完整PDF文件，后台发送【FDE】即可获取。
导读｜一张图看懂这份白皮书
这份白皮书讨论的，是一个越来越具体的现场问题：
Agent 开始进入企业生产环境以后，谁来把模型、业务、系统、权限、组织采用和经营结果串起来。
FDE，Forward Deployed Engineer，前沿部署工程师，就是为这件事出现的角色。
本报告聚焦一个现实问题：企业如何把 AI 从单点工具推进到真实业务流程，并在数据、系统、权限、组织采用和经营结果之间建立可追踪的责任边界。
导言｜为什么现在讨论 FDE
阅读对象与边界
这份白皮书写给四类人。
企业老板和高管：你们关心 AI 怎么融入业务、怎么产出结果、怎么控制风险。 AI 服务商和产品公司：你们关心怎么把模型能力变成客户愿意长期付费的系统。 想成为 FDE 的候选人：你们关心这个岗位到底做什么，值不值得投入。 企业数字化、IT、法务、财务和业务负责人：你们会决定 AI 能不能真正上线。
本报告的主线只有一条：Agent 正在从个人工具走向企业生产环境，最后一公里需要一类能在现场，统筹模型、业务、系统、权限、采用和结果的人。
这个角色，就是 FDE。
本报告不把预测写成既成事实，也不把单个厂商案例写成行业平均案例；所有关键判断都尽量标明来源和使用边界。
执行摘要
六个核心结论
企业 AI 已经进入主流议程，但经营回报没有同步出现。 Agent 让 AI 从“回答问题”走向“执行任务”，生产约束随之变重。 企业 AI 最后一公里，卡在战略、数据、流程、系统、权限、采用、ROI 和运维。 FDE 的价值，是把前沿 AI 能力部署到真实业务现场，并让系统稳定产生结果。 FDE 不能被当成传统售前、实施顾问、AI 顾问、产品经理或软件工程师的简单合并。 中国市场还早，但企业 AI 服务会越来越需要“产品 + 集成 +治理 + 培训 + 维护”的复合交付。
摘要判断：FDE 这个角色的价值，在于解决 Agent 进入企业生产环境之后，缺少完整责任主体的问题。
关键发现总览
FDE 的出现来自多组趋势共同推动。
第一章｜AI 从工具走向生产系统
本章要点：AI 不再只是写文案、做总结、查资料。它正在进入业务流程、企业系统和管理责任。
当 AI 只是个人工具，老板只需要问它好不好用。
当 AI 开始读客户数据、写回业务系统、触发审批、参与合同和财务流程，问题就变成：
由谁来授权、由谁来审核、由谁来追责、怎么回滚。
生产系统的判断标准，要看 AI 能不能在受控范围内稳定执行。
因此第一章后续会把数据、系统、权限、风险和 ROI 放在同一套框架里讨论。
AI 使用很广，但经营结果没有同步出现
企业 AI 的问题已经从“会不会用”变成“能不能产出结果”。
McKinsey 2025 显示，88% 受访者称组织在至少一个业务功能中定期使用 AI，但只有 39% 报告企业级 EBIT 影响。
BCG 同年研究里，只有 5% 企业达到 AI 规模价值。
这说明一个现实：AI 已经进公司了，但很多项目还没真正表现在利润表上。
Agent 开始进入企业工作
Agent 进入企业现场以后，管理和部署能力会和模型能力同样重要。
Agent 越能干活，企业越要给它岗位说明书、权限边界、验收指标和事故预案。
注：EBIT = Earnings Before Interest and Taxes，中文通常译为息税前利润。
注：企业级 EBIT 影响 = 企业自报 AI 对经营利润产生影响。
注：BCG = Boston Consulting Group，中文常译为波士顿咨询。
企业 AI 生产化成熟度五级
越靠近真实业务，越需要 FDE。
从个人工具到组织协作，中间至少要跨过三道门：
流程门、系统门、责任门。
大部分企业想跨过去，但缺少一个人把这些问题放在一起处理。
注：Agentic AI = 能够规划、调用工具并执行多步骤任务的智能体系统。
注：Gartner 预测属于趋势判断，不等同于所有企业都会在同一年完成生产化。
最后一公里八类问题
企业 AI 落地难，单个工具很难独立解决。
数据可用性：企业知识在哪里断掉
很多 AI 项目卡住，主要原因在于企业数据和知识无法稳定进入系统。
企业知识可以分三层：公开知识、企业私有结构化数据、员工和高管脑子里的隐性知识。
第一层大家都能拿到。
第二层常常被系统、权限和口径卡住。
第三层最值钱，也最难整理。
FDE 不能只做简单“喂资料”。更关键的是把会议、复盘、老员工经验、业务判断和失败案例，转成可维护、可授权、可追溯的知识资产。
企业系统接入难点
Demo 容易，生产系统难，原因在于企业系统本来就复杂。
FDE 的工作，常常就是把这些系统之间的缝补上，并且避免 AI 越权执行。
注：AI-ready data = 可以被 AI 系统稳定使用的数据。
注：这类数据通常需要清晰口径、权限边界、来源记录、更新机制和质量校验。
风险治理：Agent 能执行动作以后
AI 一旦能执行动作，权限、日志、审批和回滚就变成必需品。
IBM 2025 数据泄露报告显示，全球平均数据泄露成本为 444 万美元。报告 AI 相关安全事件的组织中，97% 缺少适当 AI 访问控制。
这个数字不能直接套到每一家中国企业。
但它足够提醒我们：AI 不是只要问效果，还要问数据去了哪里、谁能看到、谁能执行、出了错能不能追。
ROI：只算节省时间不够
企业付费看的是经营结果和系统稳定性。
Gartner 2024 AI Mandates 摘要显示，GenAI 原型和非 GenAI 原型进入生产的比例大约在 41%-42%。Gartner 2025 对 AI 成熟度的研究显示，高成熟组织中 45% 的 AI 项目能在生产中运行三年以上。
如果 ROI 只写“节省了多少小时”，很多项目会过不了财务这关。更合理的口径应该同时看增收、降本、提速、提质、降风险和资产沉淀。
注：IBM 数据泄露成本为全球样本均值，不能直接套到单个中国企业。
注：本报告仅用它提示数据权限、日志、审批和回滚机制的重要性。
第二章｜FDE 为什么出现
本章要点：FDE 出现，是因为企业 AI 最后一公里缺少完整责任主体。
传统售前偏成交，实施偏配置，顾问偏建议，产品经理偏通用能力，软件工程师偏研发。企业 AI 生产化需要有人把这些部分接起来，并且对真实采用和结果负责。
注：ROI = 投资回报率。
注：企业 AI 项目里的 ROI 应同时观察收入、成本、效率、质量、风险和资产沉淀。
FDE 定义
本报告采用这个定义：
FDE，Forward Deployed Engineer，前沿部署工程师，是一种嵌入业务现场、围绕真实业务结果交付生产系统，并把现场经验反哺产品、平台和组织流程的工程型角色。
简化表述：
FDE 是把前沿 AI 能力部署到真实业务现场的人。
判断一个角色是否接近 FDE，可以看三个条件：
是否进入真实业务现场，而不是只做方案或演示。 是否对生产系统、采用和结果承担责任。 是否把一次项目沉淀成下一次可继续使用的资产。
FDE 与相邻岗位边界
这张表的重点，不在证明 FDE 更高级。
重点是：Agent 进入企业生产环境以后，过去的单一岗位很难完整覆盖最后一公里。
FDE 的边界判断，不看岗位名称，而看责任范围。
只做建议、不进系统，不算完整 FDE；只做配置、不负责采用，也不算完整 FDE。
FDE 价值公式
FDE 的价值可以拆成可测变量。
FDE 价值 = 模型能力 × 场景匹配 × 系统稳定 × 组织采用 × 资产沉淀任何一项为零，整体价值都会大幅下降。
这个公式的价值在于，它把 FDE 项目从“感觉不错”拆成可追踪变量。
项目复盘时，不应该只问客户满不满意，而要看是哪一个变量拖住了结果。
案例：OpenAI Deployment Company
头部模型公司正在把企业部署能力单独组织化。
OpenAI 2026 年宣布成立 OpenAI Deployment Company。公开信息显示，该公司有超过 40 亿美元初始投资，19 家全球投资机构、咨询和系统集成伙伴，约 150 名 FDE 和部署专家从第一天加入。
这不代表所有 AI 公司都会复制同样结构。
但它说明一件事：模型能力很强以后，企业客户真正要买的，往往是把模型部署进现场的能力。
案例：伙伴网络正在形成
FDE 能力会从少数厂商内部团队，扩展到伙伴网络和服务生态。
Anthropic 2026 年宣布 Claude Partner Network，初始投入 1 亿美元，并将 partner-facing 团队扩大 5 倍。
Salesforce Engineering 2025 年发布的 Agentforce 案例中，FDE 团队服务 150+ 企业，并把部分部署周期从 6 个月缩短到 3 周。
这些都是厂商口径，不能直接写成行业平均效果。
但它们共同说明：当 Agent 进入企业，产品公司、咨询公司、系统集成商和现场工程团队会更紧密地绑在一起。
这类案例的使用边界很重要：它能说明头部模型公司正在重视部署能力，但不能直接推出所有企业，都应该自建大型 FDE 团队。
注：OpenAI Deployment Company 属于企业官方公告和投资合作信息。
注：本报告将其作为组织能力信号，不把单个公司案例写成行业平均水平。
海外 FDE 岗位样本
FDE 的真实要求是工程、客户现场、生产系统和结果意识的组合。
公开岗位页会变化，本报告只把它们作为样本，而不是平均薪资结论。
岗位样本应按关键词归类，重点观察客户现场、系统集成、生产化、权限治理和结果责任等要求。
中国 FDE-like 岗位仍在早期
中国 FDE 还不是成熟岗位名，但相近能力需求已经出现。
目前中国公开招聘里，更常见的名称包括：AI 解决方案架构师、大模型应用工程师、智能体工程师、AI 实施工程师、数字化转型负责人、AI 产品解决方案专家。
这些岗位和 FDE 有重叠，但不能直接合并统计。
岗位观察口径：
采集平台：Boss 直聘、猎聘、脉脉、智联招聘、拉勾、企业官网。 关键词：大模型应用、Agent、AI 解决方案、客户现场、交付、系统集成、RAG、企业 AI。 输出字段：城市、行业、薪资、职责、能力要求、是否客户现场、是否生产系统。
本报告采用谨慎判断：2027-2028 年，中国 FDE-like 岗位可能从隐性能力变成显性岗位。
岗位样本的核心价值，是帮助企业识别能力组合，而不是急着给市场下定论。FDE 的成熟度应从职责、系统边界、客户现场深度和结果责任四个维度观察。
如果一个岗位只写“熟悉大模型”，却没有客户现场、系统接入和上线责任，它更像普通 AI 应用岗位，不宜直接归入 FDE 样本。
第三章｜FDE 能力模型
本章要点：FDE 很难靠一门工具课速成，它是一组在复杂现场里慢慢长出来的能力。
FDE 要面对模糊需求、不完整数据、老系统、客户变化、员工抵触和上线压力。这类能力很接近创业基本功。
判断中国市场时，更适合使用“岗位族”而不是单一岗位名。
原因很简单：新职业出现早期，名称往往不统一，真实需求会先藏在多个岗位里。
因此，本报告对中国 FDE 岗位采用“能力需求先行”的写法：
先看市场正在要求什么能力，再判断这些能力是否会逐渐汇聚成稳定岗位。
FDE 六项能力
最容易被低估的是最后一项。很多人技术强，但受不了现场混乱。FDE 恰恰要在混乱里把系统搭出来。
这六项能力不是并列摆设。越靠近生产系统，技术能力、交付能力和组织推动越要同时出现；只缺其中一项，项目就容易停在演示层。
岗位要求如何对应能力模型
六项能力有现实来源，可以从岗位要求和真实交付中找到证据。
岗位词频可作为观察维度：客户现场、系统集成、生产化、权限治理、评估运维。
能力模型的使用方式，是把候选人、项目负责人和外部服务商放在同一张表里评估。
真正关键的地方，在于候选人能不能把 AI 放进受控流程。
FDE 五级成长路径
岗位要求越多，未必越好。真正值得优先培养的能力，是那些能把不确定现场变成可运行系统的能力。
候选人适配度自检
FDE 候选人可以用四组问题做自检。
这个自检的目的在于提醒候选人：FDE 的成长环境很少是标准题，越接近客户现场，越需要把模糊信息转成清晰流程。
如果多数答案是否定，候选人可以先从 AI 应用工程、解决方案或内部自动化项目起步，再逐步靠近客户现场和生产系统。
更合理的筛选方式，是让候选人做一个小型真实项目，而不是只看简历和面试表达。
真正适合做 FDE 的人，通常不怕问题变复杂。
他会先把复杂现场拆成可以推进的几件事，再一点点把系统跑起来。
候选人早期不必追求“大而全”，更应该用连续小项目训练判断力。
这四个训练任务的重点，不是证明候选人懂多少概念，而是看他能不能把真实业务拆成可交付、可复盘、可继续维护的系统。
第四章｜组织形态与优先场景
本章要点：企业不需要一开始就全公司 AI 化，也不需要一上来做全自动 Agent。
更稳的方式，是从高频、高价值、边界清楚的场景切入。
先让 AI 在受控范围内产生结果，再逐步进入更复杂的流程。
FDE 五类组织形态
FDE 不宜只向销售或研发单线汇报。更合理的位置，是产品、交付、客户成功和业务结果的交界处。
组织形态的选择，取决于企业规模、数据敏感度、系统复杂度和内部人才储备。
轻量试点可以外部陪跑，关键系统则需要内部团队共同持有。
组织选择不宜一刀切。越靠近核心系统，越需要内部责任人；越靠近探索试点，越适合外部团队快速验证。
这张责任表应在项目启动前确认，而不是上线失败以后再补责任。企业 AI 项目越靠近核心系统，越需要提前把责任边界写清楚。
企业优先切入场景
企业不该一上来追求全自动，应该先选高价值、边界清楚的场景。
高频、高价值、边界清楚，是第一批场景的筛选原则。
高风险场景可以研究，但要先从建议层、审核层和评估层开始。
行业场景优先级表
场景选择可以先用一个简单评分卡：价值高、频率高、边界清楚、数据可取、风险可控。
五项同时成立，才适合进入第一批试点。
案例：30 人销售型公司
小团队也能引入 FDE 思路，但入口要小。
一家 30 人销售型公司，最常见的问题通常不在于缺少 AI，而在于客户信息散在 CRM、Excel、微信群和个人笔记里。
销售跟进靠个人记忆，老板看不到真实进展，客户交接时经常丢上下文。
FDE 的第一步，不建议做一个万能销售 Agent。
更稳的做法是先做三件小事：统一客户字段，自动生成跟进纪要，提醒下一步动作。
案例：200 人制造企业
制造业的 FDE 入口更常在质检、工单、知识库和异常处理。
一家 200 人制造企业，AI 项目通常不能直接从自动排产开始。排产牵涉设备、工艺、库存、交期和责任，风险太高。
更稳的入口，是先让 AI 读历史工单、质检记录、设备维修记录和操作手册，做异常分类、解决方案建议和知识库更新。
FDE 要确认：哪些数据能拿，哪些字段有权限，哪些建议必须人工确认，哪些异常必须升级给主管。
这类项目看似小，但它能训练企业最重要的能力：让 AI 在真实流程里读数据、给建议、留记录、被人复核。
制造业案例的重点，是不要从最高风险动作切入。先让 AI 帮人整理、提示、检查和留痕，再逐步靠近执行层。
企业引入 FDE 的 0-4 阶段路线
企业不需要一开始就建完整 FDE 部门。更稳的方式，是外部 FDE 带着内部团队跑首批项目，再逐步把能力留下来。
外部 FDE 不替代企业内部团队，双方应形成共建关系。外部团队负责把第一套系统跑通，内部团队负责把能力留在组织里。
FDE 项目交付物清单
判断 FDE 项目好不好，要看有没有留下可继续使用的资产。
没有资产沉淀，FDE 很容易退化成高价人力外包。
FDE 项目 ROI 测算页
企业愿意付费，是因为 FDE 能把结果算清楚。
一个简单的 ROI 模板可以这样写：
月度收益 = 增收收益 + 人力节省 + 返工减少 + 风险损失降低 + 资产复用收益 月度成本 = 模型/API成本 + 工程人力 + 培训成本 + 运维成本 + 合规成本 ROI = (月度收益 - 月度成本) / 月度成本关键不在于公式多复杂。更重要的是，每个参数都要有业务负责人认账。
销售项目看转化和跟进周期，客服项目看处理时长和投诉率，合规项目看漏判、返工和事故风险。
FDE 要把“感觉有效”变成“可以复盘的经营指标”。
风险治理清单
风险治理的最低交付物应该明确写进项目范围，而不是上线后再补。至少要留下权限表、日志表、审批规则和回滚路径。
FDE 绩效与验收指标
FDE 的验收不能只看满意度。
主观好评可以参考，但不能单独作为奖金依据。
验收指标应尽量客观，避免只依赖主观好评。
尤其是涉及奖金、分成或续约时，应优先使用系统日志、业务数据和复盘记录。
绩效设计还要避免两个极端：
一是只按客户主观满意度给奖金；
二是只按上线数量给奖金。
前者容易失真，后者容易鼓励短期项目堆叠。
如果一个指标无法从系统或业务数据里找到证据，就不适合单独作为核心绩效。它可以作为访谈材料，但不能替代结果指标。
因此，FDE 的绩效表最好和项目合同、验收清单、运维节奏放在一起设计。
这样企业看得到结果，服务团队也不会被模糊满意度牵着走。
第五章｜中国 FDE 人才展望
本章要点：中国 FDE 市场还在早期，但企业 AI 落地的压力会把这类能力推到台前。
未来更重要的问题，已经从能不能买到 AI 工具，变成能不能组织一批人，把 AI 用进真实业务，并且持续改进。
中国 FDE-like 人才地图
中国 FDE 仍在早期，观察市场时应使用相近岗位样本做谨慎判断。
观察中国 FDE-like 岗位，不能只搜一个岗位名。
更稳的方式，是把相近岗位放到同一个人才地图里看：城市、行业、薪资、关键词、客户现场要求、系统集成要求、AI 工具要求，都要一起看。
当前可观察的岗位族：
AI 解决方案架构师。 大模型应用工程师。 Agent 工程师。 AI 实施顾问。 数字化转型负责人。 AI 产品解决方案专家。
当前更稳妥的判断是：FDE-like 能力需求正在从多个岗位里浮现出来，但岗位名称、薪酬区间和职责边界仍需要继续观察。
FDE 培养路径
FDE 培养不能只上工具课。
一条更合理的路径是：
工具和代码基本功：能做出小系统。 企业系统理解：知道 CRM、ERP、OA、工单、知识库怎么协作。 场景诊断：能访谈业务，画流程，定义指标。 生产化工程：能做权限、日志、评估、回滚、监控。 现场交付：能推进客户、内部团队和供应商。 资产沉淀：能把一次项目变成模板、组件和方法。 组织影响：能设计人机协作方式，推动更多部门采用。
这也是为什么 FDE 很适合作为创业型人才训练路径。
2027-2028 三种发展情景
FDE 会不会成为显性岗位，取决于 Agent 是否进入更多生产场景。
本报告倾向判断：2027-2028 年，中国会先进入“稳步生产化”。
行动建议
最重要的一句话：先从小场景做出真实结果，再把结果复制到相近流程。
附录：来源索引与研究口径
本附录集中说明本报告的关键判断、代表来源和使用口径，方便读者区分事实、案例和研究推断。
所有来源均按公开可查、口径清楚、可解释边界三个标准筛选。涉及中国 FDE 市场的判断，本报告采用谨慎表述，不把海外案例直接推导为中国市场结论。
核心来源索引（含 URL 与可信等级）
以下来源按照“平台、可信等级、使用口径、来源标注”四项列出。A 级主要用于支撑趋势和关键判断，B 级主要用于说明企业案例和组织实践。
Gartner｜GenAI API / 应用采用预测
平台：Gartner Newsroom
可信等级：A
使用口径：判断企业 AI 进入主流议程的时间压力。
来源标注：https://www.gartner.com/en/newsroom/press-releases/2023-10-11-gartner-says-more-than-80-percent-of-enterprises-will-have-used-generative-ai-apis-or-deployed-generative-ai-enabled-applications-by-2026
Gartner｜Agentic AI 决策与企业软件预测
平台：Gartner Newsroom
可信等级：A
使用口径：判断 Agent 进入企业软件和日常工作决策的趋势。
来源标注：https://www.gartner.com/en/newsroom/press-releases/2024-10-21-gartner-identifies-the-top-10-strategic-technology-trends-for-2025
Gartner｜AI-ready data 与项目放弃风险
平台：Gartner Newsroom
可信等级：A
使用口径：说明数据准备不足会影响 AI 项目进入生产环境。
来源标注：https://www.gartner.com/en/newsroom/press-releases/2025-03-05-gartner-predicts-60-percent-of-ai-projects-abandoned-by-2026-due-to-lack-of-ai-ready-data
Gartner｜Agentic AI 项目取消风险
平台：Gartner Newsroom
可信等级：A
使用口径：说明 Agent 项目热度高，但生产化和治理难度也高。
来源标注：https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027
McKinsey｜The State of AI 2025
平台：McKinsey / QuantumBlack
可信等级：A
使用口径：解释企业 AI 使用率和经营回报之间的落差。
来源标注：https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
BCG｜AI Value Gap 2025
平台：Boston Consulting Group
可信等级：A
使用口径：观察 AI 规模价值、经营结果和组织能力差异。
来源标注：https://www.bcg.com/publications/2025/from-potential-to-profit-with-genai
BCG｜AI at Work 2025
平台：Boston Consulting Group
可信等级：A
使用口径：说明员工采用、培训和管理之间的落差。
来源标注：https://www.bcg.com/publications/2025/ai-at-work-momentum-builds-but-gaps-remain
Microsoft / LinkedIn｜Work Trend Index 2024
平台：Microsoft WorkLab
可信等级：A
使用口径：说明影子 AI、员工自带工具和组织采用问题。
来源标注：https://www.microsoft.com/en-us/worklab/work-trend-index/ai-at-work-is-here-now-comes-the-hard-part
IBM｜Cost of a Data Breach Report 2025
平台：IBM
可信等级：A
使用口径：提示数据安全、访问控制、日志和追责机制的重要性。
来源标注：https://www.ibm.com/reports/data-breach
Cisco｜AI Readiness Index 2024
平台：Cisco
可信等级：A
使用口径：观察企业 AI 准备度、数据、基础设施和治理压力。
来源标注：https://www.cisco.com/site/us/en/solutions/ai/readiness-index.html
PwC｜AI Jobs Barometer 2025
平台：PwC
可信等级：A
使用口径：观察 AI 对岗位、薪酬和技能结构的影响。
来源标注：https://www.pwc.com/gx/en/issues/artificial-intelligence/ai-jobs-barometer.html
中国信通院｜企业级 SaaS 产业发展研究报告 2024
平台：中国信息通信研究院
可信等级：A
使用口径：理解中国企业服务市场的软件付费和交付语境。
来源标注：https://www.caict.ac.cn/kxyj/qwfb/bps/202409/t20240902_492332.htm
OpenAI｜OpenAI Deployment Company
平台：OpenAI 官方公告
可信等级：B
使用口径：作为模型公司补齐企业部署能力的组织信号。
来源标注：https://openai.com/index/openai-deployment-company/
Anthropic｜Claude Partner Network
平台：Anthropic 官方公告
可信等级：B
使用口径：作为企业 AI 服务伙伴网络形成的案例样本。
来源标注：https://www.anthropic.com/news/claude-partner-network
Anthropic｜Enterprise AI Services Company
平台：Anthropic 官方公告
可信等级：B
使用口径：作为模型公司组织化企业服务能力的案例样本。
来源标注：https://www.anthropic.com/news/anthropic-enterprise-ai-services-company
Salesforce Engineering｜Agentforce FDE 案例
平台：Salesforce Engineering
可信等级：B
使用口径：说明 FDE 在平台公司里的具体实践边界。
来源标注：https://engineering.salesforce.com/agentforce-forward-deployed-engineers/
Palantir｜S-1 2020
平台：美国 SEC EDGAR
可信等级：A
使用口径：理解 FDE 的历史参照、现场工程和产品反馈关系。
来源标注：https://www.sec.gov/Archives/edgar/data/1321655/000119312520244263/d904406ds1.htm
来源分级与使用边界
研究方法说明
本白皮书采用四类材料：权威机构报告和新闻稿、一手企业资料、一线观察材料、研究推断。
本报告采用三条研究口径：
第一，数据只用于支撑其能够证明的结论；
第二，海外材料需要结合中国企业服务语境解释；
第三，企业公开案例用于说明可行路径，不代表普遍成功。
因此，本报告对中国 FDE 市场的表达保持谨慎：
当前更准确的判断是，FDE-like 能力需求正在从 AI 解决方案架构师、大模型应用工程师、AI 实施顾问、数字化转型负责人等岗位里浮现出来。
阅读与行动索引
如果一家公司现在还不知道从哪里开始，最稳的第一步应先做 AI 落地诊断，而非直接上全自动 Agent。
更稳的第一步，是做一次 AI 落地诊断：把场景、流程、数据、权限、风险和 ROI 放到同一张图上。先把这张图画清楚，后面的工具选择、系统设计和人才配置才不会跑偏。
术语速查
作为赠送资料使用时，建议先看目录和阅读索引，再回到对应章节。
这份白皮书不把 FDE 写成一个已经成熟的固定岗位，而把它作为企业 AI 落地的能力检查表。
