本文来自微信公众号： 不懂经 ，作者：经叔，原文标题：《AI行业最热门的新岗位，暴露了一个尴尬的事实 |不懂经网站》
过去三年，很多人进入办公室时，最先注意到的，常常不是屏幕上多了一个按钮，而是身边少了一张工位。
“人工智能”和“裁员”越来越频繁地出现在同一条新闻里。AI已经成了管理层重新计算人力需求时绕不开的变量。许多职业正被拆成一项项机器可以参与、压价甚至接管的任务。
我在前几天的文章中，谈到马斯克最近的一项预测：到2027年底，AI将能以超人类水平完成任何数字任务，暂时落在能力边界之外的，是那些需要“塑造原子”的工作。
这是一项激进预测，任务能力也不等于岗位会按相同速度消失。可它把分界说得很清楚：能完全留在屏幕、文本、代码和数据库里的劳动，更容易进入AI模型的能力边界。
更早以前，纳西姆·塔勒布发过一条推，说20世纪发明的所有职业，都难逃AI的冲击。他列出的“不受AI威胁的人”里，有水管工、园丁、厨师、驯象人和马戏演员，几乎全是依赖身体、现场和具体材料的古老工作。
我把这背后的规律称为“AI替代的逆向历史演化定律”：人类越晚发明、越依赖抽象符号的工作，越可能先受冲击。
所以，白领工作首当其冲，AI就像一台白领压缩机。
不过，同一场技术爆发也在创造新工作，并把一些旧工作推到价值链中央。过去两年，AI公司里重新爆红的一种岗位叫FDE，Forward Deployed Engineer，可以直译为“前线部署工程师”。它横跨工程、咨询、销售和实施：走进客户组织，连接数据与旧系统，理解流程，处理例外，盯到模型真正被采用。
这里藏着一个反讽：一个出售自动化的行业，眼下最想招聘的，却是能够亲自进入组织、替机器理解现实的人。
FDE的兴起，像是一张剖面图，暴露了智力变便宜以后，人类劳动会往哪里迁移：从生产答案，转向理解情境、推动采用和承担后果。
这个岗位为什么会突然变得关键，要从一枚空白时间戳说起。
据维努·加内什（Vinoo Ganesh）回忆，2013年，帕兰蒂尔的一套交易数据系统在银行里遇到了一枚空白时间戳。
空白值被系统读成Unix时间的起点，1970年1月1日。数据库随即认真地为此后每隔10分钟建立一个存储区间，一口气生成约230万个keyspace。服务器内存耗尽，若想重新启动，理论上需要14TB内存。
这套系统在工程师能够控制的环境里一直表现良好。设计有章法，测试也通过了。直到它碰到真实金融数据。真实数据会缺字段，会沿用奇怪格式，会把错误保存多年，然后让所有人习惯到不再觉得它是错误。
加内什当时是帕兰蒂尔的产品工程师。此后，他开始飞往客户现场，修理自己此前看不见的东西。他后来把这段经历概括得很准确：他们缺的并非一份更完整的需求文档，而是始终没人站在那栋大楼里，对设计与日常现实之间的缝隙负责。
他就这样成了一名FDE。
十三年后，2026年，加内什最近在一篇文章里把FDE称作“AI行业最热门的工作”。这当然不是一份严谨的职位排行榜，但它反应了市场的动态。
2026年5月，OpenAI专门成立了“部署公司”，还通过收购应用AI咨询与工程公司Tomoro，一次性纳入约150名FDE和部署专家；截至本文写作时，它的招聘页面用FDE搜出了24个岗位，分布在美国、欧洲和亚洲。Anthropic也在招聘FDE和相应管理者。安德森·霍洛维茨基金（a16z）今年办了第一届、为期八周的FDE Fellowship，从数千份申请中选出65人。
多家头部AI公司都在招这种需要进入客户组织、理解流程、写代码、推动采用、盯到系统真正运转的人。
把“最热门”当成全行业排名，证据还不够。把它当成一支温度计，刻度已经很高。
这多少有点尴尬。
AI公司本来应该出售机器智能。但它们眼下争抢的人，却在替机器理解现实。
FDE热潮暴露的尴尬是：聪明本身，已经不足够成为产品。
马斯克：27年底，AI将砸碎所有智力工作者的饭碗
“20世纪发明的所有职业，都难逃AI的冲击！”
一个连自己是什么都说不清的热门岗位
加内什曾在帕兰蒂尔负责一个名为Project Frontline的轮岗项目，把软件工程师送去前线，约有250人参加过。按他的说法，其中不少人后来去了OpenAI、Anthropic、xAI和Anduril等公司领导部署团队。
有趣的是，这群最了解FDE的人，至今没有一个共同定义。
加内什参加旧金山的一场同行晚餐，桌上坐着来自Snowflake、Anthropic和多家创业公司的FDE。聊着聊着，大家发现同一个职位名下面装着几种毫不相干的工作：有人是第二次销售电话才加入的售前工程师；有人背着销售指标，同时会写Python；有人更像拿着项目合同进场的咨询顾问；还有人直接属于产品团队。
甚至有人在群里认真询问：客户那里已经坐着一家咨询公司，我们的FDE应该怎样跟他们分工？
这不像一个职业已经成熟的样子。可定义混乱恰好说明，公司已经看见产品与现实之间裂开了一道缝，只是还不知道这道缝应该归销售、咨询、交付，还是产品负责。
传统软件最迷人的经济学，是复制。
一套产品写好以后，可以卖给一千家公司。第一个客户承担开发成本，后来者只增加一点服务器和支持成本。软件因此成了资本最喜欢的生意之一：收入能够脱离人数增长，产品能够脱离制造者继续流通。
企业AI撞上了另一种现实。模型即使读完全部公开财务规则，也不知道这家公司所谓“客户”，在销售部门叫customer，在运营部门叫client，在财务系统里是billing entity，到了代码里又成了org_id。它可以生成一套完美流程，却不知道凌晨十一点谁有权批准例外，也不知道那个人休假时，整个部门会偷偷改用哪张四年前的表格。
模型面对的是一般世界。公司活在自己的方言里。
这道差距早就在企业软件中存在。AI把它放大了，因为模型的演示效果太好。一个漂亮的聊天窗口，10分钟就能让管理层看见未来；从演示走到生产，却要穿过数据权限、旧系统、审批、合规、考核、办公室政治和责任归属。能力已经摆在桌面上，组织还没有给它修路。
FDE就是修路的人。
当然，FDE并非AI时代凭空长出来的职业。帕兰蒂尔在十多年前就在做类似工作，售前、实施顾问和解决方案架构师存在得更久。变化发生在它们的相对位置。通用生成能力开始变便宜以后，模型与具体组织之间的缝隙，从售后成本变成了产品能否成立的关口。
AI没有发明现场劳动。它把现场劳动从后台成本推到了产品中央。
最后一代靠工资进入资产阶层的人，正在被终结
当AI替你完成了工作，一个人要靠什么能力被市场付钱？
FDE，就是AI时代的数字蓝领
如果要说得再直接一点，FDE干的就是数字世界里的蓝领活。
不过，蓝领从来不等于不用脑。一个好水管工要判断漏点、管压和整栋楼的走线，判断错了，一间厨房可以淹掉半层楼。蓝领真正的处境，是劳动被绑在一个具体现场：故障在哪里，人就要去哪里；什么时候出问题，什么时候就得回来；活有没有价值，不看方案写得多漂亮，只看最后修没修好。
FDE也是这样。
客户的故障决定他的时间，客户的例外打断他的计划，客户是否真正采用决定项目有没有价值。代码交付通常不算结束。系统坏了，仍要有人回来，找出文档没有写下的原因，修好它，再向具体的人解释结果。
软件公司过去最赚钱的是复制，FDE最值钱的是到场。他面对的是一套又一套权限、几张没人敢删的脏表、某个休假后没人敢代签的主管。每个客户都带着自己的毛病，每一次部署都要重新下场。
AI没有把程序员赶进工厂。它把程序员变成了数字世界的维修工。
水管工无法坐在总部，为一千间漏水的厨房写出一份通用修复方案。FDE处理的虽然全是比特，他的价值同样黏在具体客户、具体关系和具体后果上。他出售的不再只是一段代码，还有自己赶到现场、理解混乱、收拾残局的能力。
这种蓝领化会不会改变软件的商业性质，只看一次修复最后留下了什么。只让眼前客户恢复运行，公司卖的就是高价工时；变成平台能力，让后来的客户不必再交一遍学费，维修才重新变回产品。
FDE正站在这个铰链上。
当智力成为工业品，知识工作开始按服务重新定价
我总结的那条“AI替代的逆向历史演化定律”，粗略回答了哪些职业更早暴露在机器面前。FDE补上另一个问题：当代码、报告、合同和分析被模型批量生产以后，剩余的人类劳动会怎样重新组合？
AI把答案变成工业品，把落地重新变成手艺活。
模型在批量生产代码、报告和分析，FDE却要一个客户一个客户地上门。前者的单位成本不断下降，后者仍被例外、协调和责任拖住。过去藏在软件后台的脏活没有消失，只是突然变成了最贵的部分。
一个新岗位的兴起，无法抵消多少旧岗位消失。FDE也不该被拿来讲“技术总会创造更多工作”的安慰故事。公开数据还不足以比较两边的总量，它真正暴露的是结构变化：答案生产需要的人可能减少，让答案进入现实需要的人却更靠近价值中心。
这种蓝领化就发生在软件行业内部。通用代码的价格不断下降，查明某一家公司的代码为什么无法运行，价格反而上升；答案越来越像工业品，把答案嵌入组织并变成结果，越来越像服务。人类的价值没有整齐地撤退到农田、工厂和厨房，它也在退往数字世界的维修现场。
经济学家威廉·鲍莫尔（William Baumol）研究过一类相对价格变化。工厂可以用机器把产量提高十倍，弦乐四重奏却很难把40分钟的演奏压缩成4分钟。高生产率部门不断降低单位成本，仍依赖人和时间的活动便显得越来越贵。这后来被称为“鲍莫尔成本病”。
这个理论不能直接证明FDE会永久存在，但它能解释眼前的瓶颈为何突然变得显眼。模型写一段标准代码、做一份摘要、生成一版分析，单位成本正在快速下降。发现客户真正卡在哪里，协调几个互不信任的部门，判断一个异常能否交给机器，出错后找到愿意签字的人，这些工作的提效则慢得多。
所以，模型越快，需要等人的那部分就越贵。
过去，专业者因为拥有别人不知道的答案，同时获得诊断权、处置权和收费权。医生知道病名，律师知道条文，工程师知道怎样写程序。知识存量本身就是职业边界。
模型开始批量供应答案以后，这几种权力被拆开了。知道答案的人未必能发现真正的问题，能给出方案的人未必能推动组织采用，生成建议的系统更不会自动承担建议造成的后果。专业价值开始迁往三件难以分离的事：定义问题、完成处置、接受追索。
我之前讲过“知识套利已死”，说的就是知识存量越来越难独自形成溢价。FDE把这个判断再往前推了一步：当答案可以无限复制，职业价值就会迁往处置、采用和后果。
这仍不保证劳动者会得到更高收入。新增价值完全可能被平台、雇主或强势客户拿走。服务劳动升值，也可能只意味着一个工程师同时被塞进更多客户、接受更细的监控、背上更模糊的责任。
市场承认情境值钱，定价权未必随之转移到提供情境的人手里。
AI时代的真正赢家不是会用AI的人，而是拥有定价权的人
当普通人拼命卷AI，高手在练习另外一件事
模型能读完流程，却读不出她为什么坚持用CSV
加内什讲过另一个故事。
他所在的一家创业公司花了接近一年，试图让客户把数据格式从CSV迁到Parquet。一名数据质量工程师每次都拦住迁移。她给出的理由不断变化：Parquet更差，不能用，看不懂。团队跟她谈存储成本、计算效率、管道优化，所有正确理由都撞在墙上。
后来，他们派一名FDE坐到她身边，看她怎么工作。
这名工程师每天把CSV文件从亚马逊S3下载到Windows笔记本，双击打开，再用眼睛一行一行检查。那就是她的数据质量工具。当时Parquet没有她能直接使用的本地查看器。所谓迁移，在她眼里等于拿走唯一一双眼睛，然后递给她一份关于“效率提升”的演示文稿。
团队当晚做出一个Parquet查看器。两天后，她批准迁移，数据管道的运行时间从大约17小时降到2小时。
她此前为什么不把真实原因说出来？因为从她的位置看，这甚至不算一个“需求”。双击文件、扫过几行，是手做久以后留下的动作。人往往能告诉你自己想要什么，却很难告诉你哪些习惯已经变成环境的一部分。鱼不会主动汇报水的规格。
企业里最重要的知识，经常以这种方式存在。
它藏在某个人离职后没人敢删的表格里，藏在两个部门对同一个名词的不同理解里，藏在流程图没有画出的绕路中。持有这些知识的人也未必意识到自己知道。访谈问不出来，文档搜不到，模型自然无从推理。
技术从来不是单独自动运行。它需要接口、权限、操作习惯、评估标准、维护者和责任人组成一个环境。AI进入企业，等于一种陌生生物被放进旧生态。FDE表面在部署模型，实际在替它建造一套可以存活的组织环境。
模型制造答案，FDE维修答案无法行动的原因。
但也不要把这件事浪漫化，认为人类永远拥有某些神秘优势。日志、录屏、长期记忆和更强的智能体，都可能继续吞掉其中一部分。人的优势眼下只在一个朴素动作上：失败发生时，他知道要停下来看看那个人究竟在做什么。
有一天，机器也可能学会看。
是数字蓝领，也可能是软件业最后的工匠
这里出现了一场很有意思的冲突。
哈里·布雷弗曼（Harry Braverman）曾做过多年工业工人。1974年，他在《劳动与垄断资本》中分析了管理如何把构想与执行分开：工人的知识被抽离、整理，集中到管理系统里；一项完整手艺被拆成可以规定、测量和替换的动作。
许多人误以为“去技能化”就是工作不再需要智力。布雷弗曼真正盯住的是控制权。一个人即使整天做复杂判断，只要他看不见完整过程，无法决定节奏，也无权修改规则，他仍可能处在去技能化之中。
AI很适合完成这次抽取。优秀程序员留下的代码、调试方法和架构经验进入模型，随后以工具形式回到每个人的屏幕。总部工程师可能越来越少从头制造，更多时候负责查看模型产出、处理升级工单、修复指标暴露的局部错误。他仍然用脑，只是自己的知识越来越像平台的燃料。
FDE也可能走向这条路。客户的时间表决定节奏，销售承诺决定边界，交付指标决定什么问题值得解决。岗位名字听起来像特种部队，实际体验也许更接近背着电脑赶场的维修队。
可社会学家理查德·桑内特（Richard Sennett）在《匠人》中给出了另一把尺子。他关心手与脑怎样通过材料反馈彼此修正。工匠不会只负责“想”，再把动作交给另一个人。他在制作中遇到阻力，调整判断，又从新的结果里继续学习。
按这把尺子看，FDE可能比总部工程师更像软件时代的工匠。
他发现问题，理解业务，写代码，看人使用，修正方案，再承担结果。他接触到从问题出现到系统运转的整条链路。那些被分隔在产品、销售、实施和客服之间的碎片，在他手里重新接了起来。
AI由此没有把整个软件职业推往同一个方向。它把这个职业劈成两半。
靠近模型中心的通用生产越来越像流水线。靠近客户边界的部署越来越像手艺。我愿意把这种可能出现的分裂叫作：中心去技能化，边缘再技能化。
这不是从职位名称就能得出的结论，要看公司怎样设计反馈回路。OpenAI和Anthropic的职位说明都要求FDE把可重复的现场模式写回工具与产品。如果他只负责接工单、赶进度，布雷弗曼的判断更接近现实；如果他能从发现问题一路做到改变平台，桑内特所说的完整制作过程才真正出现。
更微妙的地方在于，FDE修理的往往不只是软件。
企业最初把AI塞进旧流程，让员工用它写邮件、报告和代码。深入部署以后，FDE会开始重画流程：哪些步骤取消，哪些判断交给机器，什么被定义为异常，异常升级给谁，谁还保留否决权。
他开始参与设计客户公司的劳动制度。
这项工作可能取消大量苦役，也可能把一线人员多年积累的判断抽走，固化成一套他们无权修改的规则。判断它究竟带来解放还是控制，只需要追踪一个问题：改造完成以后，谁更有权定义“正常”，谁能修改规则，谁负责解释错误？
这才是FDE身上真正的权力。写代码只是它最容易被看见的部分。
阶层的向上流动，正在AI时代走向终结
未来的特权是拥有退出的能力，出口分化将比贫富差距更关键
FDE是一种新服务业，还是产品成熟前的脚手架?
照这个趋势和逻辑，很多人可能会认为，AI越强，软件公司越依赖人；未来的软件生意会重新变成人力密集型服务。
这个结论下得太早。
通用技术进入企业，常常伴随昂贵的组织改造。一项关于“生产率J曲线”的研究描述了其中一种路径：企业先共创流程、培训人员、改造商业模式并积累软件等无形资产，眼前的成本先出现，生产率收益可能在后来才显现。
FDE可能就是企业AI的临时脚手架。
他们今天在现场做的数据清理、连接器、评估框架和操作模板，明天可能有一部分进入平台。OpenAI自己的职位说明，也把“把有效模式写成工具、手册和构件，并用现场反馈改变产品和模型路线图”列为FDE职责。真正优秀的FDE团队，长期目标甚至应该包含让自己在每一个老客户那里变得不再必要。
如果J曲线的解释成立，今天这批“数字蓝领”只是AI产品成熟前的脚手架。每一代客户所需的人力应该下降，现场手艺会逐步凝固成产品。若人力始终跟客户数量同步增长，那条J形曲线就没有抬头，公司仍在出售服务。
这正是加内什对同行最尖锐的批评。
他曾花一个下午给客户写过一段临时代码，文件名干脆叫“vinoo.groovy”。“Vinoo”是他的名字，“.groovy”是脚本文件后缀，翻成大白话就是“维努随手写的那段脚本”。原计划活不过一周。一年后，它仍运行在一个接近十万人规模的客户组织中，团队又维护了它很多年。
一次漂亮的救火没有变成产品，只留下了长期人情债和一个带着作者名字的技术化石。服务与产品的分叉，就藏在火灭以后。
如果一个现场问题只让眼前客户满意，下个客户仍从零开始，公司卖的是高价人时。若那次错误改变了底层平台，让后来部署更快、更便宜、更可靠，服务劳动便沉淀成资产。
所以，不要只数一家公司招了多少FDE。更有价值的数字是：一名FDE能否服务越来越多的客户？新客户从签约到生产运行所需的时间有没有缩短？现场修复进入核心产品的比例是否提高？
目前，我没有找到足够公开数据回答这些问题。招聘热潮只能证明部署劳动此刻处在战略中央，无法证明它的总量正在增长，更无法证明它会成为稳定终局。
这也是这个岗位最诚实的地方。它把AI经济里被演示视频遮住的成本，重新摆上了桌面。
过去的软件承诺，一次创造，无限复制。今天的企业AI多出一行账：每卖出一份智能，还要有多少人进去解释现实、改变组织、维修失败并承担后果？
答案正在离开人，但后果并不会。
如果一家AI公司每卖出一份“智能”，都必须再派一个人进去替它理解现实，它出售的究竟是什么？【懂】