本周最大的两家AI实验室向服务领域做出了重大举措。

OpenAI完成了The Deployment Company——一个与包括TPG、Bain Capital和Brookfield在内的十九家私募股权投资者共同建立的100亿美元合资企业。结构不同寻常：OpenAI保证其PE支持者五年内每年17.5%的回报，以换取其投资组合公司成为嵌入式AI部署的 captive 客户群。

Anthropic同一周宣布了类似的载体，由Goldman Sachs和Blackstone锚定。这两笔交易似乎都在说同样的事情：AI实验室已经得出结论，销售模型不是业务。在企业内部部署它们才是。

这就是本周版本的主题。

1、AI实验室发明的角色

《金融时报》最近报道了同一实验室内部的一场安静招聘潮。Anthropic、OpenAI和Cohere都在大力招聘一个叫做前置部署工程师（FDE）的角色。这些不是研究人员或产品构建者。他们是直接嵌入客户企业内部帮助其采用和定制AI的工程师。OpenAI今年年初组建了FDE团队，预计仅在欧洲就增长到约50名工程师。Anthropic正在将其同类团队扩大五倍。去年1月至9月间，此类角色的月度招聘信息增长了超过800%。

Palantir在近二十年前开创了这个模式。FDE现在约占其员工的一半。他们给客户派两个人：一个负责理解企业真正需要什么，另一个具备构建它的技术技能。两者缺一不可，因为你不能在不理解真正问题的情况下构建正确的东西，而理解了真正问题却不构建任何东西也是毫无意义的。

关于Palantir的旁注。值得明确的是，他们是一家真正有争议的公司，在国防和政府监控方面的记录让很多人感到不安。因此，我不是把它（特别是其创始人）作为效仿的榜样。相反，FDE结构是嵌入式AI部署如何运作的有用操作类比，仅此而已。将诊断与构建配对的原则——可以干净地转化为商业语境，不带任何包袱。

DeployCo交易是将同一逻辑推向商业终极。OpenAI不仅在招聘FDE。它正在建立一个100亿美元的载体，系统性地将其人员和工具嵌入世界上一些最大企业的运营层。实验室这样做不是因为它有趣。他们这样做是因为他们在大规模地学到，把一个模型交给企业并期望其被采用不是这东西的运作方式。拥有AI和使用AI之间的差距是人的问题。一直都是。此外，我认为同样的原则无论组织规模大小都适用。

2、FDE实际做什么

这个角色位于大多数组织分开的三件事的交叉点：业务分析、软件工程和变革管理。

在任何一次项目中，FDE可能第一周完全不做技术工作。与运营团队讨论手动工作实际上存在于哪里。与交易团队坐在一起了解决策是如何真正做出的，而不是组织架构图上说的那样。绘制哪些数据在哪里、谁拥有它、什么格式的地图。这就是诊断工作。听起来像咨询（我知道我们都对此过敏）。它不是，因为做这件事的人有足够的工程深度，知道哪些问题实际上可以解决、成本是多少。

以我们最近在瑞典合作的一个B2B团队为例。一个人每周三花一整天手动处理订单——逐一检查每个账户、核对销售情况、构建补货订单。一个纯顾问会写一份建议书。一个纯开发者会在不问为什么阻力存在的情况下构建一个自动化。FDE方法意味着同时问两个问题：为什么这以前没有被解决，以及构建一个团队真正会使用的东西需要什么。自动化最终每周节省了整整一个工作日。

第二阶段是构建环节。一些具体的东西：一个处理一个工作流的单一智能体、两个从未对话的平台之间的连接、一份每周手动生成的报告。范围刻意狭窄。重点不是一次性构建所有东西。而是正确地构建一件事、证明它有效，并将内部对话从"也许这行得通"转变为"我们接下来做什么"。

第三阶段是大多数AI部署从未达到的：让它持久。询问自动化是否在底层模型变化时仍然运行。检查当添加新数据源时架构是否仍然有效。确保在构建者离开之前逻辑已被文档化。这就是实际中的执行差距。大多数良好采用AI的企业都有人在持续做这项工作，不仅仅在构建时。大多数挣扎的企业则没有。

3、品牌实际在招聘什么

品牌端对AI采用问题的回应在很大程度上是雇佣具有AI技能的开发者。其中一些招聘是合理的。然而，许多在解决错误的问题。

ZOEVA，一个高端美妆品牌，最近发布了他们称之为AI原生Shopify开发者的职位。该职位要求一个使用Claude Code和Codex作为日常工具来更快构建的人。这是合理的需求。但它不是FDE。开发速度不是大多数消费品牌的能力差距。差距在于判断力：一个足够理解商业问题的人，知道AI是否应该解决它，能设计一个不会在六个月内变得不可维护的解决方案，并知道概念验证和生产可用产品之间的区别。一个编程更快的开发者仍然是开发者。FDE更接近于商业分析师、解决方案架构师和工程师的合体——这比招聘广告暗示的要难招得多。

4、那么你应该雇佣FDE吗？

这里有一个有用的历史类比。Glossier花了数年时间在内部构建专有技术，相信拥有技术栈是竞争优势。他们最终撤销了大部分并迁移到Shopify。教训不是技术不重要。而是内部构建和维护它将资源和注意力从真正使Glossier成为伟大品牌的事物上拉走了。同样的问题现在正在AI领域上演。不过，情况更加微妙。

雇佣内部FDE听起来像是正确答案。但诚实地问问：你在哪里找到一个能真正桥接商业判断力和工程严谨性、并且有足够的商业知识在两个方向都有用的人？如果你的领导团队还没有建立起指导这类工作的能力，你如何管理他们？当他们在其上构建一切的基础模型下季度被更好的模型取代时会发生什么——这一定会发生？一个内部员工无法跟上每隔几个月就在变化的格局。他们在灵活性最重要的时刻变成了你的单点故障。

我应该透明：我经营一家提供完全相同外包模式的机构，我是一个正在康复的AI最大化主义者。所以请适当保留地看待以下内容。但无论由谁交付，这个框架值得考虑。你的企业需要一个永久的AI员工，还是需要接触一个（或个人——例如专业的电商AI自由职业者）全职生活在这个领域、带来跨多个商业企业的模式识别、并保持最新——因为那就是全部工作而非全职交付角色之外的附带责任？

5、最后的思考

OpenAI和Anthropic本周宣布的数十亿美元载体不是为了阅读本文的大多数品牌而建的。但它们被建立来解决的那个问题并不只属于PE支持的投资组合或财富500强的资产负债表。

这值得深思。世界上最有价值的两家公司审视了AI采用问题，得出的结论是答案不是更好的模型、更便宜的API或更直观的界面。而是人——嵌入企业内部，在任何东西被构建之前提出正确的问题。这是来自整个商业模式依赖于销售软件的机构的一个重要承认。

那么这告诉了我们大多数品牌实际处于什么位置？如果拥有AI和使用AI之间的差距是一个技术问题，实验室会以技术解决它。他们没有。他们以服务解决它。以那种无法被打包成产品并交付的上下文理解。

因此，值得思考的不是你的品牌是否需要前置部署工程师。而是你的企业中目前对AI做决策的人是否有足够的上下文理解来首先提出正确的问题。他们知道哪些问题值得解决吗？他们知道在糟糕的地基上构建东西之前好的架构是什么样的吗？他们知道概念验证和项目之间的区别吗？即使他们知道（许多品牌有优秀的内部AI人才），他们有时间系统性地将组织从AI好奇推进到AI原生吗？

这些不是技术问题。它们是基础但非常重要的东西。人员、流程和文化。

原文链接：你需要一名前置部署工程师吗？ - 汇智网