歡迎閱讀由 Manny 執筆的「科技曼讀」，每個月都會挑兩個重大的商業事件，用最白話但最細緻的方式，帶你深度了解。

歡迎將你的讀後感想透過提問表單與我們分享。我們將在下個月跟大家分享我們的回應。如果你還不是《曼報 Pro》的訂戶，也歡迎加入這個每月有超過 8 篇深度好文的社群，與 9,600+ 人一起探索商業與創新。

最近有個英文單字席捲全世界，叫做 FDE，全名叫 Forward Deployed Engineer，直譯叫做「前線部署工程師」。這個字之所以熱門，不只是因為力推的 Palantir 在商業上與股價上都獲得巨大成功，還有最近 OpenAI 及 Anthropic 這兩大 AI 巨頭也都紛紛提出要成立專門的 FDE 業務。

越來越多公司也跳出來說要招募 FDE，但到底什麼是 FDE？所有公司都用得上 FDE？為什麼 AI 巨頭都要開始成立 FDE 事業？類似的問題不斷冒出來，才有了這篇文章。希望透過這篇文章，幫助自己，也與你一起得到一個初步的解答，以及觀察趨勢的框架。

FDE 不是什麼？

根據 Palantir 前研究長 Bob McGrew 的說法，FDE 是一個坐在客戶現場、同時懂技術和業務，並且負責交付成果的人。這個說法還是有點抽象，讓我們先用 FDE「不是」什麼開始釐清。

FDE 不是顧問，這也是最多人的誤解。顧問交付的是報告和建議，每個客戶幾乎都是獨立事件；FDE 交付的是成果，且該成果可以回到產品中、成為下一次部署的起點。

FDE 也不是業務或售前工程師。業務的任務是關單，在客戶簽完合約後大致上就消失了；FDE 的任務是交付成果。

FDE 更不是低階的支援人員。這些人都是能在複雜企業環境中，自主做出技術決策的資深工程師。這點要求具體反映在 Palantir 在美國市場開出的薪資，中位數約 20 萬美元，最高可突破 40 萬美元。

那麼，具體來說 FDE 到底是什麼？有一種方式是用 top-down 的技能清單來定義，例如會寫程式、懂溝通、了解業務、能出差，但這其實分辨不出 FDE 跟一個會寫程式的顧問有什麼不同。

我認為更好了解 FDE 的方式，是先用 bottom-up 的方式，也就是從了解 FDE 要解決什麼問題出發。這麼做的好處還有一個：知道不是每家公司都需要 FDE，也不要因為這個名詞好像很夯就開始創造 FDE 職位。

FDE 是什麼？

FDE 的存在是為了解決三種落差問題。

第一是消除知識不對稱。例如，工程師了解自家的 AI 模型，但不了解客戶的實際狀況、資料品質和合規需求。反過來說，客戶端的人員當然了解自家的業務，但不了解 AI 系統架構。這些落差很難只靠文件或 API 消除。

第二是因為情境過度複雜以至於無法仰賴標準化流程。當產品必須在理解客戶的業務情境下才能發揮價值時，任何標準化的 onboarding 都會失敗。

第三是克服客戶組織內部的巨大阻力。新技術的採用失敗，往往不在技術本身，問題出在組織內部的阻力、優先順序的衝突，以及購買決策者與使用者之間的距離。把人實際送進企業當中，通常是克服上述阻力的唯一辦法。

因此，從以上三種問題出發，FDE 的「抽象」定義就是：在公司的產品已經複雜到客戶無法自主部署的前提下，一名同時擁有工程能力和業務理解能力且願意嵌入到現場的角色。他的核心任務是將產品功能轉化為客戶組織內的成果，並把相關發現帶回去。

這個抽象定義也順便帶出了 FDE 同時存在的兩個身份：短期而言，它是 COGS（銷售成本），會壓縮毛利；長期而言，它是 R&D，協助公司打造可重複利用的平台功能。這兩個身份之間的張力，我認為是 FDE 商業模式最重要的核心。

為什麼 Palantir 的 FDE 這麼有用？

講到 Palantir 以及 FDE，不少人的直覺就是「這是吃掉軟體公司毛利的東西」，早期甚至有不少人認為 Palantir 只是一家「裹著軟體外衣的顧問公司」。

有這種直覺很正常，因為 FDE 的成本結構跟傳統 SaaS（軟體即服務）公司相反。首先，FDE 的成本歸在銷售成本（COGS），所以會直接吃掉毛利率；其次，每簽一個新客戶就要配一組新的 FDE 團隊，也不符合普遍熟悉的零邊際成本擴張邏輯。

然而，Palantir 的財報數字卻呈現一個反直覺的趨勢。營收方面，從 2020 年的 11 億美元成長至 2025 年的 44 億美元，且單季營收都在持續增速；毛利率方面，排除非現金的股票報酬後也是不斷上升，從 2021 年的 82% 一路成長到 2026 年第一季的單季 88%。如果 FDE 只是銷售成本，那麼營收翻四倍的同時毛利率應該會下滑。

為什麼 Palantir 能有這種成績？相關的分析很多，以下是我認為比較核心的三點。

首先，Palantir 不單獨收 FDE 的服務費，而是把 FDE 成本綁進軟體訂閱的定價中，以便透過高溢價的訂閱收入覆蓋掉 FDE 的成本。為什麼 Palantir 可以收這個溢價？因為客戶沒有更好的替代方案，不論是自建團隊或外包顧問公司，通常不僅更貴，成效還更差。

其次，FDE 並非是單次性的顧問，還擔任 R&D 的前哨站。每個 FDE 在客戶現場遇到的問題、踩過的坑，都會回頭變成平台的可重複使用功能，這讓未來的每一次新部署都比上一次更便宜。更精確地來說，FDE 雖然在會計上歸 COGS，但在策略上歸 R&D。

最後，Palantir 只對「付得起」的客戶用 FDE，實際上來說就是年度合約價值（Annual Contract Value，ACV）達七位數美元以上的客戶才值得配 FDE。

AI 雙巨頭宣布加入 FDE 競爭

隨著 Palantir 的財報越開越好，越來越多公司也開出 FDE 的職位，例如過去強調透過龐大生態系夥伴來進入市場的 Salesforce 也開始招募 FDE。不過，近期最關鍵的轉折還是 OpenAI 與 Anthropic 兩大 AI 巨頭的動向，因為它們面臨同樣的挑戰：企業 AI 市場的競爭已從「模型能力」轉向「實際部署效率」。

2026 年 5 月，OpenAI 正式宣布成立 OpenAI Deployment Company（DeployCo），以 140 億美元估值啟動，並由 OpenAI 持有多數股權與控制權。為了加速啟動，OpenAI 同步宣布收購 2023 年才成立的 Tomoro，直接獲得約 150 名的 FDE 和部署專家。

DeployCo 的投資人陣容共 19 家機構，橫跨私募股權、顧問公司和策略夥伴三個類別。這 19 家合作夥伴能觸及超過 2,000 家 portfolio 公司和客戶。此外，根據媒體報導，OpenAI 向 PE 基金承諾了為期五年、17.5% 的年化保底收益率，意思是若 DeployCo 營運不佳，OpenAI 還要倒貼給投資人。

同樣是在 2026 年 5 月，Anthropic 宣布與 Blackstone、Hellman & Friedman 和高盛三家機構共同合資成立 AI 企業服務公司，資本規模約 15 億美元。這是一個真正的多方合資公司，Anthropic 只是合夥人之一，而非控制方。

Palantir 式的 FDE 成為競爭企業 AI 市場的關鍵供給手段，而非寄望推銷一個要企業客戶自助（self-service）的產品；需求面則仰賴私募基金等機構，因為它們不僅擁有廣大的潛在企業客戶，還有強烈的動機讓這些企業都採用 AI，畢竟不能深度整合 AI 的企業在未來可能都無法進一步提升估值。

不過，兩大巨頭卻在控制權的設計上有顯著差異，且這將反映出截然不同的 FDE 成果。

OpenAI 持有 DeployCo 的多數股權和控制權，表示 DeployCo 的 FDE 工作方式、客戶優先順序、以及最關鍵的現場經驗如何回饋到 OpenAI，都由 OpenAI 決定。這讓 DeployCo 更接近 Palantir 的 FDE 模式，也就是 FDE 的長遠價值是母公司的研發前哨站，而非銷售人員。

相反地，Anthropic 對這家多方合資公司沒有控制權，而這將有一個優先順序問題：當 Blackstone 的某個投資標的與高盛的某個投資標的同時需要 Anthropic 的服務時，誰優先？更複雜還有利益衝突：當一家 PE 同時是合資公司的合夥人、也是客戶的投資人時，它代表的是誰的最佳利益？

整體來說，OpenAI 的 DeployCo 更接近 Palantir 的 FDE 飛輪邏輯，而 Anthropic 的合資公司則更接近「用 PE 換取企業客戶銷售管道」的擴張邏輯。前者的長期潛力更大，但短期財務風險（17.5% 保底承諾）也更高；後者的短期客戶獲取更容易，但在 FDE 飛輪的建立上則有所侷限。

為什麼兩家 AI 巨頭都非做不可？

往更深一層想，兩家 AI 巨頭有必要為了只是搶先部署進去企業，就大張旗鼓地合資、甚至收購 FDE 公司嗎？我認為有必要，因為它們眼前都有一個 Palantir 不需要面對的問題：token 成本。

傳統 SaaS 公司一旦發展成熟，毛利率通常是 80% 以上，且後續提供服務的邊際成本趨近於零。AI 公司卻有一個持續發生的 token 推論（inference）成本要處理。

從表面上來看，token 成本正在快速下降。根據 Epoch AI 的資料，從 2022 年到 2025 年，token 成本最高下降了 99%。Gartner 甚至喊出 AI inference 成本到 2030 年將再下降 90% 以上。

但弔詭的是 token 便宜了，帳單卻不降反升。因為 agentic workflow 的普及，用量的成長速度遠遠超過單位成本的下降速度。這製造出一個兩難：每個客戶的使用量越多，inference 成本就越高；但如果客戶部署失敗、用量沒有成長，又收不到足以支付研究成本的營收。

FDE 在這個脈絡下的功能，不只是把 AI 賣出去，而是確保 token 消耗發生在有價值的地方。幫助客戶把 AI 用在高價值、高用量的任務上，而非低價值但高成本的隨意使用。客戶覺得自己投資在正確的項目上，才願意持續付費；token 的消耗集中在真正有商業意義的工作流程，inference 成本才不會失控。

這也是為什麼 AI 公司不能只讓客戶 self-service。self-service 很有可能產生大量的無效用量，而不知道投報率在哪的客戶最終也會流失。結合前面談到的 R&D 飛輪邏輯，FDE 的積極面在於確保用量的「品質」，而非如傳統 SaaS 公司一樣只想增加用量的「數量」。

回到上一節的控制權問題，這個品質管理的邏輯正是讓兩家公司的結構差異變得不只是治理細節的原因。能統一掌握現場部署資料的那一方，才有辦法真正理解哪些工作流程產生有效的 token 消耗。

FDE 不是短暫過渡期的解決方案

當我第一時間看到 OpenAI 與 Anthropic 發布的新聞時，想的卻是它有可能怎麼失敗，畢竟技術型公司和服務型公司，代表的是兩種不同的商業邏輯，前者的核心資產是智識財產，它的邊際成本趨近於零；後者的核心資產是人與關係，它的邊際成本就是人。

不過，Stratechery 提出了一個我覺得蠻好的觀點：AI 在企業中扮演的角色，更接近 1970 年代的大型主機革命，而非 SaaS 時代。SaaS 時代的工具邏輯是讓員工更有效率，AI Agent 的邏輯則是直接替代人工，並重新設計流程。如果 FDE 只是幫企業設定工具，它和 IT 外包沒有區別；如果 FDE 真正做的是重新設計整個業務流程，它的價值就遠遠超過傳統的 IT 服務。

然而，即便上述為真，一個合理的提問是：「客戶沒辦法自己來，所以要靠 FDE」的這項限制究竟是結構性使然，還是只是 AI 不夠好用的短暫過渡期現象？如果只是短暫的過渡期，那麼也許忍一下、花時間把 AI 工具變更好用就可以。

我認為可以從兩個層面來解答。第一，從 token 短時間內還是會有成本的角度來看，AI 公司無論如何都需要有人確保客戶的用量是有品質的用量，否則客戶流失之前自己就會先垮了。光是這一點，就足以說明為什麼 FDE 具有長期的存在價值。

第二，部署的瓶頸在於 AI 系統跟業務流程之間永遠有鴻溝，而且不會因為工具變得更易用而收斂成零。很多人總想著 AI 可以「一鍵滲透」整家公司，翻轉所有流程，但 99.99% 的既有企業都無法滿足這種條件，且隨著 AI agent 的決策範圍越擴大，部署失敗的代價就會越高。

當然，包括 Anthropic 在內，越來越多人開始倡議如何打造一家「AI 原生」（AI-native）的公司，但這些公司要成為商業上的主流還需很長一段時間，絕大多數的企業仍然會需要、也願意付錢請人幫它們成為 AI 輔助（AI-assisted）的公司。

活在一個顛覆的時代

為了寫這篇文章，回頭重新複習了 Palantir 的財報與電話會議紀錄，以及看了許多相似但又不能完全比對的歷史案例（最後全部都刪除了）。過程中不斷想挑戰的想法是：「這次是否真的不一樣？」

我越來越覺得這一波 AI 革命真的不一樣，許多 2005-2020 年間的軟體與網路事業思維都將被顛覆，逼得我也不斷割捨掉一些直覺反應，例如「技術公司就應該是零邊際成本的擴張」、「最好的冷啟動成長就是 PLG（product-led growth）」等。

我們都將從「加速」的年代走入「顛覆」的年代，工作流程被顛覆、工作角色被顛覆，甚至軟體事業的成本結構也將被顛覆。這也是我把「科技曼讀」這條專欄調整成這個路線的原因：掌握趨勢的關鍵，在於對事物有更趨近於本質的清晰探求。