前沿洞见 · 组织与认知 · 2026-09-10 · 国科智飞 Gavin

FDE：AI 落地里最稀缺的「翻译官」

AI 落地卡住的地方，往往不是模型不行，而是没人能把行业经验翻译成机器能执行的东西。懂业务、懂数据、懂 AI 的人正在变贵。

企业里最不缺的是 AI 工具，最缺的是翻译。

工具可以买，模型可以调，但有一件事很难外包：把行业里真实运转的经验，翻译成系统能理解和执行的东西。这正是 FDE（Forward Deployed Engineer，前置部署工程师）在做的事——a16z 甚至专门写过文章，称它是创业公司里最热门的岗位之一。

AI 出现前：翻译给人

早期的 FDE 团队，主要做咨询、任务拆解和项目交付。要求看起来很"贪心"：既拿得出好的增长方案，又要懂相应行业的技术背景——汽车、美妆、营销，各有各的门道，还要能把方案真正落地。

这个阶段的 FDE，本质是翻译官：把客户的模糊需求翻译成可执行的方案，把方案翻译成流程和动作，再把结果翻译回客户的语言。

一个典型场景：客户说"我们的转化率上不去"。这句话本身没有信息量。FDE 要做的，是把它拆成一条条可验证的假设——是流量结构问题、落地页问题，还是销售跟进问题？每一条假设对应什么数据、做什么实验？这就是"翻译给人"：让团队知道该干什么。

AI 出现之后，FDE 需要多一种能力：把行业经验抽象成 Agent 可执行的 Skill。

这是质的变化。过去，经验装在人的脑子里，交付结束、人一走，经验也跟着走了；现在，经验可以被写成一段可运行的资产——它知道什么时候该做什么、遇到什么情况该找人确认、哪些红线不能碰。第一次，行业经验可以被固化、被复制、被传承，而不是每个项目重新交一遍学费。

这个转变听起来抽象，落到具体就是：过去你交付一份《运营手册》，现在你交付一套"会自己按手册做事"的系统。手册里的每一个判断（什么情况走 A 路、什么情况走 B 路、什么情况停下来找人），都要变成系统里的规则和流程。写不清楚的地方，系统就会做错——这反过来逼着团队把以前含糊带过的经验讲明白。

于是 FDE 的能力要求变成了三件事：懂业务、懂数据、懂 AI。

因为这三样东西通常长在不同的人身上。

懂业务的人，说不清数据结构；懂数据的人，不熟悉业务语境里的"常识"；懂 AI 的人，未必知道行业里哪条线碰不得。三者交叉的地带，既需要理解力，也需要耐心——要扎到客户现场，把那些没人写下来的规则一条条挖出来。

举个例子：业务专家说"这种单子风险大，得盯紧点"。这句话背后其实藏着一整套逻辑——风险体现在哪些信号上？几个信号同时出现才算大？出现到什么程度要升级？谁有权限拍板例外？翻译者要把这些一个个问出来，再对应到数据字段和系统规则上。做不了这一步，AI 就永远停在"会聊天"的水平。

稀缺意味着溢价。在 AI 落地项目里，找到这样的人，往往比找到更好的模型更决定成败。更现实的是，这种人通常只能从项目里长出来——看书、上课，都补不齐在现场跟过几个完整项目的经验。

也有人会说：AI 越来越强，以后业务人员用自然语言就能配置系统，FDE 是不是会被取代？我们的判断恰恰相反。自然语言能解决"表达"，但解决不了"知道要问什么"。把隐性知识说清楚、把例外想全、把责任划清，这些才是最难的——AI 把配置的门槛降低了，反而让"会定义问题的人"更稀缺。

把"翻译"拆开看，一个 FDE 在项目里的动作通常是四个：

进现场。 不听汇报，看真实的流程——谁在什么节点做什么、信息在哪个系统里断掉、哪些环节靠人肉衔接。很多问题不在流程图上，而在流程图的空白处。

挖隐性规则。 把"我们一直都是这么做的"翻译成"什么条件下做什么"。这个过程像做笔录：为什么？还有呢？如果情况反过来怎么办？没人能一次讲全，要反复确认。

定义数据与 Skill。 把规则对应到字段、接口和判断逻辑，写成 Agent 能执行的资产，并标出例外和红线。

上线后迭代。 看系统在哪里做错了、人又做了哪些修正，把修正变成下一版规则。翻译不是一次性交付，是持续校准。

公平地说，FDE 是成本很高的角色，不该被神化。标准化的 SaaS、开箱即用的工具、业务逻辑简单的场景，直接用产品就好，硬配一个 FDE 是浪费。

需要 FDE 的信号通常很明确：流程复杂且组织之间存在差异、隐性知识多、要和多个存量系统集成、结果必须有人担责。越靠近这些特征，翻译的质量越决定项目成败。

翻译这件事很容易和其他角色混淆，但边界其实清楚：

咨询顾问交付建议，不负责系统最终能不能跑；产品经理定义通用能力，服务的是所有客户的平均需求；解决方案工程师负责把产品配置到客户环境里，前提是产品本身已经定义好了该做什么。FDE 的不同在于：他要对"这套系统在客户现场真正跑起来、并且越跑越准"负责，而客户现场的问题，往往没有现成产品可配。

这也解释了为什么这个岗位难招：它要求的是"从模糊到可执行"的完整链路能力，而不是某一环的专业深度。

**第一，别找"全能天才"，搭组合。**业务专家、数据工程师、AI 工程师，再加至少一个翻译者。期待一个人三样全占，不如把团队配置设计对。翻译者不一定是技术最强的人，但必须能同时和业务、数据、AI 三方对话。

**第二，把"经验资产化"写进项目验收。**每个项目结束时问一句：这次我们沉淀了几个可复用的 Skill？下次遇到同类问题，能不能少走一半弯路？把"交付了多少功能"换成"留下了多少资产"，项目的价值判断会完全不同。

**第三，外部伙伴解决冷启动，长期要长出内部的 FDE。**最懂你业务的 Know-how，永远在你自己的团队里。外部陪跑的价值，是帮你把翻译的方法和资产留下来，而不是让你永远离不开他。判断标准很简单：项目结束时，你的团队是更依赖外部了，还是更能自己跑了。

我们做 AI 落地陪跑，越来越确信一件事：企业 AI 的天花板，从来不是模型的能力，而是翻译的质量。能把业务翻译给机器的人，才是这个时代最稀缺的工种。

对个人而言，这未必是一个需要新头衔的机会。产品经理、运营、销售，任何能把自己的行业经验拆成机器可执行步骤的人，都在成为 FDE——头衔会变，翻译能力不会。

对企业而言，判断标准同样朴素：与其问"要不要招一个 FDE"，不如问"我们的隐性经验，有没有人负责把它变成系统能力"。