过去两年可以发现对AI的关注点随着AI的能力的升级也在发生变化。最初大家关心的是模型能力能不能写代码、能不能分析数据、能不能调用工具、Agent能不能完成更长的任务。随着模型能力持续提升真正制约AI进入企业的矛盾却越来越清楚——一个通用模型怎样真正进入一家具体企业理解它的数据、流程、系统、权限和业务规则并最终形成稳定、可验收、能够持续产生结果的生产系统FDE Frontier最近发布的《全球FDE发展研究报告》把这种变化概括为从“能力展示”走向“工业价值”。报告认为大众关心的已经不止是能否获得人工智能而是如何让通用模型进入真实业务连接行业知识、企业数据、既有系统与组织责任。FDE也就是 Forward Deployed Engineer正是在这一背景下受到关注。报告将其定义为直接进入真实业务环境根据现场信息形成需求规格和验收指标把系统交付到生产环境并根据运行结果持续迭代、对实际结果负责的角色。如果只把FDE理解成一种新的工程师岗位可能低估了它背后的变化。真正值得关注的是AI正在降低“实现”的成本也因此重新定义工业软件的经济模型、工程组织方式以及AI规模化落地的方法。一、AI正在让“深度定制”重新变得划算工业软件长期存在一个很难解决的矛盾标准化软件和SaaS成本较低、部署速度快但它们必须围绕大量客户的共性需求设计。越深入一家企业内部客户结构、业务流程、审批规则、历史系统、数据质量、权限体系和异常情况就越不同标准产品越难完全覆盖。传统咨询、系统集成和定制开发可以解决这些差异但代价也很明显。一个复杂项目往往需要业务人员、咨询顾问、产品经理、架构师、软件工程师、实施团队和运维人员共同参与。业务需求需要被不断翻译人员越多、链路越长项目周期和固定成本也越高。企业完全自建团队虽然最了解自身业务却又需要长期承担开发、平台、安全、部署和运维成本。因此大量企业尤其是中小企业长期处于一个尴尬区域标准产品不够合身重型定制负担太大自建团队又缺乏经济基础。AI智能体正在改变这个平衡。代码生成、资料处理、系统配置、原型构建、测试辅助和版本修改等过去需要大量工程师投入的工作越来越多可以由Coding Agent和其他智能体参与完成。这使单个FDE能够调动的工程执行能力明显扩大同时降低企业定制化系统的启动成本和迭代成本。但真正值得关注的不只是“开发更快”。如果把企业定制的经济逻辑拆开可以看到三个变量正在同时变化AI降低第一次实现的成本FDE减少业务与技术之间反复交接带来的认知损耗而项目中不断沉淀的行业资产又降低下一次交付的成本。三者共同作用使过去因为预算过小、需求过细或者变化太快而无法获得定制软件的企业开始进入可服务范围。这可能是AI给工业软件带来的一个重要变化过去的问题是“这个需求值不值得专门开发”未来越来越多的问题可能变成“可以快速做出来而且值得持续迭代”。因此AI并不一定意味着所有软件都会变得越来越标准化。相反更可能形成一种新的分工底层模型和基础平台越来越通用最后一公里的软件越来越贴近具体行业和具体业务。二、Agent越强为什么反而越需要FDE如果Agent已经能够写代码、查资料、调用API、操作软件未来甚至能够跨系统连续完成任务为什么还需要一个FDE因为Agent解决的主要是执行能力问题但AI落地中最困难的很多问题从来都不是执行问题。一个Agent可以帮你分析设备报警但它不知道什么异常值得停机可以根据订单和产能生成排产方案但不知道交付、换线、库存、良率和客户优先级之间应该如何取舍它可以调用MES、ERP和WMS却不能天然知道某个操作是否符合企业的权限边界。模型还可以快速写出一个系统却不能自动决定这是不是企业真正值得解决的问题什么指标达到什么程度才算项目成功哪些业务规则必须保留哪些流程应该重构哪些操作Agent可以自动执行哪些必须由人审批系统上线后出现新的异常到底应该改模型、改流程、改数据还是改系统这些问题的共同特点是它们需要现实判断和结果责任。因此《全球FDE发展研究报告》提出了一个很值得关注的生产组织方式首席FDE 副手FDE Agent 专业生产工程。其中Agent承担资料处理、原型、编码、测试等可编排执行工作专业生产工程负责复杂集成、安全、部署、可观测性、回滚和运维FDE则保持对业务问题、系统整体设计、重大取舍和最终结果的连续认知。报告特别强调智能体可以成为执行主体却不能成为责任主体最终裁决、独立复核和生产工程边界仍然必须落实到明确的人。如果再抽象一步可以把AI时代的人机分工理解成FDE负责“What、Why、Boundary、Success”Agent负责“How”Production Engineering负责“Stable Safe”。这可能比简单讨论“Agent会不会替代程序员”更接近AI进入工作之后真正发生的变化。过去开发本身很慢一次错误判断的影响可能经过数周甚至数月才会显现。未来Agent一天可以完成过去多人多天的执行工作这意味着正确判断可以被迅速放大错误判断同样可以被迅速放大。因此执行能力越强越需要一个稳定的认知和责任中心。三、从这两个变化可以看到AI落地正在发生三个趋势FDE的出现不只是一个招聘市场出现的新职位它背后实际上反映了AI价值链正在发生变化。第一个变化是AI竞争正在从Model进一步延伸到Deployment。模型仍然重要但当通用模型能力不断提升以后越来越多企业面对的核心问题不再是“AI能不能做到”而是“AI怎样进入我的业务”。真正的生产环境里还有数据质量、历史系统、组织流程、权限、安全、人工接管、异常处理、验收指标和持续运营。数字化阶段的软件更多承担记录、连接和管理业务的作用而进入智能化以后软件开始进一步理解信息、作出判断、调用工具并参与执行。这意味着智能化并不是把模型简单接到所有岗位而是要重新组织数据、流程、人员和软件之间的关系。因此未来很可能出现一个越来越明显的趋势Model越来越通用Deployment越来越专业。第二个变化是AI正在显著扩大一个人的工程杠杆。过去一个非常懂行业的人未必能够把自己的判断变成完整的软件系统一个非常优秀的软件工程师又未必能够真正理解制造、金融、能源或者医疗现场的复杂约束。Agent正在补上中间大量执行劳动。未来衡量一个人的工程生产力可能不再只是“他能写多少代码”而越来越变成他能够调动多少AI和工程能力把一个真实业务问题完整地解决。这也是FDE和传统协调型角色最大的差别之一。它不是简单地把任务分配给其他人而是持续维护业务问题、系统设计、验收标准和生产结果之间的联系。AI放大的不仅是代码生产能力更是高质量判断的杠杆率。第三个变化则是企业AI的长期壁垒正在从单纯的模型能力进一步延伸到行业资产。模型本身会不断升级也可能被更换。但是一个真实项目中积累下来的Business Object、行业知识、Workflow、System Connector、Evaluation Set、Agent Skill、Permission Model和Exception Case并不会因为底层模型发生变化就失去价值。恰恰相反模型越通用这些资产的重要性越高。因为模型回答的是理论上我能做什么。而行业资产真正回答的是进入这家企业以后我应该知道什么、允许做什么、能够调用什么以及怎样判断自己做对了。这也是为什么FDE真正的终局并不应该是不断增加项目和人手而是建立新的规模化机制。四、为什么说制造业尤其值得关注FDE原因在于制造业大量真正决定生产结果的知识并没有天然以结构化数据的方式存在。它们可能存在于工程师经验里也可能存在于SOP、工艺参数、设备控制逻辑、MES、ERP、WMS、质量记录、维护日志、班组习惯和异常处理规则中。例如一个设备Agent可以读取报警信息、历史日志和实时参数也可以通过模型快速完成初步根因分析。但如果真的要进入生产它还需要理解更多现实问题这个Alarm是否足以触发停机参数允许调整的上下限是什么调参以后是否会影响良率和设备寿命哪些动作可以自动执行哪些必须经过设备工程师审批执行以后用什么数据证明问题已经解决这些不是单纯增加一个大模型就能解决的问题。它要求行业专家、AI、信息系统、自动化系统以及生产工程能力真正进入同一个闭环。报告在制造业案例中也指出很多行业知识需要从ERP、Excel、历史订单和现场记录中反推业务对象、字段、规则与例外而数据是否可用、负责人是否授权以及现场人员能否持续解释业务过程都会直接影响行业知识能否进入系统。从这个意义上说制造业可能是最能够体现FDE价值的行业之一。为什么这么说一方面拥有完整而复杂的制造场景。产品开发、生产制造、质量、设备、物流、供应链和能源管理中都存在大量可以用真实生产指标检验的AI问题。这里不是为AI寻找Demo而是有大量业务问题天然等待新的解决方式。另一方面制造现场每天都会产生大量“问题—判断—行动—结果”的真实反馈。设备为什么停机、工程师采用了什么处理方法、某个参数为什么调整、质量异常怎样闭环这些信息对于未来Agent的Evaluation、Skill以及持续学习比单纯增加数据量更有价值。同时长期的软件、数字化、自动化和制造工程积累意味着很多AI项目不需要从零开始建设数字基础而可以站在已有MES、ERP、IoT、设备系统和自动化体系之上继续让AI进入过去主要依赖人工判断的环节。更重要的是制造业本身拥有大量行业专家。未来制造业真正适合FDE逻辑的人不一定全部来自传统软件开发岗位。工艺工程师、质量专家、设备专家、自动化工程师、供应链专家都可能成为重要的知识来源。他们真正需要补充的是如何把自己的专业判断进一步转化为可以被AI系统使用的Knowledge、Workflow、Evaluation和Agent Skill。因此对于制造业而言更值得讨论的可能是AI时代现有的行业专家、AI团队、软件工程、自动化和现场交付能力是否需要一种新的组织方式把它们从一次次项目协作变成一条连续责任链。真正需要关注的也不是Title而是有没有一个明确的角色或责任单元从真实制造问题出发持续维护“问题定义 → 行业知识 → AI构建 → 系统接入 → 生产运行 → 结果验收 → 反馈迭代 → 资产沉淀。”这条链一旦建立FDE所代表的就不再只是一个新岗位它更接近AI时代一种新的生产组织方式。AI负责不断降低实现成本Agent不断扩大执行能力行业专家提供对现实世界的理解生产工程保证系统安全稳定而FDE所代表的连续责任则把这些能力真正连接到业务结果。