OpenAI与Anthropic组建FDE团队攻克企业落地

OpenAI与Anthropic组建FDE团队攻克企业落地 模型本身无法直接创造价值，AI厂商必须通过贴身部署与混合数据打通企业复杂工作流才能实现商业变现。 随着大模型竞争进入深水区，模型本身不再是最终产品，将其转化为真实业务价值需要大量贴身部署工作。大模型厂商纷纷通过收购与合资的形式直接下场，甚至绕过传统咨询公司直接与掌握企业控制权的私募股权（PE）基金合作，共同推动企业AI工作流的重构。作为连接技术与业务核心的FDE（前线部署工程师），不仅需要过硬的Agent开发与数据打通能力，更需要具备理解客户痛点、甚至拒绝不合理需求的主观能动性。尽管AI工具正在大幅提升个人人效，但由于真实业务场景充满不确定性且需要人类承担决策风险，FDE及其背后的贴身部署服务将在人机协作时代展现出极其关键且不可替代的商业价值。 2026年5月初，OpenAI成立部署公司DeployCo并打包吸纳150名FDE，Anthropic亦与黑石等机构合作组建合资企业，标志着大模型厂商开始深度介入企业现场推进AI业务流部署。 (0:00) 前线部署工程师（FDE）模式承袭自Palantir，实践中常与FDPM搭档构成类似CTO加CEO的双核单元，且因需直接对接客户高层与处理混乱场景，通常不招收初级工程师。 (12:43) 应用层公司凭借长期积累的客户私有历史对话数据建立了自身壁垒；短期内AI仅会提升FDE的单人人效，其填补真实业务Gap与承担商业决策的核心价值仍难以被完全取代。 (5:00) 模型厂商绕过传统咨询公司直接与PE机构联手，核心在于利用PE的资本和行政推力自上而下渗透被投企业；而在具体落地中，企业需避免在确定性计算环节盲目硬上AI以及数据未打通的陷阱。 (26:10)

节目指出，OpenAI、Anthropic 等模型公司与黑石等私募基金直接联手并吸纳 FDE（前线部署工程师），标志着 AI 商业化重心正从单纯调用 API 转向深度的业务流部署；模型本身并非终极产品，企业落地必须依靠工程力量重组私有数据并打通复杂工作流。 资本穿透与模型公司的部署转向 (0:00) 2026年5月初，OpenAI 成立 DeployCo 并收购 Tomorrow 吸收150名 FDE，Anthropic 亦联手黑石等 PE 成立合资企业，标志着大模型厂商从售卖通用工具转向深度介入场景。Jove 与 Oliver 认为，传统 IT 咨询流程拖沓且容易沦为被动外包，而 PE 直接掌控中型企业的管理权，能自上而下高效穿透推动被投企业全员 AI 化。此外，在 SaaS 增速放缓的背景下，PE 机构的 GP 亟需通过落地案例向 LP 证明增值能力，并借合资模式获得高增长科技赛道的直接敞口。 FDE与FDPM双核搭档机制 (12:43) 借鉴 Palantir 经验，Cresta 等团队摸索出“FDE（前线 CTO）+ FDPM（前线 CEO）”的配置，通常以 1 名产品经理搭配 2 至 3 名工程师组成作战单元。FDE 并非长期驻场外包，主要在项目初期进行为期数天的现场封闭以确认目标、验证 API 并完成 POC，后续开发与测试均远程推进，并在 2 到 4 个月达成合同 KPI 后退出并将维护移交。在人员筛选上，Jove 强调团队坚决不招初级工程师，重点考察具备创业经验（Agency）、能够向非技术高层解释架构，以及将业务流程沉淀为 SDK 与工具包的复合能力。 工作流重构增收与规避落地误区 (36:04) Oliver 强调，AI 落地的真正价值在于“创造收入”而非单纯削减人力成本，企业需打破传统 Chatbot 思维，将业务解构为确定性硬编码、AI 弹性推理和人工审核三层。在资管自动化销售、投资尽调与乳制品运维等案例中，系统通过标准化数据闭环完成了传统人力难以覆盖的市场拓展。同时，企业落地最易踩中两大误区：一是忽视企业散落在各业务系统中的非结构化数据整合；二是在财务对账与数学计算等要求绝对精准的环节“为了 AI 而 AI”，未能坚守确定性代码的边界。 现实环境复杂度确立人类最终价值 (22:47) 针对 FDE 是否会被自动化取代的疑虑，Jove 认为短期内 AI 编程与总结工具仅能成倍提升单兵覆盖的项目数量，无法消除真实环境的落地断层。只要企业内部混乱的接口、非规范文档和定制化诉求依然存在，就需要资深工程师深入一线填补鸿沟。即使未来九成以上的代码可由 AI 自主生成，人类依然是获取外部非结构化 Context（背景信息）的核心触手，并且是关键商业判断与风险后果的最终承担者（Skin in the Game）。 未来 AI 部署服务难以被绑定自有生态的单一模型大厂完全垄断，能够根据成本灵活调度多模型的独立应用层仍具壁垒；人机协同的重心已从代码编写转移至对复杂业务语境的穿透与责任决策。

[0:00] Jove: 模型本身并不是最终产品，将模型转化为解决实际问题的产品需要大量的贴身部署工作 [5:00] FDE并非“驻场外包”，通常只在项目初期飞往客户现场封闭交流两三天定目标、验 API、做 POC [12:43] FDPM通常具备咨询或企业运营背景，拥有极强的沟通和同理心能力 [17:52] Jove: Cresta 绝对不招收任何 Junior（初级）FDE [17:52] 具有创业/共创经历或资深咨询经验的人最为匹配 [22:47] Jove: 只要客户业务的复杂性和现实环境的混乱依然存在，AI 与真实落地之间就会始终存在 Gap，这个 Gap 就必须由资深的 FDE 来填补 [22:47] 人类是获取外部真实 Context（背景上下文）的触手，更是最终决策的承担者 [26:10] 模型公司直接与 PE 的一把手/GP 合作，能够一键穿透到投资组合公司，以极高的效率强制推动全员 AI 化 [36:04] Oliver: 绝大多数企业部署 AI 失败的原因在于“只是安装了一个个独立的软件或 Chatbot”，这并未改变传统工作模式 [36:04] Oliver: 不要只把 AI 当作“砍成本”的工具，AI 最大的价值在于“创造收入” [43:02] 在财务对账、数学计算等要求100%精确的确定性步骤中，必须使用常规代码，只在需要理解、推理和生成的环节引入 AI [46:19] Jove: 在代码实现率高达90%以上的 AI 时代，工程师和业务专家的核心价值反而更加凸显：人是连接现实世界的纽带

[0:00] 大家好,欢迎回到硅谷101,我是一文。5月初,OpenAI宣布成立Deployment Company部署公司,背后的投资人包括私募基金也有我们熟悉的咨询公司。同一时间,Anthoropic也宣布了和包括Blackstone在内的金融机构合作,成立合资企业。这两家实验人士的新动作都是在提供同一种服务,把他们的模型带到企业里,在真实的工作场景中落地。来执行这件事的人叫做FDE也是硅谷这段时间来最火的新工种FDE全称Forward Deployment Engineer可以直接翻译成前线部署工程师为了组建FDE团队OpenAI收购了一家叫做Tomorrow的公司打包带走了150个FDE许多面向企业市场的初创公司最近也在扩建FDE团队部署公司的成立和FDE的爆火本质上都是在证明Agent时代企业需要的不仅是AI工具而是一套AI Native的工作流这具体意味着什么呢?在这期播客里我们和两位从业者聊了聊一位是Cresta的FTE负责人Jove另一位是前麦肯锡咨询师现任Invisible Technologies企业业务VP的Oliver其中Oliver的访谈原本是用英语录制的在这期节目里我们用配音的方式呈现我们不只聊了FDE在做什么也聊了FDE模式和Palantir的渊源以及在这波AI浪潮里私募和咨询行业正在发生的变化Jove介绍一下自己吧大家好我是Jove我在这个很神奇的工种FDE可能算是在硅谷这边FDE想多人说做的声势比较大吧我有一个将近百人的team在招然后是作为agent所以很高兴能够参加这个节目分享一下FDE相关的一些看法跟大家一些的问题对我们之所以要聊这个话题是因为五月份的时候OpenAI成立了一家叫做Deployment Company部署公司的这样一家公司他同时收购了一家叫做Tomorrow的公司拿到了150个FDE就是我们说的前线部署工程师Forward Deployment Engineer或者前端部署工程师现在好像没有特别好的中文的翻译我甚至听到一句话说法这一周是说AI落地观听起来可能更fancy一些Anyway 确实是一个值得被不停定义的一个工种对 其实在相同的时间Thiropik也宣布了类似的消息包括你之之前有写到Google其实也有类似的动作你怎么看待这些动作呢能不能说一下你看到这些新闻的时候你的立刻反应是什么样的对我觉得这也是部分原因是FDA一下子就将大家上头了因为这个作为一个工作类型可能已经存在十几年的时间从Palantir开始但随着OpenAI跟Athropec纷纷动手去买公司和一些资本去做一些合作包括我们公司是在去年1月份差不多整整14 15个月的时间之前开始做FDE的这样一个部署或者是说当时没有很明确的一定要招FDE但是说默默糊糊觉得需要把一些engineer拿出来跟客户走得更近能够通过这些非常贴身的一些服务能够了解他们想要什么然后把我们的产品用到位但是过去这一两个星期甚至一两个月有大量的FDE一些讨论在中文英文那些媒体的平台包括像Open-Eye Tropic我的一个感受就是说这件事情确实我知道会来但我没有想到会这么快来得这么的迅猛但我觉得这也印证了几个事情一是大家还是要会承认模型公司他会意识到模型本身并不是一个产品产品要落地还需要做大量的工作这个是传统的模型公司很容易疏忽甚至是不屑去做的但是你没有这样一个非常紧密的合作的话对于有钱想买这个模型的人他也觉得买了也不知道怎么用我们发现FDE是一个非常好的形式还有一个就是说模型公司跟应用公司这个边界就变得很模糊OpenAI跟Antropic的做法更多是我依然招最好的人去train我的模型包括像Antropic大家可能知道他的模型就特别好但也特别贵可以卖的很贵人效来讲可能会很高但至于是说我要去向360行每行去落地那个需要大量的人那这块我不见得想要自己找所以这也是为什么有些收购有些是通过资本来让别的公司来做这个FDE所以这个模型公司跟应用之间的一有一敌的关系就变得更加的纠缠不清了对这个很有意思我们先来给听众解释一下FDE这个概念吧如果要让你用一句话定义FDE你会怎么说对 FDE 是在跟客户紧密合作能够让 AI 应用真正跑出来的工程师且他承担了让产品变得更好的这样一个职责所以 FDE 一是要把 AI 落地二是把这些 Less than Learn 能够直接的方式去改变产品让产品变得更好就有点甚至像是一个 Forwarding [5:00] 或者CTO一样就是你是一个非常全面一个人你是要把这个单子搞定你要把这个AI应用落地把客户锁住但是你作为一个CTO你不光是整天要想着怎么让产品变得更好甚至是你要自我革命呢所以FDE就做这样一个事情就是把AI落地且用这些LessonLine把这个产品变得越来越强能不能给我们一个具体的例子就是在你接触到的客户里面FDE是怎么样去改变他们现有的工作流的其实你们服务的这些财富100强的公司他们很多都是不同领域的不同领域的公司对AI Call Center 这件事情有不同的需求它肯定涉及到很多他们专业领域的一些无论是术语也好然后知识甚至数据也好这些客户是怎么样给你们传递他们的需求的你们又是怎么样去理解这些需求并且去做部署的对好问题针对Custom Experience这个领域的话因为Cresta的先天优势是在于我们相对来说是积累比较长我们一七年就开始做了所以before AI 这个 wave 之前有大量的 human to human 的这些 conversation 就已经在 CRASA 这个系统里面当然我们花弹功夫去做合规什么所以比方说我们可以说的像 Marriott 这些大的公司在 AI agent 这个时代之前人工的 agent 的大量的这些文本语音的语料就是合规的方式在Cresta这边存储所以你可以想象一旦AI agent我们决定去挑几个use case去做的时候我们肯定会去分析哪些use case是量比较大但是又没有做起来那么复杂的就是没有很多人工的判断就是它现在是SOP比较清晰的然后它量比较大这样的话有点像是你可能80%的volume是来自20%的一些use case有了这些大概的一些判断之后我们可以借助我们过去的这些历史能够去抽象出来说有哪些典型的问题客户在问作为一个客服不管是人工的还是AI的你应该怎么去有效的跟他解决这个问题所以这些就避免很多猜的成分因为我觉得AI跟Data需要做很好的结合然后我们是一个蛮好的例子就是在我们做一个相对比较大的单子的时候往往他已经用了很长段时间选择别的产品了我们可以基于他的人工的对话的一些数据能够去提炼出他的一些pattern然后我们甚至可以用他的数据来train一个小的模型然后用那个模型来去做更多的simulation所以FDE就要去作为一个相对有经验的这样一个AI的落地观去判断哪些use case我们可以先做然后这个use case对应的这些资源是不是到位了那不到位的话我们并不倾向于我们帮他改一批更多是跟客户共创包括后续做出一个版本的AI进程然后做大量的测试做优化这边其实也是花很多的精力所以FDE还是以技术人的方式就像一个mini的CTO去跟客户把他培养好关系然后了解他具体想要什么做出一个AI进程而且做出来只是第一步你后续有大量的一些优化监控这些都是很花精力也很花大家的技能点跟经验的我想再回到你刚才说的数据的这个问题就是你讲到你们从2017年开始就有很多历史数据然后这个对你们来说是一个优势甚至说和一些客户相比因为你们有的数据比有的客户还要多然后你们可以做的事情也会更多这个是不是你刚才提到的这个应用层的公司和模型层的公司的区别就是像OpenAI Anthropik这样做模型的公司他们想要把他们的模型用在用户的具体使用场景里面但是他们没有这些数据然后他们可能也不是那么了解客户的具体需求是什么所以这个是不是他们的一个劣势相当于是对,大家其实挺矛盾的就是文艺公司有这个很强的意愿觉得我一方面要把模型变得很聪明但是我一定要能够了解企业到底每天在做些什么事情它的系统是怎么流转的这些最终在一起工作模型扮演一个指挥家的作用但它模型不用什么都做所以应用这块我是觉得是会越来越重但是大家不能期望模型本身就无所不能因为毕竟每公司要做的业务然后它的很多数据不可能共享它的API千奇百怪甚至是在内网就有太多的事情是模型本身是不能控制所以为了能够让AI能够更深刻的改变世界的话需要利用FDE这样一些模型能够把应用落地的更加扎实一些你会需要去现场看客户是怎么样进行这些工作的吗会对so for the void这个词有点比较抓人眼球但包括我自己包括我的同事没有一次是超过一个星期在一个客户那边的因为我们FDE不需要做一些code reach或者是一些偏授钱的事情更多是说大家已经有很强的意向然后更多是拿我们做一个专家看怎么去落地更合适一些所以我们可能会有kick off一个会大家飞到他的办公室我们可能闭门的开个两三天的会然后把一些high level的goal能够定下来kpi定下来把他对应的api能够验证甚至如果顺利的话我们可以在那边做一个小型的poc给他们excited但是之后 [10:00] 可能就各会各家然后我们可能会每周或者甚至是每天会有一些会然后开发都是要么在办公室或在家里面然后我们可能会在项目的所谓的UAT用户验收的时候可能会再聚一下或者是我们又谈到要考虑下一波的use case怎么做的时候而且面对面就像我们现在聊天一样就是大家会一些AI content然后大家可以甚至培养一些私交你早期培养这些私交有些trust对后续工作生有用很多大家不见得很方便书面化的东西那通过一些聊天和一些公通能够配合更多的默契跟了解更多的context这些是往往你不onside是很难达到的但这些目的加在一块都是为了能够把AI落地变得更加的solid而不是逼客户去去而是说我们了解你要什么然后帮你做出来做完之后你想自己维护也可以但是AI落地这个事情就属于又难时间又漫长但是FDE会让它变得稍微简单一些所以FDE是在什么时候进入客户的工作流的是在你们这个产品刚卖出之后相当于和产品一起打包可能送给客户的这样一个package还是说是在更后面一点我们其实比较灵活FDE就在售前售中售后都会有参与售前有可能是如果需要做一个功能级比较全的一个Demo的话往往可能我们的Source Hours并没有这样一个技能FD需要把它做一做尤其是说当这个单子谈完了然后我们可能会有一个期待是在两个月到四个月内这个就要上线了当然上线也是一批一批的就是我们挑一批Use case作为一期上线后面再做在这过程中就会花些时间去做初期的开发然后把它做调试会读发布或者是一些监控是吧但一个项目如果它已经上线了我们会监控这些比如说客户的满意度或者电话的时长或者case也没有解决这些指标都是在合同里面的如果已经符合合同的话其实是没有必要继续把人放在里面因为毕竟我们项目比较多而且你总共有机会可以修改Promit做些东西这个其实不见得很划算所以一个项目我们可能做个两个月4个月FDE就退出了后续的话可能一些小休息小步就可以别的同时没那么AI expert的方式来去做这样一个模型我们也是在一个在这个尝试的过程中因为甚至我们在看是不是有些情况下你即使客户没有花钱我们是不是给他一个甜头让他花个比如说两个月三个月我们倒贴一些人进去把这东西做出来他谈到甜头之后就像有的时候送货上门你就已经门口放在那边让你试穿了你说你再退掉你不愿意所以AI现在这个领域就属于节奏非常快可以说是各自在抢山头所以我们FDE本身不用操心这些ROI我们也从来不是以FDE的小事来charge的所以一旦as a team我们决定要把这个项目放FDE进去做到我们就全力把它做出来其实我们今天聊FDE这个工种它有一个历史背景就是你之前也提到了这个模式或者这个概念是由Palantir一开始发明并且推广的然后我理解最早的时候,Palantir其实是有两个团队,一个叫Echo,一个叫Delta,这两个他们放在一起成为了一个FDE,但是可能Delta更像我们现在理解上的FDE,就是工证师的这样一个角色,Echo这一批人他们更多是熟悉这个专业领域,这个能不能给我们讲一下你觉得当时Palantir解决的核心问题是什么?对Parentier作为这个模式的original creator来讲肯定值得尊重了当然他的那个业务会非常的神奇因为不是每个厂商都能够去做一些军方的一些业务在10年15年前他开始做的话我觉得就是因为很多具体想要什么他是不高兴说得很明的你必须是跟他们面对面跑到同一个军营的帐篷看到这些数据他才愿意说得很细而且中间又会涉及到比如说数据建模或者是要临时做API所以他是招了这两个团队一个团队是好像是所谓有点是Fall-Deport-Soft Engineer另外一个是P&N Business Owner对一些作战或者是一些抢救之类的他会比较熟一个是偏Technical一个非Technical然后FD我们通常议员来讲还是一个非常Technical一个工种对Crest来讲我们其实也是觉得这样一个方式会比较合适最理想的情形当然是你一个人什么都会就像一个所谓的one person company一样你什么都会你既是CEO又CTO但毕竟这样的人比较难招而且大家精力比较有限所以我们做过一些尝试比如说我们早期也有所谓的compensational designer他更多对人机交互共情很多细节会比较熟他不需要technical我们最近这差不多一年的方式也是有所谓的FDE和FDPM就Full Deport Product Manager就不需要那么technicalFDE像一个Full Deport CTO一样可以想象FDPMGFORDPORT CEO他用他的people skill, communication skill, communication skill,这些skill能够跟客户耗在一起花很多时间去培养信任知道他的底下到底想要什么包括做一个agent你该说什么不说什么你的测试集应该怎么去创建很多事情跟编码没有那么直接相关他也不需要知道你这个安全应该怎么做 [15:00] 把网络怎么配但这个本身是个很扎大事实就一大块的火那FDPM就可以专门对这块做一些把控就像CEO一样他为整个公司负责FDPM就为整个A-Agent的这个Behavior他的Quality负责然后FDE就是从技术角度确保这个实现是合理的然后我们对应的测试是健全的包括FDE还带有把这些Lancing Learn带回公司能够把产品变得更好这样一个职责这样一个FDPM跟FDE合在一块的话因为我们很容易一天你要跟两三个客户要开好多的会这些会对于FDE来讲并不是每个都要参加因为他可能还在讨论我应该先说什么后说什么如果大家有个结论的话实际上来看不是一个很难的事情所以大家分工不一样FDE就可以更注重这些AI的一些best practice怎么能够把一些经常要做的一些开发的工作能够把它变成SDK工具包CLI那么更多从技术角度来做贡献而FDPM就可以把握具体的一些需求包括有的时候会有一些risk你怎么去escalate甚至是你要去upsell你先已经做了三个use case你可能是变成六个有大量这种你就把它想象成CEO跟CTO的差别我觉得还是有效的这样的话避免要对招聘的人的要求过于高而且让一个人每天要花大量时间做不同的事情这样的话分开两个肉会好一些每个项目现在都需要一个FDPM和一个FDE吗还是说有的项目它可能有比较多的历史数据让它的流程更加的标准化一点可能就是一个工程师就可以来做了我们基本上差不多是以一个FDPM配两到三个FDE在一个项目里面不管这个项目有多大这样的话就避免是说因为这个项目现在小FDE在里面如果这个项目变得越来越大你是不是还要做交接而且确实你有大量的你要跟客户沃通的一些事情所以我们大概这样在一个1比2 1比3这样的比例同时一个FDPM可能会做好几个项目而且我们也有意识的去看能不能找到一些共性比如说这几个人比较多的做一些医疗保险他对这些行业的一些术语一些规范一些所谓的common sense会比较熟这几个人如果做一些类似的一些项目的话他们这块的行业经验会越来越多会越来越有经验,包括从技术角度来看的话FDE也会有意识的是说有这几个人对payment很熟这几个人对search很熟因为毕竟我们要面临的这个世界是非常复杂的,所以FDE我们慢慢成规模之后也会培养一些不光是领域的专家在某个商业领域里,而且也是针对某些技术领域也会培养一些专家所以总结一下就是FDE本身是一个技术性比较强的这样一个职位然后FDPM更多是对行业知识的了解不理解可能知情人很多是从比如说咨询背景或者更多的是一个企业operation的背景因为你这次正好来纽约也是来招人的我觉得可以借这个机会说一下你觉得什么样的人最适合当FDE就是一个优秀的FDE是什么样的我觉得也是逼自己抛出来一句话我要说打造全世界最好的FDE Team对啊是个目标因为你虽然说现在获得一些成绩但我确实觉得Palantir的巨大的成功或者是它的股票往上涨有多少比例是因为FDE这个其实很难讲因为它本身有太多因素在里面但是它开创这样一个模型但现在FDE变成很热门是因为AI落地有太多的困难而这个复杂性你不想把它直接抛给客户FDE能够把这些复杂的层面自己消化掉能够给客户一个很好的方案而且对于很多产品公司或者是SaaS或频繁公司来讲FDE把这些在前线的这些Lesson Learn直接去改变产品就是因为你想10年前Palantir的FDE就算知道产品有很多bug又怎么样他可能回头只能写分信或者是开个ticket求着别人去改可能再过半年就改好了但是因为现在AI coding特别强所以我们这些FDE当然我们招的时候就会巴比较高希望是比较好的engineer但是另外方面的话因为有这些coding agent你Cloud code或者是这些模型你知道哪里不对哪里有提升空间哪里可以做的不一样哪怕你有5个10个不同的reple不同的语言不同的站你就可以很容易的让AI帮你做成这个样子然后你找合适的人review就可以了所以迭代就很快除了coding之外现在这个skill本身也是一个很好一个模型就能够有一个方式可以蒸留了就原先都是大家留在脑子里面大家可能要花多时间做 knowledge transfer那现在你可以把它写成skill有一个很长的markdown有一些script有一些reference你做了两个三个类似的事情之后就可以变成一个行为skill这个skill就可以在下一个项目里面很快就用得到或者是说我们现在30个FDE又来了20个FDE那个FDE他甚至只要把这个skill装在那边就能够access就可以他都不用去学所以这个就很容易像一个雪球效应所以FDE现在肯定是很好的一个比较合适的状态能够招更多FDE能够去落地包括这次来纽约Tech Week也是希望能够办一些活动我们希望招一是说肯定是一个很合格的Engineer因为这个本身就像一个CT你肯定不想是一个很不会写代码的人 [20:00] 做CTO 它肯定要技术很强然后因为我现在招的这个team就是局限在AI Agent FDE就是我这边对Data Engineering对Security没有那么强的要求但是你这个人一定要会AI Agent我这边很多时候看到一个简历他说我是个AI Engineer我这不废话就现在你哪个EngineerSuffer Engineer如果不是Engineer你都已经很out了你肯定没有人期待你每行代码都自己写你是必须要会用这些Hanness framework你要用Cursor 用Cloud Code但是你不是很多人会知道怎么去开发和测试一个AI agent这个技能对我们来说是很care的我们不想花个两个月三个月再train一个人你可能这个人两到三个礼拜就应该进一个项目所以你需要是一个好的developer你要是开发跟测试过AI agent另外一块就是说他需要有比较过硬或者比较让人信服的customer facing的经验毕竟我们是for deploy哪怕你是过去都是现场开会或者是偶尔可能会过去个几天但你还是要去跟对方的CTO对方的IT Director对方的SENIER的人进行沟通的有的时候你也跟一些非技术人员去沟通你应该知道怎么去把一个比较复杂的问题能够简化或者是你能够从他的表达过程中抓到一些具体一些点能够进行求证有的时候你要say no这边有不光是英文层面的沟程而且是你整个人要比较subsky就像跟CTO一样的CTO也不能是光线代码一个人所以这个技能我就一般是期待他要么做过咨询或者是他自己作为一个founding engineer或者是自己有大量的甚至是freelancer这个我对我都是挺ok的除了编程除了这些customer facing之外的话顺下可能就是一些人的要不要靠谱要有韧性因为FDE就是真的很想忙你同时multitasking on很多事情然后你有很多压力你面对的都是一个很不完美的世界API根本就是纸糊的然后 SOP就跟没有是一样的文档也是千奇百怪压力很大大家可能会有一些不切实际的一些想法所以要很强的能够面临这些巨大的复杂性的一些能力能够面临巨大的不确定的能力能够所谓有Agency去知道我应该怎么去push怎么去跳出来做一些事情所以我是很喜欢招Founder Co-Founder Engineer甚至是说经历过很多大风大浪的能够知道没有一个事情是guarantee一定会成功的你就是要必须是非常努力的去做才能够到一个稍微好一点状态所以这种靠谱任性往往也是通过这种方式我们希望能够看到我这边是不招任何Junior FDE因为就像前面讲的就是你一个项目也就一两个人跟对方的CTO在那边在共创你如果一个很Junior的人的话就很难达成这样一个信任然后你可能很多时候也没有头绪你总不能打开AI,让AI告诉你怎么做然后你自己没有判断的能力的话也很差所以技术的能力肯定是要在位的然后你的Custom Facing能力要在那边你能够Drive很多事情end to end其实这也是我下面想问的一个问题就是FDE你刚才说他们面临的是一个不完美的世界面临的还是一些现在来说还是比较新的这样一些agent工具那么这个职位到底会是一个长期存在的职位还是一个过渡性的角色呢就是当模型足够强工具足够成熟之外我在想这个角色它会消失吗而且我们刚才把它和Palantir做对比吗因为你也说到Palantir做军方的业务其实这是一个门槛还是比较高的这样一个业务吧所以说导致它的客户对Palantir提供的工具还有提供的FDE产生了一个比较强的用户粘性但是在AI的时代当工具会不断的自我迭代不断成熟之后你觉得这个角色它会变吗还是它会消失呢无一不变的就变化但我觉得相对很多别的Sub-Engineer的工作来看FDE要被AI化路还很长短期来看比如说一到两年它肯定会有越来越多的工具能够让FDE的工作变得更高效比如说我们现在大量的电话或者是沟通都会有像刚能够把它录下来能够做翻译甚至你可以对着recording你可以提问题类似我们有些工具像Glean也是可以搜到最新的一些聊天记录然后看到一些代码就这些工具的产生会让我们这些multitasking的人更高效而且有的时候我可能我们看来的上面一个时间段已经被double booktriple book有些会你肯定会miss你就可以通过这些工具能够让你更加同时出现在不同地方或者是不至于miss很多具体的一些点但这些工具能够让FDE比如说假设我们现在平均是两到三个项目是在一个人身上你可能再过段时间可能变成五到六个所以工具的改进会让我们效率会更高或者是能够做事情更多但是再远一点会分化会要求有很多很高端的FDE做那些很难的事情你可以用各种工具但是工具本身并不能解决还是需要有非常资深的人去做然后一方面的话会有大量的原本不需要FDE的人会想着我能不能招一个便宜的FDE就像大家在说Sofage engineer这个事情招聘需求其实反而它上升因为原先觉得他没法顾Sofage engineer的小的诊所小的个体户觉得我也可以招一个Sofage engineer [25:00] 某一个工作流把它产品化掉所以对应的FDE就会出现有一批可能针对中小型的然后针对这种常委的甚至是远程的比方说越南或者哪里不是很发达的地方可能就会有很多FDE永远不要onsight但它就是结合客户的需求结合它的AI技能把他东西做出来如果他自己有一个产品可以沉淀的话也是这种模式所以只要是客户的这种复杂性还在那边AI能够完全自动化的总归是有gap的这个gap需要FDE来填真的到了某一天比如说有一个完全AI FDE哪怕现在SDR这个事情都没有很好的AI化假设真的有一天FDE这个事情可以99%都可以AI化的话不管是你理解客户写Prompt然后做测试跟客户沟通甚至你可能AI跟另外一个客户的AI做Agent to Agents的一些沟通或者对齐但那个时候其实我们担心的就不是FDE本身就整个行业世界都已经不一样了就可能人在里面参与的就很少但我觉得这个会有很长段路要走FDE我还是非常的有信心是这个工种会越来越丰富参与的人会越来越多大家会越来越意识到它的一个重要性其实这也是一个很好的过渡因为我们一开始提到了OpenAI做这个Deployment Company嘛然后Anthropic做joint venture这两家公司呢其实都是在和私募基金合作然后我们知道很多PE的旗下有很多可能中型的一些企业一些middle market companies他们有的是比较传统的SaaS服务有的也是在无论是机械啊重工啊或者制造业啊其实比较传统的企业里面你觉得这些私募去做这个改变去和OpenAI Anthropic这些模型公司去做这个合作他们是不是也有把自己portfolio里面的这些公司进行转型的这样一个意思对大家一开始听到这个新闻可能有点差异的地方就是并没有找传统的像安生哲这些咨询公司而是直接去找私募然后有一种说法就是说如果你找一个软件外部公司做毕竟还是一个工具人你还要很比较长的一个我要找哪个弯的然后添一个工期但你如果你的投资人是说如果你用这个FDE的模型我帮你有些投资会做的更快一些所以你直接去给一个诱饵给一把手的话这个推进会快很多所以我觉得我觉得很多VC现在对AI的加速是抱有很大的期待他希望通过资本的力量能够直接给CEO一个指标说说你就是要用FDE把你的行业的东西能够AI化过程中也会用到更多的模型的一些token这个要比我安排给你一个资讯公司你跟资讯公司慢慢谈谈个scope要更加的简单粗暴一些所以PE在里面扮演的角色也会非常的神奇然后另外一方面的话这些资讯公司本身也会有这种危机感因为他们原先做了一些相对比较国内说CIUD Engineer就是你数据库做一些征判改查的事情原先没有AI可能大家会找外包现在外包针对这个领域也会有一些忐忑因为客户来讲他不见得非要找外包他自己也能做AI这块也是一样到底AI让客户自己学还是找外包公司来做还是说像我们这种平台公司直接帮你做掉所以这些咨询公司传统的这些软件外包公司也在一个不能说是孙死存亡但是对他来说也是一个很大的一个转折点各方势力都是希望能够一起把AI的饼越做越大但是就是以各自的方式先把这个饼做大但是每家都是需要非常努力才能够在这个市场里拿到它的份额那周五提出的这个疑问其实也是我的问题第一部署公司做的事包括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相似那么咨询行业会被这波浪潮取代吗第二就像周五说的模型公司为什么要找PE合作呢我们知道Blackstone这样的机构手里握着大量投资组合公司很多呢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呢周五从他的角度聊到了一部分啊接下来呢我又和有咨询背景又长期服务PE客户的Oliver从行业变化的角度聊了聊这两个问题Hello Oliver你好给我们的听众简单介绍一下你自己和你目前所在的公司吧谢谢一文我叫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西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驱动你说你们帮公司落地解决方案具体是什么样的解决方案呢好,简单介绍一下我们在做什么我们的公司叫Invisible Technologies也就是隐形技术我们的名字来自于一个理念就是当技术做得足够好的时候它是隐形的也就是说你是感受不到的我们的做法和很多软件公司不一样我们在日常生活里 [30:00] 会用AI工具这些工具非常好用但问题也就在这里个人AI使用率和企业采用率之间有巨大的落差这个落差很大程度上是市场的供给造成的你想想看现在市场上是怎么服务企业了要么是大模型厂商自己卖要么是套壳产品比如做法力的Harvey或者做会议记录的Garenola都是很好的工具但他们没有改变你做事的方式只是在已有的方式上做了增强结果就是很多公司部署了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的上而是一个工作流一个工作流的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说如果有十个步骤判断其中五个步骤必须是确定性的因为设计数学计算合规要求不能出错三四个步骤可以用AI来做允许有一定的弹性还有两个步骤需要人工审核确诊一切没有问题这才是真正使用AI改变业务的正确方式但要做到这一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原生公司你必须须给他们搭一套适配他们工作流的定制软件,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。听起来你们在做的事情其实跟OpenAI前段时间宣布的Deployment Company部署公司还蛮像的,他们也是在帮企业落地。你怎么看待他们这个动作呢?你觉得他们为什么要这样做?我觉得他们做得非常正确过去半年你能明显感觉到CFO们和企业高管们越来越多的在谈压缩成本与此同时呢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不能一直这样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这件事的他们想打开这扇门就必须跟我们走一样的路所以我觉得这步棋踩得很准当然了他们有大量资本也有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他们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完全不同的销售方式跟他们以前熟悉的打法很不一样我相信他们能够想清楚但需要一些时间我想先从私募股权这侧聊一下这个问题因为你说你服务了很多金融机构的客户我感觉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Portfolio Companies是很多传统SaaS公司他们都是PE去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而这是不是他们跑去和OpenAI Enthropec合作投资的原因呢我觉得PE和私募资本机构有三个核心诉求第一个是信号价值我跟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找我说的是我要去向LP募资向养老金向我的出资人募资我必须证明我站在AI的最前眼我需要有案例能展示我通过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想象的名字建立合作是一个非常好的背出方式所以信号价值非常高第二个是投资组合的价值创造这也是非常真实的需求用对了AI真的能够创造很大的价值细节比较复杂但这一块确实是真实的第三个是投资回报本身这些合作的结构设计相当的诱人本质上是让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我觉得你说的第一点很有意思你觉得是什么在让LP推动AI呢跟大多数公司在推AI的原因是一样的从普通消费者的角度你能读到多少相关内容你就能感受到AI能做多少事就比如说叫The Daily AI的播客之所以每天都有新的东西可以讲是因为变化真的快的吓人MCP协议去年才出来感觉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再认真做AI你就在落后站在LP的角度我把钱投给一个GP我当然想确保他也在用AI改造背头企业这是非常真实的需求再说一个点因为你也提到了SARS过去5到10年PE最大的两个资产类别是医疗和软件几乎所有的PE都有软件公司的敞口 [35:00] 今年,SaaS一死的论调闹得很凶,LP和GP们都高度紧张,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Athropec和Caltio那些合作,合作对象不是纯软件投资人,因为你说的很对,AI创造价值最大的地方往往恰恰不是软件公司。对,就是那些传统企业,包括工业,制造业之类的。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很好的例子就是GP自身PE公司是干什么的呢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是最适用AI改造的我有一个大客户是一家非常大的资产管理公司我莫能帮他改造这些工作流效果非常惊人能不能给我们举几个具体的例子呢我感觉现在跟很多金融从业者聊嘛他们都还是在用AI做研究摘要就还是那套和代元模型比较相关的这个用法我还蛮好奇你们是怎么做到真正自动化工作流的可以有很多可以讲的如果把一个投资基金业务拆开来看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举例子先说募资这一块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规模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佣金听起来很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这样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销售助理让他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你得先搭数据基础设施把这一千款产品整合进来然后搭一个输入层让另一方能够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因为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一个反馈闭缓大概七个步骤这套系统让这家大资管能够服务更大范围的客户这是一个典型案例还有一个我很感兴趣的就是投资决策流程本身做静调的时候你通常要跑十条工作线雇法律雇各类顾问什么商业静调环境静调跟这么多人协调对投资团队来说压力很大我们在为他们搭一个平台让他们能够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的进展还能调取这家基金在类似项目里曾经提过的问题借鉴过往投资的经验教训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的输出也是自动的这本来也是一个很大的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者账户对账每个月甚至每天收盘后都要确认账户的余额是对的我的第一份工作就是做布局非常耗时但这套流程完全可以自动化OK 我讲了很多就是希望给你展示一些有用的场景基于你刚才说的我其实想知是你觉得AI时代的PE收购这件事情有没有改变呢因为过去我们谈到PE收购一家公司的时候呢我们可能想到的是比如说投后公司之间会有一些并购啊一些roll up整合那现在呢感觉我们几乎是进入了一个所谓AIroll up的时代表面上你是在买这些公司但实际上你买下的是他们的工作流然后我们再把它们改造成一家AI native的公司你觉得这会改变PE本身的运作方式吗我看到过很多不同的打法但主要可以分为两类第一类投资人会说凡是AI颠覆风险太大的领域我们都不能投这其实是很多人的直觉反应第二类则是更主动拥抱这件事情的投资人他们会说现在其实是一个非常有意思的时间点可以通过AI来创造价值Amax GBT那笔交易就是一个很好的例子还有很多类似的deal投资人会去收购一些过去技术含量并不高的企业然后非常激进的用技术用AI去赋能他们所以这显然正在成为一种新兴的打法一些走在前面的GP已经在这样做了而且我认为他们能够创造的规模价值是真实存在的但要真正创造出这种价值并不是一件 [40:00] 简单的是,现在我看到的一个问题是,很多人想象中自己能做到的事情,横直正能落地的现实结果之间存在很大差距。我想强调一个核心观点,很多人容易犯的错误是只把AI理解成一个降低成本的工具,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。所以我经常会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情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才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这一个过去他们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是很多公司真正应该走的方向但现在大家还是非常关注AI带来的成本削减我认为这并不是最有利的切入点真正该想的应该是哪些事情是我过去做不了而现在可以做的也就是收入创造它可以有很多种形式我再给你一个例子我们有一个客户是一家乳制品公司他们有很多农场和奶牛我们和他们讨论的时候问如果你有一万个人你们会做什么他们说这个问题很有意思我们会给所有账户都写报告因为他们希望减少这些报告的时间而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可以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那听起来你们做的事情和咨询公司做的事也很像这也是我之前想提的另一个话题就是传统咨询公司以前是帮客户去搞定他们自己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呢还是说咨询本身会变成AI转型咨询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探AI的时候都需要重新思考商业模式最简单的一个例子就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是怎么做的有没有经验可以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一个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的业务的人所以我觉得AI实验室和像我们这样的公司这种做完就走但留下一套改造好的业务的模式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情值得先做这个必须是具体问题具体分析你有没有遇到过公司以为他自己可以用AI搞定某个工作流但实际上却根本行不通的情况比如说大家有的时候是不是对AI太乐观了或者说对AI的运作方式有误解最常见的问题就是什么都想AI化但现实是这条路走不通你必须把几件事做好最关键的一点是好的数据平台它的价值是负利是增长的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看而且代价不小因为他们之前根本没有做过这种事第2个常见的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来优化整体流程以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来做的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来做你觉得整合数据这件事情难不难我理解每个公司都有自己的私有数据仓库Proprietary data但这些数据是不是比想象中的要更加难用在麦肯西的时候每次去一个新的客户我都会把七个不同的数据集扔给一个分析师让他把他们合并起来找洞察我当时就觉得很不可思议为什么还要这个分析师来干这件事但这就是现实数据不是只有结构化数据还有非结构化的你的Outlook邮件GmailLinkedInERP系统Salesforce这些散落在各种各样的系统里如果你真的想要搭一套能够改变业务的系统就必须把这些数据汇聚起来我们有四个数据模块 [45:00] 第一个叫Neuron是一个数据层和数据网格不会打乱你原有的数据架构把结构化和非结构化的数据整合起来并映射不同对象之间的关系让你真正能够消费这些数据第二个叫Atomic帮你梳理和自动化工作流第三个叫Synapse评估AI在工作流中的表现第四个是Action协调工作流中的不同智能体Neuron是起点因为数据整合往往是第一道门槛而数据就散落在各种各样不同的系统里对 而且有的时候公司自己都不清楚自己现有的数据长什么样PE收购来的公司就是这样可能跑这四套不同的ERP系统Salesforce在这边Outlook在那边Gmail又在另一边然后你想做销售转型说想搞清楚为什么客户在流失结果发现客户成功的数据在这个系统里Salesforce的数据在那边销售电话记录又在纲里先把这些整合起来才是第一步好的 谢谢Oliver谢谢可以说现在这个赛道已经有太多玩家了模型公司在自己做部署咨询公司在转型应用层公司在快速扩张FDE团队那在播客最后呢我们回到和周五的对谈聊聊这个市场最终会怎么演变呢你觉得现在有那么多玩家参与到这个赛道里面从一开始我们说的模型公司到你们这样的应用层的公司再到这些咨询公司他们都开始去做类似于FDE的业务这个市场之后会怎么样演变呢就是它会变得像你说的那样更加的去专注一个垂直赛道然后会有更多的比如说专精领域的这样一个产品还是说我们会看到模型公司提供出一个更加通用性的产品但是可以用在每个不同的企业里面对还是比较难就是在OpenAI跟Antropic宣布他跟FDE公司合作或者自己建FDE公司的同时或者之后可能Google也announce他有FDE team我们跟Google的愿远还是蛮强的就是很多人其实是Google过来我们的工程文化比较接近所以Google的FDE其实就是跟OpenAI跟Antropic就不一样他们也是说我这些engineer帮你做应用的落地且过程中我遇到我们产品的不足我需要把它fix掉但也是像我们这样有很强的产品的sense帮客户去落地但我觉得反过来说毕竟他是Google他是很不高兴去用别人家的东西就比如说他语音Google自己的语音他不小不高兴用ElonLabsCatishaDeepgram这些第三方的厂商或者是模型他可能想退 Gemini这个领域就很卷所以他不见得像我们这种比较独立的AI应用公司来讲会比较自由我们往往一个conversation中可能用20几个不同模型然后哪里最好或者哪里最经济可笑我们不见得挑最贵最好的因为我们最后是卖Allcom的我们并不是卖Token所以我们有很强的动力是说我们挑哪个模型刚好够用价格又合适那我们去挑而且要保证它要合规然后要一直在线那有些情况下你可能还要用一些自己部署的模型确保如果网络摊掉也能用我们会在这样一个中间状态我们有机会挑最好或最合适的而这种选择的自由度对大厂其实都是没有的明白最后我的观点还是说FDE是一个对人的要求会很高的一个职位但是也是作为Engine来讲是非常令人激动的我还是认为会有很多engineer需要做技术专家他是某些网安全的专家他是一个infra的一个专家他是一个安全的专家甚至是说他能够做出一些很好的全端组建的模型入如此来就不是说所有engineer都需要转成fde但是对于那些对自己的技术有自信然后你也很open去学新的技术而且你不讨厌跟客户沟通甚至是你enjoy今天跟这个餐馆明天跟这个牙医了解到他们怎么运作的因为你自己不可能一年换个三四四工作去不同公司去做但是你做IDE其实是有机会跟这些具体的行业具体的owner能够有戏聊哪些东西可能不见得很技术但是对你作为个人来讲你会对这个世界会有一个很近的一个认识如果你不讨厌出差不讨厌跟客户沟通这是一个很不错的方式能够让你利用人这样一个价值因为到最后我们自己也是百分之九十几的代码都是AI写的但是我们还要花点时间去比如说你要调prompter你不能完全trust AI来调prompterAI调AI可能的时候就会进入一个过分拟合或者这样一个状态所以人在里面扮演的角色更多是我们是AI的触手对吧我们可能白天跟客户开会甚至吃饭喝咖啡你可能到晚上了你自己对电脑一顿输出把他东西说出来AI知道了变成AI的context但你是不能指望一个人跟AI和咖啡跟他聊些有的没的对吧所以我们人在里面扮演的角色就变成一方面能够获得很多AI本身不能获得的context另外肯定AI很容易出各种proposal但你需要有这个判断力因为到最后我们是为这个事情负责的人Skin the game所以你有五六个不同的option每个option一大堆的procons你出来个比较 [50:00] 也好 AI 可以帮你做这些看起来很全面的一些分析但是他不能帮你做决定还是要人在里面挑一个决定然后你要为这个决定负责你不管是take a shortcut还是做一个大而全的一个方案或者你意识到哪些有风险就这边这个决定能力还是要比较强包括你要去舒服别人做一些改变所以 FDE 锻炼你的人的层面会比较多如果有人甚至以后想自己创业我觉得 FDE 是一个创业营一样因为这是公司给你一个肯定不是一个很舒服的一个工作状态肯定有很多活要做很多事情要学但是你通过FDE可以锻炼出很多技能这个对你后续的不管创业或者是怎么样都会有帮助是的OK我觉得非常好那我们今天的播客就到这里了谢谢Jove谢谢一文谢谢各位拜拜拜拜好了以上就是我们这期播客的全部内容了国内的听众可以通过小宇宙苹果播客网易云音乐喜马拉雅QQ音乐蜻蜓FM立志FM来关注我们海外的听众可以通过苹果播客和Spotify或者在YouTube上搜索硅谷101播客来关注我们我们部分的文字稿还会收录在硅谷101的微信公众号上谢谢大家我们下次再见了