最近硅谷什么岗位最火？答案非FDE莫属。FDE，全称“Forward Deployment Engineer”，直译过来就是“前线部署工程师”。这帮人得既懂模型和技术，又能摸透客户的数据、流程和业务痛点，核心目标只有一个：把AI从演示阶段推入各行各业真正的AI原生工作流。Perspective AI在2026年对1500名FDE的调查显示，前沿实验室里资深FDE的年总薪酬中位数高达48.5万美元，更资深的员工级别直接飙到72.5万美元，而顶级实验室的整体薪酬区间则落在35万至55万美元之间。

这股热潮的背后，是顶尖AI公司战略层的一次重大转向。今年5月，OpenAI联手19家私募股权基金，合计砸下超过40亿美元，成立了一家专门的“部署公司”，同时还收购了一家AI落地服务公司Tomoro，顺手打包带走了150个FDE。Anthropic也紧跟其后，与包括黑石在内的多家金融机构合作，成立了一家价值15亿美元的合资企业。这些顶级的模型公司，如今都在押注同一种服务模式：不只是单纯提供AI工具，而是要深入企业内部，在具体的业务场景中，把AI的能力真正落地、部署起来。

这期内容，我们请到了两位一线从业者，来深入聊聊FDE和部署公司。我们会聊到FDE这份工作的具体形态，它与Palantir早年军方部署模式的渊源，也会讨论在这波AI落地浪潮中，私募基金和咨询行业正在经历怎样的变革。

• Jove，Cresta FDE团队负责人，Cresta为企业呼叫中心提供AI Agent，Jove从去年年初就开始扩招FDE团队
• Oliver，前麦肯锡咨询师、现任Invisible Technologies企业业务VP

以下是这次对话内容的精选：

01

模型公司为什么开始做部署？

Yiwen：Jove，最近OpenAI、Anthropic和其他模型公司纷纷开始涉足AI部署，你怎么看这个动作？

Jove：我觉得这正好解释了为什么FDE一下子就成了大家讨论的焦点。作为一种工作类型，FDE其实从Palantir开始就已经存在了十几年。我们公司是在去年1月份开始做FDE部署的，当时并没有明确说一定要招FDE，只是模模糊糊觉得需要把一部分工程师拿出来，让他们跟客户走得更近。通过这些非常贴近的服务，去了解客户真正想要什么，然后把我们的产品用到位。

但过去一两个月，尤其是最近这一两个星期，对FDE的讨论突然就爆发了。我知道这件事迟早会来，但没想到会这么快、这么迅猛。这也印证了几个事情：第一，模型公司会意识到，模型本身并不是一个产品。产品要落地，背后还有大量的工作要做，而这恰恰是传统模型公司很容易忽视甚至不屑于去做的。如果没有这种紧密的合作，就算有人有钱想买这个模型，买了也不知道怎么用。而FDE正好提供了一个非常好的解决形式。

另外，模型公司和应用公司之间的边界也变得模糊了。OpenAI和Anthropic的做法更像是：我继续招最好的人去训练我的模型——比如Anthropic，大家都知道它的模型好，但也特别贵，可以卖得很贵，人效可能很高。但要说把模型往三百六十行、每行都去落地，那需要大量的人手，这块我不一定想自己来做。所以就会出现一些收购，或者通过资本让别的公司来充当FDE的角色。这样一来，模型公司和应用公司之间那种亦友亦敌的关系，就变得更加纠缠不清了。

02

FDE的具体工作

Yiwen：如果用一句话来定义FDE，你会怎么说？

Jove：FDE就是那些与客户紧密合作，能让AI应用真正跑起来的工程师，同时他们还承担着让产品变得更好的职责。所以FDE，一是要把AI落地，二是要把这些经验教训以最直接的方式反馈回产品，让它变得更强。甚至可以说，他像一个“前线部署的CTO”——一个非常全面的人：你要把单子搞定，要把AI应用落地，还要把客户锁住；但作为CTO，你又不光是整天想着怎么让产品变好，甚至还要有自我革命的觉悟。FDE做的就是这件事：让AI落地，并用这些经验反过来让产品越来越强。

Yiwen：在你接触到的客户里，FDE是怎么去改变他们现有的工作流的？比如你们服务的那些财富100强公司，很多都是不同领域的，对AI智能呼叫中心的需求也各不相同，工作肯定会涉及到很多专业领域的术语、知识甚至数据。这些客户是怎么传递需求的？你们又是怎么理解并做部署的？

Jove：客户体验这个领域，我们的积累比较深厚，从2017年就开始了。所以在这波AI浪潮之前，已经有大量人与人之间的对话在Cresta的系统里了——当然，我们在合规上也花了很多工夫。像Marriott这种大公司，在Agent时代之前就有大量人工Agent，所以文本、语音的语料，通过合规的方式都在Cresta这边存着。

所以一旦我们决定挑几个AI Agent的用例去做，肯定会去分析哪些用例量比较大，但做起来又没那么复杂——也就是那些不需要太多人工判断，SOP比较清晰、量又大的场景。可能80%的业务量就来自20%的应用场景。有了大概的判断之后，我们就可以借助过去的历史数据，抽象出一些典型的问题，以及作为一个客服应该怎么有效解决。这样就能避免很多猜测的成分，因为AI和数据必须很好地结合。

在做相对比较大的单子时，客户往往已经用了很长时间Cresta的其他产品。我们可以基于他们人工对话的数据，提炼出规律，甚至直接用这些数据训练一个小模型来做更多模拟。所以FDE要像一个有经验的AI落地官，去判断哪些用例可以先做，对应的资源是否到位；不到位的话，也不是我们帮他改一批，而是更多跟客户共创——包括后续做出一个版本的Agent，还要做大量测试、优化，要花很多精力。

Yiwen：你需要去现场看客户是怎么工作的吗？

Jove：“前线部署”这个词确实比较抓人眼球。但包括我自己和我的同事，没有一次在客户那边待超过一个星期。因为我们FDE不需要做初次联系或偏售前的事情，更多是大家已经有很强的意向了，拉我们做专家，来看怎么落地更合适。

所以我们会有一个启动会，大家飞到客户的办公室，可能闭门开个两三天的会，定下高层级的目标和KPI，验证对应的API，顺利的话在现场做一个小型PoC让他们产生兴趣。之后我们就各回各家，每周甚至每天开会，开发不是在办公室就是在家里。可能在项目进行UAT（用户验收测试）的时候会再聚一下，或者讨论下一波用例怎么做的时候再碰面。面对面的话，大家有眼神交流，还能培养一些私交。早期培养的这些信任，对后续工作很有用，很多不方便书面化的东西，通过聊天沟通能培养更多默契，了解更多背景，这些往往是不到现场很难做到的。

这些目的加在一起，都是为了把AI落地搞得更加扎实——不是逼客户去学，而是我们去了解他们要什么，然后帮他们做出来。做完之后他们想自己维护也行。AI落地这件事既难又漫长，但FDE能让它稍微简单一些。

图片来源：Pixabay

Yiwen：FDE这个概念是Palantir最早发明并推广的。最初Palantir有两个团队，一个叫Echo，一个叫Delta，合在一起成了FDE。但Delta可能更像我们现在理解的FDE，就是工程师角色；Echo那批人则更熟悉专业领域。你觉得当时Palantir解决的核心问题是什么？

Jove：对，Palantir作为这种模式的创造者肯定值得尊重。当然它的业务很特别，不是每个厂商都能做军方业务。在10年、15年前它开始做的时候，我觉得是因为很多客户具体想要什么，他们不高兴说得很明白，你必须跟他们面对面，跑到同一个军营的帐篷里，看到那些数据他们才愿意说细。而且中间还涉及到数据建模或临时做API。所以它招了两个团队：一个有点像前线驻场软件工程师，另一个偏业务负责人——对作战或抢救之类的比较熟悉。一个偏技术，一个非技术。

FDE在通常意义上，还是一个非常技术的工种。对Cresta来说，我们也觉得这种方式比较合适。最理想的情形当然是你一个人什么都会，像所谓的一人公司，既是CEO又是CTO，但这样的人太难招，而且精力有限。我们做过尝试，比如早期有“对话设计师”，他更关注人际交互、共情等细节，不需要技术。最近差不多一年的方式，我们也有FDE和FDPM（前线部署产品经理）一起配合，FDPM不需要那么技术。

FDE像一个前线部署的CTO，而FDPM就像前线部署的CEO，他用人际能力、沟通能力和协商能力与客户深度磨合，花时间培养信任，了解客户到底要什么。包括做一个Agent，该说什么不该说什么，测试集该怎么创建——很多事情跟编码没那么直接相关，他也不需要知道安全怎么做、网络怎么配，但这本身是扎扎实实的一大块活，FDPM就可以专门把控。像CEO为公司负责一样，FDPM为整个AI Agent的行为能力和水准负责；FDE则从技术角度确保实现合理、测试健全，还负责把经验带回公司，让产品变得更好。

FDPM和FDE合在一起后，因为我们一天可能要跟两三个客户开很多会，FDE不一定每个会都要参加——他可能还在讨论先说什么后说什么，如果大家有结论，实现起来不难，那就分工不同。FDE可以更注重AI的行业最佳实践，把经常要做的开发工作变成SDK、工具包、CLI，从技术角度做贡献；而FDPM则把握具体需求，包括风险上报、追加销售——原先做了三个用例，能不能做成六个。这就像CEO和CTO的差别，我觉得挺有效的，避免了对招聘人员的要求过高，也让一个人不用每天花大量时间做不同的事情。

Yiwen：所以总结一下，FDE本身技术性更强，FDPM更偏行业知识，可能很多来自咨询或企业运营背景。借这个机会，你觉得什么样的人最适合当FDE？一个优秀的FDE是什么样的？

Jove：我得逼自己说句话：就是要打造全世界最好的FDE团队。对，这是个目标。虽然现在取得了一些成绩，但Palantir的巨大成功，有多少比例是因为FDE其实很难讲——它本身有太多因素。但它开创了这样一个模型。现在FDE变得很热门，是因为AI落地有太多困难，这种复杂性你不想直接抛给客户，而FDE能把这些复杂层面自己消化掉，给客户一个好方案。

而且对很多产品公司或SaaS、平台公司来说，FDE能把前线的经验教训直接用来改变产品。10年前Palantir的FDE就算知道产品有很多漏洞又怎么样？他可能只能写封信或开个工单求着别人改，再过半年才改好。但现在AI Coding特别强，我们这些FDE——招的时候门槛就高，希望是很好的工程师——但另一方面，因为有AI Coding Agent、Claude Code这些模型，你知道哪里不对、哪里有提升空间，哪怕有5个、10个不同的repo、不同的语言、不同的栈，也能很容易让AI帮你做成，然后找个合适的人复盘就行，迭代非常快。

除了编码，现在的Skill本身也是个好模型，能蒸馏知识。以前大家都留在脑子里，要花很多时间做知识转移，现在可以写成Skill——很长的markdown、一些脚本、参考文档。做了两三个类似的事情后就能变成一个很好的Skill，下个项目能直接用。或者我们30个FDE，又来了20个新FDE，新同事只要把这个Skill装上、能访问就行，都不用学。所以这很容易像雪球效应，现在招更多FDE去落地是很合适的。

这次我来纽约TechWeek，也想办些活动招到合适的人——他首先得是个合格的工程师，因为FDE本身就像CTO，你不会想找一个不会写代码的人当CTO，技术必须强。我现在招的团队局限在AI Agent FDE，对数据工程、信息安全要求没那么高，但这个人一定要会AI Agent。

我看简历时，很多人写“我是个AI工程师”——这不废话吗？现在哪个软件工程师如果不是AI工程师，都已经很出局了。没有人期待你每行代码都自己写，你必须会用Harness framework、用Cursor、用Claude Code。但知道怎么开发和测试AI Agent的人并不多，这个技能对我们来说很关键。我们不想花两三个月培训一个人，可能两到三周他就应该能进项目。所以你需要是个好的开发者，并且开发测试过AI Agent。

另外，他需要有比较过硬或让人信服的对接客户经验。毕竟是前线部署，哪怕过去都是线上开会，或偶尔过去几天，你还是要跟对方的CTO、IT总监、资深人员沟通，有时也跟非技术人员沟通。你应该知道怎么把一个复杂问题简单化，或从他表达的过程中抓住具体的点来求证；有时还要学会说“不”。这不光是语言层面的沟通，整个人要比较老练，跟CTO一样——CTO也不能光写代码。

所以这个技能，我一般期待他要么做过咨询，要么自己就是创始工程师，或者有大量自由职业经验，我觉得都挺好。除了编程和对接客户，剩下就是人要靠谱、有韧性，因为FDE真的很忙，你同时多线程处理很多事情，压力很大，面对的就是一个很不完美的世界——API是纸糊的，SOP形同虚设，文档千奇百怪。压力很大，大家可能有不切实际的想法，所以要具备面对巨大复杂性和不确定性的能力，有自主决断力，知道该怎么推进、怎么跳出来做事情。

图片来源：Pixabay

所以我特别喜欢招founder、co-founding工程师，或者经历过很多大风大浪的人，他们知道没有什么是保障成功的，必须非常努力才能到一个稍微好点的状态。这种靠谱和韧性，我们也希望能通过这种方式看到。我这边不招任何初级FDE，因为一个项目就一两个人，跟对方CTO一起共创，一个很初级的人很难建立起信任，很多时候也没有头绪——总不能打开AI让AI告诉你该怎么做，自己连判断能力都没有。所以技术能力必须到位，对接客户的能力也得在那边，能抓很多事情，端到端。

Yiwen：你刚才说FDE面对的是一个不完美的世界，还有一些比较新的Agent工具。那么这个职位到底会长期存在，还是一个过渡性角色？在AI时代，当工具不断迭代成熟后，你觉得这个角色会变吗？还是说会消失？

Jove：唯一不变的就是变化。但相对很多别的自营工程师工作来说，FDE要被AI化，路还很长。短期看，比如1到2年，肯定会有越来越多工具让FDE工作更高效。比如现在大量电话或沟通都有Gong能录下来、做翻译，甚至能对着录音提问；还有Glean这类工具，能搜到最新聊天记录和代码。这些工具让我们这些同时处理多件事的人更高效。有时候日历上同一时间段约了两三场会，有些会你肯定会缺席，但这些工具能让你同时“出现”在不同地方，不至于错过很多关键点。

但工具能让FDE的效率更高——比如现在平均一个人负责两到三个项目，再过段时间可能变成五到六个。工具的改进会让我们效率更高，能做的事情更多。但再远一点，会出现分化：要求有很多高端FDE去做那些很难的事情，你可以用各种工具，但工具本身解决不了问题，还是需要非常资深的人来做。

一方面，会有大量原本不需要FDE的人开始琢磨，能不能招个便宜的FDE——就像软件工程师一样，招聘需求其实在上升。因为以前觉得请不起软件工程师的小诊所、小个体户，现在也能招个软件工程师，把自己的某个工作流产品化。相应地，也会出现一批针对中小型、长尾市场的FDE，甚至是远程的——比如在越南或别的不太发达的地方，他们永远到不了现场，但能结合客户需求和自己AI技能把东西做出来。如果自己还能沉淀一个产品，也是一种模式。

所以只要客户的复杂性还在，AI能完全自动化的地方总有缺口，这个缺口就需要FDE来填。真的到了某一天，假设出现了完全AI化的FDE——哪怕现在连SDR（销售开发代表）都没能很好AI化——假设真有那么一天，FDE 99%的工作都能AI化，包括理解客户、写prompt、做测试、跟客户沟通，甚至AI和客户的AI做agent-to-agent的沟通对齐。但到那时，我们担心的就不只是FDE本身了，整个行业都变了，人参与的部分会很少。不过，我觉得这条路还很长。

对于FDE，我还是很有信心的——这个工种会越来越丰富，参与的人会越来越多，大家也会越来越意识到它的重要性。

03

私募与AI部署的重要入口

在和Jove的访谈中，我们产生了两个疑问：第一，部署公司做的事——深入企业、改造流程、帮他们用好AI——其实和传统咨询的逻辑很像，咨询行业会被这波浪潮取代吗？第二，就像Jove说的，模型公司为什么要找PE合作？我们知道黑石这样的机构手里握着大量投资组合公司，很多是运营了几十年的传统企业。对PE来说，这个合作到底有什么吸引力？

Jove从他的角度聊到了一些，接下来我们邀请有咨询背景、长期服务PE客户的Oliver，从行业变化的角度聊聊这两个问题。

Yiwen：Hello Oliver，给我们的听众简单介绍一下你自己和你目前所在的公司。

Oliver：谢谢Yiwen，我叫Oliver，是Invisible Technologies企业业务的VP。我的工作是帮企业客户落地AI，使用我们的解决方案。在这之前，我在麦肯锡做私募股权咨询，我所在的团队叫Rewired，专门帮企业重新思考商业模式，变得更技术驱动和AI驱动。

Yiwen：你说你们帮公司落地解决方案，具体是什么样的解决方案？

Oliver：简单介绍一下。我们公司叫Invisible Technologies，也就是“隐形技术”。名字源于一个理念：当技术做得足够好的时候，它是隐形的，你感受不到。我们的做法跟很多软件公司不一样。日常生活里大家都会用AI工具，这些工具很好用，但问题在于个人AI使用率和企业采用率之间存在巨大落差，这个落差很大程度上是市场供给造成的。

想想现在市场上怎么服务企业？要么是大模型厂商自己卖，要么是套壳产品——比如做法律的Harvey，或者做会议记录的Granola，都是很好的工具，但它们没有改变你做事的方式，只是在已有方式上做了增强。结果很多公司部署了AI，却感受不到变化。

所以我们走了一条不同的路：我们不是一个工具一个工具地上，而是一个工作流一个工作流地切入，为每家公司量身定制软件。我们会把一个工作流拆开来看——比如有十个步骤，判断其中五个必须是确定性的，因为涉及数学计算、合规要求，不能出错；三四个步骤可以用AI来做，允许一定弹性；还有两个步骤需要人工审核，确认没问题。这才是真正用AI改变业务的正确方式。

但要做到这点，必须针对每家公司定制，因为每家公司、每个部门的流程都不一样。所以如果你想把那些“前AI时代”的公司变成AI原生公司，必须给它们搭一套适配其工作流的定制软件。这就是我们在做的事——我们搭了一个模块化平台，所以可以做得很快。

图片来源：Pixabay

Yiwen：听起来你们做的事，跟OpenAI前段时间宣布的“部署公司”还挺像的，他们也是在帮企业落地。你怎么看这个动作？你觉得他们为什么要这样做？

Oliver：我觉得他们做得非常正确。过去半年能明显感觉到，CFO们和企业高管们在越来越多地谈压缩成本。同时，MIT、斯坦福的研究报告也显示，真正把AI跑通、跑到规模化的企业其实寥寥无几。这个落差是不可持续的。所以大模型厂商必须推动企业侧的真实采用，必须证明ROI——光卖一个聊天机器人是做不到的。他们想打开这扇门，就必须走跟我们一样的路。

所以我觉得这步棋踩得很准。当然，他们有大量资本和很强的技术能力，肯定能做成。只是他们原来的打法非常横向——虽然有一些垂直应用，但本质上是做通用大模型的。现在突然要转去给企业搭定制化工作流，这是完全不同的市场动作和销售方式，跟他们以前熟悉的打法很不一样。我相信他们能想明白，但需要一些时间。

Yiwen：我想先从私募股权这侧聊一下。你说你服务了很多金融机构的客户，这里有两条线：一条是这些机构自己内部在用AI，另一条是他们投资的公司——很多传统SaaS公司，是PE投资的，可能也需要转型。你觉得他们现在最需要什么？他们在怕什么？这是不是他们跑去和OpenAI、Anthropic合作投资的原因？

Oliver：我觉得PE和私募资本机构有三个核心诉求。

第一是信号价值。我跟PE公司打交道有一段时间了：三年前大家还在问“能不能来讲讲AI是怎么工作的”；两年前变成了“能不能帮我想想怎么在整个投资组合里推AI”；今年彻底变了，他们来说的是“我要去向LP募资，向养老金、向出资人募资，我必须证明我站在AI的最前沿，需要有案例展示我通过AI创造了价值，否则LP不会把钱给我”。这是完全不同的逻辑。现在对GP来说，能不能展示AI已经关系到募资的存亡。跟行业里最响亮的名字建立合作，是很好的背书方式，所以信号价值非常高。

第二是投资组合的价值创造。这也是非常真实的需求。用对了AI，真的能创造很大价值。细节比较复杂，但这一块确实是真实的。

第三是投资回报本身。这些合作的结构设计相当诱人，本质上是让GP们进入一个高回报赛道，获得高增长资产的敞口。从这个角度看，逻辑也完全说得通。

Yiwen：我觉得你说的第一点很有意思，是什么在让LP推动AI？

Oliver：跟大多数公司推AI的原因一样。从普通消费者角度，你能读到多少相关内容，就能感受到AI能做多少事。变化真的快得吓人，一切都在以疯狂的速度推进。所以每个人都意识到AI能做的事太多了，如果你没有在认真做AI，你就在落后。

站在LP角度，我把钱投给一个GP，当然想确保他也在用AI改造被投企业，这是非常真实的需求。再说一点，因为你提到了SaaS：过去五到十年，PE最大的两个资产类别是医疗和软件，几乎所有PE都有软件公司敞口。今年“SaaS已死”的论调闹得很凶，LP们和GP们都很紧张，GP们都在努力证明“我们没有问题”，所以信号价值进一步放大。

但话说回来，你看Anthropic和Coatue那些合作，合作对象不是纯软件投资人，因为你说得很对，AI创造价值最大的地方往往恰恰不是软件公司。

Yiwen：对，就是那些传统企业，包括工业、制造业之类的。

Oliver：商业服务、工业、医疗——特别是医疗，这个太大了。基本上所有原来软件不太能帮上大忙的行业，现在都可以用软件做出非常有意思的事情。还有一个好例子是GP自身。PE公司干什么的？找项目、估值、投钱、管资产，这是非常人力密集的工作，要用到非常贵的人——不管是内部团队还是外部顾问。这套工作流恰恰最适合用AI改造。我有一个大客户，是一家非常大的资产管理公司，我们能帮他改造这些工作流，效果非常惊人。

Yiwen：能不能给我们举几个具体例子？我感觉现在跟很多金融从业者聊，他们还是在用AI做研究、摘要，还是那套和大语言模型相关的用法。我很好奇你们是怎么做到真正自动化工作流的。

Oliver：可以，有很多例子。如果把一个投资基金的业务拆开，大概有几个模块：募资、投资管理、合规财务和基金运营。我挑几个工作流说说。

先说募资。我有一个大客户，一家非常大的资产管理公司，他们想跟一家较小的资管合作，对方帮他们把产品纳入自己的产品线，收一部分用金，听起来不错。但对方说，每次开客户会议都要配一个你们的销售经理——大资管当然不接受，因为利润就没了，根本不可行。所以他们来找我们，说能不能搭一个AI销售助理，让它参与这些对话。

这个工作流是这样的：首先他们大概有一千款产品，所以得先搭数据基础设施，把这一千款产品整合进来；再搭一个输入层，让对方能输入客户数据，同时权限要隔离；再搭一个计算模块，算出针对这个客户的最优产品组合——这部分是确定性的，本质上是数学；然后生成销售话术，供会前准备；再有一个会中使用的工具；最后会后根据会议记录自动更新产品方案。整个是个反馈闭环，大概七个步骤。这套系统让这家大资管能服务更大范围的客户，这是一个典型案例。

还有一个我感兴趣的是投资决策流程本身。做尽调时，通常要跑十条工作线，雇法律、雇各类顾问——什么商业尽调、环境尽调，跟这么多人协调，对投资团队来说压力很大。我们在替他们搭一个平台，让他们能跟所有顾问交互，把问题推给顾问，自动扫描整个数据房间。你可以看到一个实时界面，追踪所有顾问进展，还能调取这家基金在类似项目里提过的问题，借鉴过往投资经验。这样他们既能用上机构的历史知识，又能大幅精简跟外部顾问的沟通。最后文件输出也是自动的，这本来也是个大负担。我见过太多投资人周末也要加班做这些，能帮他们省掉这些我很高兴。

还有一个是基金运营，比如净资产值计算或账户对账——每个月甚至每天收盘后都要确认账户余额是对的。我的第一份工作就是做簿记，非常耗时，但这套流程完全可以自动化。好，我讲了很多，希望能展示一些有用的场景。

Yiwen：基于你刚才说的，我想知道，你觉得AI时代PE的收购方式有没有改变？过去我们谈到PE收购一家公司，想到的是投后公司之间并购、一些roll-up整合。现在感觉我们似乎进入了一个“AI roll-up”的时代——表面上你是在买这些公司，但实际买的是它们的工作流，再把它们改造成AI-native公司。你觉得这会改变PE本身的运作方式吗？

Oliver：我看到过很多不同打法，主要分两类。第一类投资人会说，凡是AI碘伏风险太大的领域都不能投——这其实是很多人的直觉反应。第二类更主动拥抱的投资人会说，现在其实是个非常有意思的时间点，可以通过AI来创造价值。Amex GBT那笔交易就是个很好的例子，还有很多类似交易。投资人会去收购一些过去技术含量不高的企业，非常激进地用技术、用AI去赋能它们。这显然正在成为一种新兴打法，一些走在前面的GP已经在这样做。而且我认为，他们能创造的规模价值是真实存在的。

图片来源：Pixabay

但要真正创造出这种价值，并不简单。现在我看到的一个问题是，很多人想象中自己能做的事和真正能落地的现实结果有很大差距。我想强调一个核心观点：很多人容易犯的错误，是只把AI理解成降低成本的工具。但实际上，AI真正的价值很多时候在于创造收入，打开新的收入机会。

所以我常问客户一个问题：如果现在免费给你一万个受过大学教育的员工，你会做什么？你过去想做但做不了的事是什么？因为某种程度上，这就是AI现在带来的能力。就像我刚举的两个资管公司的例子，对他们来说，这意味着可以进入一个全新的客户或业务细分市场——一个过去根本无法触达的市场。所以这不是在降低成本，而是在增加收入。我觉得这才应该是很多公司真正要走的方向。但现在大家还是更关注AI带来的成本削减，我认为这并不是最有力的切入点。真正该想的应该是，哪些事是我过去做不了、现在可以做的，也就是收入创造。

它可以有很多形式。我再给你一个例子：我们有一个客户是家乳制品公司，有很多农场和奶牛。我们讨论时问他们，如果你有一万个人会做什么？他们说，这个问题很有意思，他们会给所有账户写报告，因为他们希望减少写报告的时间，把更多时间用来维持奶牛的健康。所以我们帮他们做了一整套数据整合和定制AI系统，用来为所有奶牛生成健康报告。这样一来，他们就能把更多时间拿回来，真正去维持奶牛健康状况，而这在过去并不可行。

04

AI如何改变咨询和企业本身？

Yiwen：听起来你们做的事和咨询公司也很像。传统咨询公司以前是帮客户搞定他们不熟悉的领域，但现在你们这样的科技公司和AI公司好像在替代这个角色，用AI去改造流程。你觉得咨询行业会不会因此过时？还是说咨询本身会变成AI转型咨询？

Oliver：我觉得未来三到五年，咨询会迎来一波增长。因为所有企业在谈AI的时候都需要重新思考商业模式。最简单的例子是律师事务所，以前按小时收费，现在越来越难了；如果要转成按结果收费，整套激励结构都变了。这种转型你是要找人来聊的——你想知道别人怎么做，有没有经验借鉴，需要有人带你走这段路。所以我认为咨询在未来三到五年会有明显的需求增长。

但真正释放价值的，是那些最终留下了一套转型后业务的人。所以我觉得，AI实验室和像我们这样的公司——做完就走，但留下一套改造好的业务——才是真正创造价值的方式，而不是只聊怎么转型。但话说回来，现在市场上不确定性很高，大家都处于观望状态，所以对咨询的需求是真实存在的——大家不知道该怎么做、从哪里入手。这也是我工作的很大一部分，就是坐下来跟客户聊，先搞清楚哪些事值得先做，这必须具体问题具体分析。

Yiwen：你有没有遇到过公司以为用AI能搞定某个工作流，但实际上根本行不通的情况？比如大家有时候是不是对AI太乐观了，或者对AI的运作方式有误解？

Oliver：最常见的问题就是什么都想AI化，但这条路走不通。你必须把几件事做好。最关键的是好的数据平台，它的价值是复利式增长的。AI再聪明，没有足够的信息和知识什么都做不了。我们有一个叫Neuron的数据模块，专门帮你整合数据，把数据映射清楚，确保数据可以被使用。这是大多数公司的第一道坎，而且代价不小，因为他们之前根本没做过这种事。

第二个常见错误是：一个十步的工作流，不是每一步都应该用AI。你可以用AI来优化整体流程，厘清逻辑，划定哪些步骤是确定性的，但不是所有步骤都该交给AI。比如账目对账这种财务流程，你不会想让AI来做，你想要的是确定性的结果。所以可以用AI帮你梳理工作流逻辑，但具体执行的很多步骤应该是硬编码的、确定性的数学计算。我觉得最大的两个坑，一是数据，二就是把本该确定性的东西也让AI来做。