FDE前线工程师：老板想用AI裁掉整个部门，员工却让它滚

老板的“许愿池”

“你知道马斯克怎么管理员工吗？”这句拷问一出口，胡芯兰就觉得不对劲。

坐在她对面的老板来自一家重工业企业，手下员工过万。这位老板在社交媒体上刷到过马斯克用Agent顶替真人员工的新闻，心里也痒了。他直截了当地问胡芯兰：“能不能帮我把整个信息化部门都裁掉？我每天就跟Agent沟通。”

胡芯兰接触过的老板里，想裁员的并不少见。这些人分布在金融、制造、互联网等各行各业，公司小的几百人，大的上万人。有人旁敲侧击：“你觉不觉得，我们公司的人员有些冗余？”有人干脆把话挑明：“最多能裁员多少？”而那位学马斯克的，是她见过最激进的。

另一些老板嘴上不提裁员，却盼着AI能盯住员工的一举一动。“能不能给我装一个Agent，记录每名员工每天做了什么、产出了什么、项目进展到哪一步，最好还能随时监控和调用这些Agent，再根据完整日志计算每个人的投入产出比。”

胡芯兰明白，这类老板只是还没把裁员摆到台面上。他们想先攒够人效数据，再“尽量精准地裁员”，免得“裁员裁到大动脉”。

天天跟“裁员”需求打交道的胡芯兰，干的并不是人力资源。她的行当是眼下AI圈最火的工种之一——FDE，也就是前线（前沿）部署工程师。

AI跑得有多快，企业用得就有多慢。模型一版接一版地更新，新应用扎堆冒出来，初创公司的融资节奏也没见放缓。问题是，这股劲儿没能顺顺当当地传导到那些指望AI提效、改造生产流程的公司里去。埃森哲调研过7个行业里的163家中国企业，结果只有9%的企业借AI应用拉高了生产效率、收入或者利润。

技术往前冲、落地跟不上，这道落差里长出了一个新岗位——FDE。最早是硅谷的Palantir把它提出来，OpenAI和Anthropic后来把这套做法做大，2026年它借着势头从硅谷传到了中国。说白了，这个角色就是AI和企业之间的一座桥：FDE直接扎进客户公司办公，把对方的业务需求摸清楚，再有的放矢地帮他们落地大模型、Agent这类AI能力，把AI和真实工作场景之间的距离拉近一点。

但在中国，大部分FDE的工作是尴尬的——企业抛来的很多诉求，如“许愿”般不切实际。

胡芯兰有过一次经历。她在会上给不同行业的客户讲公司的AI产品，一位老板突然把话接了过去，绘声绘色地讲起AI对于人类有多重要：“不只是工作，我们的身体、生命健康数据什么时候才能交给AI？让硅基生物复刻、并造福我们碳基生物。你们应该想想办法，把这个做出来。”

话一说完，整个场子静了下来。胡芯兰先稳住表情，接着往回控场：“这就需要从长计议了。”然后她赶紧把会收了尾，这才没让话题从工作提效一路滑到改造人类生命上去。

做FDE创业的朱莉也碰上过差不多的事。前阵子一位电商客户甩给她一个叫“AI CMO”的产品宣传片：只要把公司网站输进去，文案、运营到投放的全流程营销它都能包办，过程看着很顺。片子配乐够燃，老板的态度比配乐还燃：“如果能实现，我愿意高价购买！”

朱莉心里一沉，“没想到AI公司画的饼，如今竟要我来实现。”她明白，光让AI看一个公司网站上的信息，宣传片里那种效果根本落不了地，“能自动发广告，但没法保证发给用户的是有价值的信息。”

这又是另一种错配带来的尴尬：企业老板既不清楚自己真正需要什么，也不清楚AI能实现什么。“对客户来说，我们就是个许愿池。”朱莉说。

这些“愿望”背后，其实藏着大量企业老板深深的焦虑：公司诸多生产环节上，或多或少都存在低效的问题，更重要的，是他们太害怕因错过AI这趟车而被时代甩下。

焦虑的不只是企业老板。在AI的另一头，那些手握技术和产品的AI公司同样有自己的焦虑。

举个例子，今年3月腾讯上线WorkBuddy，字节阿里随后也快速跟上。字节推出豆包工作，阿里推出千问办公，主攻企业级市场。三家大厂都把战火引向了AI办公入口，但说实在的，办公Agent的功能大同小异，技术上也没什么壁垒。怎么让客户选自己，成了大厂们现在最挠头的事之一。

于是，大厂开始密集成立FDE团队，期望用这一服务模式把自家AI送进企业。FDE，也成了大厂缓解商业化焦虑的一张新牌。

一位阿里云的销售经理告诉36氪，面对WorkBuddy先发优势怎么建立的？他的做法是给企业先免费用一段时间的额度，然后加派更多人去做FDE。用他自己的话说，现在拼的就是谁下注更狠，公司里技术、售前等岗位不少人已经转岗干FDE，像百炼（阿里云MaaS平台）这种战略级产品还单独配了FDE团队。

Workbuddy近来也拉起了自己的FDE队伍。腾讯一位售前经理原本并不想让团队沾FDE的活，可一想到客户可能被对手挖走，还是选择用这种方式把客户“熬住”。

一边是大厂要靠FDE抢地盘，另一边是中小企业指望FDE把AI变成实打实的效率。两边都急，也都在同一时间往FDE上押注。

FDE眼下碰到的坎，并不是AI时代才冒出来的，说到底就是20年前SaaS那一幕再演一遍。麻烦在于，技术能接手的活越多，技术和落地之间那道沟反而越宽。

看起来，老问题正换一种更绕的方式回来。

裁员阴影下的拉锯

客户提什么愿望，胡芯兰都不回绝，她的办法是“魔法打败魔法”。

碰上那位想学马斯克的客户，胡芯兰先认真点头，再顺着对方的思路往下推：“明白，不过这样需要每天看上万份AI执行日志，您看是否能腾出精力？”老板一犹豫，她接着加码：“而且员工一旦使用其他工具，您就拿不到上下文了。”

要是讲道理还压不住对方，胡芯兰就亮底牌：“这样实现下来，每天Token费用可能要花到一万美金。”这话一出，客户立马冷静。她知道，该聊能落地的方案了。

胡芯兰待的公司体量不大，她一边做FDE一边还得扛销售，为了拿单，她没多少底气去争，只能挑客户能接受的说法，让对方明白“不是不行，只是目前不适合你”。

林凌在一家头部大厂做FDE。这半年她明显感觉，客户给AI项目留的工期越来越短。过去按年算的交付周期已经没有了。四个月的活，客户张口就压到三个月。deadline越近，客户想加的新点子还越多。她不照单全收，而是把最早的邮件和合同翻出来，一条条对当初谈定了什么，“就像情侣吵架时翻聊天记录”。

跟小创业公司比，大厂在客户面前确实更拿得住：客户一般已经绑定了自家的云服务，迁移成本摆在那，不会说取消就取消。被客户气得冒火的时候，林凌就劝自己：老夫老妻了，还能离咋的？

等跟老板把预期对齐，FDE又会撞上新麻烦：老板对AI的那股急劲，员工很难共情。

潘科霖是一家汽车零件厂的厂二代，工厂效率低一直让他头疼，他就试着用AI来改造。一开始每做一款AI工具，他都先把方案丢进微信群，再把十几个部门负责人叫来开会听意见，可会往往开成两个极端，“要么没有问题，要么全是问题”。

有时候员工齐刷刷点头，“没问题，都听领导的。”真到执行那一步，问题就从四面八方冒出来：有人忙着解释这会让工作量和难度涨多少，有人说资源不够、部门不好配合，甚至把家里的难处也搬出来，总之“实在难以推进”。

当厂二代之前，潘科霖没上过班，“不懂职场”。几场会下来，他慢慢看明白老板和员工看事情的角度不一样：老板盯的是公司效率和营收，员工在意的是活会不会变多、责任会不会变重，更直接的是，会不会因为AI被裁掉。

做FDE之前，胡芯兰没想到：“比做AI工具更难的，是跟老板、员工间的人性博弈。”

找客户的技术人员配合时，胡芯兰经常吃闭门羹。头一回去研发部门，她问大家有什么需要AI提效的地方，研发们各自盯着屏幕，回应她的只有键盘啪啪响。过了两分钟，最边上那位才开口：最近工作很多，没时间迁移工具。

后来开需求对接会，研发直接抛来一句：“你们这个产品有Claude Code好用吗，换了以后工作进度如何保证？”胡芯兰很快反应过来，“忙”多半是个借口，更主要的原因恐怕是研发的“工具洁癖”，他们心里早有自己的顺手工具。

也有干脆躺平的。有一回，胡芯兰提出给邻桌的IT员工送一个免费的Agent席位，对方语气很平，回她：不用，豆包挺好的。 

一旦AI提效的动作碰到员工的饭碗，那就更走不通了。

朱莉服务过一家小型银行，老板的需求很清楚：让AI把贷款审批流程优化一下。

为这个，朱莉得先找一线业务员摸清业务流程，做出试点跑起来，再拿着效果去找业务经理要预算。贷款审批这件事，各家银行的风险偏好和计算口径都不一样，朱莉看出来了，这比通用流程更关键，而且特别依赖人的经验。

可被朱莉找去问经验的业务员，似乎并不想配合：她问得越急、越细，对方答得越慢、越含糊。直到对方反问一句：“你们做这个，到底是为了什么？”朱莉这才反应过来，她想打听的正是业务员手里最要紧的知识壁垒，而一旦要让AI来优化这活，业务员立刻就有了被裁的恐惧。

那之后，朱莉再想约这家公司的员工开会，对方总能找出各种理由推掉。第一版Agent跑出错来，她发给一名业务员，希望对方帮忙看看哪里不对，消息发出去就再没等来回复。

老板愿意上AI，可他不清楚业务怎么跑；一线的人懂业务，偏偏不愿意配合AI；中层嘴上多半说支持，心里盘算的却是效果得看得见，自己还不能因此担责任。

几个角色来回拉扯，朱莉慢慢看明白，老板一句“支持AI”根本撑不起这件事。最拧巴的地方在于，想拿AI换掉人的老板，偏偏得先让那些可能被换掉的人，手把手教AI怎么干活。

还“债”

给客户接上Agent的头一天，FDE创业者Edison就收到了将近300条报错。

这家客户是做服装制造的。过去老板每天光看生产信息，就得花掉至少两小时。上百款服装的订单排成一行行，面料、拉链、吊牌这些环节的生产进度列成一列列，整座工厂的生产情况全塞在一张巨大的Excel表里，由几十位产线负责人一起更新。

工厂倒是有ERP系统，可里面记的都是产品类型、客户、金额、交付时间这类最基本的静态数据。真正生产时产生的那些信息，比如上面这张表里的内容，系统里根本没有。它们通常又碎又爱变，还散落在各部门本地的Excel、聊天记录，以及人的脑子里。

Edison本来的想法是在这张Excel上接个Agent，替老板盯生产风险。可真跑起来，负责人们老是来不及把表格维护好，Agent的警报就没停过。人一忙没顾上更新，AI就判断订单要延期；少打一个空格，AI又当成生产异常。人一眼能看明白的变通，到了AI那儿全成了问题。

想让AI真正进到企业核心的生产和工作流程里，一个前提是数据能随时被调出来用。可对不少企业来说，这笔账欠了很久。

刚拿AI改造工厂那会儿，潘科霖也发现厂里到处是数据窟窿。十个车间就有十套日报表，写法各不一样。记录方式统一不了，跨车间汇总信息就慢，后面排产这些环节也跟着拖。等AI进来，别说提效了，连这些信息都未必读得准。

结果，企业原本指望的AI提效卡在了半路，反倒变成了“还债”——得退回去做数据清洗和治理。

对潘科霖来说，这就是从源头重新定日报记录的规矩。他把十个版本摆到一块儿逐条比，一边问车间负责人，一边跟AI商量，花了两周才重新理出一份车间日报的记录规范。而这还只是开头，他坦言：“把过去散乱的数据全部梳理清楚，还不知道要多长时间。”

让不少FDE意外的是，在动念接AI之前，很多企业压根没把“数据不规范”当成一件事。

阿里云一位FDE告诉36氪，公司跑得快的阶段，管理者的心思基本都扑在业务增长上。部门漏报个信息，系统少开发个功能，这种毛病并不耽误赚钱，时间一长就搁下了。

可现在他们指望AI带来新的效率和增长，那些过去不影响营收的“小毛病”，一下子都成了必须先迈过去的坎。

“这不是豆包”

头一个月月底对账，胡芯兰的客户被Token账单惊到了。一家一两百人的公司，一个月Token消耗能到几十万元。

翻完后台数据，胡芯兰很快找到了原因：员工虽然开始用Agent，习惯却还停在“跟豆包聊天”那一步。每做一步任务，就重开一个对话框，再传一遍大文件、复述一遍公司背景和业务规则，同样的信息被模型反复读，Token就在一次次重复的上下文里飞快烧掉了。

对的做法，是把日常要反复执行的工作写成Skills，把长期不变的资料存进知识库，Agent每次干活，只读跟当前任务相关的那部分信息就行。

胡芯兰一遍遍跟客户公司的员工讲，“这不是豆包”，可效果不大。后来她想明白了，那些乱七八糟的对话背后，是大家从没系统梳理过自己的工作流。

每周二到周五，胡芯兰都泡在客户公司。她办公的那间大会议室，像个临时的“AI门诊”。不同部门的人一拨接一拨进来，带着工作上的问题，问她该用什么样的Skills来解决。一天接待二十多人是常事，有时快下班了，门外还有人等着。

麻烦在于，来找胡芯兰的多数人，都说不太清自己到底想让AI在哪个环节帮上忙。

比如有位做数据分析的员工找过来，说想做一个“数据分析Skill”。这个词把取数、清洗、统计、分析到写报告的整个流程全包了进去。为了搞清楚究竟卡在哪儿，胡芯兰只能让他把一天的工作“倒放”一遍：数据从哪拿，拿到先做什么，哪些数字要判断，最后怎么交付……

追问了好几轮，胡芯兰才弄明白，对方其实只是不想在数据分析完之后，再照着一套固定格式去写报告。她松了口气，告诉对方：这个叫把数据填进报告的Skill。她还注意到，工作里的前提、步骤、检验标准这些东西，早就被员工在日复一日的重复中变成了行为惯性，每做一步之前，他们并不会清楚地意识到自己正走在哪一步上。可Agent吃不了“含糊”这一套，描述不清楚，它就干不了活。

这件事也让朱莉换了个思路做创业。她觉得现阶段企业最该做的不是直接上Agent，而是先弄清楚“哪些工作值得被AI提效”。她和团队做了一个挺原始的试验产品：软件装在员工电脑上，每隔几秒截一次屏，分析员工最耗时的任务和重复流程，帮老板找出那些没被讲清楚的AI提效机会。

比拆解工作流更棘手的，是把员工手上的关键技能“蒸馏”给Agent。

阿里瓴羊给某头部电动车品牌做过一个AI客服项目。对方的要求是AI先听懂用户问题，能答的直接答，答不了再转人工。可团队发现，客服每天要面对大量随机状况，该不该转人工、转给谁、后面又怎么处理，这些判断全藏在客服的经验里，没有现成资料能让Agent直接学。

于是阿里瓴羊派人去了现场，戴上客服耳机，挨着一线员工坐了将近两个月，看他们怎么应对不同的用户诉求——产品demo两三天就能做出来，但要让它真正好用，团队花了好几个月，做了将近100场调研。

算不清的账

前阵子，某大厂FDE姜瀚接到一个给App开发AI助手的需求。看着简单，实际每项功能都要接一套内部系统，而每套系统对应的接口权限和安全要求又各不相同。结果他和团队最后做了二十多个业务Agent，每个Agent背后都是数不清的访谈、协调和等待。

以前一名B端售前能同时服务5-8个客户，可FDE式的交付得长期泡在企业里，理解流程、协调部门、连接系统，一个人同时服务1-2个客户已经算不错了。AI确实离客户的业务更近了，但人效掉得厉害。

这么做，也是被大厂AI的商业化竞争逼的——AI对企业真正“有用”，才能带动MaaS、甚至更多云服务的收入。

姜瀚把FDE看作一种押注。动手做项目之前，他先盘一盘客户背后能带出多少云、GPU以及其他产品的单子。只有判断这个客户值得“下注”，他才会安排人免费或者低价去把FDE交付做掉。

有一次，姜瀚对接一家连锁企业。跟客户朝夕相处下来，对方决定把云服务也迁到姜瀚所在的大厂，并继续购买其他B端产品。这意味着，一笔千万级的订单将被撬动，前期的FDE服务马上就能回本。

可另一个例子是，姜瀚曾花很大精力帮客户部署Agent，结果客户公司的员工只在简单办公上浅浅用了一下，半年下来只有50万左右的Token消耗。这笔收入连姜瀚团队的人力成本都覆盖不了。

身为创业者的Edison，更是经常怀疑自己的工作到底值不值。客户公司数字化程度很低，Edison先让客户转到飞书办公，把原本散在员工微信、Excel里的数据沉淀到飞书里。后来他又陆续帮客户建了多维表格，用秒搭做了前端页面等等，可这些动作带来的收入，最后都流向了字节。这个过程让Edison觉得自己像飞书免费的外包。

FDE们还慢慢意识到，理想中的“AI提效”其实是一场漫长的“AI布道”，得不断给客户普及AI知识、安利新的工作模式，才能一点点推动转变。这些都是工作里的“隐性成本”。

后来有人改了策略，不再带着PPT给员工推荐AI，而是“靠吸引”。比如不经意间向客户员工提到自己的工作已经“90%AI化”，等对方好奇了再介绍Agent。为了鼓励员工适应AI，潘科霖也换了招。他告诉员工Agent能辅导孩子学习、教孩子写作业，来参加的人明显多了。

AI落地之后究竟值多少钱，眼下这笔账没人算得明白。36氪从一位大厂FDE那里了解到，他的客户挺开心，说买了他们公司的AI编程工具以后，开发团队人数从140人掉到了100人。“客户掏钱买AI，图的无非两样，要么产出变多，要么成本变少——同样的钱赚不到更多收入，那就用更少的人把同样的活干完。”

FDE常被称作AI落地的“最后一公里”，但这一公里走出去了多少，走完之后又能给企业带来多少实际收益，都还是未知。目前看来，“裁员数量”似乎仍是一家公司衡量AI是否有效的直观标尺。（文中所有人名均为化名）