在「交付物」和「谁背结果」。

Prompt 工程师

AI 产品经理

咨询顾问

FDE

核心交付物

更好的提示词

需求文档 / 路线图

方案与建议报告

跑在生产环境的系统

是否写生产代码

否

否

很少

是

是否改造业务流程

否

提出建议

提出建议

亲手改

是否接系统与数据

否

协调他人

协调他人

亲手接

上线后是否负责

否

看指标

项目结束即离场

对结果负责

能力沉淀在哪

个人经验

文档

交付物

系统与资产

一句话判别：带销售指标的，是售前工程师；只出报告的，是顾问；凌晨两点在排查生产故障的，才是 FDE。

对比维度依据 Palantir 官方对 FDE 与咨询顾问差异的说明，以及 2025–2026 年 FDE 岗位描述统计（Bloomberry：0% 的 FDE 岗位提及销售配额）。

18

03

市场证据

最懂模型的公司，正在给「交付」下注

如果模型能力就足够，这两笔钱没有必要花。它们的存在本身，就是对「模型不是瓶颈」的确认。

OpenAI

2026 年 5 月 11 日

$40 亿+

成立 The OpenAI Deployment Company

专门把「前线部署工程师（FDE）」嵌入客户组织，

解决复杂问题。由 TPG 领投，贝恩、凯捷、麦肯锡

等咨询机构同时入股；并收购伦敦应用 AI 公司

Tomoro，首日即获得约 150 名 FDE 与部署专家。

估值 140 亿美元

Anthropic

2026年5月4日

$15 亿

联合黑石等成立企业 AI 服务公司「Ode」

Anthropic 的应用 AI 工程师将与客户方工程团队

并肩工作，直接负责落地实施。投资方包括黑石、

高盛、Hellman & Friedman、General Atlantic、

阿波罗、GIC、红杉等一线机构。

定位：实施而非模型

+729%

FDE 岗位发布量同比增长

（全球严格 FDE 头衔约 1,000–1,400 个）

$20–30万

Anthropic 公示的 FDE 年薪区间

（另有股权；负责人岗 30–40 万美元）

45%

FDE 岗位设有独立团队编制

（仅 14% 归属销售体系 → 是工程职能）

来源：OpenAI 官方公告（2026-05-11）、Axios；Anthropic 官方公告（2026-05-04）、CNBC / TechCrunch；岗位与薪酬数据：Plank FDE 市场普查（n=1,206，2026-07）及企业 ATS 公示。

19

03

常见反对意见

「派人下场，不就是做外包吗？」

这是董事会最常见的质疑。Palantir 用二十年和一份财报回答了它。

担心的逻辑

人力密集 → 无法规模化

→ 毛利被拖低

→ 变成人头生意

这个担心在传统 IT 外包上是对的。

但 FDE 模式的关键差别在于：

现场经验会回流到产品里。

Palantir FY2025 实际财务表现（已审计）

+56%

全年营收增长

（$44.75 亿）

50%

调整后

经营利润率

127%

Rule of 40

综合得分

~$101万

人均创收

（上年约 $73 万）

一家把工程师派到阿富汗基地和中西部工厂的公司，做到了 50% 的经营利润率。

Palantir CTO Shyam Sankar 的解释：「我希望软件的实施时间尽可能短，而之后产生的价值是复利的。

通过亲自承担这件事，我不会与『我该造什么才能让这件事快两倍』这个信号脱节。

把这个成本内部化，我们就有了极强的动力去投资于它。」

Stratechery 访谈，2023-06-15

对企业的启示：FDE 做的每一次现场实施，都应该产出可复用的资产 —— 否则它才真的变成了外包。

来源：Palantir FY2025 Q4 业绩公告（SEC EX-99.1，2026-02-02）；人均创收为营收÷员工数测算。说明：Palantir 未公开披露 FDE 人数或其营收贡献，此处不作因果归因。

20

03

职责具象化

一个 FDE 的典型一周

把抽象岗位说明变成可验收的动作。这也是面试与考核这个岗位时该问的问题。

现场

泡在业务一线

跟着业务员跑一天，看真实动作

记录没写进 SOP 的例外与土办法

找出「这事为什么这么做」

拆解

把流程拆成可自动化单元

画出当前流程与耗时分布

标出哪步适合 AI、哪步必须人审

定义验收标准与失败兜底

打通

接数据、接系统

对齐数据口径，处理权限脱敏

写连接器：读 ERP、写 CRM

搭评测集，量化「对不对」

上线

小范围真实运行

先在一个班组、一条线跑起来

盯日志、看错误、当天迭代

把有效做法固化成模板

回流

沉淀成组织资产

提炼可复用组件与提示词库

写交接文档，培训业务负责人

把需求反馈给平台团队

注意最后一列：「回流」是 FDE 与外包的分水岭。没有回流，做一百个项目还是一百个项目；

有了回流，第二个项目的成本会显著低于第一个 —— 这才是能力沉淀。

工作节奏为本文依据 Palantir FDSE 岗位描述与公开 FDE 职责说明归纳整理，供岗位设计与考核参考。

21

04

怎么建：路径、投入与验证

从「要不要建」到「第一个 FDE 从哪来」。

90 天验证一个场景，而不是先立一个三年规划。

EXECUTION

22

04

路径选择

自建、共建，还是混合？

有一个反直觉的数据值得注意：内部自建的成功率，明显低于与外部共建。

~67% 外部共建的试点进入全面部署 vs ~33% 内部自建 —— 相差约 2 倍

纯自建

不建议作为起点

＋

知识与资产完全留在内部

＋

长期人力成本最低

＋

对业务的理解最深

－

招聘周期长，市场上人极少

－

没有范式，容易走弯路

－

第一个项目失败即失去信任

纯外采

适合验证，不适合长期

＋

启动快，有成熟方法论

＋

先看到结果再追加投入

＋

不占用内部编制

－

顾问走了，能力也走了

－

对业务细节理解有限

－

长期成本高、议价权弱

混合共建

建议路径

＋

外部带方法论，内部带业务理解

＋

第一个场景由外部主导、内部跟做

＋

第二个场景由内部主导、外部兜底

－

需要明确知识转移条款

－

需要内部指定专人全程跟随

重要说明：MIT 报告本身提示该相关性不必然等于因果 —— 选择外部合作的企业，可能本身在采购与治理上就更成熟。

来源：MIT NANDA《State of AI in Business 2025》—— 该发现基于其对 300+ 公开项目的梳理，方法论限制见第 10 页。

23

04

起步方案

不要立三年规划，先用 90 天验证一个场景

初创公司从试点到落地约 90 天，大型企业平均需要 9 个月以上。差距不在技术，在决策链条。

第 1–2 周

选场景

由业务一线提名，不由中台指定。

标准：高频、规则相对清晰、

有现成数据、失败可承受。

交付物

1 个场景 + 1 个业务负责人

→

第 3–6 周

打通链路

FDE 进现场：画流程、清数据、

写连接器、搭评测集。

先做通一条最窄的路径。

交付物

可运行原型 + 量化评测基线

→

第 7–10 周

真实运行

在一个班组／一条产线上线，

每天看日志、当天迭代。

人工复核保持在环。

交付物

真实业务数据下的效果曲线

→

第 11–13 周

结论与沉淀

算清工时、错误率、成本三笔账。

提炼可复用组件，写交接文档，

决定「扩大 / 调整 / 停止」。

交付物

决策依据 + 可复用资产

三条纪律（建议由您亲自定）

1

场景由一线提名

不接受由中台或

供应商定义场景。

2

单一责任人署名

立项文件上必须有

一个人的名字。

3

90 天必须给结论

包括「停止」也是

合格的结论。

周期设计为本文建议；「初创 90 天 / 企业 9 个月」对比引自 MIT NANDA 2025 的部署周期访谈。

24

04

人从哪来

第一个 FDE，最可能已经在你公司里

市场上严格意义的 FDE 全球仅约 1,000–1,400 人。指望外部招聘解决，不现实。

从哪些人转型最快（按成功率排序）

软件工程师

45%

补业务与沟通，最主流的来源

解决方案 / 售前工程师

22%

已有客户视角，需补生产工程能力

数据工程师 / 数据科学家

15%

数据能力现成，需补流程与交付

技术型顾问

10%

方法论强，需补动手写代码

创业者 / 技术合伙人

8%

端到端意识强，稀缺

选人原则

教工程师做业务沟通，

比教业务人员写生产代码，

容易得多。

岗位画像（市场统计）

经验年限

60% 为 3–5 年（中级为主）

技术栈

Python 66% / TypeScript 35%

AI 相关

Agent 35% / LLM 31%

出差要求

68% 的岗位需要出差

值得注意的一个信号：FDE 岗位中 0% 提及销售配额，70% 提及股权，45% 拥有独立团队编制，仅 14% 归属销售体系。

这说明市场把它当作工程职能来设计，而不是售前的变体 —— 企业内部设岗时也应如此，否则考核口径一错，人就会跑偏。

来源：Bloomberry（n=1,000 FDE 岗位，2025-11）、Plank FDE 市场普查（n=1,206 / 669 家公司，2026-07）；转型来源基于 n=100 份 LinkedIn 履历分析，属样本较小的观察性数据。

25

04

投入产出

一个 FDE 小组的投入产出结构

以下为结构性框架，用于讨论口径，不是承诺值。请代入贵公司实际薪酬与业务量后重算。

投入侧（首年，一个 3 人小组）

1 名 FDE 负责人

内部资深工程师转型

1 名工程 / 数据

可兼职 50%

1 名业务侧对接人

由业务部门指派，兼职

外部共建支持

首个场景，按项目计

模型与算力

通常远小于人力成本

提示：多数企业的真实约束不是预算，

而是「愿不愿意把一个好工程师，从现有项目里抽出来」。

产出侧（应当被度量的四笔账）

工时替代

该流程每月节省的人工小时数×人均成本

可直接入账

外部支出下降

外包 / 代理 / BPO 费用的减少额

最快见效的一笔

错误率与返工

差错率下降带来的返工与赔付减少

常被漏算

可复用资产

第二个场景的实施成本下降幅度

决定长期价值

MIT 的观察：最显著的成本节约来自后台自动化

（外包与代理支出下降），而非前台裁员。

给董事会的口径建议

不要问「上 AI 能省多少钱」，这个问题无法回答，也无法验收。

改成问：「这一个流程，90 天后每月节省多少工时、错误率降低多少、第二次实施能便宜多少？」

—— 三个可验收的数字，比一个宏大的数字有用。

本页为测算框架示意，非实际财务预测。成本节约结构参考 MIT NANDA 2025 的定性访谈发现。

26

04

组织设计

FDE 应该放在哪里、向谁汇报？

这是最容易做错的一步。放错位置，这个岗位一年内就会退化成售前或运维。

✕

放在 IT 部门下

会退化为「工单执行者」，

拿不到业务优先级，

也无权改流程。

✕

放在销售体系下

一旦背上销售指标，

注意力会转向签单，

而非生产系统是否稳定。

✕

放在创新 / 战略部门

容易停留在演示与汇报，

远离真实业务数据，

做不出可上线的东西。

✓ 建议：独立小组 + 双线机制

编制独立

作为独立小组存在，不挂在

IT 或销售之下（市场上 45%

的 FDE 岗位如此设置）。

汇报够高

向 CEO 或业务一号位直接

汇报，确保能拿到跨部门的

数据与流程改动授权。

任务来自一线

场景由业务一线提名，

而非中央实验室指定 ——

MIT 明确指出这是成败差异。

考核看结果

以业务指标（工时、错误率、

成本）考核，不以交付

文档数或模型指标考核。

MIT 报告对成功企业的描述是：「场景来自一线管理者，而不是中央实验室」，同时

「下放实施权限，但保留问责」。这两句话应当直接写进 FDE 小组的授权文件里。

来源：MIT NANDA 2025 关于成功买方行为的描述；组织编制比例引自 Plank / Bloomberry FDE 岗位统计。

27

04

风险与应答

会被问到的五个问题，以及怎么回答

把反对意见提前列出来，比在会上被动应对更有说服力。

Q

「等模型再强一点，这些问题不就自动解决了？」

A

不会。流程没人改、数据口径不一、系统没打通、无人负责 —— 这四件事与模型能力无关。

模型每次升级，只会让这四个缺口更显眼。

Q

「我们已经买了 AI 平台，为什么还要人？」

A

平台提供的是能力，不是结果。Gartner 数千家自称 agentic AI 的供应商中，

真正名副其实的约 130 家。平台买回来之后，仍然需要有人把它接进你的流程。

Q

「这不就是我们的数字化团队在做的事？」

A

关键区别在于是否对业务结果负责。数字化团队通常交付系统，FDE 交付业务指标的变化。

如果现有团队的考核里没有业务指标，那它不是 FDE。

Q

「投入这么大，多久能看到回报？」

A

建议不承诺整体 ROI，只承诺 90 天给出三个可验收数字：

工时节省、错误率变化、第二次实施的成本降幅。拿不出来就停止。

Q

「万一这个人走了怎么办？」

A

这正是要设 FDE 的理由 —— 它的核心产出是「可复用资产 + 交接文档」。

如果人走了能力就归零，说明这个岗位被做成了 Prompt 工程师。

「约 130 家」引自 Gartner 关于 agent washing 的评估（2025-06）。

28

最后落到一句话

未来企业竞争的是 AI 工作系统，

而不是 AI 模型。

01

模型是买来的

所有人都能买到同一个模型。

它不构成差异。

02

系统是建出来的

流程、知识、数据、连接器，

每一样都要自己长出来。

03

而系统需要有人负责

这个人就是 FDE。

它是能力沉淀的载体。

29

决策请求 THE ASK

请您做三个决定

都不需要大额预算。真正需要的是您的授权，以及一个明确的责任人。

01

指定一个场景

从业务一线提名的候选中选定 1 个流程作为首个验证场景。

需要您做的：拍板选哪一个，并同意「失败也是合格结论」。

02

指定一个人

从现有工程团队中抽出 1 名资深工程师，全职担任首位 FDE。

需要您做的：同意把这个人从现有项目中真正释放出来。

03

给一个 90 天窗口

90 天后由该责任人当面汇报三个数字：工时、错误率、复用成本降幅。

需要您做的：授权跨部门取数与流程改动，并亲自听这次汇报。

三个决定的总成本：一个人 90 天。相比之下，「继续观察」的成本是又一年的时间窗口。

30

附录 SOURCES & CONFIDENCE

本文数据来源与可信度分级

标注分级的目的：如果被追问，您可以清楚知道哪些数字站得住，哪些只能作为方向参考。

A

可直接引用

一手来源、方法论公开或经审计

Palantir S-1（SEC 2020）与 FY2025 财报（SEC 2026-02）· Gartner 各项预测与复盘（2024-07 / 2025-02 / 2025-06 / 2026-01）· RAND RR-A2680-1（65 位从业者深访，2024-08）· OpenAI Deployment Company 官方公告（2026-05-11）· Anthropic 企业服务公司公告（2026-05-04）· arXiv:2506.00058（n=20,662 职位）· Microsoft & LinkedIn Work Trend Index 2024（n=31,000）· 各企业 ATS 公示的薪酬区间

B

可引用，需说明口径

调研样本自报告，或为咨询机构框架

S&P Global VotE: AI & ML Use Cases 2025（n=1,006，2024 Q4 采集）· McKinsey State of AI 2025 · BCG 10-20-70 原则（为投入分配建议，非实证方差分解）· Accenture / IBM / Deloitte 各项高管调研 · Plank 与 Bloomberry 的 FDE 岗位统计（招聘数据商，方法论部分公开）

C

谨慎使用

结论有价值但方法论存疑，需注明

MIT NANDA《State of AI in Business 2025》—— 自我标注为「初步发现」，未经同行评审，95% 一数未公开推导过程。本文仅使用其定性诊断与「外部共建成功率约为内部自建 2 倍」的相对结论，并已在正文标注局限

✕

本文未采用

流传广泛但不可靠，建议同样回避

「RAND 称 80% 的 AI 项目失败」—— 系 RAND 引用第三方的背景陈述，非其研究结论 · FDE 年薪 50–120 万美元等说法 —— 来自 SEO 引流内容，非公示数据 · AI Agent 市场规模预测 —— 同期不同机构差异达 5 倍以上 · Gartner「30% 将被放弃」—— 已被其 2026 年「实际至少 50%」的复盘取代

本页由 MuleRun 于 2026 年 8 月整理。所有第三方数据版权归原作者所有；建议在对外使用前复核原文最新版本。

31

下一步

先选一个流程，

派一个人下去。

其余的，90 天后用数字说话。

讨论议题建议

首个场景的三个候选

首位 FDE 的人选

跨部门取数的授权范围

90 天汇报的验收口径

FDE.NAME

https://fde.name

企业 AI 组织能力研究

本材料为决策讨论用，数据来源与可信度分级见第 31 页。