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。

要点速览
- 落地岗位在招聘中的占比,Anthropic 从 5% 升至 11%,OpenAI 从 11% 升至 17%,说明客户靠自己用不足模型的价值。
- OpenAI 和 Anthropic 都把 FDE 业务放进了引入外部资本的独立公司;OpenAI 给出的理由是让实验室专注于打造模型。
- 对开发者来说,包括越南的外包和企业开发者,能在客户混乱的环境里把系统跑起来,正是 AI 公司愿意付钱的经验。
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。
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。
这篇文章对你有帮助吗?
感谢你的反馈!
5 个信源
- AI lab job postings (Epoch AI Gradient Updates) · 2026-03-24
- services led growth (a16z, Joe Schmidt) · 2025-06-04
- The Pulse: Forward deployed engineering heats up again · 2026-05-24
- OpenAI Just Launched a Consulting Arm to Help Companies Deploy AI (Decrypt) · 2026-05-11
- Palantir Technologies Inc. - Form 10-K - FY2020 · 2021-02