# OpenAI 与 Anthropic 加码招人，专帮客户用好 AI

> Epoch AI 发现，落地岗位已占 Anthropic 招聘的 11%、OpenAI 的 17%，模型已跑在企业消化能力前面。

原文: https://fdetimes.net/zh/analysis/why-openai-anthropic-build-fde-teams/

在 Anthropic，用于落地推广的岗位占比已从 5% 升至 11%；在 OpenAI，则从 11% 升至 17%。外界仍把这两家实验室看作模型质量上的竞争对手，但 Epoch AI 对其招聘数据的统计显示，两家正把越来越多的人力投入到帮助别人用好自家产品上。

Epoch 对这个数字的解读，行业未必爱听：客户很难从 OpenAI 和 Anthropic 的产品中充分获益。模型已经跑在了企业消化能力的前面。两者之间的缺口，正是前线部署工程师（FDE）的用武之地。

对于正在考虑转向 FDE 的开发者，这个数字比任何一次新模型发布都更值得关注。它反映的需求来自市场结构，而不是某家公司的一轮扩招；实验室的应对方式，也正在勾勒出一条相当清晰的职业路径。

## 落地缺口不怪客户

人们很容易以为企业动作慢是因为缺人才。a16z 的 Joe Schmidt 给出了不同看法：企业级 AI 产品需要的实施工作，比上一代企业软件还要繁重。这是产品本身的属性，很难怪到买方头上。语言模型只有接入真实数据、真实工作流和那些从未写成文字的约束之后，才真正产生价值。

因此 a16z 得出结论：有时需要劳动密集型的服务，才能做出真正改变组织运作方式的软件。该机构直言，在最优秀的复杂 AI 应用公司里，这一角色常被改称为前线部署工程师或实施专家。换句话说，FDE 这个头衔在很大程度上是给熟悉的专业服务工作贴上的新标签。

Decrypt 用一个贴切的比喻描述这份工作：FDE 空降到客户组织内部，在一团乱麻中干活。这种模式借鉴自 Palantir。设想一家银行签了 API 合同，六个月后仍没有一个用例上线生产环境，原因是数据分散在三套遗留系统里，合规部门也还没签字。

坐在他们身边、把每个结逐一解开的人，既不是客户经理，也不是研究员。

## 钱跟着部署速度走

The Pragmatic Engineer 点出了一个更实际的原因：对实验室而言，AI 方案部署得越快，带来的收入就越多。合同签了，Token 没用掉，就没有收入。客户每摸索一个月，收入就推迟一个月，而训练模型的成本早已付出。从这个角度看，FDE 的作用就是缩短从签约到开票的距离。

但如果 FDE 如此重要，为什么 OpenAI 和 Anthropic 都不把他们留在实验室内部？据 The Pragmatic Engineer 报道，OpenAI 已把这项业务放进一家由外部私募股权支持的独立实体，Anthropic 也为其 FDE 咨询业务单独成立了一家引入外部资金的公司。OpenAI 给出的理由是让实验室腾出手来，专注打造更好的模型。

关于 Anthropic，The Pragmatic Engineer 只记录了结构：一家独立公司，资金来自外部。按 OpenAI 的逻辑来理解，两家实验室选择同样的结构，说明它们在解决同一个问题：让研究不受服务业务节奏的干扰。

最值得注意的细节是速度。据 Decrypt 报道，OpenAI 收购了 Tomoro，让新部门从第一天起就拥有约 150 名 FDE。如果认为这些人可以在一年里慢慢招齐，没人会为了 150 个人去买一家公司。实验室选择买而不是自建，等于在释放信号：这种技能稀缺，而且急需。

## 四个理由，一个结论

把这四股力量并排放在一起，每一股对 FDE 的要求都不一样。

| 力量 | 谁指出的 | 对 FDE 的要求 |
|---|---|---|
| 客户没能从模型中获得全部价值 | Epoch AI，基于招聘数据 | 对模型理解足够深，能看出客户漏掉了哪些能力 |
| AI 产品比老一代软件需要更繁重的实施 | a16z | 善于对接混乱的数据和工作流 |
| 部署越快，收入越早到账 | The Pragmatic Engineer | 衡量成效，优先推进最先赚钱的用例 |
| FDE 是研发创意的第一来源 | Palantir，10-K 年报 | 捕捉一线规律，反馈给产品团队 |

最后一行最容易被忽略。Palantir 在 2020 财年的 10-K 年报中写道，其 FDE 是为平台发现研发机会的第一线。可见这种模式不只是消耗产品，也在反哺产品。对实验室来说，驻扎在银行或工厂里的人，是最早感知模型在真实场景中哪里失灵的传感器。

**要点:** 实验室组建 FDE 团队，不是因为模型弱，而是因为模型已经超出了客户的使用能力；这个缺口既是卡在管道里的收入，也是白白浪费的产品数据。

## 拆分出去，说明了这份工作的什么

两家实验室都把 FDE 放进独立实体，这带来两层相反的含义。一方面，它表明 FDE 工作是按服务业务来运营的，与研究团队的节奏分开，这符合 a16z 所说的“换了新名字的专业服务”。另一方面，外部资本加上第一天就有 150 人的规模，说明这是一项有意打造的业务，远不止是支持部门。

如果目标是实验室的部署部门，最值得投入的是证明自己能在一个从未为此设计的环境里，把系统真正跑起来。这条建议直接来自 Decrypt 对这份工作的描绘：空降到客户组织内部，在复杂局面中扎下来。

在外包公司工作、或为本国企业做解决方案的越南开发者，在这里反而有一项意想不到的优势：他们习惯了脏数据、手工流程，以及不看到演示就不知道自己要什么的客户。

这意味着简历的重点要调整。与其罗列框架，不如讲清楚一次部署：系统是什么，客户那边遇到了什么阻碍，你怎么解决的，带来了什么可衡量的结果。读职位描述时，留意“customer environment”“production deployment”“work on-site with clients”这类说法，而不是技术清单。那才是招 FDE 的人使用的语言。

只要客户仍难以从模型中获得全部价值，正如 Epoch 从招聘数据中读出的那样，站在实验室与企业交汇处的人就会一直有需求。

当一家实验室宁可买下 150 名工程师也不愿等待时，这份工作是否真实已经不是问题。关键在于，你有没有一个部署故事可讲。

**本周动手试试:**

- 选一个你熟悉的组织（前雇主或现在的客户），写下它虽然开了账号、却仍用不起来 LLM API 的三个具体原因：数据、流程，还是负责运营的人。
- 按这个公式改写简历中的一行：什么系统，在哪个客户环境中运行，带来了什么可衡量的结果，而不是一串技术名词。
- 仔细读三份 FDE 或 Deployment Engineer 的职位描述，划出它们共用的词，看看招聘方真正在找什么。

## 信源

- [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)
