泓君
5月初，OpenAI宣布成立Deployment Company（部署公司），背后的投资人包括私募基金，也有我们熟悉的咨询公司。同一时间，Anthropic也宣布和包括Blackstone在内的金融机构合作，成立合资企业。这两家实验室的新动作，都是在提供同一种服务：把他们的模型带到企业里，在真实的工作场景中落地。
来执行这件事的人叫作FDE，也是硅谷这段时间最火的新工种。FDE的全称是Forward Deployment Engineer，可以直接翻译成“前线部署工程师”。为了组建FDE团队，OpenAI收购了一家叫Tomorrow的公司，打包带走了150个FDE。许多面向企业市场的初创公司，最近也在扩建FDE团队。
部署公司的成立和FDE的爆火，本质上都是在证明，Agent时代企业需要的不仅是AI工具，而是一套AI-native的工作流。这具体意味着什么呢？在这期播客里，我们和两位从业者聊了聊：一位是Cresta的FDE负责人Joe，另一位是前麦肯锡咨询师、现任Invisible Technologies企业业务VP的Oliver。其中，Oliver的访谈原本是用英语录制的，在这期节目里我们用配音的方式呈现。
我们不只聊了FDE在做什么，也聊了FDE模式和Palantir的渊源，以及在这波AI浪潮里，私募和咨询行业正在发生的变化。Joe，介绍一下自己吧。
Joe
大家好，我是Joe。我在这个很神奇的工种FDE里，可能算是在硅谷这边把FDE做得声势比较大的人。我现在有一个将近100人的团队正在招人，主要做Agent，所以很高兴能够参加这个节目，和大家分享一些关于FDE的看法，也回答大家的一些问题。
泓君
我们之所以要聊这个话题，是因为5月份OpenAI成立了一家叫Deployment Company的部署公司，同时收购了一家叫Tomorrow的公司，拿到了150个FDE，也就是我们说的前线部署工程师。Forward Deployment Engineer没有特别好的中文翻译，我甚至听到一种说法，说这是“AI落地官”，听起来可能更fancy一些，但确实是一个值得被不断定义的工种。
差不多在同一时间，Sora Pick也宣布了类似的消息。包括你之前也写到，Google其实也有类似的动作。你怎么看待这些动作？看到这些新闻的时候，你的第一反应是什么？
1. FDE正在快速爆发
我觉得这也是部分原因，为什么FDE一下子就让大家上头了。作为一种工作类型，它可能已经存在了十几年的时间，从Palantir开始就有了。但是随着OpenAI和Anthropic纷纷动手收购公司，或者和一些资本展开合作，大家才突然注意到它。
我们公司是在去年1月份，也就是差不多整整14、15个月之前，开始做FDE相关的部署。当时我们没有很明确地说一定要招FDE，只是模模糊糊地觉得，需要把一些工程师拿出来，和客户走得更近。通过这些非常贴身的服务，我们可以了解客户想要什么，然后把我们的产品用到位。
但过去这一两个星期，甚至一两个月，中文、英文媒体和各种平台上出现了大量关于FDE的讨论，包括OpenAI、Anthropic的动作。我的感受是，这件事情我确实知道会发生，但没有想到会来得这么快、这么迅猛。
我觉得这也印证了几件事情。第一，大家还是要承认，模型公司会意识到模型本身并不是一个产品。产品要落地，还需要做大量的工作，这是传统模型公司很容易疏忽，甚至不屑于去做的事情。
但是，如果没有这样非常紧密的合作，对于那些有钱、想买模型的人来说，他们也会觉得买了之后不知道怎么用。我们发现，FDE是一个非常好的形式。
另外，模型公司和应用公司的边界也变得很模糊。OpenAI和Anthropic的做法更多是，我依然招最好的人去训练我的模型。比如Anthropic，大家可能知道它的模型特别好，但也特别贵，可以卖得很贵；从人效来看可能会很高。
但至于要不要在360行、每一个行业里都去落地，这需要大量的人，我不见得想自己招。所以这也是为什么有些公司选择收购，有些公司则通过资本，让别的公司来做FDE。这样一来，模型公司和应用公司之间亦敌亦友的关系，就变得更加纠缠不清了。
泓君
这很有意思。我们先来给听众解释一下FDE这个概念。如果让你用一句话定义FDE，你会怎么说？
2. FDE承担双重使命
FDE就是和客户紧密合作，让AI应用真正跑起来的工程师，同时他还承担着让产品变得更好的职责。
所以FDE有两个任务：第一，把AI落地；第二，把这些lessons learned直接带回去，改变产品，让产品变得更好。FDE甚至有点像一个forward-deployed CTO。你是一个非常全面的人，要把这个单子搞定，把AI应用落地，把客户锁住。
但作为一个CTO，你不光要整天想着怎么让产品变得更好，甚至还要自我革命。所以FDE做的就是这件事：把AI落地，同时利用这些lessons learned，让产品变得越来越强。
泓君
能不能给我们一个具体的例子？在你接触到的客户里面，FDE是怎么样去改变他们现有的工作流的？
你们服务的这些财富100强公司，很多都来自不同领域。不同领域的公司，对AI call center有不同的需求，肯定会涉及大量专业领域的术语、知识，甚至数据。这些客户是怎么样向你们传递需求的？你们又是怎么样理解这些需求，并完成部署的？
针对customer experience这个领域，Cresta的先天优势是积累时间相对比较长。我们从2017年就开始做了，所以在AI这波浪潮之前，已经有大量human-to-human的对话存在Cresta的系统里。当然，我们也花了大量功夫去做合规。
比如Marriott这样的large公司，在AI Agent时代之前，人工客服的大量文本和语音语料，就已经以合规的方式存储在Cresta这边。你可以想象，一旦我们决定挑几个use case来做，就会先分析哪些use case的量比较大，但又没有那么复杂，没有太多人工判断，SOP比较清晰，同时量又比较大。
这样的话，有点像80%的volume来自20%的use case。有了这些大概的判断之后，我们可以借助过去积累的历史数据，抽象出一些典型问题：客户会问什么，作为一个客服，不管是人工客服还是AI客服，应该怎么有效地解决这些问题。
这就避免了很多猜测的成分。我觉得AI和data需要做很好的结合，我们就是一个很好的例子。我们做一个相对比较大的单子时，客户往往已经用了很长一段时间Cresta的其他产品。我们可以基于它人工对话的数据，提炼出它的一些pattern，甚至可以用它的数据训练一个小模型，再用那个模型做更多simulation。
所以FDE要作为一个相对有经验的AI落地官，去判断哪些use case可以先做，以及这些use case对应的资源是不是到位。如果资源不到位，我们并不倾向于替客户改一个API，而是更多地和客户共创。
包括后续做出一个版本的AI Agent，也要经过大量测试和优化，这边其实也很花精力。所以FDE还是以技术人的方式，像一个mini CTO一样，和客户培养好关系，了解客户具体想要什么，做出一个AI Agent。
但做出来只是第一步，后续还有大量优化和监控。这些都很花精力，也很考验大家的技能点和经验。
泓君
我想再回到你刚才说的数据问题。你提到，从2017年开始，你们就有很多历史数据。对你们来说，这是一个优势，甚至和一些客户相比，你们掌握的数据比客户还要多，因此能做的事情也更多。
这是不是你刚才提到的应用层公司和模型层公司的区别？像OpenAI、Anthropic这样的模型公司，想把模型用在用户的具体使用场景里，但他们没有这些数据，也可能没有那么了解客户的具体需求。这是不是他们的一个劣势？
3. 模型必须连接应用场景
大家其实挺矛盾的。模型公司有很强的意愿，一方面要把模型变得很聪明，另一方面又一定要了解企业每天到底在做什么事情、系统是怎么流转的。这些最终要结合在一起，模型扮演一个指挥家的角色，但模型不用什么都做。
所以应用这块，我觉得会越来越重。但大家不能期望模型本身无所不能。毕竟每个公司的业务不同，很多数据不可能共享，API千奇百怪，甚至还在内网。这里面有太多事情，是模型本身不能控制的。
为了让AI更深刻地改变世界，需要利用FDE这样的人，把模型和应用更扎实地落地。
泓君
你会需要去现场看客户是怎么样进行这些工作的吗？
4. FDE深入客户现场
会。“Forward”这个词比较抓人眼球，但包括我自己和我的同事，没有一次是在一个客户那里待超过一个星期的。
因为我们FDE不需要做code reach或者偏售前的事情，更多是客户已经有很强的意向，拉我们过去作为专家，看看怎么落地更合适。所以我们可能会先kick off一个会，大家飞到客户的办公室，闭门开两三天的会，把high-level goal和KPI定下来，把对应的API验证好。如果顺利的话，还可以在现场做一个小型POC，让客户先excited起来。
之后我们可能就各回各家了。我们可能每周，甚至每天开一些会，开发工作则是在办公室或者回到家里完成。到了项目的UAT，也就是用户验收阶段，可能会再聚一次，或者在讨论下一波use case怎么做时，再面对面见面。
面对面就像我们现在聊天一样，大家会有一些eye contact，甚至可以培养一些私交。早期培养的这些trust，对后续工作很有用。很多东西客户不见得方便书面化，但通过聊天和沟通，可以培养更多默契，了解更多context。这些往往不是onsite就很难达到的。
但这些目的加在一起，都是为了让AI落地得更加solid。不是逼客户去学，而是我们了解客户要什么，然后帮他做出来。做完之后，客户想自己维护也可以。
AI落地这件事又难、时间又长，但FDE会让它变得稍微简单一些。
泓君
所以，FDE是在什么时候进入客户的工作流？是在产品刚卖出去之后，和产品一起打包成一个package送给客户，还是在更后面一点？
我们其实比较灵活，FDE在售前、售中、售后都会参与。售前如果需要做一个功能比较完整的demo，往往我们的售前团队没有这样的技能，FDE就需要帮忙做。
尤其是订单谈完之后，我们可能会期待在2到4个月内上线。当然，上线也是一批一批的。我们会挑一批use case作为第一期上线，后面再继续做。在这个过程中，要花时间做初期开发、调试、灰度发布和监控。
一个项目上线之后，我们会监控客户满意度、电话时长、case有没有解决等指标。这些指标都在合同里。如果已经符合合同要求，其实就没有必要继续把人放在里面。毕竟我们的项目比较多，而且你总会有机会修改prompt、做一些调整，长期留人不见得划算。
所以一个项目我们可能做2到4个月，FDE就退出了。后续一些小修小补，可以由其他没那么AI expert的同事来做。
模型公司也还在尝试过程中。我们甚至会看，在一些情况下，即使客户没有付钱，是不是也可以先给他一个甜头，比如花两三个月倒贴一些人进去，把东西做出来。等他尝到甜头之后，就像有时候送货上门，把东西放在你门口让你试穿，你再退掉也不愿意了。
AI现在这个领域节奏非常快，可以说各家公司都在抢山头。FDE本身不用操心ROI，我们也从来不是按照FDE的工时来收费。所以一旦作为一个团队，我们决定把这个项目放进FDE来做，就会全力以赴把它做出来。
泓君
其实我们今天聊FDE这个工种，还有一个历史背景。你之前也提到过，这个模式或者概念是由Palantir一开始发明并推广的。
我理解，最早的时候Palantir有两个团队，一个叫Echo，一个叫Delta，两个团队放在一起，形成了一个FDE。但可能Delta更像我们现在理解的FDE，也就是工程师这样的角色；Echo这批人则更多熟悉专业领域。你能不能给我们讲一下，当时Palantir解决的核心问题是什么？
5. Palantir开创FDE模式
Palantir作为这个模式的original creator，肯定值得尊重。它的业务非常神奇，因为不是每个厂商都能做军方业务。在10年、15年前就开始做这件事，我觉得是因为很多客户具体想要什么，并不愿意说得很明确。
你必须和他们面对面，跑到同一个军营的帐篷里，看到那些数据之后，他们才愿意说得很细。中间还会涉及数据建模，或者临时做API。所以Palantir招了这两个团队：一个有点像forward-deployed software engineer，另一个更偏business owner，熟悉作战、抢救之类的具体业务。
一个偏technical，一个偏non-technical。不过通常意义上说，FDE还是一个非常technical的工种。
对Cresta来说，我们也觉得这样的方式比较合适。最理想的情况当然是一个人什么都会，像一个one-person company，既是CEO又是CTO。但这样的人比较难招，而且每个人的精力也比较有限。
我们早期也做过一些尝试，比如有所谓的conversational designer，更多熟悉人机交互、共情等细节，但不需要technical。最近差不多一年的做法，则是设置FDE和FDPM，也就是Forward-Deployed Product Manager。
FDPM不需要那么technical。FDE像一个forward-deployed CTO，可以把FDPM想成forward-deployed CEO。FDPM运用自己的people skills、communication skills和negotiation skills，和客户长期相处，花很多时间培养信任，了解客户到底想要什么。
包括做一个Agent时应该说什么、不该说什么，测试集应该怎么创建，这些事情和编码没有那么直接的关系。FDPM也不需要知道安全应该怎么做、网络怎么配置，但这本身是一大块扎扎实实的工作，FDPM可以专门负责这些事情。
就像CEO为整个公司负责一样，FDPM为整个Agent的behavior和quality负责。FDE则从技术角度确保实现是合理的，测试是健全的，同时还要把lessons learned带回公司，让产品变得更好。
FDPM和FDE合在一起会比较有效，因为我们很容易一天要和两三个客户开很多会。这些会FDE不需要全部参加，因为他可能还在讨论Agent应该先说什么、后说什么。如果大家有了结论，实际执行起来并不是很难，所以两个人的分工不一样。
FDE可以更注重AI best practices，思考怎么把经常要做的开发工作变成SDK、工具包、CLI，更多从技术角度做贡献。FDPM则把握具体需求，包括有时候出现风险时怎么escalate，甚至怎么upscale。
比如客户原来做了3个use case，接下来可能要扩展到6个，这里面有大量工作。你可以把它想成CEO和CTO的差别。我觉得这样可以避免对招聘人员的要求过高，也避免让一个人每天花大量时间做完全不同的事情。把两个role分开，会更好一些。
泓君
现在每个项目都需要一个FDPM和一个FDE吗？还是有的项目历史数据更多、流程更加标准化，一个工程师就可以完成？
我们基本上是一个FDPM配2到3个FDE，不管项目有多大。这样可以避免项目变大之后还要重新交接，也因为确实有大量需要和客户沟通的事情。
大概就是1比2、1比3这样的比例。同时，一个FDPM可能会负责好几个项目。我们也有意识地寻找共性。比如有几个人主要做医疗保险，他们对这个行业的术语、规范和所谓的common sense会比较熟。如果这些人做类似项目，他们的行业经验就会越来越多。
从技术角度看，FDE也会有意识地形成专长。比如有几个人对payment很熟，有几个人对search很熟。毕竟我们面对的世界非常复杂，所以FDE团队慢慢成规模之后，不光会培养某个商业领域的专家，也会培养某些技术领域的专家。
泓君
总结一下，FDE本身是一个技术性比较强的职位，而FDPM更多负责行业知识和客户沟通。我理解，这些人很多可能来自咨询背景，或者企业operation背景。
你这次正好来纽约也是为了招人，我觉得可以借这个机会说一下：什么样的人最适合当FDE？一个优秀的FDE是什么样的？
6. 优秀FDE需要复合能力
我也逼自己抛出过一句话：我要打造全世界最好的FDE团队。这是一个目标。
虽然我们现在获得了一些成绩，但我确实觉得，Palantir的巨大成功或者股价上涨，有多少比例是因为FDE，其实很难讲。它本身有太多因素，但它确实开创了这样一种模式。
现在FDE变得热门，是因为AI落地有太多困难。你不想把这些复杂性直接抛给客户，FDE可以把复杂的层面自己消化掉，给客户一个很好的方案。对于很多产品公司、SaaS公司或者平台公司来说，FDE还可以把前线的lessons learned直接带回去改变产品。
你想，10年前Palantir的FDE就算知道产品有很多bug，又能怎么样？他可能只能回头写封信，或者开一个ticket，请求别人去改，可能半年之后才改好。但现在AI coding特别强，所以我们招人的时候bar会比较高，希望是比较好的engineer。
另一方面，有了这些AI coding agent，比如cloud code或者其他模型工具，你知道哪里不对、哪里有提升空间、哪里可以做得不一样。哪怕你有5个、10个不同的repo，不同的语言、不同的技术栈，也可以让AI帮你改成需要的样子，然后找合适的人review就可以了，所以迭代速度很快。
除了coding之外，skill本身也是一个很好的模型，可以把经验蒸馏出来。原先这些东西都留在大家脑子里，可能要花很多时间做knowledge transfer。现在你可以把它写成一个skill：一份很长的Markdown文档，加上一些script和reference。
做过两三个类似的事情之后，就可以变成一个hard skill，这个skill在下一个项目里很快就能用上。比如我们现在有30个FDE，之后又来了20个FDE，那20个人甚至只要把这个skill装上、access到，就不用重新学习了。
所以这很容易形成雪球效应。FDE现在处于一个很好的状态，可以招更多FDE，去完成更多落地工作。包括这次来纽约Tech Week，我也希望办一些活动，招更多人。
第一，他肯定要是一个合格的engineer。这个职位本身就像CTO，你不希望一个不会写代码的人去做CTO，他的技术一定要很强。
我现在招的是AI Agent FDE，所以对data engineering和security没有那么强的要求，但这个人一定要会做AI Agent。很多时候我看到一份简历，上面写着“我是一个AI engineer”。这其实不够，因为现在如果一个software engineer不会使用AI工具，就已经很out了。
你肯定不需要自己写每一行代码，但必须会用这些harness framework，要会用Cursor、cloud code之类的工具。但不是每个人都知道怎么开发和测试一个AI Agent，这项技能对我们来说很重要。我们不想花两三个月再训练一个人，理想情况下，他两三周就应该能进入一个项目。
所以你需要是一个好的developer，开发和测试过AI Agent。另一点是，你需要有比较过硬、或者让人信服的customer-facing经验。毕竟我们是forward-deployed的，哪怕过去主要在线上开会，偶尔去客户那里几天，也还是要和对方的CTO、IT director以及其他senior人员沟通。
有时候你还要和非技术人员沟通。你要知道怎么把复杂的问题简化，也要能从对方的表达里抓到一些具体的点，进一步求证。有时候你还要say no。
这不只是英文层面的沟通能力，而是整个人要像一个CTO。CTO也不能只是一个光写代码的人。所以我通常希望他要么做过咨询，要么自己是founding engineer，或者有大量freelance经验，这些我都可以接受。
除了编程和customer-facing之外，还需要这个人比较靠谱、有韧性。FDE是真的很忙，要同时multitask很多事情，面对很多压力。你面对的是一个非常不完美的世界：API可能是纸糊的，SOP可能跟没有一样，文档也千奇百怪，客户还可能有一些不切实际的想法。
所以你要有能力面对巨大的复杂性和不确定性，也要有足够的agency，知道应该怎么push，怎么跳出来做一些事情。我很喜欢招founder或者co-founding engineer，甚至是经历过很多大风大浪的人。
他要知道没有任何事情保证一定会成功，必须非常努力，才能达到一个稍微好一点的状态。所以我们希望通过这种经历看到一个人的靠谱和韧性。
我这边不招任何junior FDE。就像前面讲的，一个项目可能只有一两个人，直接和对方的CTO共创。如果一个人很拘谨，就很难建立这样的信任。很多时候你可能也没有头绪，总不能打开AI让AI告诉你怎么做；如果自己没有判断能力，也会很差。
所以技术能力肯定要到位，customer-facing能力也要到位，还要能够end to end地推动很多事情。
泓君
这也是我下面想问的问题。你刚才说，FDE面对的是一个不完美的世界，面对的还是一些现在比较新的Agent工具。那么这个职位到底会是一个长期存在的职位，还是一个过渡性的角色？
当模型足够强、工具足够成熟之后，这个角色会消失吗？我们刚才也把它和Palantir做了对比。你提到Palantir做军方业务，门槛比较高，所以客户对Palantir提供的工具和FDE产生了很强的用户黏性。
但在AI时代，工具会不断自我迭代、不断成熟。你觉得FDE这个角色会变化，还是会消失？
7. FDE短期不会消失
唯一不变的就是变化。但相对很多其他software engineer的工作来看，FDE被AI化的路还很长。
短期来看，未来1到2年，肯定会有越来越多的工具，让FDE的工作变得更高效。比如现在我们大量的电话和沟通，都可以用录音工具录下来、翻译，甚至可以对着录音提问题。
类似地，Glean也可以搜索最新的聊天记录和代码。这些工具会让我们这些multitask的人更高效。有时候我可能发现某个时间段已经被double book、triple book了，有些会肯定会miss。那就可以通过这些工具，让自己同时出现在不同地方，或者不至于错过很多具体信息。
这些工具可以让FDE承担更多项目。假设我们现在平均每个人负责2到3个项目，之后可能变成5到6个。工具的改进会让我们的效率更高，或者让我们能够做更多事情。
但再远一点看，这个角色会发生分化，会要求有很多非常高端的FDE去做特别难的事情。你可以使用各种工具，但工具本身并不能解决所有问题，还是需要非常资深的人去做。
另一方面，大量原本不需要FDE的人，可能会想：“我能不能招一个便宜的FDE？”就像大家在讨论software engineer一样，招聘需求其实反而可能会上升。原先觉得自己雇不起software engineer的小诊所、小个体户，会觉得自己也可以招一个software engineer，把某个工作流产品化。
对应地，FDE也会出现一批面向中小型企业和长尾市场的人，甚至是远程的。比如在越南，或者其他还不太发达的地方，可能会有很多FDE永远不需要onsite，但可以结合客户需求和自己的AI技能，把东西做出来。如果他自己还有一个产品可以沉淀，这种模式也会成立。
只要客户的复杂性还在，AI能够完全自动化的地方就总会有gap，而这个gap需要FDE来填。
真的到了某一天，比如出现了一个完全AI化的FDE，甚至现在SDR这件事都还没有被很好地AI化。假设有一天，FDE 99%的工作都可以被AI化，包括理解客户、写prompt、做测试、和客户沟通，甚至让一个AI和另一个客户的AI进行agent-to-agent的沟通和对齐，那时候我们担心的就不是FDE本身了，而是整个行业、整个世界都已经不一样了，可能人参与的部分会非常少。
但我觉得这会有很长一段路要走。我对FDE还是非常有信心的，这个工种会越来越丰富，参与的人会越来越多，大家也会越来越意识到它的重要性。
泓君
这也是一个很好的过渡。我们一开始提到了OpenAI做Deployment Company，Anthropic做joint venture。这两家公司其实都是在和私募基金合作。
我们知道，很多PE旗下有大量中型企业和middle-market companies，有些是比较传统的SaaS服务，有些则来自机械、重工、制造业等传统行业。你觉得这些私募和OpenAI、Anthropic这样的模型公司合作，是不是也有把portfolio里的公司进行转型的意思？
8. 私募正在押注AI部署
大家一开始听到这个新闻，可能觉得诧异的地方是，他们并没有去找传统的埃森哲这样的咨询公司，而是直接去找私募。
有一种说法是，如果你找软件外包公司做，毕竟还是一个工具人，你要花很长时间找合适的团队、填工期。但如果你的投资人告诉你：“如果你使用FDE这个模式，我可以帮你做得更快。”那就相当于直接给一把手一个诱饵，推进会快很多。
我觉得很多VC现在对AI加速都抱有很大的期待。他们希望通过资本的力量，直接给CEO一个指标：你就是要用FDE把这个行业的东西AI化。过程中也会用到更多模型的token。
这比我安排给你一家咨询公司，然后你和咨询公司慢慢谈、慢慢确定scope，要更加简单粗暴一些。所以PE在里面扮演的角色也非常神奇。
另一方面，咨询公司本身也有危机感。他们原来做的是一些相对比较基础的工作，比如数据库的增删改查。过去没有AI的时候，大家可能会找外包；现在外包针对这些领域也会有一些忐忑。
对于客户来说，他不见得非要找外包，自己也能做。那AI这块到底是让客户自己学，还是找外包公司来做，还是让像我们这样的平台公司直接帮你做掉？传统咨询公司和软件外包公司不能说到了生死存亡的地步，但对他们来说，这也是一个很大的转折点。
各方势力都希望把AI这块蛋糕越做越大，只是每家公司都想用自己的方式先把蛋糕做大，同时也都必须非常努力，才能在这个市场里拿到自己的份额。
泓君
Joe提出的这个疑问，其实也是我的问题。
第一，部署公司做的事情，包括深入企业改造流程、帮助他们用好AI，其实和传统咨询的逻辑很相似。那么咨询行业会被这波浪潮取代吗？
第二，就像Joe说的，模型公司为什么要找PE合作？我们知道Blackstone这样的机构手里握着大量投资组合公司，其中很多是已经运营了几十年的传统企业。对PE来说，这种合作到底有什么吸引力？
接下来我又和有咨询背景、长期服务PE客户的Oliver，从行业变化的角度聊了聊这两个问题。
泓君
Hello, Oliver。你好，给我们的听众简单介绍一下你自己和你目前所在的公司吧。
泓君
Thank you，谢谢。
我叫Oliver，是Invisible Technologies企业业务的VP，我的工作是帮助企业客户落地AI，使用我们的解决方案。
在这之前，我在麦肯锡做私募股权咨询。我所在的团队叫Rewired，专门帮助企业重新思考商业模式，让它们变得更技术驱动、更AI驱动。
泓君
你说你们帮助公司落地解决方案，具体是什么样的解决方案？
9. 企业需要定制AI工作流
简单介绍一下我们在做什么。我们的公司叫Invisible Technologies，也就是“隐形技术”。我们的名字来自一个理念：当技术做得足够好的时候，它就是隐形的，也就是说你感受不到它的存在。
我们的做法和很多软件公司不一样。我们在日常生活里都会使用AI工具，这些工具非常好用，但问题也就在这里：个人AI使用率和企业采用率之间存在巨大的落差。
这个落差很大程度上是由市场供给造成的。你想想看，现在市场上是怎么服务企业的？要么是大模型厂商自己卖，要么是套壳产品，比如做法律的Harvey，或者做会议记录的Garinola。这些都是很好的工具，但它们没有改变你做事的方式，只是在已有的方式上做增强。
结果就是，很多公司部署了AI，却感受不到变化。所以我们走了一条不同的路。我们不是一个工具一个工具地上，而是一个工作流一个工作流地切入，为每家公司量身定制软件。
我们会把一个工作流拆开来看。比如一个工作流有10个步骤，我们会判断其中5个步骤必须是确定性的，因为涉及数学计算，或者有合规要求，不能出错；3到4个步骤可以使用AI，允许有一定弹性；还有2个步骤需要人工审核，确认一切没有问题。
这才是真正使用AI改变业务的正确方式。但要做到这一点，必须针对每家公司定制，因为每家公司、每个部门的流程都不一样。
所以，如果你想把那些前AI时代的公司变成AI原生公司，就必须给它们搭一套适配自身工作流的定制软件，这就是我们在做的事情。我们搭建了一个模块化平台，所以可以做得很快。
泓君
听起来，你们在做的事情其实和OpenAI前段时间宣布的Deployment Company很像。他们也是在帮助企业落地。你怎么看待他们这个动作？你觉得他们为什么要这样做？
我觉得他们做得非常正确。过去半年，你能明显感觉到CFO和企业高管越来越多地在谈压缩成本。与此同时，MIT和斯坦福的研究报告也显示，真正把AI跑通、跑到规模化的企业其实寥寥无几。
这个落差是不可持续的，不能一直这样。所以大模型厂商必须推动企业侧的真实采用，必须证明ROI。光卖一个聊天机器人，是做不到这件事的。
他们想打开这扇门，就必须走和我们一样的路，所以我觉得这步棋踩得很准。当然，他们有大量资本，也有很强的技术能力，肯定能做成，只是需要时间。
他们原来的打法非常横向。虽然也有一些垂直应用，但本质上还是做通用大模型。现在突然要转去给企业搭建定制化工作流，这是完全不同的市场动作，也是完全不同的销售方式，和他们以前熟悉的打法很不一样。
我相信他们能够想清楚，但需要一些时间。
泓君
我想先从私募股权这侧聊一下。你服务了很多金融机构客户，我感觉这里有两条线：一条是这些机构自己内部使用AI，另一条是它们投资的portfolio companies。后者里面有很多传统SaaS公司，也可能需要转型。
你觉得它们现在最需要什么？它们在害怕什么？这是不是它们和OpenAI、Anthropic合作投资的原因？
我觉得PE和私募资本机构有3个核心诉求。
第一个是信号价值。我和PE公司打交道有一段时间了。3年前，大家还在问：“能不能来讲讲AI是怎么工作的？”2年前，问题变成：“能不能帮我想想，怎么在整个投资组合里推动AI？”今年彻底变了。
他们来找我说的是：“我要向LP募资，向养老金和其他出资人募资。我必须证明自己站在AI的最前沿。我需要有案例，展示我通过AI创造了价值，否则LP不会把钱给我。”
这是完全不同的逻辑。现在对GP来说，能不能展示AI，已经关系到募资的存亡。和行业里最响亮的名字建立合作，是一个非常好的背书方式，所以信号价值非常高。
第二个是投资组合的价值创造，这也是非常真实的需求。用对了AI，真的能够创造很大的价值。细节比较复杂，但这一块确实是真实存在的。
第三个是投资回报本身。这些合作的结构设计相当诱人，本质上是让GP进入一个高回报赛道，获得高增长资产的敞口。从这个角度看，逻辑也完全说得通。
泓君
你刚才说的第一点很有意思。你觉得是什么在推动LP推动AI？
和大多数公司推动AI的原因一样。从普通消费者的角度，你能读到多少相关内容，就能感受到AI能做多少事情。
比如The Daily AI这样的播客之所以每天都有新的东西可以讲，是因为变化真的快得吓人。MCP协议去年才出现，却感觉一切都在以疯狂的速度推进，所以每个人都意识到AI能做的事情太多了。
如果你没有认真做AI，你就在落后。站在LP的角度，我把钱投给一个GP，当然想确保他也在用AI改造被投企业。这是非常真实的需求。
再说一个点，因为你也提到了SaaS。过去5到10年，PE最大的两个资产类别是医疗和软件，几乎所有PE都有软件公司的敞口。今年“SaaS已死”的论调闹得很凶，LP和GP都高度紧张。
GP都在努力证明“我们没有问题”，所以信号价值进一步放大。但话说回来，你看Anthropic的一些合作，合作对象并不是纯软件投资人。因为你说得很对，AI创造价值最大的地方，往往恰恰不是软件公司。
就是那些传统企业，包括工业、制造业、商业服务和医疗，特别是医疗，这个市场太大了。基本上所有原来软件不太能帮上大忙的行业，现在都可以用软件做出非常有意思的事情。
还有一个很好的例子就是GP自身。PE公司是干什么的？找项目、估值、投钱、管理资产。这是一套非常人力密集的工作流，要用到非常昂贵的人，不管是内部团队还是外部顾问。这套工作流恰恰是最适合用AI改造的。
我有一个大客户，是一家非常大的资产管理公司。我们帮助它改造这些工作流，效果非常惊人。
泓君
能不能给我们举几个具体的例子？我感觉现在和很多金融从业者聊，他们还主要是在用AI做研究摘要，还是那套和大语言模型比较相关的用法。我很好奇，你们是怎么做到真正自动化工作流的？
可以讲很多。如果把一个投资基金的业务拆开来看，大概有几个模块：募资、投资管理、合规、财务和基金运营。我挑几个工作流举例子。
先说募资这一块。我有一个大客户，是一家非常大的资产管理公司。他们想和一家规模较小的资管公司合作，由对方帮助他们把产品纳入自己的产品线，并收取一部分佣金。这个想法听起来很不错，但对方说，每次开客户会议，都要配一个他们的销售经理。
大资管当然不能接受，因为这样利润就没了，根本不可行。所以他们来找我们，问能不能搭建一个AI销售助理，让它参与这些对话。
这个工作流大概是这样的：首先，他们有大约1000款产品，所以你得先搭建数据基础设施，把这1000款产品整合进来；然后搭建一个输入层，让另一方能够输入客户数据，同时把权限隔离开；再搭建一个计算模块，算出针对这个客户的最优产品组合。
这部分是确定性的，因为本质上是数学计算。然后，系统生成销售话术，供会前准备；再提供一个会中使用的工具；最后根据会议记录，在会后自动更新产品方案，形成一个反馈闭环。整个流程大概有7个步骤。
这套系统让这家大资管能够服务更大范围的客户，这是一个典型案例。
另一个我很感兴趣的例子，是投资决策流程本身。做尽调的时候，通常要同时跑10条工作线，聘请法律顾问和各类顾问，做商业尽调、环境尽调等。和这么多人协调，对投资团队来说压力很大。
我们正在为他们搭建一个平台，让他们能够和所有顾问交互，把问题推给顾问，并自动扫描整个数据室。你可以看到一个实时界面，追踪所有顾问的进展，还能调取这家基金在类似项目中曾经提过的问题，借鉴过往投资的经验教训。
这样一来，他们既能使用机构的历史知识，又能大幅减少和外部顾问的沟通。最后文件的输出也可以自动完成，这本来也是一个很大的负担。我见过太多投资人周末还要加班做这些事情，能帮他们省掉这些工作，我很高兴。
还有基金运营，比如净资产值计算或者账户对账。每个月，甚至每天收盘之后，都要确认账户余额是正确的。我的第一份工作就是做簿记，非常耗时，但这套流程完全可以自动化。
我讲了很多，希望能给你展示一些有用的场景。
泓君
基于你刚才说的，我其实想知道，AI时代的PE收购有没有发生变化？
过去我们谈到PE收购一家公司的时候，可能会想到投后公司之间的并购和roll-up整合。但现在，我们似乎进入了一个所谓AI roll-up的时代：表面上是在买这些公司，但实际上买下的是它们的工作流，然后再把它们改造成一家AI-native公司。
你觉得这会改变PE本身的运作方式吗？
我看到过很多不同的打法，但主要可以分为两类。
第一类投资人会说，凡是AI颠覆风险太大的领域，我们都不能投。这其实是很多人的直觉反应。
第二类则是更主动拥抱这件事的投资人。他们会说，现在其实是一个非常有意思的时间点，可以通过AI创造价值。他提到的那笔交易就是一个很好的例子，还有很多类似的deal。投资人会去收购一些过去技术含量并不高的企业，然后非常激进地用技术和AI赋能它们。
这显然正在成为一种新兴打法。一些走在前面的GP已经在这样做了，而且我认为它们能够创造的规模价值是真实存在的。但要真正创造出这种价值，并不是一件简单的事。
现在我看到的一个问题是，很多人想象中自己能做到的事情，和真正能够落地的结果之间存在很大差距。
我想强调一个核心观点：很多人容易犯的错误，是只把AI理解成一个降低成本的工具。但实际上，AI真正的价值很多时候在于创造收入、打开新的收入机会。
所以我经常会问客户一个问题：“如果现在免费给你1万名受过大学教育的员工，你会做什么？过去想做但做不了的事情是什么？”因为某种程度上，这就是AI现在带来的能力。
就像我刚才举的两个资管公司的例子。对他们来说，这意味着可以进入一个全新的客户或业务细分市场，一个过去根本无法触达的市场。所以这不是在降低成本，而是在增加收入。
我觉得这才是很多公司真正应该走的方向。但现在大家还是非常关注AI带来的成本削减，我认为这并不是最有力的切入点。真正应该思考的是：哪些事情是我过去做不了、现在却可以做的？这就是收入创造，而且可以有很多种形式。
我再给你一个例子。我们有一个客户是一家乳制品公司，他们有很多农场和奶牛。我们和他们讨论时问：“如果你们有1万人，会做什么？”
他们说，这个问题很有意思。他们会给所有账户写报告，因为他们希望减少写报告的时间，把更多时间用来维护奶牛的健康。
所以我们帮他们做了一整套数据整合和定制AI系统，用来为所有奶牛生成健康报告。这样一来，他们就可以把更多时间拿回来，真正去维护奶牛的健康状况，而这件事在过去并不可行。
泓君
听起来，你们做的事情和咨询公司也很像。这也是我之前想提的另一个话题：传统咨询公司以前是帮助客户解决自己不熟悉的领域，但现在像你们这样的科技公司和AI公司，好像在替代这个角色，用AI改造流程。
你觉得咨询行业会因此过时吗？还是说，咨询本身会变成AI转型咨询？
我觉得未来3到5年，咨询会迎来一波增长，因为所有企业在谈AI的时候，都需要重新思考商业模式。
最简单的一个例子就是律师事务所。以前律师事务所按小时收费，现在越来越难了。如果转成按结果收费，整套激励结构都会改变。
这种转型需要找人来聊。你想知道别人是怎么做的，有没有经验可以借鉴，也需要有人带你走过这段路。所以我认为，咨询在未来3到5年会有明显的需求增长。
但真正释放价值的，是那些最终留下了一套转型后业务的人。所以我觉得，AI实验室和像我们这样的公司，做完就走，但留下一套改造好的业务，这种模式才是真正创造价值的方式，而不是只聊怎么转型。
话说回来，现在市场不确定性很高，大家都处于观望状态。所以对咨询的需求是真实存在的，大家不知道该怎么做，也不知道从哪里入手。
这也是我工作中很大的一部分：坐下来和客户聊，先搞清楚哪些事情值得优先做。这必须具体问题具体分析。
泓君
你有没有遇到过这样的公司：它以为自己可以用AI搞定某个工作流，但实际上根本行不通？大家有时候是不是对AI太乐观了，或者对AI的运作方式存在误解？
最常见的问题就是，什么都想AI化。但现实是，这条路走不通。你必须把几件事情做好，其中最关键的一点是拥有好的数据平台。数据平台的价值是复利式增长的，AI再聪明，没有足够的信息和知识，也什么都做不了。
我们有一个叫Neuron的数据模块，专门帮助客户整合数据，把数据映射清楚，确保数据可以被使用。这是大多数公司的第一道坎，而且代价不小，因为他们之前根本没有做过这种事情。
第二个常见错误是，一个10步的工作流，不是每一步都应该使用AI。你可以用AI优化整体流程、理清逻辑，划定哪些步骤是确定性的，但不是所有步骤都应该交给AI。
比如账目对账这种财务流程，你不会想让AI来做。你想要的是确定性的结果。所以可以用AI帮助你梳理工作流逻辑，但具体执行的很多步骤，应该是硬编码的确定性数学计算。
我觉得最大的两个坑，一是数据，二是把本该确定性的事情也交给AI来做。
泓君
你觉得整合数据难不难？我理解每个公司都有自己的私有数据仓库，也就是proprietary data，但这些数据是不是比想象中更加难用？
我在麦肯锡的时候，每次去一个新客户那里，都会把7个不同的数据集丢给一个分析师，让他把这些数据合并起来找洞察。我当时就觉得很不可思议，为什么还需要一个分析师来做这件事？但这就是现实。
数据不只有结构化数据，还有非结构化数据。你的Outlook邮件、Gmail、LinkedIn、ERP系统、Salesforce，都散落在各种不同的系统里。
如果你真的想搭建一套能够改变业务的系统，就必须把这些数据汇聚起来。我们有4个数据模块。
第一个叫Neuron，是数据层和数据网格。它不会打乱你原有的数据架构，而是把结构化和非结构化数据整合起来，映射不同对象之间的关系，让你真正能够消费这些数据。
第二个叫Atomic，帮助你梳理和自动化工作流。第三个叫Synapse，用来评估AI在工作流中的表现。第四个叫Action，负责协调工作流中的不同智能体。
Neuron是起点，因为数据整合往往是第一道门槛，而数据又散落在各种各样的系统里。
泓君
有时候公司自己都不清楚现有的数据是什么样的。PE收购来的公司就是这样：可能同时跑着4套不同的ERP系统，Salesforce在这边，Outlook在那边，Gmail又在另一边。
你想做销售转型，想搞清楚客户为什么流失，结果发现客户成功数据在这个系统里，Salesforce数据在另一个系统里，销售电话记录又在Gong里。先把这些整合起来，才是第一步。
Oliver，谢谢你。
现在这个赛道已经有太多玩家了：模型公司在自己做部署，咨询公司在做转型，应用层公司也在快速扩张FDE团队。
在播客最后，我们回到和Joe的对谈，聊聊这个市场最终会怎么演变。
Joe
你觉得现在有这么多玩家参与到这个赛道里，从模型公司到你们这样的应用层公司，再到咨询公司，大家都开始做类似FDE的业务，这个市场之后会怎么演变？
它会变得像你说的那样，更加专注于某个垂直赛道，出现更多专精领域的产品？还是会看到模型公司提供更加通用型的产品，但可以用在不同企业里？
10. FDE市场正在分化
这个问题还是比较难回答。OpenAI和Anthropic宣布与FDE公司合作，或者自己建立FDE公司的同时或之后，Google可能也会宣布自己有FDE团队。
我们和Google的渊源还是很强的，很多人其实是从Google过来的，我们的工程文化也比较接近。Google的FDE和OpenAI、Anthropic的做法不太一样，他们也是让工程师帮助客户落地应用，同时把过程中发现的产品不足修复掉。
他们同样有很强的product sense，会帮助客户落地。但反过来说，Google毕竟有自己的产品，不太愿意使用别人的东西。
比如在语音领域，它可能更愿意使用自己的语音技术，不太愿意使用ElevenLabs、Cartesia、Deepgram这些第三方厂商的产品或模型；它可能更愿意推Gemini。这个领域非常卷，所以它不见得像我们这种相对独立的AI应用公司一样自由。
我们在一次conversation里，可能会用20多个不同的模型，哪里最好就用哪里，或者哪里最经济就用哪里。我们不见得挑最贵、最好的模型，因为我们最后卖的是outcome，不是token。
所以我们有很强的动力去挑选刚好够用、价格又合适的模型，同时还要保证它合规、一直在线。有些情况下，我们还要使用自己部署的模型，确保网络瘫痪时也能继续工作。
我们处在这样一个中间状态，有机会挑选最好、最合适的模型。这种选择的自由度，对大厂来说其实是没有的。
我的最后一个观点是，FDE是一个对人的要求很高的职位，但作为工程师来说，也非常令人激动。
我仍然认为，会有很多工程师继续做技术专家。比如有人是网络安全专家，有人是基础设施专家，有人是安全专家，也有人能够做出很好的全栈组件和模型。不是所有工程师都需要转成FDE。
但对于那些对自己的技术有自信、愿意开放地学习新技术，而且不讨厌和客户沟通的人来说，FDE是一个很不错的选择。你甚至可以享受今天和一家餐馆沟通，明天和一位牙医沟通，了解他们是怎么运作的。
你不可能一年换3、4次工作，去不同公司体验不同的行业。但做FDE，其实有机会和具体行业、具体公司的owner深入聊天。很多东西可能不那么技术，但对你个人来说，你会对这个世界有更近的认识。
如果你不讨厌出差、不讨厌和客户沟通，这是一个很好的方式，能够让你发挥人的价值。
因为到最后，我们自己也有90%以上的代码是AI写的。但我们还要花时间调prompt，不能完全trust AI来调prompt。AI调AI有时候可能会进入过拟合之类的状态。
所以人在里面扮演的角色，更多是AI的触手。我们白天和客户开会，甚至一起吃饭、喝咖啡；到了晚上，你可能对着电脑输出，把从客户那里获得的信息说出来，让AI知道，变成AI的context。
你不能指望一个人和AI喝咖啡，和它聊一些有的没的。我们人在里面扮演的角色，一方面是获得很多AI本身无法获得的context；另一方面，AI很容易提出各种proposal，但你需要有判断力。
因为到最后，我们是为这件事情负责的人，我们要有skin in the game。你可能有5、6个不同的option，每个option都有一大堆pros and cons。AI可以帮你做出看起来很全面的分析，甚至生成一张表格，但它不能替你做决定。
还是要由人从中挑一个方案，然后为这个决定负责。不管你是选择一个小的、快速的方案，还是做一个大而全的方案，或者意识到其中有哪些风险，这种决定能力都要比较强。你还要去说服别人做出改变。
所以，FDE锻炼人的层面会比较多。如果有人以后想自己创业，我觉得FDE像一个创业营。公司给你的肯定不是一个很舒服的工作状态，你会有很多活要做、很多事情要学。
但通过FDE，你可以锻炼出很多技能，这些技能对你之后创业或者做其他事情都会很有帮助。