# Vì sao OpenAI và Anthropic đồng loạt dựng đội FDE

> Hai lab dẫn đầu cuộc đua mô hình đang tuyển ngày càng nhiều người không làm research, và lý do nằm ở một khoảng trống mà khách hàng không tự lấp được.

Bản gốc: https://fdetimes.net/vi/phan-tich/vi-sao-cong-ty-ai-lap-doi-fde/

Tại Anthropic, tỷ lệ vị trí tuyển dụng dành cho adoption đã tăng từ 5% lên 11%. Tại OpenAI, từ 11% lên 17%. Hai lab vẫn được coi là đua nhau bằng chất lượng mô hình, nhưng số liệu của Epoch AI về tin tuyển dụng cho thấy họ đang dành một phần ngày càng lớn đội ngũ cho việc giúp người khác dùng được sản phẩm của mình.

Epoch đọc con số đó theo một cách không mấy dễ chịu cho ngành: khách hàng đang chật vật khai thác hết sản phẩm của OpenAI và Anthropic. Mô hình đã đi trước khả năng hấp thụ của doanh nghiệp. Khoảng trống giữa hai bên chính là nơi FDE xuất hiện.

Nếu bạn là developer đang cân nhắc chuyển sang FDE, con số này đáng để ý hơn nhiều so với một bản phát hành mô hình mới, vì nó cho thấy nhu cầu không đến từ một công ty riêng lẻ mà từ cấu trúc của thị trường, và cách các lab phản ứng với nó đang vẽ ra một lối đi nghề nghiệp khá rõ.

## Khoảng trống adoption không phải lỗi của khách hàng

Dễ nghĩ rằng doanh nghiệp chậm vì thiếu người giỏi. Joe Schmidt của a16z đưa ra cách nhìn khác: sản phẩm AI cho doanh nghiệp đòi hỏi công sức triển khai còn nặng hơn cả phần mềm doanh nghiệp đời trước. Đây là đặc tính của sản phẩm, không phải khuyết điểm của người mua. Một mô hình ngôn ngữ chỉ có giá trị khi được nối vào dữ liệu thật, quy trình thật và những ràng buộc không ai viết trong tài liệu.

Vì thế a16z kết luận rằng đôi khi phải dùng đến dịch vụ tốn nhiều nhân lực mới tạo ra được phần mềm thực sự thay đổi cách tổ chức vận hành. Và họ chỉ thẳng: ở những công ty ứng dụng AI phức tạp tốt nhất, vai trò này thường được đổi tên thành forward deployed engineer hay implementation specialist. Nói cách khác, cái tên FDE phần nhiều là nhãn mới dán lên công việc professional services quen thuộc.

Decrypt mô tả công việc này bằng hình ảnh khá đúng: FDE nhảy dù vào tổ chức khách hàng và làm việc ngay giữa mớ rối rắm ở đó. Mô hình này mượn từ Palantir. Cách hình dung dễ nhất là một ngân hàng đã ký hợp đồng API nhưng sáu tháng sau vẫn chưa có use case nào chạy production, vì dữ liệu nằm rải ở ba hệ thống cũ và bộ phận tuân thủ chưa duyệt.

Người ngồi cùng họ gỡ từng nút thắt đó không phải account manager, cũng không phải nhà nghiên cứu.

## Tiền chảy theo tốc độ deploy

Có một lý do thực dụng hơn mà The Pragmatic Engineer nêu rõ: với các lab, giải pháp AI được triển khai càng nhanh thì doanh thu càng nhiều. Hợp đồng đã ký không sinh tiền nếu token không được tiêu. Mỗi tháng khách hàng loay hoay là một tháng doanh thu bị trì hoãn, trong khi chi phí huấn luyện mô hình thì đã trả trước. FDE, nhìn từ góc này, là người rút ngắn khoảng cách giữa chữ ký và hóa đơn.

Nhưng nếu FDE quan trọng đến thế, vì sao cả OpenAI lẫn Anthropic đều không giữ họ trong lab? Theo The Pragmatic Engineer, OpenAI đặt mảng này vào một pháp nhân độc lập có vốn private equity từ bên ngoài, còn Anthropic cũng lập công ty riêng với nguồn vốn ngoài cho mảng tư vấn FDE. Với OpenAI, lý do được nêu là để lab rảnh tay tập trung phát triển mô hình tốt hơn.

Với Anthropic, The Pragmatic Engineer chỉ ghi nhận cấu trúc: một công ty riêng, vốn từ bên ngoài. Nếu đọc theo logic của OpenAI, hai lab cùng chọn một cấu trúc có thể hiểu là cùng đang giải một bài toán: giữ research tách khỏi nhịp của mảng dịch vụ.

Chi tiết đáng chú ý là tốc độ. Decrypt cho biết OpenAI mua lại Tomoro để có khoảng 150 FDE ngay từ ngày đầu cho đơn vị mới. Không ai mua một công ty để lấy 150 người nếu nghĩ rằng việc đó có thể tuyển dần trong một năm. Khi lab chọn mua thay vì xây, họ đang nói rằng kỹ năng này khan hiếm và cần gấp.

## Bốn lý do, một kết luận

Xếp bốn động cơ đó cạnh nhau, mỗi cái lại đòi hỏi ở FDE một kỹ năng khác.

| Động cơ | Ai chỉ ra | Điều đó đòi hỏi ở FDE |
|---|---|---|
| Khách hàng không khai thác hết mô hình | Epoch AI, từ dữ liệu tuyển dụng | Hiểu mô hình đủ sâu để biết nó làm được gì mà khách chưa thấy |
| Sản phẩm AI cần triển khai nặng hơn phần mềm cũ | a16z | Kỹ năng tích hợp vào dữ liệu và quy trình lộn xộn |
| Deploy nhanh hơn thì doanh thu đến sớm hơn | The Pragmatic Engineer | Đo được kết quả, ưu tiên use case ra tiền trước |
| FDE là nguồn ý tưởng R&D đầu tiên | Palantir, hồ sơ 10-K | Biết ghi nhận và chuyển mẫu hình từ hiện trường về đội sản phẩm |

Dòng cuối bảng là thứ dễ bị bỏ qua nhất. Trong hồ sơ 10-K năm tài chính 2020, Palantir viết rằng FDE của họ là tuyến đầu trong việc nhận diện cơ hội nghiên cứu và phát triển cho nền tảng. Tức là mô hình này không chỉ tiêu thụ sản phẩm có sẵn mà còn nuôi ngược lại sản phẩm. Với một lab, người ngồi trong ngân hàng hay nhà máy chính là cảm biến sớm nhất cho biết mô hình thất bại ở đâu trong đời thực.

**Điểm mấu chốt:** Các lab lập đội FDE không phải vì mô hình yếu, mà vì mô hình đã mạnh hơn khả năng dùng của khách hàng, và khoảng cách đó vừa là doanh thu bị kẹt vừa là dữ liệu sản phẩm bị bỏ phí.

## Tách ra công ty riêng nói gì về nghề này

Việc cả hai lab đặt FDE vào pháp nhân độc lập có hai hàm ý trái chiều cho bạn. Một mặt, nó cho thấy FDE được vận hành như một mảng kinh doanh dịch vụ, tách khỏi nhịp của đội research, đúng với cách a16z gọi đây là professional services mang tên mới. Mặt khác, vốn ngoài và quy mô 150 người từ ngày đầu cho thấy đây không phải một nhóm phụ trợ mà là một ngành kinh doanh được xây có chủ đích.

Nếu bạn nhắm tới đơn vị deployment của một lab, thứ đáng đầu tư nhất là bằng chứng mình từng đưa hệ thống vào chạy thật trong môi trường không được thiết kế cho nó. Đó là lời khuyên rút thẳng từ hình ảnh Decrypt dùng để mô tả công việc: nhảy dù vào tổ chức khách hàng và sống giữa mớ phức tạp ở đó.

Developer Việt Nam làm outsourcing hay giải pháp cho doanh nghiệp trong nước có lợi thế bất ngờ ở đây: họ quen với dữ liệu bẩn, quy trình thủ công và khách hàng không biết mình muốn gì cho đến khi thấy demo.

Cách thể hiện trong CV vì thế nên đổi trục. Thay vì liệt kê framework, hãy kể một lần triển khai: hệ thống gì, cản trở nào ở phía khách hàng, bạn đã gỡ ra sao, và kết quả đo được là gì. Khi đọc mô tả công việc, hãy tìm những cụm như "customer environment", "production deployment", "work on-site with clients" hơn là danh sách công nghệ. Đó là ngôn ngữ của người đang tìm FDE.

Chừng nào khách hàng còn chật vật khai thác hết mô hình, như Epoch đọc ra từ dữ liệu tuyển dụng, chừng đó người đứng ở chỗ nối giữa lab và doanh nghiệp còn được cần đến.

Khi một lab chọn mua 150 kỹ sư thay vì chờ, câu hỏi dành cho bạn không còn là nghề này có thật không, mà là bạn đã có câu chuyện triển khai nào để kể chưa.

**Thử ngay tuần này:**

- Chọn một tổ chức bạn quen (công ty cũ, khách hàng hiện tại) và viết ra ba lý do cụ thể khiến họ chưa dùng được LLM API dù đã có tài khoản: dữ liệu, quy trình, hay người vận hành.
- Viết lại một dòng trong CV theo công thức: hệ thống gì, chạy trong môi trường khách hàng nào, kết quả đo được gì, thay vì liệt kê công nghệ.
- Đọc kỹ ba mô tả công việc FDE/Deployment Engineer và gạch chân những từ lặp lại giữa chúng để biết người tuyển đang tìm gì.

## Nguồn

- [AI lab job postings (Epoch AI Gradient Updates)](https://epoch.ai/gradient-updates/ai-lab-job-postings)

- [services led growth (a16z, Joe Schmidt)](https://a16z.com/services-led-growth/)

- [The Pulse: Forward deployed engineering heats up again](https://blog.pragmaticengineer.com/the-pulse-forward-deployed-engineering-heats-up-again/)

- [OpenAI Just Launched a Consulting Arm to Help Companies Deploy AI (Decrypt)](https://decrypt.co/367403/openai-launched-consulting-arm-help-companies-deploy-ai)

- [Palantir Technologies Inc. - Form 10-K - FY2020](https://www.sec.gov/Archives/edgar/data/1321655/000119312521060650/d65934d10k.htm)