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。
