Forward Deployed Engineer（FDE）在中国最容易聊偏。大家一听"懂技术、懂客户、能进现场、能把大模型部署进真实业务"，很容易脑补一个特别性感的画面。但现实更残酷。
核心判断
在中国，FDE 最危险的结局不是找不到岗位。而是兴冲冲冲进去，转头把自己干成一个懂 AI 的驻场外包。
客户有问题，你去现场。系统跑不通，你去现场。业务部门不配合，你去现场。销售承诺太满，你去现场。老板要看效果，你去现场。
听起来很像 FDE。但这也可能只是外包。而且是更累、更贵、更难退出的那种外包。
FDE vs 驻场外包：分界线在哪里
差别不是 title。差别是你到底在卖什么。
- 驻场外包卖的是时间
- FDE 卖的是把问题拆清楚以后，企业以后不用每次都靠人肉扛
驻场外包解决的是今天谁来干。FDE 解决的是这件事以后能不能不再这么干。
如果你没有场景定义权、边界定义权、验收定义权、方法沉淀权，那你再懂 AI 也很危险。因为你会被所有人当成一个更好用的工具人。
案例一：教育转化项目
近三十天新增线索 4090 个，有支付时间的 92 个，粗略支付率 2.25%。
如果只把它当 AI 回复项目，你会优化话术、多追几次、把追单写得更狠。但这些不是主刀口。
真正的问题是：D1 到课以后，用户没有被推进到"我的问题已经被识别，我需要下一步方案"的状态。系统不是缺提醒，是缺一个状态跃迁。
FDE 的做法：把 D1 作业改成启动诊断，收集用户画像（宝妈、学生、上班族？卡点是什么？）。把 D2 高人工接管拆成成交信号——客户问分期、付款路径、权益确认时，是成交信号，不是噪音。
案例二：工程咨询智能问答
客户说"想做一个内部知识库问答"。
驻场外包的做法：收文档、切知识库、接企业微信、调提示词、测试、上线。
FDE 要追问：
- 文档版本谁负责？旧文件还能不能用？
- 不同岗位能不能看同一批材料？
- 回答必须带引用来源吗？错了谁来纠正？
- 哪些问题必须拒答？哪些必须转人工？
- 上线后看准确率、使用率，还是重复咨询下降？
企业 AI 项目最贵的不是模型费，是返工费。是上线以后没人用的沉默成本。
案例三：车企新媒体
客户要数字人、无人直播、短视频脚本、多平台账号整合。
驻场外包会被具体任务拖死：今天帮总部拉数据，明天帮经销商配账号，后天帮内容团队改脚本。
FDE 要重新画出链路：
- 账号数据从哪里来？
- 脚本谁生成？品牌口径谁审核？
- 投放结果怎么回流？复盘建议怎么进入下一轮选题？
- 经销商和总部看的是同一个指标还是不同指标？
企业买的不是数字人，是一条内容生产和数据复盘链路。
三个判断标准
判断一个人有没有 FDE 潜力，不看会不会搭 Agent，看三个能力：
- 场景定义权：能不能拒绝被客户的第一句话牵着走？客户说要数字人，你不能只听数字人。要问原来的流程到底哪里坏了。
- 边界定义权：哪些让 AI 草拟？哪些必须人工确认？哪些不能碰？哪些出了错要升级？
- 方法沉淀权：能不能把项目从一次救火沉淀成可复用资产？表单、任务卡、验收指标、素材标签、异议矩阵、流程包。
红线
- 客户不是为 AI 付钱，客户为少漏线索、少丢订单、少返工、少扯皮、少依赖某个老员工付钱
- 老板也不是为你的 title 付钱，老板为你能不能把一个混乱现场变成可控系统付钱
- 真正能活下来的人，不是最会演示的人，不是最能熬夜救火的人，而是能把现场问题拆成系统、把系统跑出指标、再把指标沉淀成可复用方法的人
出路
在中国，FDE 的机会不会以一个漂亮岗位先出现。它大概率会先出现在一堆灰色地带：
- 售前和交付之间
- 产品和客户之间
- 老板想要结果、组织又没准备好之间
- AI demo 能跑、业务部门用不起来之间
- 销售把项目卖出去、交付不知道怎么验收之间
谁能在这些缝里把事情讲清楚，谁就会先跑出来。title 可以晚一点，能力必须先长出来。