企业把门打开以后，AI 公司带走了什么

最近 AI 圈有一幕很有意思。

Palantir CEO Alex Karp 坐在 CNBC 的镜头前，越说越生气。

他说，很多企业正在花大价钱买 token，却没有拿到真正的业务价值。更让这些企业不安的是，外部团队进入公司，摸清数据、流程和决策方式以后，企业最珍贵的那部分知识，也可能跟着一起流出去。

这话从别人嘴里说出来，可能只是一句提醒。

从 Karp 嘴里说出来，就有点微妙了。

因为 Palantir 恰恰是 FDE 这套打法最早的推动者之一。一个亲手把驻场工程师模式做大的公司，现在开始警告大家，这套模式可能正在被滥用。

事情一下子就变得有意思了。

FDE 的全称是 Forward Deployed Engineer，通常翻译成前置部署工程师。

名字听着有点技术，说穿了，其实很像咨询行业的驻场顾问。

只不过以前驻场的人带着访谈提纲和 PPT 进来，现在进来的是工程师。他们直接坐进客户团队，接数据、改流程、写代码，把模型塞进真实业务里。

企业为什么愿意买单，其实特别好理解。

很多公司不是没有模型，也不是没有预算。

它们真正卡住的地方，是模型到了现场以后，根本不知道该怎么干活。

合同写在文档里，审批规则散在不同系统里，老员工脑子里还装着一堆从来没有被写下来的例外。哪张表可以信，哪个字段经常错，哪个客户要特殊处理，出了问题应该先找谁，这些才是一个组织真正运转时依赖的东西。

模型看不见这些。

普通的软件供应商也很难在几周内看懂。

FDE 的价值，就出现在这个缝里。

他不是把一个标准产品扔给你，然后留下一本两百页的操作手册。他会跟着业务一起钻进去，把那些混乱、隐性的东西一点点接起来，直到 AI 真的能跑进生产环境。

企业买的不是几个工程师，而是一条从模型到结果的捷径。

说到这里，我突然想到电气化刚进入工厂的那段历史。

最早那批工厂买了电动机，做的却只是把原来的蒸汽机换掉。机器变了，厂房布局、生产流程和管理方式全没变，生产效率自然也没有突然起飞。真正吃到电力红利的，是后来那些敢把整套工作方式重新设计一遍的公司。

AI 现在也卡在这个阶段。

模型已经进来了，组织还没有跟着变。FDE 干的活，其实就是帮企业把那台新电动机接进旧工厂。

这也是为什么 FDE 在 2026 年突然变得这么热。

AWS 拿出 10 亿美元成立专门的 FDE 组织，要把数千名工程师直接送进客户现场。微软又拿出 25 亿美元组建 Microsoft Frontier Company，调动 6000 名行业专家和工程师做企业 AI 落地。

OpenAI、Anthropic、Google 也都在扩充类似的能力。

这不是一阵招聘热。

大厂已经发现，模型能力不再是企业采用 AI 的唯一障碍。真正难啃的，是最后那几十米，是怎么把一个看起来很聪明的模型，塞进一家公司真实、混乱、充满历史包袱的流程里。

坦率的讲，这件事确实需要人。

而且需要很强的人。

你让一个内部技术团队自己摸索，半年可能还在开会讨论权限。FDE 进场以后，五六个人贴着业务干，45 天就可能先跑出一个东西。

站在企业负责人的位置上，这个诱惑很难拒绝。

季度目标就在眼前，老板已经问了三遍 AI 到底落在哪，竞争对手的案例每天都在新闻里出现。这时候有人带着成熟模型、工程能力和行业经验敲门，说能把项目从 PPT 里捞出来，谁不想试试？

我非常理解。

问题也恰恰藏在这条捷径里。

怎么说呢，捷径不是不能走，只是走之前得知道，哪一段路以后必须自己会走。

FDE 为了让 AI 真正工作，必须进入企业最深的地方。

他要知道你的数据怎么流动，员工怎么做判断，哪些步骤只是写给审计看的，哪些人拥有真正的决定权。他还会碰到很多文档里没有的东西，失败过的方案、被默许的变通、只有老员工才知道的处理方法。

这些东西看起来很碎。

但你想想看，一家公司的竞争力，很多时候不就藏在这些碎片里吗？

配方、客户名单和源代码当然是 IP。

一个订单为什么在这个节点拦住，一个风控人员看到哪种信号会拒绝，一个供应链团队遇到缺货时怎么重新分配资源，同样是 IP。

而且后一种 IP 更麻烦。

它很少被清楚地标记出来，甚至公司自己都不知道它有多值钱。直到外部工程师把它拆开、编码、接进模型，所有人才突然发现，原来组织里最重要的知识，一直没有真正掌握在组织手里。

这就是 Karp 的担忧真正刺人的地方。

不是某个工程师一定会把你的文件拷走，也不是所有云端模型都会拿客户数据训练。

这种粗暴的判断不公平，也没有必要。

更现实的风险，是外部团队在项目里获得了完整的上下文，而企业自己的团队只拿到了一个可以运行的结果。

系统上线了，能力却没有留下。

项目刚结束时，这个问题很难被看见。

页面能用，指标在涨，汇报也很好看。等到模型要升级、业务规则要改、成本突然失控，企业才发现，最懂这套系统的人已经撤场了。

内部团队知道怎么点按钮，却不知道为什么这样设计。

知道怎么跑，却不知道哪里会坏。

知道出结果，却不知道怎么判断结果开始变差。

我有时候觉得，这才是 FDE 最容易被低估的代价。

不是数据泄露，而是能力债。

你为了快，把理解业务、定义指标、评估模型和维护系统的能力一起外包了。项目每成功一次，你对供应商的依赖可能就再深一点。最后对方卖给你的不只是模型和服务，还有一套只有对方真正看得懂的组织神经系统。

这一下就很尴尬了。

企业原本是想用 AI 提升能力，最后却可能因为 AI 变得更离不开外部团队。

这就有点反常了。。。

顺着这个问题，另一条路线开始被越来越多人提起，主权 AI。

把模型放在自己的环境里，用开源权重，数据不出内网，关键的推理、评估和权限都由企业控制。极端一点，每个员工都可以在本地工作站上运行模型，所有业务信息只在公司网络里流动。

听着确实很安全。

但主权 AI 也不是把服务器买回来，往机房一塞，主权就自动到账了。

这玩意没有那么简单。

本地部署要硬件，要运维，要安全团队，还要有人持续处理模型升级、评估和业务适配。开放模型未必在每个任务上都能追上最强的闭源模型，企业也未必养得起一支足够成熟的 AI 工程团队。

更关键的是，如果公司连自己的业务规则都没有梳理清楚，模型装在哪里都没用。

云端模型看不懂的混乱，本地模型照样看不懂。

所以，把 FDE 和主权 AI 摆成一道二选一的题，多少有点偷懒。

这块需要注意一下，不是说外部 FDE 不行，也不是说所有企业都应该自己养一支模型团队。

一个给速度，一个给控制。

一个能快速跨过落地门槛，一个要求企业把能力真正长在自己身上。

大多数企业最后选的，很可能不是任何一个极端，而是一块不断变化的中间地带。

不敏感、差异化不大的流程，可以大胆借助外部 FDE。客服摘要、通用知识检索、内部文档整理，这些场景优先追求速度，没有什么丢人的。

但一旦进入定价、风控、供应链决策、核心研发和客户策略，问题就变了。

这些场景里真正值钱的，不只是数据，还有数据背后的判断方法。企业可以借外部团队的手把第一版做出来，但架构权、评估权和替换供应商的能力，最好从第一天就握在自己手里。

真正的主权，不是所有东西都自己做，而是关键时刻你有能力换。

我觉得企业在签下 FDE 项目之前，应该先做一个很笨、但特别有用的测试。

假设这支团队 90 天后全部撤走。

你的人能不能继续运行系统？

业务规则变了，谁来改？

模型表现下降，谁能发现？

供应商涨价或者服务中断，能不能换模型、换平台，甚至换一支团队？

如果这些问题都只能由对方回答，那项目跑得越快，未来的迁移成本可能越高。

反过来，如果外部团队在交付系统的同时，也把数据定义、决策逻辑、评估集、监控方法和运维知识真正交给内部团队，那 FDE 就不是来制造依赖的。

它是在帮企业缩短学习曲线。

这两者表面上很像，结果完全不同。

前者交付一个能跑的项目。

后者留下一家更会使用 AI 的公司。

这场争论里还有一个不能忽略的细节。

Karp 当然不是一个没有利益立场的旁观者。Palantir 自己就在卖企业控制、数据治理和主权 AI 的方案。他批评前沿模型公司的时候，也是在争夺企业 AI 架构里最重要的那个位置。

但这不影响他问出了一个对企业很重要的问题。

当 AI 公司进入你的业务深处，最终被训练和改造的，究竟是它的模型，还是你的组织？

如果项目结束以后，模型更懂你的生意了，你的团队却没有更懂 AI，那这笔交易大概率不划算。

如果外部工程师走了，留下的不只是代码，还有一套内部团队能够掌握、修改和替换的能力，那这扇门就没有白开。

小余的理解是，企业 AI 下一阶段真正稀缺的，不会只是模型，也不会只是 FDE。

真正稀缺的，是把外部速度变成内部能力。

门当然可以打开。

但钥匙，最好一直留在自己手里。