咨询｜FDE 为什么突然火了？到底是咨询顾问、还是AI工程师更适合做FDE呢？

FDE 为什么突然火了？这段时间，FDE 这个词突然变得很热。

招聘市场在谈，AI 创业公司在谈，咨询行业也在谈。很多人会把它理解成一个新岗位，甚至把它看成 AI 时代最性感的职位之一：离客户近，离场景近，离结果近，日薪也高，想象空间也大。

来源 a16z

但如果只把 FDE 当成一个“岗位风口”，很容易看错它真正代表的东西。FDE 之所以突然被反复讨论，不是因为市场又发明了一个新 title，而是因为企业做 AI，已经开始进入一个比“讲故事、做 Demo、写方案”更深的阶段。这个阶段的核心问题不再是“知不知道 AI 很重要”，而是“谁能真正把 AI 带进业务现场，并把它做成结果”。而 FDE，正是在这个问题里被推到台前的。

最近在和不少咨询公司交流的过程中，一个感受非常明显：大家都开始焦虑“AI 到底能做什么”。这种焦虑有两层。第一层，是内部提效。顾问团队都在想，研究、访谈整理、方案起草、行业扫描、知识沉淀、交付协同，这些过去高度依赖人力密集完成的工作，今天能不能被 AI 重构。第二层，是外部售卖。也就是在给客户卖项目的时候，怎么把 AI 放进自己的解决方案里，不只是把它当作一个 buzzword，而是真正变成一个可卖、可交付、可验证价值的项目形态。

而恰恰是在这个过程中，很多咨询顾问其实已经半只脚踩进了 FDE 的世界。因为当顾问开始使用各种 AI 工具快速验证原来脑子里的假设，快速做原型、搭工作流、跑知识库、试 Agent、生成分析框架，再拿这些东西去和客户对话时，他做的已经不再只是传统意义上的咨询建议，而是开始进入“带着工具进入场景、边验证边推进结果”的交付逻辑。严格来说，这还不一定是成熟的 FDE，但它已经是 FDE 的早期形态。

与此同时，在 AI 应用公司和很多初创团队里，FDE 的意味就更强了。最近在奇绩论坛上能明显看到，大量所谓 AI 原生咨询，本质上都不是传统咨询公司那种“出报告、讲战略、给框架”的模式，而是以更强的场景共建、更强的产品化验证、更强的现场交付为核心。说得更直接一点，它们很多就是在用 FDE 的方式做交付：派能理解业务、理解 AI、理解产品的人，深入客户现场，快速共创、快速试错、快速形成闭环。

所以，今天大家都在学 FDE，并不是因为大家突然都想招一批驻场工程师，而是因为企业 AI 落地这件事，正在逼着所有人面对一个现实：未来真正有竞争力的，不是会讲 AI 的人，而是能把 AI 变成业务结果的人。

FDE 是怎么来的：为什么传统交付方式开始不够用了

FDE 的出现，并不是偶然。

企业面对 AI 这种新能力，很多时候根本说不清自己究竟要什么。 这不是企业不重视 AI，恰恰相反，很多 AI 项目反而是高层亲自推动、战略意义很高、汇报频率很高、预期也很高。但问题在于，越是这种高层挂帅的项目，越容易出现方向宏大、目标模糊、周期紧张、业务一线却没有准备好的情况。

这时候，传统的交付方式就开始显得不够用了。过去做数字化，很多项目还可以通过需求调研、方案设计、排期开发的方式来推进；但 AI 项目往往不是“需求已经存在，只待开发上线”，而是“需求本身还需要在现场被不断发现、不断修正、不断验证”。这意味着，企业真正需要的，不只是一个写代码的人，也不只是一个做 PPT 的顾问，而是一个能同时听懂战略语言、理解业务现场、看懂数据结构、判断技术路径，并且能把这些东西快速连起来的人。

FDE 更像一个被派到客户办公室里的 AI 产品创业者，而不是传统意义上的现场工程师。 这个定义之所以重要，是因为它点出了 FDE 和很多旧角色的本质区别。它不是单纯响应需求，也不是单纯做技术实现，而是在现场承担“把问题定义出来、把路径验证出来、把价值交付出来”的责任。FDE 的本质，是 AI 时代一种更贴近结果的新型交付者。

也正因为这样，FDE 不是从 HR 的 JD 里长出来的，它是从企业 AI 项目普遍存在的失败经验里长出来的。当远程对需求不够用，当 PPT 无法替代真实验证，当技术团队离业务太远、业务团队又离技术太远时，FDE 这种“夹在中间、扎到现场、对结果负责”的角色，就开始变得越来越重要。

为什么不是所有企业都适合 FDE

FDE 这套模式之所以值得认真讨论，恰恰是因为它不是一个普适答案。

现在很多人一听 FDE，就会下意识觉得这是“先进模式”，好像谁先学会、谁就站在了 AI 落地的前沿。但现实往往不是这样。真正懂这套模式的人，反而会很清楚：FDE 很强，但它也很贵、很重、很吃组织条件。如果前提不成立，FDE 最终很容易变成一个听上去很新、做起来却很老的东西——本质上只是更贵的人力驻场。

第一个前提，是平台化能力。原文里提到得非常明确：如果每个项目都从零开始做，每一次驻场都像重新搭一遍班子、重新拼一轮系统、重新写一套方案，那最后一定会退化成一次性 AI 外包，而不是可持续的 FDE 模式。 真正有效的 FDE，背后一定要有一个平台，或者至少有一个逐渐成形的平台化底座。这个底座未必要一开始就像 Palantir 那样完整，但它至少得支持业务对象建模、场景复用、模块沉淀、工作流抽象和能力回流。只有这样，一线现场打出来的成果，才不会随着项目结束而散掉，而会沉淀成下一次交付的基础设施。

第二个前提，是场景必须足够复杂，也足够值钱。FDE 不是为了所有项目准备的，它更适合那些高价值、跨部门、流程长、组织复杂、需要长期协同的 AI 场景。 如果一个客户只是想做个轻量 Demo，或者一个场景本身高度标准化、低客单价、低复杂度，那么重兵投入 FDE 往往是不经济的。FDE 之所以有价值，是因为它能够穿透复杂性，在高度不确定的环境里把 AI 推成结果。没有复杂性，它的优势发挥不出来；没有项目价值，它的成本也不成立。

第三个前提，是组织真的愿意授权给一线。FDE 的工作方式决定了它不可能完全靠层层审批来驱动。它需要在现场快速试错、快速调整、快速拉通资源。而这一切都建立在企业愿不愿意信任前线人员、愿不愿意把一部分判断权交给真正理解场景的人。 如果一家企业希望所谓 FDE 只是“更高级一点的执行机器”，那这套模式几乎一定跑不起来。因为 FDE 不是机械执行，它本质上是一种现场判断力。

所以，从这个角度看，现在很多企业谈 FDE，可能还谈得太早。不是它们不想要，而是它们还没有准备好。没有平台化能力、没有足够复杂的高价值场景、没有前线授权文化，FDE 很容易从“AI 落地的高级机制”变成“一个看上去很忙的驻场角色”。

FDE 最难的地方，不在技术，而在现场

外界一说起 FDE，往往马上想到的是技术：是不是很懂模型，是不是很会写代码，是不是很懂 Agent，是不是很会做 RAG。但几位真正在央企现场干过一年的人给出的答案很一致：难的从来不是技术本身，而是那些没人替你解的现场难题。

比如，高层想做 AI，但一线并不知道应该从哪个具体问题切入；数据不是没有，但散落在不同部门，各自有自己的顾虑和节奏，没有人愿意第一个把底牌摊开；很多问题表面上看是“上一个更好的模型就行”，但实际卡住项目的却是业务流程、口径定义、责任边界和协同关系。 这也是为什么很多人会误判 AI 落地：以为难点在技术选型，实际上最硬的骨头常常藏在组织内部。

更现实的一点是，客户交给 FDE 的，通常并不是一个全新的问题，而是一个他们自己拖了很多年都没真正解决的问题。 到了 AI 时代，这些旧问题被重新装进“智能化”的框架里，希望靠新技术找到新的突破口。于是 FDE 接手的，往往不是一个标准功能需求，而是一团带着历史包袱、组织惯性和利益摩擦的复杂难题。这也是为什么 FDE 需要很强的判断力：不是所有问题都值得马上上技术，不是所有场景都适合从 Agent 做起，不是所有需求都应该被原样满足。

很多人看到 FDE 的高光时刻，是它在台上讲一个很漂亮的落地案例；但真正决定成败的，往往是台下那些很琐碎、很辛苦、很高压的事情：清数据、搭原型、组织试用、反复迭代、跨部门协调、给高层写汇报、在高度不确定中硬把事情往前推。 从这个意义上讲，FDE 更像一个在复杂系统里持续推动变化的人，而不是一个单纯提供技术答案的人。

一个成功的 FDE，需要什么样的能力结构

也正因为 FDE 真正难的是现场，所以它需要的能力，不可能是单线程的。

从原文里的几位受访者总结来看，FDE 需要的是一种复合型能力结构，而不是某一项单点专长。 首先当然是业务理解能力。一个成熟的 FDE，不能只听客户怎么说，还要判断客户真正的问题是什么。很多需求只是表层表达，真正值得做的切口，往往藏在流程断点、数据缺口、协同摩擦和考核机制里。能不能看到这一层，决定了一个人是在“接需求”，还是在“定义问题”。

第二是产品化能力。FDE 不是写一份报告，也不是做一个一次性的概念验证，而是要把一个模糊诉求变成最小可用方案，再从最小可用方案逐步扩展成可持续运行的业务能力。 这要求他理解 MVP、知道如何分阶段推进、知道什么先验证、什么后建设，也知道怎么在不完美条件下做出一个可落地的第一步。

第三是技术判断力。注意，这里说的不是“会不会所有技术都自己写”，而是能不能对当前 AI 应用的技术结构有足够清楚的认知。RAG、Agent、工作流、模型边界、数据处理、工程落地路径，这些都需要有相当程度的理解。 因为到了现场，最重要的不是炫技，而是判断：这个场景应该用什么，不应该用什么，为什么。

第四是表达和汇报能力。这一点在很多大型企业里尤其重要。你不只是要把东西做出来，还要让高层、中层和一线分别理解你做了什么、为什么值得继续投入、接下来应该怎么配合。 很多技术型人才低估了这一点，但 FDE 之所以能推进项目，往往就推进在这类“讲清楚、拿资源、争支持”的能力上。

再往下走，才是那些真正决定上限的软素质：抗压、快速学习、面对混乱还能推进、能理解人、能判断组织气氛、能在模糊中找到动作路径。 这些能力听起来不性感，却决定了一个人到底能不能在 FDE 位置上站得住。

咨询顾问为什么最有可能转成 FDE，也最容易卡住

原因不难理解。很多咨询顾问本来就擅长理解客户、拆解问题、访谈沟通、组织项目、形成结构化表达，也具备较强的高层汇报能力。这些能力放在 FDE 角色里都非常有价值。 尤其在今天这个阶段，很多咨询团队已经在借助 AI 工具提升自身效率：快速生成访谈提纲，快速做行业扫描，快速整理会议纪要，快速生成分析框架，甚至直接用 AI 辅助搭建一些简单原型。这些动作本身，就已经让部分顾问从“只输出建议”开始转向“顺手验证方案”。

但咨询顾问要真正转成 FDE，也非常容易卡住。最常见的卡点有两个。

第一个卡点，是太擅长讲逻辑，却不够习惯做最小闭环。传统咨询强调逻辑完整、结构清晰、故事成立，这当然很重要；但 FDE 的世界更强调先跑起来、先验证、先找到可用的那一小段路径。很多顾问在这个环节会不适应，因为他习惯先把问题讲完整，再提出建议；而 FDE 常常需要在信息不完整的情况下，先把一个不完美但可运行的方案做出来，再边跑边修。

第二个卡点，是技术判断力不足。不是说顾问一定要变成资深工程师，但如果对今天 AI 应用的基本技术结构没有足够理解，就很容易把 AI 继续停留在概念层。 一旦到了客户现场，这种概念化表达很快会失效。客户不关心你知道多少热词，他只关心这件事能不能做、怎么做、风险在哪、多久见效。

所以，咨询顾问如果想转 FDE，真正要补的不是“会不会写一点代码”这么简单，而是三个更深的东西。第一，补产品化思维，从“提建议”转向“做闭环”。第二，补技术判断，从“知道 AI 很重要”转向“知道什么技术适合什么问题”。第三，补现场 owner 意识，从“我是外部顾问”转向“这个场景的推进结果与我有关”。

一旦完成这三个转变，咨询顾问就不只是更会用 AI 的顾问，而会变成 AI 时代真正稀缺的那类复合型交付者。

FDE 热背后，真正崛起的可能是 AI 原生咨询

FDE 热背后，其实正在长出一种新的服务形态：AI 原生咨询。它既不是传统咨询的简单升级版，也不是纯技术外包的另一种说法，而是一种把业务理解、产品方法、AI 能力和现场交付重新揉在一起的新型服务方式。

这也是为什么最近会看到越来越多 AI 应用公司、AI 开发团队、甚至很多早期创业公司，用一种很像“咨询 + 产品 + 工程 + 驻场共建”的方式去做客户交付。它们卖的不是单一软件，也不是纯粹方案，而是一个“陪你把场景做成”的过程。这个过程越往前走，就越需要 FDE 式的人。不是因为 FDE 这个词时髦，而是因为企业今天需要的，确实是这种兼具理解力、执行力和现场判断力的角色。

而对咨询行业来说，这也是一个很强的信号。未来真正有竞争力的咨询团队，可能不再只是会写框架、做报告、讲战略，而是能够深入场景、快速验证、共同建设、持续迭代。顾问不再只是提供观点的人，而会越来越多地成为推动系统落地的人。谁能完成这个转型，谁就更有可能在下一阶段的 AI 服务市场里建立真正差异化。

来源：网络；寻找FDE的十大公司以及平均薪资

正在寻找真正想做这件事的人

在持续探索 AI 原生咨询的过程中，也越来越强烈地感受到：真正稀缺的，不是知道 FDE 这个词的人，而是愿意进入真实场景、理解复杂业务、把 AI 真正做成结果的人。

这样的角色，可能来自咨询，可能来自产品，可能来自解决方案，可能来自工程，也可能来自创业一线。重要的不是你现在的 title，而是你是否对复杂问题有耐心，对 AI 落地有热情，对复合型成长有长期投入的意愿。因为 FDE 这条路，注定不是一个靠热词和短期套利就能走通的方向，它更像一种长期训练出来的现场能力。

如果对 FDE、企业 AI 落地，或者 AI 原生咨询这条路径有兴趣，欢迎通过邮箱留言，并附上个人介绍。介绍里可以简单写一写自己的背景、目前在做的事、对 FDE 或 AI 原生咨询的理解，以及为什么想加入这个社群。

这件事刚刚开始。真正值得同行的人，也值得更早遇见。