AI公司FDE定价困局：为什么不能按人天收费？深度解析核心原因与五种创新定价模式。
核心内容：
1. FDE不能按人天计价的底层原因（商业模式退化、低毛利陷阱）
2. FDE配置的前提条件：年合同额门槛与成本吸收逻辑
3. 关键定价思路：按业务结果分成的模式及其适用边界

引言：FDE为什么不能按人天计价

Forward Deployed Engineer（前置部署工程师，简称FDE）正在快速成为2026年AI公司组织架构中的关键角色。在美国市场，从Anthropic、OpenAI、Palantir到Sierra、Harvey，几乎所有推动企业级AI落地的公司都在建设各自的FDE团队。在国内，金蝶、北森等企业也在持续推进FDE组织能力建设。

我在《实施顾问叫FDE ｜ 不是换马甲，是企服行业的商业模式突破》一文中提到，决定FDE模式能否成立的关键在于：必须重构技术公司服务客户的商业模式，那么FDE究竟该如何定价？

行业内越来越明确的共识是：不能按人天/人时收费。

原因也很直接——一旦按人天，或者采用传统所说的“时间材料（Time & Materials）”计价，FDE团队在经济结构上就会迅速退化为传统IT外包商或系统集成商，落入卖人头、低毛利的陷阱，同时也会让客户把AI厂商视为普通乙方，而不是能够共担结果的战略合作伙伴。

传统的时间材料合同或固定价格软件合同，与AI真正创造业务价值的方式并不匹配：项目投入与最终产出之间通常不存在稳定、线性的对应关系，而且这类合同也很难让供应商对最终结果承担责任。

目前行业里真正被采用的FDE定价逻辑是：FDE本身很少作为一个独立的计价单元存在，更多是嵌入在客户整体AI解决方案合同中的一种资源配置与交付方式。

前提：配置FDE本身就有门槛

在讨论FDE怎么收费之前，更现实的问题其实是：这个客户值不值得配FDE。

行业里相对一致的做法，是把年合同额（ACV）作为核心门槛：只有当ACV达到一定规模（通常在5万美元以上），并且客户已经验证过至少三个可复制的企业试点，公司才会为其配置专属FDE资源。

这也意味着，对很多AI公司来说，FDE的定价并不只是要不要单独收费的问题，更核心的是资源如何分配——首先要判断客户合同规模能否覆盖FDE的高成本（美国资深FDE的全成本通常在每年25万到40万美元，前沿模型公司的中位数总薪酬甚至已超过45万美元）；如果合同体量足够承接这部分成本，公司才会配置相关人员，而在实际执行中，这部分支出往往被并入整体合同价值中消化，而不会单独出现在客户账单上。

五种定价逻辑

1. 按业务结果分成 / Outcome-based Pricing

这是目前在结果能够被客观量化的场景中，最成熟、落地最广的模式之一，例如客服自动化、销售转化提升等。其核心逻辑是：供应商只针对具体、可衡量、且自身能够施加实质影响的业务结果收费——比如成功解决一次客服会话、挽回一次即将流失的客户、完成一次追加销售。

如果AI驱动的任务没有真正完成，客户通常无需付费。

这种定价模式的吸引力在于，双方利益天然高度一致：供应商只有把AI效果真正做出来，才能获得收入，这也会反向驱动供应商持续优化模型、流程和交付机制。

但它也有非常明确的适用边界——只有当“结果”或“产出”能够被清楚定义、客观验证，并且确实处于供应商可控范围内（不会被客户内部流程、数据质量等外部因素过度干扰）时，这种模式才成立。

这也解释了为什么这类定价在客服、流程自动化等结果颗粒度较小、归因相对清晰的场景中更容易跑通，但在复杂的企业系统集成场景里却很难直接复制。

2. 按替代人力工作量计价 / Output-based Pricing

这种模式更常见于交付AI智能体（AI Agent）的公司，而不一定是大模型公司的FDE团队。其典型做法通常不是精确核算到底替代了多少人天/人时，而是按工作流或任务包定价，比如针对一个能够替代团队每周10小时以上人工服务的工作流收取一次性费用。

从本质上看，这个模式可以理解为第1种（outcome-based）的变体，只不过它把“结果”的定义拉得更粗颗粒——不再按单次任务结果计费，而是按整个工作流部署进行一次性收费。它的优势在于定价简单、销售容易理解，劣势则在于价值捕获（Value capture）效率通常不如前一种模式高。

3. 按产品 / 订阅收入的一定比例

严格来说，按照百分比抽成在纯FDE语境下并不是最主流的方式，但与之非常接近的一种形式正在快速普及：按实际业务动作单价收费（per-resolution / per-task pricing）。

例如，按每次成功解决的客服工单收取固定单价。这种模式本质上更接近“按结果单价 × 发生次数”，而不是按总销售额的一定比例抽成，但两者在客户端体验和供应商收入弹性上的感受非常相似——收入都会随着客户业务量或成功率同步变化，而不是固定不变的订阅费。

4. 内嵌在产品价格中，不单独计价

这是目前最主流、也是前沿大模型公司最常采用的定价方式。Anthropic的Applied AI Engineer岗位描述中，明确把“将客户用例转化为产品功能”列为核心职责——这意味着FDE的产出被设计为持续反哺主产品，而不是作为一次性的服务项目交付。在这种架构下，FDE的成本通常被视为客户成功和客户留存投入，通过更高的合同续约率、更高的净收入留存率（NRR）在财务上回收，而不会以独立服务费的形式出现在客户账单上。

这也是为什么很多大模型公司把FDE放在工程部门，而不是服务部门之下——这种组织设计本身就在倒逼FDE团队把每一次定制交付不断产品化，避免团队最终演变成纯项目制外包力量。

5.免费服务，目的是促进token / credit消耗

还有一些AI公司，会把驱动客户消费（consumption）作为FDE团队的核心北极星指标之一，而不是狭义理解上的“免费服务”。

在以API调用量、token消耗、AI点数等为主要计费方式的商业模式中，FDE的核心价值就是帮助客户把AI能力真正嵌入生产流程，跑起来、用起来、用得更深——客户使用越深入，模型调用量越高，供应商在消费层面的收入自然也会增长。在这种情况下，FDE团队的KPI往往直接与客户消费增长、使用深度挂钩，而不是和某一项具体服务费绑定。

其他混合模式

固定价 + 效果奖金（Milestone Fee + Outcome Bonus）

这种方式已被部分集成商采用。其收费方式通常是：由一名资深工程师配合Agentic工具，在明确周期内（例如8周）以固定价格，在客户生产环境中交付一个经过验证的AI方案，同时设置一笔只有在客户业务指标真正发生改善时才支付的效果奖金。

这个模式的巧妙之处在于，它把传统外包中的固定价、范围清晰、预算可预测，与SaaS常见的效果对赌、利益对齐结合在一起——客户获得了价格确定性，供应商获得了效果带来的上行弹性，同时也避免了纯第一种模式下结果难以清晰归因的风险。

混合订阅制（固定订阅 + 可变消费 / 效果组件）

这种方式是传统SaaS较常采用的结构，即固定基础费（订阅费/平台准入费）+ 可变部分（用量、credit或效果指标）的组合。

这种模式的价值在于，它同时具备三个特点：对双方都更具可预测性、能够随着客户实际使用量弹性伸缩、又可以通过可变部分实现价值对齐。行业里普遍认为，这是大多数公司从传统订阅制过渡到真正效果制定价之间的一种中间形态，有助于降低组织切换定价模式的风险。

总结：不要滥用FDE标签

在这波FDE热潮中，需要特别注意：并不是所有客户都值得配置FDE，FDE有其清晰的经济逻辑，不要简单把实施顾问、安装工程师或开发工程师换个名字就叫FDE。为单一客户环境配置专属工程师，在八位数规模的大合同上完全合理；但如果放到四五位数规模的小合同上，本质上往往只是披着“AI原生”外衣的传统服务收入，而不是可规模化复制的产品收入，这很容易给客户和内部团队都制造错误预期。

人天计价之所以危险，不只是因为它看起来老套，更关键的是：在小合同上，它会让厂商迅速亏本；在大合同上，它又会把厂商的议价能力拉低到普通外包商的水平——无论合同大小，纯时间材料计价都会在结构上损害FDE团队的经济性与长期扩张能力。

欢迎大家注册我们主办的会议：

登录查看剩余 70% 内容