FDE 前線部署工程師：矽谷爆紅的新職位，為什麼模型公司搶著要？
2026 年 5 月，矽谷同一時間發生了兩件事：OpenAI 成立了一家「部署公司（Deployment Company）」，Anthropic 則牽手黑石（Blackstone）等金融機構成立合資企業。把這兩步棋串起來的，是一個叫 FDE 的職位——Forward Deployed Engineer，前線部署工程師。
它被稱為矽谷最火的新工種，但其實一點都不新。這篇文章會拆解：FDE 到底在做什麼、為什麼偏偏是現在爆紅、它和 Palantir 有什麼淵源，以及它對想把 AI 真正落地的人——包括台灣——意味著什麼。本文觀點整理自科技播客《矽谷 101》一集深度訪談，受訪者是 AI 客服公司 Cresta 的 FDE 負責人 Jove，以及前麥肯錫顧問、現任 Invisible Technologies 企業業務副總的 Oliver。
一、為什麼 FDE 突然紅遍矽谷？
FDE 突然爆紅，導火線是 2026 年 5 月幾家頂級 AI 公司幾乎同時下注「把模型送進企業落地」這件事。 據《矽谷 101》這集節目，OpenAI 除了成立部署公司，還收購了一家叫 Tomoro 的公司，一口氣帶走 150 位 FDE；連 Google 也宣布有自己的 FDE 團隊。
FDE 全名 Forward Deployed Engineer（前線部署工程師，也有人直接叫它「AI 落地官」），目前還沒有特別好的中文翻譯。耐人尋味的是，這個職位的爆紅，連身在其中的人都覺得太快。Cresta 的 Jove 手上有一支將近百人、仍在擴編的 AI 代理（agent）團隊，他的反應很傳神：
「這件事我知道會來，但我沒想到會這麼快、來得這麼迅猛。」
— Cresta FDE 負責人 Jove
二、FDE 到底是什麼？一個「迷你 Forward Deployed CTO」
FDE 是在與客戶緊密合作下、能讓 AI 應用在真實環境真正跑起來，並把現場經驗回饋去改進產品的工程師。 用 Jove 的話說，FDE 有兩個職責：一是把 AI 落地，二是把落地過程的經驗教訓（Lesson Learned）用最直接的方式拿回去改產品，讓產品越來越強。
他給了一個到位的比喻：FDE 就像一個「前線部署的 CTO」——你要把案子拿下、把 AI 應用落地、把客戶綁住，同時還得不斷想著怎麼讓產品更好。這也是為什麼它的能力密度與門檻都很高。關於 FDE，有三個常見誤解值得先破除：
- 它不是「長駐客戶現場」的工程師。 Jove 說，他和同事在單一客戶那裡「沒有一次超過一個星期」。實際模式是：啟動時飛到客戶辦公室閉門開幾天會、對齊目標，順利的話現場做個小型概念驗證（PoC），之後就各自遠端推進。前線真正的價值，是早期面對面建立信任、拿到那些寫不進文件的背景知識。
- 它不只是售前。 FDE 售前、售中、售後都會參與，售前只是其中一環。
- 它是「共創」而不是「代勞」。 Jove 強調：「我們了解你要什麼，然後幫你做出來，做完之後你想自己維護也可以。」FDE 是和對方的 CTO 一兩個人一起把東西做出來，而不是把客戶的活全包死。
| 角色 | 核心任務 | 和 FDE 的差別 |
|---|---|---|
| 傳統軟體工程師 | 把程式與系統寫好 | 不直接面對客戶、不為商業成果負責 |
| 售前工程師 | 協助銷售、做技術展示 | 多半止於成交前，不負責長期落地與產品回饋 |
| 管理顧問 | 給策略建議、規劃轉型 | 常「只聊怎麼轉型」，不一定親手把系統做出來 |
| FDE | 把 AI 落地、與客戶共創、回饋改產品 | 技術 × 客戶 × 韌性三合一，像迷你 CTO |
三、為什麼是現在？因為「模型不是產品」
FDE 在 2026 年爆紅的根本原因，是模型公司終於承認一件事：模型本身不是產品。 Jove 講得很直接——產品要落地還需要做大量的工作，而這正是傳統模型公司容易疏忽、甚至不屑去做的：
「對於有錢、想買這個模型的人，他也覺得買了不知道怎麼用。我們發現 FDE 是一個非常好的形式。」
— Cresta FDE 負責人 Jove
這背後是價值高地的移動：AI 落地的價值，正從「模型層」往「應用層」轉。模型再強也只是指揮家，不必什麼都自己做；真正難的往往在模型控制不了的地方——企業資料不能共享、每家 API 千奇百怪、有些系統甚至跑在內網，都得有人到現場理解業務怎麼流轉才解得開。應用層公司的優勢恰恰是純模型公司缺的：客戶資料與場景理解。以 Cresta 為例，它從 2017 年就累積大量客服對話語料（含萬豪 Marriott 這類大客戶、以合規方式存放），甚至能拿來訓練小模型做模擬。主持人 Yiwen 下了準確的定調：
「部署公司的成立和 FDE 的爆紅，本質上都在證明：Agent 時代，企業需要的不只是 AI 工具，而是一套 AI-native 的工作流。」
— 《矽谷 101》主持人 Yiwen
四、它其實有十幾年歷史：從 Palantir 的 Delta 與 Echo 說起
FDE 不是新發明。這套模式由 Palantir 在十幾年前最早跑出來，最初是為了把軟體送進「講不清楚需求」的客戶，例如軍方。 據節目所述，Palantir 早期有兩個團隊：Delta（偏工程師、技術，最接近今天的 FDE）與 Echo（偏業務與專業領域，例如作戰、搶救等情境），兩者合在一起，就成了 FDE 的雛形。當年的痛點很具體：軍方客戶不會把想要什麼說明白，工程師得親自跑進同一個軍營帳篷，看到資料對方才願意講細節，過程中還要做資料建模、臨時兜出 API。這跟今天 FDE 進企業面對的混亂，本質上是同一件事。
那為什麼是這幾年才規模化？關鍵有兩個放大器。第一是 AI Coding（如 Claude Code 這類 AI 寫程式代理）。Jove 對比得很生動：十年前 Palantir 的 FDE 就算知道產品有漏洞，也只能寫信或開工單求人去改，可能半年後才修好；現在哪怕面對十個不同的程式庫與技術棧，都能讓 AI 幫忙改出來，「發現問題到改好產品」的迴圈從半年縮到很短。第二個放大器是「技能包（skill）」——把做過幾次的事蒸餾成一份說明文件加幾支腳本，新進 FDE 不必從頭學，裝上能存取就能上工，於是團隊「從 30 人擴到再加 20 人」幾乎沒有培訓摩擦，形成雪球效應。
五、FDE 怎麼做事？80/20、共創，與一條退場線
FDE 的工作方法可以濃縮成幾條：用 80/20 法則挑用例、和客戶共創而非代勞，並在達標後退場。 挑用例時，FDE 先找「量大、SOP 清晰、少人工判斷」的場景下手，因為「80% 的業務量，往往來自 20% 的應用場景」，再結合歷史資料降低猜測的成分。
商業模式也很有看頭。FDE 不按工時收費，工程師不必操心投資報酬率（ROI），一旦決定投入就全力把它做出來；專案大約兩到四個月上線，並用合約裡可量化的指標（客戶滿意度、通話時長、案例有沒有解決）當作「交棒閘門」，達標就撤離、把昂貴的專家循環到下一個案子。Cresta 甚至試過「倒貼」模式：即使客戶還沒付錢，也先派人進去把東西做出來，「就像送貨到府讓你試穿，放著了，你再想退也捨不得。」為了不必每次都找一個「又是 CEO 又是 CTO」的超人，Cresta 還把角色拆成顧技術的 FDE，與顧客戶關係的 FDPM（前線部署產品經理）。
六、一場混戰：模型公司、顧問業、私募基金全擠進來
FDE 之所以被各方搶，是因為模型公司、傳統顧問業、私募基金正同時湧入「幫企業落地 AI」這塊市場，彼此的邊界全糊掉了。 模型公司和應用公司的關係變得「亦敵亦友」：模型公司不見得想自己去三百六十行逐一落地（太耗人力），於是用收購（如 OpenAI 收 Tomoro）或綁定私募基金（PE）的方式，把 FDE 的能力外包出去——因為直接給投資人一個誘餌、承諾投資，比走冗長的軟體外包選商流程快得多。
私募為什麼這麼積極？長期和 PE 打交道的 Oliver 觀察到一個徹底的態度轉變：三年前客戶還在問「能不能來講講 AI 是怎麼運作的」，兩年前變成「幫我想想怎麼在投資組合裡推 AI」，今年則直接變成——
「我要去向 LP 募資，我必須證明我站在 AI 的最前沿。現在對 GP 來說，能不能展示 AI，已經關係到募資的存亡。」
— 前麥肯錫顧問、Invisible Technologies 企業業務副總 Oliver
於是出現了主持人口中的「AI roll-up（AI 整併）時代」：表面上投資人在收購公司，實際上買的是這些公司的工作流，再改造成 AI 原生公司。那顧問業會被取代嗎？Oliver 認為不會，未來三到五年反而會成長，因為每家企業談 AI 都得重新思考商業模式；但他區分兩種顧問——只「聊怎麼轉型」的，和「做完就走、留下一套改造好業務」的，後者才真正創造價值。
七、AI 不是來「降本」，是來「創造收入」
這集訪談裡最反直覺的一個觀點來自 Oliver：把 AI 只當成降低成本的工具，是最常見的錯誤——它真正的槓桿，在於創造收入、做過去做不到的事。 他有一個很好用的提問框架，常拿來問客戶：
「如果現在免費給你一萬個受過大學教育的員工，你會做什麼？你過去想做、但做不了的事情是什麼？」
— 前麥肯錫顧問、Invisible Technologies 企業業務副總 Oliver
順著這個問題，AI 創造價值最大的地方，往往不是軟體公司，而是工業、製造、醫療、商業服務這些過去軟體幫不上忙的傳統行業。但要真的走到「創造收入」，得先把 AI 用對地方。Oliver 的核心方法論，是把工作流按風險拆成三段——一個十步驟的流程，可能有五步必須是確定性的（牽涉數學計算、合規，不能出錯，就該硬編碼）、三四步可以交給 AI（允許彈性）、剩下兩步需要人工審核：
「判斷哪些步驟必須確定、哪些可以交給 AI、哪些需要人工審核——這才是真正用 AI 改變業務的正確方式。」
— 前麥肯錫顧問、Invisible Technologies 企業業務副總 Oliver
順著這套思路，他點出企業導入 AI 的兩大坑，剛好互為鏡像：一是「什麼都想 AI 化」——但好的資料平台才是地基，AI 再聰明，沒有足夠的資訊就什麼都做不了；二是把「本該確定性的東西」（例如財務對帳）也丟給 AI，那種要的是確定的結果。
八、對台灣、對想把 AI 落地的人，這意味著什麼？
對想在台灣把 AI 真正落地的人來說，FDE 浪潮給的最大訊號是：稀缺的不再是「會用 AI」，而是「能把混亂的真實業務和 AI 之間那道鴻溝補起來」的人。 因為 FDE 的護城河，從來不是某個模型，而是「客戶的複雜性」。只要現實世界的混亂還在、AI 還不能完全自動化，缺口就一直在，就需要人來填。Jove 甚至說，假設真有一天 FDE 99% 都能被 AI 取代，「那時候我們擔心的也不是 FDE 這個職位，而是整個產業世界都已經不一樣了」。而且需求是往下沉、往外擴的：AI 讓小診所、個體戶也請得起便宜的、甚至永遠不到現場的遠端 FDE。
那麼人在這裡面剩下什麼價值？Jove 的說法是，當九成多的程式碼都是 AI 寫的時候，人更像是「AI 的觸手」：白天去跟客戶開會、吃飯、喝咖啡，拿到 AI 拿不到的線下資訊，晚上再把它變成 AI 的上下文。更重要的是判斷力——
「AI 可以幫你做這些看起來很全面的分析，但它不能幫你做決定。還是要人在裡面挑一個決定，然後你要為這個決定負責。」
— Cresta FDE 負責人 Jove
所以這波浪潮對台灣的知識工作者其實是友善的訊號。FDE 真正值錢的，是「強技術 × 對接客戶 × 在混亂中決斷」的綜合能力；而 AI 正把「技術」的門檻拉低，反而把「理解業務、做決定並負責」這些人的強項推到最前面。Jove 把 FDE 形容成一個「創業營」很貼切——它逼你同時練技術、跨行業認知、溝通與判斷，這些能力不管是接案、協助別人導入 AI 還是創業，都用得上。
說到底，把 AI 落地這件事，從來不是「換一個更聰明的模型」，而是「把人、資料、流程，和那台模型重新組裝成一套會運轉的工作流」。這正是 FDE 在做的事，也是任何一個想用 AI 把事情做成的人，真正該練的功夫。
重點回顧
如果這篇你只想記六句話：
- FDE 是迷你 CTO，不是駐點工程師：核心是讓 AI 在真實環境跑起來，並把經驗回饋去改產品。
- 爆紅是因為「模型不是產品」：價值高地正從模型層往應用層移動。
- 老職位、新規模化：源自 Palantir，靠 AI Coding 與技能包（skill）這次才真正放大。
- 方法論是三分法：把工作流拆成「確定性／AI／人工」，不是越多步驟交給 AI 越好。
- AI 是創造收入，不是降低成本：先問「如果有一萬個員工你會做什麼」。
- 人的價值在判斷與負責：AI 把技術門檻拉低，反而凸顯「理解業務、做決定」這些人的強項。
常見問題（FAQ）
Q：FDE 是什麼意思？
FDE 全名 Forward Deployed Engineer，中文常譯前線部署工程師，也有人稱 AI 落地官。它指的是與客戶緊密合作、讓 AI 應用在真實業務環境真正跑起來，並把現場經驗回饋去改進產品的工程師。
Q：FDE 和一般 AI 工程師有什麼不同？
一般 AI 工程師多半專注把模型與程式寫好；FDE 更像迷你 CTO，要同時搞定技術落地、與客戶 CTO 共創、釐清混亂需求，並把落地經驗帶回去改產品。技術只是門檻，對接客戶與判斷力才是關鍵差異。
Q：FDE 會被 AI 取代嗎？
短期不會。受訪者認為 FDE 被 AI 化的路還很長，因為它的護城河是客戶的複雜性：只要真實業務的混亂與不可完全自動化的缺口還在，就需要人來填。工具會先讓單人帶更多專案，而非讓職位消失。
Q：想成為 FDE 需要什麼能力？
需要三項能力：扎實的工程底子並熟練 AI 代理開發、能直接對接客戶高層並把複雜問題講清楚的溝通力，以及在文件混亂、API 不可靠環境中自主決斷的韌性。受訪團隊明確表示不收初級。
本文方法與案例為本人實作，草稿由 AI 協助整理。