FDE 是什麼？AI 時代最缺的，可能不是模型而是最後一公里工程師
企業買到模型只是取得原料。FDE 直接進入客戶現場，把資料、流程、權限與人接起來，直到 AI 真的在日常營運中產生可衡量的結果。
FDE 站在三個世界的交界
他不是傳話筒，而是把問題、技術與價值接成同一個回饋迴路。
| 階段 | FDE 的工作 | 完成標準 |
|---|---|---|
| 問題 | 需求分析、流程觀察、KPI 基準 | 問題值得解，而且能量測 |
| 原型 | 資料串接、Prompt、工作流、快速開發 | 真實使用者能操作並提出反例 |
| 生產 | 權限、整合、測試、部署、監控 | 能在例外與治理條件下持續運作 |
| 沉澱 | 回報 Bug、需求與共通模式 | 下一個客戶能重用更多能力 |
依華西證券研報第 6、9 頁重製；流程與用語由 XMY 編輯整理。
如果把大型語言模型想成一顆很強的引擎，企業真正缺的通常不是再買一顆引擎，而是有人把它裝進車裡，接上油路、煞車、儀表與駕駛流程，最後還能通過安全檢查。FDE，Forward Deployed Engineer，做的就是這段最麻煩、也最有商業價值的工作。
FDE 不是新名字，而是新的責任邊界
傳統軟體公司把工作切得很乾淨：業務理解客戶、售前做簡報、顧問畫流程、工程師寫產品、實施團隊負責上線。AI 專案卻常在這些接縫裡失敗。模型輸出不穩、資料權限不完整、流程沒有負責人、舊系統缺乏 API，任何一項都足以讓漂亮的 POC 停在會議室。
FDE 的不同，在於他不只交付某一段。他必須先理解現場真正要改善的指標，再選擇模型、資料與工具，快速做出可互動原型，接進生產流程，設計評估方法，並把使用者回饋帶回產品團隊。這是一個帶著工程能力的業務翻譯者，也是一個對落地結果負責的產品探勘者。
一個完整任務，通常包含六件事
- 問題定義：把『我們想用 AI』改寫成可衡量的營運問題。
- 資料盤點：確認資料在哪裡、能否使用、品質如何、誰有權限。
- 快速原型：用最短時間做出能被第一線使用者挑毛病的版本。
- 系統整合：連接 ERP、CRM、MES、文件庫、權限與既有工作流。
- 生產部署：處理可靠性、稽核、安全、成本與例外情境。
- 產品回饋：把單一客戶的問題抽象成可被更多客戶重用的能力。
為什麼現在突然重要？
生成式 AI 的能力很廣，但需求常是模糊的。企業知道 AI 可能有用，卻不知道先改哪個流程；模型公司知道技術能做到很多事，卻不熟每個產業的隱性規則。這個雙向資訊差，就是 FDE 的工作空間。
OpenAI 對 FDE 的官方說法很直接：團隊要與客戶一起解決特定問題、驗證影響，再找出可擴張的模式。這三個動詞很重要——解決、驗證、擴張。少了驗證，專案只是展示；少了擴張，服務就永遠是昂貴的人力外包。
AI 商業化的真正瓶頸，正在從『模型會不會』轉向『組織做不做得到』。
對企業主而言，判斷供應商是否真的有 FDE 能力，可以問三個問題：誰會進現場？誰對業務 KPI 負責？這次做完的東西，下一次能重用多少？如果答案始終只有模型名稱、Token 價格和 Demo 速度，那多半還沒有走到 FDE。
資料來源與閱讀邊界
本文以 華西證券《FDE：AI 商業模式黏合劑》（2026-08-11）第 2、6、9 頁為導讀。本站未公開或直接重製原始研報頁面；文中圖表依可辨識資料重製，約數、指數與預測均明確標示。
研報是資料起點，不是本站結論。本文為產業研究與個人觀點，不構成投資、交易、招募或法律建議。
這是「FDE × 企業 AI 落地」第 1 篇。整套策展只追一個問題：AI 如何從模型能力，變成企業每天可驗證的營運能力？