OpenAI 和 Anthropic 共同看好的 FDE：AI 时代的新岗位出现，旧分工松动｜对谈 Rolling AI

概览

本期围绕 FDE（Forward Deployed Engineer，前置部署工程师）展开，讨论 OpenAI 和 Anthropic 为什么都在企业 AI 场景中强调这一角色。嘉宾认为，AI 进入企业不能被简单理解为“上线一个软件”，而更像是把“数字员工”放进组织，FDE 的任务是帮助它理解业务、接入系统、掌握知识并真正上岗。

Rolling AI 的两位合伙人从企业咨询和一线落地经验出发，提出 AI 落地的核心不只是技术，而是业务流程、组织激励、管理方式和人机协作关系的重构。他们用乳品、连锁门店、租房平台等案例说明，AI 的价值往往不在总部做宏观策略，而在一线成为店长、销售、管家等角色身边的“副手”。

讨论后半段进一步延伸到咨询行业和组织岗位变化：传统上传下达、信息整理、执行型智力劳动会受到冲击，而商业判断、情绪价值、一线经验和“街头智慧”会变得更重要。嘉宾也认为，FDE 类公司不只是软件公司或咨询公司，更接近“Service as software”。

分段落总结

[00:00] FDE 概念与本期问题

[事实] 主持人介绍，本期讨论近期热门的 FDE，并邀请 Rolling AI 合伙人阿甘和刘开参与。

[事实] 主持人提到，OpenAI 和 Anthropic 在 5 月初同一天宣布了 10 亿美元级别的企业 AI 合资公司，并都使用 FDE 这个概念。

[事实] FDE 一词最早来自 Palantir，指派工程师深入客户公司内部，从零帮助客户定制、构建和落地系统。

[推测] 本期的问题意识是：FDE 虽然像一个新概念，但背后反映的是企业 AI 落地方式和组织分工正在变化。

[01:00] Rolling AI 的背景

[事实] 两位嘉宾介绍了年龄、教育背景、MBTI、星座和公司情况。

[事实] Rolling AI 被介绍为一家 AI 相关咨询公司，团队约 60 多人。

[事实] 两位合伙人此前都曾创业，也都与 BCG 有关联。

[推测] 嘉宾的咨询和创业背景，使他们更倾向于从商业问题和组织落地角度理解 AI，而不只是从模型或工具角度讨论。

[02:30] AI 不是传统软件，而是“数字员工”

[事实] 嘉宾认为，传统软件是工具，需要人操作；AI 更像劳动力。

[事实] 他们把 FDE 的工作类比为 HRBP：把一个数字员工放进企业，帮助它培养、上岗和适应组织。

[事实] AI 在企业中要发挥作用，需要理解公司的上下文、流程、资料和工作台。

[推测] 这意味着 FDE 的价值不只是部署技术，而是完成“新员工入职”式的业务融合。

[03:30] 从 Builder 到 FDE

[事实] Rolling AI 过去不太称自己为 FDE，而更多称自己为 Business Builder。

[事实] 嘉宾认为，他们实际做的事情与 Palantir FDE 的工作方式相似。

[事实] Rolling AI 从 GPT-3.5 刚有接口时就开始做企业 AI 服务，已服务近百家企业，当前主要是全年制大客户。

[推测] FDE 是一个新标签，但嘉宾认为其背后的工作实践早已在企业 AI 落地中出现。

[05:00] 离开 BCG 与中国企业需求变化

[事实] 嘉宾认为，MBB 这类咨询公司在服务中国本土企业时遇到一些困难，包括收费模式和落地方式。

[事实] 他们提到，中国很多企业家是一代或二代经营者，更重视能否做出结果、带来组织改变，而不是阶段性 paperwork。

[事实] 嘉宾称，过去在 BCG 做过接近九位数人民币的项目。

[推测] Rolling AI 的定位与传统咨询不同之处，在于它更强调直接进入业务、交付结果和改变一线工作方式。

[07:00] 咨询交付物从 PPT 变成智能体

[事实] 嘉宾说，传统咨询通常是调研行业和企业、梳理框架，最后交付 200 页 PPT。

[事实] 他们现在仍会理解行业、公司、资源和过去努力，但交付物变成智能体。

[事实] Rolling AI 内部有标准：所有智能体必须在 15 天内上线。

[推测] 嘉宾把智能体视为可运行的组织方案，而不是静态建议书。

[08:20] 乳品企业与营养健康智能体案例

[事实] 嘉宾分享了一个乳品企业案例：出生率变化导致乳品行业承压，企业希望寻找第二曲线。

[事实] 该企业想做蛋白饮、益生菌等更高溢价产品，但原有经销渠道不适合销售这类产品。

[事实] Rolling AI 曾计算，注册营养师数量与服务人群存在明显缺口，于是做了营养健康模型微调。

[事实] 该平台承载了 600 万在线用户，由一个运营人员带着 50 多个智能体完成测评、发帖和营养咨询等工作。

[10:00] AI 上岗需要学习专业服务流程

[事实] 嘉宾说，普通模型回答“我要减肥”时往往直接给方案，但真正的减肥师会先提供情绪价值，再询问饮食、健身习惯和目标。

[事实] 他们认为，AI 员工上岗需要找到好的“师傅”，学习专业服务流程。

[事实] 在线下奶茶连锁等场景中，这类师傅可能是优秀店长。

[推测] 企业 AI 的训练重点不只是知识输入，还包括把优秀一线人员的工作节奏、判断方式和互动方式转化给智能体。

[10:30] 从 top-down 总结到 bottom-up 学徒

[事实] 嘉宾说，2025 年之前，他们会访谈金牌销售、培训师，总结最佳实践后放入 AI。

[事实] 后来他们发现，商业中的最佳实践未必有统一的权威答案，成功方式可能很多。

[事实] Rolling AI 开始用 bottom-up 的方式，让 AI 机器人每天和店长复盘，采集一线经验。

[事实] 这套机制被称为“学徒”，像咨询行业的 shadow，在旁边观察并学习老师傅。

[12:30] 优秀员工不会被简单替代

[事实] 嘉宾说，学徒进入后要先帮老师傅做事，例如排班建议、营业预估等，老师傅觉得有用才会教它。

[事实] 他们认为多数情况下是“AI 加人”强过人，人又强过单独的 AI。

[事实] 能沉淀经验的优秀基层员工是企业的重要资产，不应该被放弃。

[事实] 嘉宾建议企业激励那些能为 AI 带出好智能的员工，因为他们的经验可以复制到全国更多门店和销售身上。

[14:00] AI 副店长与营业额预估

[事实] 嘉宾介绍，连锁门店需要预估第二天营业额，以便排班和备货。

[事实] 过去总部统一算法往往不准，因为每个门店周边环境、天气、活动和竞争情况都不同。

[事实] Rolling AI 改为给每个店长配一个帮助预估营业额的智能体，由店长结合上下文最终决策。

[事实] 嘉宾称，这一改变显著提高了整体预估准确率。

[15:30] 一线街头智慧与 AI 的互补

[事实] 嘉宾认为，AI 更多是书本智慧，而中国很多商业场景里有大量街头智慧。

[事实] 他们举例说，暴雨天气下聪明店长会提前和临时员工沟通可能不用上班，从而减少人员浪费。

[事实] 另一个案例中，AI 通过周边数据误判某门店人群高端，店长补充“旁边超市价格更低”的一线信息后，才形成正确经营策略。

[推测] 这些案例说明，AI 的分析能力需要和一线真实上下文结合，否则可能得出看似合理但方向错误的判断。

[19:00] AI 红利在于赋能一线

[事实] 主持人提到 7-Eleven 曾把进货决策权下放给一线店长，并带来业绩提升。

[事实] 嘉宾认同，AI 最大红利不在总部做自上而下策略，而是把智慧陪在店长、销售等一线人员身边。

[事实] 过去无法让一万个教练陪伴一万个一线员工，现在可以通过 AI 实现类似效果。

[推测] AI 让“权力下放到一线”变得更可执行，因为它补足了店长的信息采集、分析和决策辅助能力。

[21:00] FDE 的具体职责

[事实] 嘉宾把 FDE 比作 AI 人力外包公司的“工头”，带着一批 AI 员工进入企业上班。

[事实] FDE 不能只是把 AI 放在那里，还要确保它们能执行工作，并达到足够高的质量。

[事实] 嘉宾总结 FDE 要做三件事：业务融合、知识治理和系统对接。

[事实] 好的 FDE 需要看穿业务痛点，理解人机协作，并能快速构建 AI 原型和智能体编排。

[24:30] 对标准化和 SOP 的反思

[事实] 嘉宾认为，传统咨询和企业管理大量工作是帮助公司标准化。

[事实] 他们对“标准化”提出反抗，认为每个门店都应该有自己的经营上下文、思路和方式。

[事实] 嘉宾认为 SOP 代表保底，但也可能代表慢和落后；AI 的目标是让每个店都做到 85 分、90 分，而不只是全局 60 分。

[推测] 这是一种从“统一管控”转向“个性化赋能”的管理思路。

[26:00] 下一代管理智慧可能来自中国企业一线

[事实] 嘉宾认为，过去总部大量标化、信息化、内审和采购部门，本质上是在管控门店和销售节点。

[事实] 他们设想未来总部会变成赋能型组织，为每个一线单元提供智能体，帮助其拿到更多业绩。

[事实] 嘉宾认为，没有 AI 时很难做到，因为组织中懂业务、讲得清楚、又能辅导他人的智力生产力不够。

[事实] 他们提到，中国企业家更结果导向，且一代、二代 owner 仍在一线，这会影响 AI 落地方式。

[28:00] AI 转型不只是技术问题

[事实] 嘉宾认为，企业 AI 落地中技术占比不会超过三分之一。

[事实] 他们把 AI 革命类比为电力革命，认为它会改变人、生产工序、员工培训方式和商业形态。

[事实] 嘉宾强调，企业只接上电、接上网或接上大模型，并不能避免被淘汰，关键是是否围绕新生产力重构商业。

[推测] 嘉宾反对把 AI 视为单点工具上线，而主张把它当成生产力基础设施来重塑组织。

[30:30] AI 落地的三个常见坑

[事实] 嘉宾说，整体 AI 转型项目成功率不到 50%。

[事实] 第一个失败原因是 CEO 对 AI 能做什么有超出现实的预期。

[事实] 第二个原因是让 IT 团队主导 AI，而不是业务团队主导；因为业务知识和经验来自业务团队。

[事实] 第三个原因是没有配合调整业务团队和组织激励，导致新的生产力与旧生产关系不匹配。

[34:00] 租房平台管家案例

[事实] 嘉宾分享租房平台案例：管家原本被大量日常琐事和带情绪的问题占据。

[事实] 客户最初想让 AI 帮助自动回复、提高回复速度，但 Rolling AI 发现更大的问题是管家没有时间销售更多服务。

[事实] 他们重新划分 AI 和人的工作：日常琐事由 AI 处理，人负责更有温度的关怀和服务销售。

[事实] 嘉宾称，该案例中一个人服务的住户数量从约 500 提升到 1200，目标进一步提升到 2000，同时服务质量、好感度、续约率和服务售卖提升。

[36:00] 岗位标准和心理辅导发生变化

[事实] 嘉宾说，管家案例中好员工标准从“打字快、记得准”变为能提供情绪价值的人。

[事实] 阿甘提出，咨询销售某种程度上是在给董事长和 CEO 做心理咨询。

[事实] 嘉宾认为，现在更多心理辅导工作来自对员工解释：被消失的不是人，而是落后的岗位。

[事实] 他们判断，只做上传下达的信息传递型管理岗位应该消失。

[38:30] 哪些岗位会被冲击

[事实] 嘉宾解释，上传下达岗位过去承担信息清理、结构化、汇总和分析报告的工作。

[事实] 他们认为，现在 AI 可以更好地完成这类信息采集和分析工作。

[事实] 靠执行力、打字快、记忆力好等智力劳动执行型岗位会更困难。

[事实] 嘉宾认为，人类可能从智力劳动时代逐渐转向智力决策劳动时代，更多负责方向、判断和取舍。

[41:00] Rolling AI 选择客户的标准

[事实] 嘉宾说，他们的目标是帮客户 build business，如果客户只是想买软件，就不匹配。

[事实] 他们偏好能和一把手直接沟通、明确业务痛点，并能在三次左右达成合作意向的客户。

[事实] 他们拒绝过 600 万、800 万级别的项目，因为对方讲不清最终业务目标，验收也会变得困难。

[推测] Rolling AI 更像结果导向的业务共创方，而不是按需求交付定制软件的供应商。

[43:00] 组织形态与年轻人的职业建议

[事实] Rolling AI 组织结构很扁平，两位合伙人也会参与项目。

[事实] 嘉宾形容团队像基于目标临时组队的小队，成员需要深入一线。

[事实] 对刚毕业想做咨询的人，嘉宾反而建议去更大平台培养商业 sense 和 judgment。

[事实] 嘉宾认为，AI 时代年龄和资历越来越不重要，判断力、好奇心、problem solver 特质更重要。

[47:00] OpenAI 和 Anthropic 为什么重视 FDE

[事实] 嘉宾认为，大模型公司公共数据有限，要真正进入行业，需要行业知识和行业上下文。

[事实] 他们认为 2B 本质上不是单独软件能完成的事情，而是一种服务业。

[事实] 如果大模型企业要改变政府组织和企业，主力障碍不是能不能接入模型，而是模式、流程、组织和人才。

[推测] OpenAI 和 Anthropic 强调 FDE，可能是因为它们看到了企业 AI 改造需要深入行业现场，而不是只卖 API 或模型能力。

[48:00] FDE、PE/VC 与 upside

[事实] 嘉宾认为，大模型对行业改造能获得的收益不只是 token 收入，而是帮助企业增加收益或节省成本的 upside。

[事实] 他们举例说，服务费可能是 500 万或 600 万，但如果帮企业省下或多赚几千万，实际价值更大。

[事实] 嘉宾认为，PE 或 VC 的投后部门未来应具备 AI 赋能能力，甚至拥有独占的 AI 服务团队。

[推测] FDE 类能力可能成为投资机构服务被投企业、提升投后价值的重要基础设施。

[50:30] 与 MBB 的差异和咨询行业变化

[事实] 嘉宾说，他们过去也服务过 PE 的被投企业，帮助其做战略和增长。

[事实] 他们认为，AI 带来了战略规划能否落到一线的信心变化。

[事实] 过去咨询更多产生规划、影响中高层；现在 AI 让咨询公司有能力潜到每个店长和销售身边。

[事实] 嘉宾提到，当 PPT 转成每天在一线服务的智能体和工具时，增长会变得更扎实。

[52:00] Service as software

[事实] 嘉宾指出，咨询行业不只有管理咨询，也包括 IT、HR 等不同类别。

[事实] 他们认为 MBB 的核心在于解决 CEO 的核心问题，并接近收入和权力核心。

[事实] 对 Rolling AI 的定位，嘉宾提到有投资人认为他们更像 Service as software：交付 software，但核心提供的是 service。

[推测] 这一定位试图跳出传统“咨询公司”或“SaaS 公司”的分类，强调用软件形态承载服务结果。

播客点评/总结

本期的价值在于，它没有停留在模型能力或 AI 应用概念层面，而是把讨论推进到企业一线：AI 如何进入门店、销售、管家、营养咨询等具体工作场景，如何与人的判断、经验和激励机制配合。几个案例都围绕真实经营问题展开，因此比抽象谈“AI 赋能企业”更有可感性。

亮点是嘉宾提出了几个清晰的判断：AI 更像数字员工而不是软件；FDE 是帮助数字员工上岗的人；企业 AI 落地的关键不只是技术，而是业务融合、知识治理、系统对接和激励调整。这些判断能帮助听众重新理解为什么企业 AI 项目常常失败。

局限在于，本期主要呈现 Rolling AI 自身的方法论和案例，很多效果数字来自嘉宾口述，转录稿中没有第三方验证或更完整的项目背景。因此涉及成效规模、长期可持续性和复制性时，应保留一定审慎。

[推测] 本期适合关注企业 AI 落地、咨询行业转型、组织管理变化、FDE 职业方向的人收听；如果只关心模型技术细节或底层工程实现，可能会觉得技术讨论不够深入。