Game Theory in FDE: Tech Giants Seek Insights, Enterprises Retain Control

日前，在蒙牛總部一間會議室裏，來自銷售、研發、供應鏈等業務部門的多名員工輪番上台展示，自己如何用 WorkBuddy 改造日常工作，提升效率。

比賽之外，蒙牛也開始考慮把其中一部分人繼續往 FDE（前線部署工程師）方向培養，推動 Agent 真正接進企業工作流。

類似的嘗試已經不只發生在蒙牛。中遠海運特運今年開始在內部實施 FDE 模式，中遠海控也把 FDE 納入人才建設方向。

在另一端，騰訊、阿里等 AI 廠商正在把越來越多 FDE 送進企業，希望借這些人深入業務現場，讓 Agent 真正跑起來，並把一線暴露出來的問題帶回產品進行迭代。

微妙的邊界開始出現：一邊是 AI 廠商借 FDE 繼續往企業的核心流程裏走，希望讓 Agent 接觸更多真實工作流；

另一邊，企業也在培養自己的 FDE，希望在開放場景的同時，把對業務、流程和數據邊界的判斷更多留在內部。

這套分工最終會穩定在什麼位置，目前還沒有答案。

FDE 的走紅説明辦公 Agent 的競爭已經開始從產品本身，進入到大廠與企業如何重新組織協作關係的階段。

FDE 打頭陣

今年以來，辦公 Agent 已經成為大廠 AI 競爭最擁擠的戰場之一。

騰訊在 6 月推出 WorkBuddy 企業版，阿里 7 月將 QoderWork、悟空、MuleRun 整合為 “千問辦公” 並開始測試，字節也進一步整合飛書與豆包相關團隊。

產品形態雖然不同，方向卻越來越接近：AI 開始直接讀文件、做表格、調用軟件，再進一步接進企業內部的知識、系統和流程。

但 AI 真正進入企業，並不是把一個 Agent 裝進電腦就結束了。

除 IT 等部門外，業務人員雖然最清楚自己的工作痛點，卻未必瞭解模型和 Agent 的能力邊界，也很難判斷一項業務應該怎樣被拆成 AI 可以執行的任務；反過來，AI 公司最懂 AI，卻不可能天然知道一家企業的訂單的流轉等。

產品和業務之間因此需要一個 “翻譯者”，既能把企業的問題翻譯成 AI 可以解決的任務，也能把對企業的業務理解用於 AI 可持續的迭代。

FDE 也因此被推到前線。

FDE 即 Forward Deployed Engineer，通常譯作 “前線部署工程師”。相比傳統售前或實施，FDE 更靠近客户真實業務：進入一線挖掘值得 AI 改造的場景，再把模型、Agent、數據和系統拼成可以跑起來的工作流，並將過程中暴露的問題帶回產品側。

Palantir 正是把這套模式做到極致的公司之一，其 FDE 長期進入客户現場解決具體問題，再把反覆出現的業務規則、數據關係和需求沉澱回產品體系。

在這一輪辦公 Agent 競爭裏，這套打法有了更直接的商業意義：一個 Agent 想要真正進入企業的日常工作，仍然需要有人到一線找場景、接系統、改流程，並推動員工們把 Agent 真正用起來。

國內大廠已經開始為 FDE 開出高價。公開招聘信息顯示，字節跳動 “豆包 AI 大模型 FDE” 月薪為 3.5 萬至 7 萬元、15 薪，最高年薪約 105 萬元；螞蟻數科 B 端 FDE 月薪為 4 萬至 6 萬元、15 薪；智譜華章 FDE 負責人月薪達到 6 萬至 8 萬元。

高薪爭搶的背後，FDE 承擔的也不只是項目交付。

辦公 Agent 開始操作瀏覽器、讀取文檔和調用企業系統之後，一項任務如何被拆解、工具在哪一步調用失敗、用户為什麼返工，都會形成完整的工作反饋。對於 AI 公司而言，真正進入這些工作流，意味着產品第一次可以在真實任務裏持續暴露問題，並據此繼續優化 Harness、模型和產品。

因此，圍繞辦公 Agent 展開的競爭正在進一步從產品能力延伸到真實工作流。FDE 站在其中最靠近企業業務的一端，負責把 Agent 真正送進去，也把現場發生的任務和問題重新帶回來。

但當 AI 公司不斷向企業內部推進時，另一種變化也已經開始發生。

大廠往裏走，企業自己培養

據華爾街見聞·全天候科技近期在企業的實地走訪情況來看，一些公司已經開始在引入辦公 Agent 的同時，培養自己的 “FDE”。

蒙牛就是其中之一。8 月 11 日，全天候科技在蒙牛總部看到，45 名員工正在參加一場 Workbuddy 的 AI 應用路演。

在這場比賽中，IT 人員並不是主要參與者。蒙牛主要從 28 個一級事業部選出 200 名 “AI 先行官”，其中數字科創部只有 3 人，更多人來自銷售、研發、供應鏈等業務部門。

蒙牛有意降低 IT 人員的比例，主因在於業務人員 “自帶場景”。他們最清楚每天有哪些工作重複、哪些流程最耗時間、哪些環節最容易出錯，但這些人過去未必知道模型和 Agent 已經能做到什麼，也未必具備用 AI 重新設計工作流的能力。

蒙牛選擇先讓業務人員接受培訓，再從真實工作裏尋找可以被 AI 改造的部分。

據蒙牛向全天候科技介紹，公司考慮從這些業務人員中培養一批自己的 “FDE”，並計劃建立 L1 到 L3 的 AI 先行官認證體系。其中 L3 不僅需要會用 AI，還要能夠理解業務需求、搭出解決方案並持續跟進效果；同時蒙牛數科團隊內部也已經成立專門的 AI FDE 團隊。

這背後首先有一筆現實的成本賬。

大型企業內部的 AI 需求往往高度分散，銷售、研發、供應鏈、財務等部門都會不斷冒出新的場景。如果每找到一個場景，都要等待外部工程師重新理解業務、搭方案、接系統，場景越多，交付成本就越難攤薄。

蒙牛低温新零售業務負責人徐飛雄坦承，業務團隊本身承擔業績壓力，不可能為了 AI 提效再單獨增加一批 IT 人員，更多時候需要讓原來的業務人員自己學會使用和改造 AI。

但更深一層的意義或許還在於，企業或許更希望把這種能力沉澱在自己的體系裏。隨着 Agent 開始進入訂單、供應鏈、研發、財務等核心流程，FDE 越來越靠近企業自身的數據資產和業務資產，這部分能力很難長期完全交由外部團隊掌握。

當然，這種安全和數據邊界同樣在大廠的考量範圍內。

騰訊智慧零售行業解決方案專家閔利銘向全天候科技表示，前一階段更多還是讓員工先把 WorkBuddy 用起來，解決個人重複性工作；再往下一步，則會進入 “深水區”。

“下一個階段就進入到深水區了，坦白地講這是特別有挑戰的深水區。” 閔利銘表示，騰訊接下來會與蒙牛數科團隊共同評估哪些系統、哪些數據可以開放給 AI，哪些系統的數據價值最高、應該優先接入，並通過 MCP 等方式逐步打通。與此同時，模型調用還需要經過蒙牛內部的大模型安全審計網關，數據連接必須建立在安全邊界之內。

蒙牛並不是孤例。

中遠海運特運今年 3 月開始在內部實施 FDE 模式，直接選派 18 名數字化專業人員常駐業務一線，參與業務例會、走訪崗位並梳理提單處理、航次調度、箱務管理、半潛船配載等具體流程，打通 “技術” 和 “業務” 的壁壘；中遠海控則已經把 FDE 寫進 2026 年的公司人才建設方向。

這些變化勾勒出了 FDE 在企業 AI 落地中一層更微妙的關係：大廠借 FDE 走進企業更深處，企業則希望把最核心的業務理解留在自己手裏。

共建：或許更現實解法

如此來看，FDE 並不一定只能在 “大廠外派” 和 “企業自建” 之間二選一。

隨着 Agent 進入更深的業務流程，一種更現實的合作方式可能是雙方共同建設 FDE 能力。

AI 廠商掌握 Agent 的 Harness 等工程能力，但也需要真實工作流不斷暴露問題；企業最懂自己的業務流程、數據權限和組織規則，也需要藉助外部技術把這些場景真正跑起來。

單靠任何一方，都很難獨立完成從場景發現、系統接入到持續迭代的完整鏈條。

對 AI 廠商來説，這種共建還有另一層現實意義。

辦公 Agent 最終要做成的仍然是一門產品生意，而不是一門依靠不斷增加駐場工程師來擴張的人力生意。

FDE 進入企業更重要的價值在於先把標準產品暫時覆蓋不了的問題找出來，再把這些問題逐步沉澱進 Harness、Skill、連接器和產品能力裏。

理想狀態下，同一類問題在第一個客户那裏需要 FDE 反覆調試，到了第二個、第三個客户時就應該有更多部分可以直接複用。

只有這樣，前線交付才會不斷反哺產品，辦公 Agent 的邊際收益也才能隨着客户數量增加而變得更 “厚”。

從這個角度看，共建 FDE 可能首先更適合蒙牛這類大型企業。大型企業有更復雜的系統、更長的流程和更多真實場景，也更有條件配置自己的業務、數據和技術人員與 AI 廠商長期協作。

大型企業也恰好可以成為辦公 Agent 繼續產品化的一塊 “試驗田”。在合法合規和數據邊界清晰的前提下，FDE 與企業共同解決的具體問題都可以繼續沉澱進 Harness、Skill 和產品能力。

Agent 由此學會的並不是某一家公司的 “家底”，是處理一類企業問題的方法。

今天需要 FDE 陪着一家大型企業反覆跑通的流程，未來如果能夠更多被產品直接承接，到了中小企業那裏就不必再複製同樣重的交付模式。

某種程度上，共建 FDE 可能正是這場微妙博弈裏更現實的中間解：AI 廠商繼續往前走，企業也不必把自己完全交出去。

風險提示及免責條款

市場有風險，投資需謹慎。本文不構成個人投資建議，也未考慮到個別用户特殊的投資目標、財務狀況或需要。用户應考慮本文中的任何意見、觀點或結論是否符合其特定狀況。據此投資，責任自負。