文丨赵芮
编辑丨张雨忻
老板的 " 许愿池 "
" 你知道马斯克怎么管理员工吗？" 听到这句拷问，胡芯兰感觉不妙。
对面的这位老板，来自一家重工业企业，员工规模过万。在社交媒体上，老板看到过马斯克用 Agent 代替真人员工工作的新闻，不禁燃起同样的念头。他对胡芯兰直言不讳：" 能不能帮我把整个信息化部门都裁掉？我每天就跟 Agent 沟通。"
在胡芯兰接触的大量老板中，关于 " 裁员 " 的愿望普遍存在。他们来自金融、制造、互联网等不同行业，公司规模从几百人到上万不等。有的试探性地递来话头：" 你觉不觉得，我们公司的人员有些冗余？" 有的则抛出终极问题：" 最多能裁员多少？" 这位效仿马斯克的，是她遇到的最激进的一位。
还有一些老板，虽没明说裁员，但却希望 AI 能监控员工的一举一动。" 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。"
胡芯兰心里清楚，提出这种需求的老板，只是暂时还没把裁员摆在明面上，他们希望先收集到足够多的人效数据，再 " 尽量精准地裁员 "，以免 " 裁员裁到大动脉 "。
日常总在跟 " 裁员 " 需求打交道的胡芯兰，做的并不是人力资源，她的工作，是时下 AI 圈最流行的工种之一—— FDE，即前线（前沿）部署工程师。
眼下，AI 的发展速度惊人：模型迭代极快，应用发布层出不穷，创业公司融资不见降速。但这份速度和热度，却没有被成功同步到那些希望 AI 来提升效率，革新生产的企业中。埃森哲曾调研了七个行业的 163 家中国企业，结果显示仅 9% 的企业从 AI 应用中实现了生产效率、收入和利润的提升。
FDE 这一职业正是从这种 " 技术发展与技术落地之间的落差 " 中长出来的。它最早由硅谷公司 Palantir 提出，后被 OpenAI 和 Anthropic 发扬光大，并在 2026 年乘着风从从硅谷来到了中国。这个工作像是 AI 与企业中间的一座桥，FDE 在客户公司驻场，深入了解客户的业务需求，再针对性地给他们落地大模型、Agent 等 AI 能力，以此缩短 AI 与真实工作场景间的差距。
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。
一次，胡芯兰在会上向不同行业的客户介绍公司的 AI 产品，一位老板忽然接过话头，声情并茂地描述起 AI 对人类的重大意义：" 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。"
话音落下，全场没人说话。胡芯兰努力进行表情管理后，进行控场：" 这就需要从长计议了。" 随后她匆匆结束会议，这才没让需求从工作提效跨越到改造人类生命。
FDE 创业者朱莉也有类似的困扰。她不久前收到一位电商客户甩来一个叫 "AI CMO" 产品的宣传片：只要输入公司网站，产品即可实现从文案、运营到投放的全流程营销工作，过程丝滑。宣传片配乐燃动，而老板的态度比片子更燃：" 如果能实现，我愿意高价购买！"
朱莉心头一紧，" 没想到 AI 公司画的饼，如今竟要我来实现。" 她心里清楚，只给 AI 看一个公司网站上的信息，它必不可能实现宣传片里的效果，" 能自动发广告，但没法保证发给用户的是有价值的信息。"
这正是另一种错配带来的尴尬：企业老板不清楚自己真正需要的是什么，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。
实际上，这些 " 愿望 " 背后，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。
不只企业老板，在 AI 的另一头，那些拥有技术和产品的 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。三家大厂把战火都烧向了 AI 办公入口，但实际上，办公 Agent 的功能并没有太大差异，技术上也缺乏壁垒。怎样让客户选择自己，成了大厂们眼下最头疼的事情之一。
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 的市场先发优势，他的方式是先给企业免费使用额度，再派更多的人做 FDE。" 现在就是比谁更舍得下注，公司里不少技术、售前等员工都转岗去做 FDE 了，百炼（阿里云 MaaS 平台）这类战略地位强的产品还有专门的 FDE 团队。"
Workbuddy 最近也建立了自己的 FDE 团队，腾讯一位售前经理本身不愿意让团队做 FDE 的工作，但因为担心客户被竞对撬走，也选择了这样的方式 " 熬住 " 客户。
大厂想用 FDE 争抢市场，中小企业想让 FDE 把 AI 转化成真实效率。焦灼的两边，正在同时对 FDE 下注。
而 FDE 面临的难题并非 AI 时代独有，它不过是 20 年前 SaaS 时代的一次重演。棘手的是，当技术能接手的工作更多，技术与落地之间的鸿沟也会更大。
似乎，过去的难题，正在以更复杂的方式重现。
裁员阴影下的拉锯
面对客户的许愿，胡芯兰从不拒绝，而是用 " 魔法打败魔法 "。
对于那位想效仿马斯克的客户，胡芯兰先是诚恳点头，随后沿着对方的逻辑推演：" 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？" 老板迟疑片刻，胡芯兰持续加码：" 而且员工一旦使用其他工具，您就拿不到上下文了。"
如果道理不足以让对方冷静，胡芯兰会拿出杀手锏：" 这样实现下来，每天 Token 费用可能要花到一万美金。"这句话后，客户瞬间冷静。胡芯兰知道，是时候聊现实方案了。
胡芯兰所在的公司规模不大，她做 FDE 的同时还承担着销售工作，为了争取订单，她没有太多立场去争论，而是需要用客户可接受的方式让对方明白 " 不是不行，只是目前不适合你 "。
林凌是一家头部大厂的 FDE，这半年，她发现客户对 AI 项目的工期要求逐渐缩短。原先以年为单位的项目交付期不复存在。四个月的交付期，客户常开口压到三个月。而随着项目 deadline 临近，客户希望实现的新想法也会越多。针对这些，她不会全盘满足，而是翻出最初的邮件和合同，逐条核对当初说好了什么，" 就像情侣吵架时翻聊天记录 "。
相比小创业公司，大厂在客户面前的确更有拿捏之术：客户通常已经绑定了自家的云服务，迁移成本较大，所以不会轻易取消合作。在被客户气的上头时，林凌总是提醒自己：老夫老妻了，还能离咋的？
而在跟老板对齐了预期之后，FDE 又遇到了新的困难：老板对 AI 的急切难以被员工共情。
潘科霖是一家汽车零件厂的厂二代，困扰于工厂的低效，他尝试用 AI 帮忙改造。起初，他每做一款 AI 工具，都会先把方案发进微信群，再叫来十几个部门负责人，开会征求意见，但会议通常走向两个极端，" 要么没有问题，要么全是问题 "。
有时，员工纷纷点头，" 没问题，都听领导的。" 但等到真正落地执行，问题便从各处冒出：有人忙着解释这会如何增加工作量和难度，有人说资源不够、部门配合难，甚至搬出家中难处，总之 " 实在难以推进 "。
成为厂二代之前，潘科霖没上过班，" 不懂职场 "。在几次会议后，他逐渐意识到老板和员工的视角差异：老板关心公司的效率和营收，而员工关心否会增加工作，是否要承担更多责任，更直接的是，是否会因 AI 而遭遇裁员。
在成为 FDE 之前，胡芯兰没有料到：" 比做 AI 工具更难的，是跟老板、员工间的人性博弈。"
在请求客户的技术人员配合时，胡芯兰常常碰壁。第一次去到研发部门，她询问大家有什么需要 AI 提效的需求，研发各自盯着电脑屏幕，只有键盘的啪啪声回应。两分钟过去，最边上的员工回了一句：最近工作很多，没时间迁移工具。
后来在需求对接会上，研发犀利提问：" 你们这个产品有 Claude Code 好用吗，换了以后工作进度如何保证？" 胡芯兰很快意识到，" 忙 " 更像是一个借口，更主要的原因可能是研发的 " 工具洁癖 "，他们在心里有自己认为好用的工具。
还有直接摆烂的。一次，胡芯兰提出为邻桌的 IT 员工提供免费的 Agent 席位，这位员工语气平静，回复到：不用，豆包挺好的。
如果 AI 提效的举措触碰到员工饭碗，就更是走进了死胡同。
朱莉曾服务一家小型银行，老板诉求明确：希望 AI 能优化贷款审批流程。
对此，朱莉需要先向一线业务员了解业务流程，做出运行试点，再拿着效果向业务经理争取预算。在贷款审批中，不同银行的风险偏好和计算口径不同，朱莉意识到这是比通用流程更关键的，而这高度依赖于人的经验。
但被朱莉找来询问经验的业务员似乎不愿配合：朱莉问的越急切、越具体，业务员的回应就越迟疑、越模糊。直到一句反问：" 你们做这个，到底是为了什么？" 朱莉这才意识到，她想要了解的是业务员在工作中最重要的知识壁垒，当试图让 AI 来优化这项工作，业务员瞬间产生了被裁员的恐惧。
后来，朱莉与这家公司员工之间的会议，开始被各类理由推脱。第一版 Agent 试跑出了错，朱莉发给一位业务员想请他指正，也始终没有收到对方的回复。
老板想拥抱 AI，但不了解业务；一线员工了解业务，但不想拥抱 AI；中层大多表现出支持，但前提是效果明显、且自己不用担风险。
揪扯在不同角色间，朱莉发现老板一句 " 支持 AI" 远远不够。这其中最大的矛盾在于：想用 AI 替代人的老板，恰恰需要那些可被替代的员工，先教会 AI" 如何工作 "。
还 " 债 "
FDE 创业者 Edison 给客户接入 Agent 后的第一天，就收到近 300 条报错信息。
他的客户是一家服装制造公司，公司老板过去每天查看生产信息，都需要花费至少两小时的时间。工厂的所有生产信息都被统计在一张巨大的 Excel 表上，百款服装的所有订单排成行，面料、拉链、吊牌等不同环节的生产情况分布成列，由数十位产线负责人共同更新维护。
工厂虽有 ERP 系统，但只记录最基本的静态数据：产品类型、客户、金额、交付时间。实际生成中会涉及到的数据，比如上述生产信息，都不在这个系统里。这些数据往往细碎多变，且散落在不同部门的本地 Excel 表、聊天记录和人脑中。
Edison 原本打算在这张 Excel 表格上接入 Agent，帮老板识别生产风险。结果，由于负责人们总是无法及时维护好这个表格，导致 Agent 不断拉响警报。员工忙碌时，没第一时间更新，AI 判为订单将延期；字少了一个空格，AI 判为生产异常 ...... 人类能理解的变通，到了 AI 这里全部被视为问题。
让 AI 进入企业的核心生产 / 工作流程，关键之一是拥有可随时调用的数据。但对不少企业来说，这是埋藏已久的旧债。
刚用 AI 改造工厂时，潘科霖也发现工厂到处是数据漏洞。比如，十个车间就有十套日报表，大家写法各不相同。而记录方式不统一，跨车间的信息汇总就低效，后续的排产等一系列环节也随之变慢。当 AI 介入，别说提效，甚至难以准确读懂这些信息。
于是，企业原本设想的 AI 提效被卡住，变成了 " 还债 " ——退回到 " 数据清洗和治理 " 环节。
对于潘科霖来说，就是从源头开始重新梳理日报记录的标准。他把十个版本摊在一起逐项比较，一边问车间负责人，一边和 AI 讨论，花两周时间重新整理出车间日报的记录规范。而这项工作也只是开始，" 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 感到惊讶的是，在考虑接入 AI 之前，大量企业压根没觉得 " 不规范的数据 " 是个问题。
阿里云一位 FDE 告诉 36 氪，在快速发展的阶段，大部分的公司管理者的注意力都围着业务增长转，过去部门漏报信息，系统少开发一个功能，这种瑕疵并不妨碍公司赚钱，久而久之就搁置了。
但如今他们寄希望于 AI 能带来新的效率和增长，过去这些不影响营收的 " 小毛病 "，都成了要先跨过去的槛。
" 这不是豆包 "
第一个月的月末对账，胡芯兰的客户被 Token 账单吓了一跳。一家一两百人的公司，月 Token 消耗达到几十万元。
查完后台数据，胡芯兰很快找到原因：员工虽然用上了 Agent，习惯却还停留在 " 跟豆包聊天 " 的阶段。比如，每一步任务，都重新开一个对话框，然后上传大文件、复述公司背景和业务规则等，相同的信息被模型反复读取，Token 也在一次次重复的上下文中被迅速消耗。
正确的做法，是把日常需要被反复执行的工作写成 Skills，把长期不变的资料放进知识库，Agent 每次工作，只读取与当前任务有关的信息即可。
胡芯兰一再跟客户公司的员工强调，" 这不是豆包 "，但收效甚微。后来她意识到，杂乱无章的对话背后，是因为大家没有系统地梳理过自己的工作流。
每周二到周五，胡芯兰都会待在客户公司。她办公的那间大会议室像一个临时的 "AI 门诊 "。不同部门的员工一拨拨涌入，带着工作问题，询问胡芯兰可以用什么样的 Skills 解决。一天接待二十人以上是常态，有时忙到快下班，门外仍有人等候。
问题在于，来找胡芯兰的大部分人，都说不清楚到底希望 AI 在工作的哪一环节帮助自己。
比如，一位数据分析员工曾找到胡芯兰，希望做一个 " 数据分析 Skill"。这个词，囊括了取数、清洗、统计、分析和写报告的整个工作流，为了弄清工作具体卡在哪里，胡芯兰只能让他把一天的工作 " 倒放 "：数据从哪里拿，拿到后先做什么，什么数字需要判断，最后怎样交付 ......
几轮追问后，才发现员工只是想摆脱数据分析完后还要按一套固定格式输出报告这件事，她长呼一口气，" 告诉对方：这叫把数据填进报告的 Skill。"
胡芯兰发现，工作中的前提、步骤、检验标准等，已经在员工的日日重复中形成一种行为惯性，在做每一步之前，他们不会清晰地意识到自己在做哪一步。但 Agent 不接受 " 含糊 "，它无法在含糊不清的描述里完成工作。
这个问题也启发了朱莉改变创业思路，她认为在现阶段，企业的第一项需求不是直接做 Agent，而是先找出 " 哪些工作值得被 AI 提效 "。
她跟团队开发了一个比较原始的试验产品：软件运行在员工电脑上，每隔几秒截取一次屏幕，分析员工最耗时的任务和重复的流程，帮助老板发现没被说清楚的 AI 提效机会。
而比拆解工作流更麻烦的是，把员工工作里的关键技能 " 蒸馏 " 给 Agent。
阿里瓴羊曾为某头部电动车品牌做一个 AI 客服项目。对方希望 AI 先听懂用户的问题，能回答的直接回答，处理不了再转给人工。但团队发现客服每天面对大量随机状况，该不该转人工、转给谁，后续又怎样处理，这些判断都藏在客服的经验里，没有可以让 Agent 立刻可以学习的现成资料。
后来，阿里瓴羊派了工作人员去现场，戴上客服耳机，挨着一线员工坐了近两个月，观察他们如何处理不同的用户诉求——产品 demo 两三天就能做出来，但为了让它真的好用，团队却花了几个月做了将近 100 场调研。
算不清的账
前阵子，某大厂 FDE 姜瀚接到了一个为 App 开发 AI 助手的需求，看似简单，但实际上每项功能都要连接一套内部系统，而每套系统又对应不同的接口权限和安全要求，这导致他和团队最后做了二十多个业务 Agent，每个 Agent 背后，是数不清的访谈、协调和等待。
过去，一名 B 端售前可以同时服务 5-8 个客户，但 FDE 式的交付需要长期进入企业，理解流程、协调部门、连接系统，每个人同时能服务 1-2 个客户已属不易。AI 倒是离客户的业务更近了，但人效大大降低。
而做这些，也是迫于大厂 AI 的商业化竞争压力—— AI 对企业真正 " 有用 "，才能带动 MaaS、甚至多云服务的收入。
现在在姜瀚眼中，FDE 像是一个赌注。在项目开始前，他会先算算客户身后有多少云、GPU 和其他产品订单可以被撬动。遇到值得 " 下注 " 的客户，才会派人免费或低价做 FDE 交付。
有一次，姜瀚对接一家连锁企业。在跟客户朝夕相处的过程中，他们决定后续将云服务也迁移至姜瀚所在的大厂，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 服务立刻回本。
但另一个例子是，姜瀚曾花费很大精力帮客户部署 Agent，结果客户公司的员工却只在简单办公上浅浅使用，半年下来只有 50 万左右的 Token 消耗。这笔收入甚至无法覆盖姜瀚团队的人力成本。
身为创业者的 Edison 更是经常怀疑自己的工作是否值得。
由于客户公司数字化程度很低，Edison 让客户首先转入飞书工作，把原本散落在员工微信、Excel 里的数据先沉淀到飞书里。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，而这一切动作带来的收入最后都流向了字节。
这个过程，让 Edison 感觉自己像飞书免费的外包。
FDE 们还逐渐意识到，理想中的 "AI 提效 " 实际上是一场漫长的 "AI 布道 "，需要不断向客户普及 AI 知识、安利新的工作模式，才能逐渐推动转变。这都是工作中的 " 隐性成本 "。
后来，有人改变了最初带着 PPT 给员工推荐 AI 的策略，变成 " 靠吸引 "。比如不经意向客户员工提到自己的工作已经 "90%AI 化 "，等对方好奇再介绍 Agent。为了鼓励员工适应 AI，潘科霖也换了种办法。他告诉员工 Agent 能辅导孩子学习，教孩子写作业，参与者明显多了。
AI 实施落地的价值究竟应该如何被衡量，现在还是一笔算不清楚的账。
一位大厂 FDE 告诉 36 氪，他的客户很高兴地表示，购买自己公司的 AI 编程工具后，开发团队从 140 人减少到 100 人了，" 客户花钱买 AI，要么想看到更多产出，要么想看到成本下降——如果不能用同样的人创造更多收入，那就用更少的钱来完成同样的工作。"
FDE 常被称为 AI 落地的 " 最后一公里 "，但这一公里走出去了多少，以及走完后能给企业带来多少实际的收益，都是未知。
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）
本文来自微信公众号"36 氪 "，作者：赵芮，36 氪经授权发布。
