# 企业 AI 转型，为什么离不开 FDE（前线部署工程师）？ > 95% 的企业 AI 落地失败，剩下 5% 靠什么？拆解 OpenAI FDE 负责人 Colin Jarvis 的打法：想清楚赚服务费还是产品钱、吞下痛苦排出产品、避免过早泛化，以及 Klarna 和摩根士丹利的案例——真正难的是数据那一层。 EN: Why Enterprise AI Transformation Needs FDEs (Forward Deployed Engineers) > 95% of enterprise AI projects fail — what do the other 5% do? Unpacking the playbook of OpenAI FDE lead Colin Jarvis: decide whether you earn service fees or product revenue, eat pain and excrete product, avoid premature generalisation, and the Klarna and Morgan Stanley cases — the hard part is the data layer. 作者：yanglaiyang（Vega二向箔）｜日期：2026-09-21｜分类：AI 落地 原文：https://mp.weixin.qq.com/s/XKzhDFQq0Hd2X-mxU_407w 先说个你可能听过的数据。 有一项 MIT 的研究，说 95% 的企业，AI 落地都失败了。 95%。这意味着什么？意味着今天办公室里，几乎每一家喊着“我们要做 AI 转型”的公司，最后都卡在了同一个地方——模型很聪明，但就是落不到业务里。 那剩下的 5% 是怎么成的？ OpenAI 前线部署工程师（Forward Deployed Engineering，简称 FDE）的负责人 Colin Jarvis，在一个访谈里，把这个谜底给拆了。FDE，就是 OpenAI 专治企业 AI 转型落地的那支团队。 今天，我把他的答案，讲给你听。 ## 一、先想清楚一件事：你赚的，是服务费，还是产品的钱？ Colin 给创业者的第一个建议，不是怎么招人，不是怎么搭技术栈。是一个问题。 他说，你组建这样一支团队之前，必须先想清楚一件事：这支团队，是来赚服务费的，还是来赌产品变现的？ 这两条路，看起来都能赚钱，但方向是反的。 赚服务费，是你派一队人进去，帮客户干项目，干完收钱。钱来得快，但每一分钱，都要用人堆出来。 赌产品变现，是你派一队人进去，死磕客户的真实问题，然后把这个问题的解法，沉淀成一个能卖给下一个客户、下下个客户的产品。 他说，他见过太多咨询公司，死就死在这。嘴里说的是“我们最终要做产品公司”，身体却很诚实——短期服务费的钱一到账，整个团队就被拽过去了。做着做着，战略没了，人也散了。 所以 OpenAI 的做法是什么？**在最难的时候，学会说不。**哪怕有人拿着大把的钱，来找你做一件“不战略”的事，你也要顶住。 这句话，听着像鸡汤。但它是 FDE 团队能活下来的第一块基石。 ## 二、FDE 的本质：吞下痛苦，排出产品 前置部署工程，这个词怎么理解？ 主持人问了个更狠的。他说，我以前的老板、Palantir 的 Sham Sankar，给这个岗位下过一个定义：“前置部署工程师的工作，就是吞下痛苦，排出产品。”英文更绝：**eat pain, excrete product**。 你品品这句话。痛苦是什么？是客户那些又脏又难、没人愿意碰的具体问题。排出来的产品，才是能反复卖的东西。 所以你会发现，OpenAI 这支团队，干的事情特别“笨”。他们不追热点，不铺摊子。他们就挑那些高价值的问题——帮客户省下或创造几千万、甚至上亿美金的问题——然后一头扎进去。 扎进去干嘛？不是做一锤子买卖。是看看这个问题里，能不能长出一个可复用的东西来。 先做一个项目，可能只有 20% 的东西能复用。没关系。再做两三个，把它提到 50%。然后，交给规模化团队，到市场里批量复制。 这就是从 0 到 1，再到 N 的打法。 ## 三、最大的坑：过早泛化 听起来不难，对吧？但 Colin 说，这一年他们踩过最大的坑，恰恰是反着来。叫：**过早泛化**。 什么意思？因为你手里有 ChatGPT。你太容易产生一个幻觉：某个功能，放在 ChatGPT 里挺好用，那它一定是个“能卖给所有企业的通用方案”。于是你跳过了 0 到 1，直接拿着一个“高概念”的产品，满世界找问题去套。 结果呢？几乎没有一个成功。 他说，现在的 LLM 生态里，有太多这种“高概念、但没解决任何明确问题”的方案了。 反过来，他观察到一个规律：只要你死磕一个客户的具体问题，几乎每一次，最后都能长出一个可泛化的东西来。 所以他们的团队，有一句座右铭，来自 Paul Graham：“Do things that don't scale。”先做那些不规模化的事。 这句话，其实藏着 FDE 全部的方法论。 ## 四、两个案例：Klarna 和摩根士丹利 光讲道理，你可能没感觉。讲两个真事。 **先看 Klarna。**欧洲一家金融科技公司，你可能听说过。他们找 OpenAI 合作，第一件事，是客服。 客服难在哪？难在规模化。Klarna 有 400 条政策。如果每一条政策，你都手写一个 prompt，这活儿永远干不完。 Colin 他们怎么做的？两步。第一步，把指令和工具参数化，不再一条条写死，而是抽象成可配置的东西。第二步，给每一个意图，包一层 evals——也就是评估。这样一来，他们就能从 20 条政策，一路扩到 400 条，甚至更多。 你看，难的不是模型，是这套工程化的方法。模型早就够聪明了。缺的，是有人愿意弯下腰，去啃那 400 条政策的硬骨头。 **再看摩根士丹利。**这个更硬核。 摩根士丹利，全球顶级投行，财富管理管着万亿级美金的资产。2023 年 3 月，他们成了 OpenAI 第一个、也是当时唯一一个财富管理战略合作伙伴，拿到了 GPT-4 的早期访问权。9 月，第一套工具「AI @ Morgan Stanley Assistant」上线。 这套工具干嘛的？让上万名理财顾问，用大白话，几秒内调出公司沉淀了多年的知识——超过 10 万份研究报告、政策文档、投资观点。一个理财顾问，被客户问了个刁钻问题，以前得翻半天资料。现在问一句，答案就出来了。 但真正难的，从来不是“问一句、答一句”。而是那 10 万份文档，怎么让模型读得懂、找得准。 摩根士丹利刚起步时，检索效率只有 20% 左右。也就是说，问 10 次，8 次都可能找不对。后来，他们硬生生把它干到了 80%，而理财顾问团队的使用率，超过了 98%。 20% 到 80%，这中间差的，正是我下面要说的“数据那一层”。 再往后，2024 年，他们又上了「Debrief」——会议纪要工具。在客户同意的前提下，自动记录会议、抓出待办、生成跟进邮件草稿，顾问审核确认后才发出。 你发现没有，摩根士丹利这套打法，和 Klarna 一模一样：**模型早就够聪明了。真正值钱的，是把它和数据、合规、业务打通的那层功夫。** ## 五、真正难的地方：数据那一层 聊到最后，主持人问他，你们团队花最多时间的地方，是哪儿？ 你以为是调模型？不是。他说，是数据那一层。更准确地说，是在原始数据和企业业务逻辑之间，搭一座翻译的桥。 企业的数据，是脏的、乱的、散在四面八方的。大模型再聪明，也读不懂这些数据里藏着什么。所以 FDE 大量的工作，是把这些数据，一层一层地翻译成模型能用的东西。 很多人一听，就说：这简单，上 MCP 啊，接几个 connector 就行了。 Colin 说，不对。MCP 只是连接器。真正缺的，是中间那一层**“轻逻辑层”**——把业务规则注入进去，让模型知道，这份数据该怎么用。 这才是 AI 落地里，最不性感、也最值钱的那部分。 ## 最后的话 讲完 Colin 的这套打法，不知道你有没有一种感觉：今天 AI 落地最大的障碍，早就不是模型了。 模型，一天比一天聪明，一天比一天便宜。真正卡住 95% 企业的，是“模型”和“业务”之间，隔着一层又脏、又难、没人愿意干的活——把散乱的数据翻译给模型、把业务逻辑塞进去。这层活，企业自己不会干，模型也替不了你。 那谁能干？ - 只有愿意为别人的痛苦弯腰的人，能干； - 只有清楚自己赚的什么钱、不被短期服务费拽走的人，能干； - 只有沉得住气、先做不规模化的事的人，能干。 这三种人，凑在一起，就是一支 FDE。 所以你看，95% 失败，怪的不是企业不努力，也不是模型不够聪明——缺的，是那支愿意“吞下痛苦、排出产品”的团队。 ChatGPT 出来的时候，所有人都在问：AI 会不会取代我们？现在，答案越来越清楚了。 **AI 不会取代你。会取代你的，是那个愿意把 AI 真正塞进生意里的人。** 而那个人，正在 eat pain, excrete product。 --- 本文观点来自 OpenAI 前线部署工程负责人 Colin Jarvis 在 Altimeter Capital 播客中的访谈，供参考。