OpenAI Presence 来了：大模型厂商为何改用「驻场交付」卖 AI Agent
OpenAI 用 Forward Deployed Engineer 驻场交付 AI agent，而非自助 API。本文拆解这一市场转向，对比大模型厂商 FDE 与独立落地伙伴的锁定风险、中立性、长期陪跑与成本，助你做选型决策。
TL;DR： 「大模型厂商驻场交付」正在取代「卖 API 让你自助接入」，成为 AI agent 落地的新范式——连 OpenAI 都把新产品 Presence 交给自家的 Forward Deployed Engineer（前置部署工程师）而非开放自助 API 来交付。对企业的直接建议：不要用「买模型」的思路买 agent，而要按锁定风险、中立性、长期陪跑、成本四个维度，权衡「大模型厂商 FDE」与「独立落地伙伴」两条路径。如果你还没想清楚自家场景该走哪条，先做一次免费 AI 落地诊断。
一个信号往往比一份白皮书更能说明趋势：把 AI 卖给企业的方式，正在从软件生意变回项目生意。下面用 OpenAI 的最新动作、几家权威机构的数据，以及一个中方同类案例，拆解这场转向，并给出一个可直接套用的选型框架。
OpenAI Presence 是什么？它和普通 API 有什么不同？
一句话答案：Presence 是 OpenAI 帮企业部署 AI agent 的服务，关键差异在于它不是自助产品——目前只能通过 OpenAI 的 Forward Deployed Engineer（什么是 AI FDE）和指定的系统集成商驻场交付。
据 The Register 的报道（2026-07-22），OpenAI 发布的 Presence 是一个帮企业部署 AI agent 的 Web 服务，首批面向「实时语音与聊天场景，例如客服、外呼销售，以及高风险的内部工作流」。它提供 agent 编辑器、playground，以及退款、订单状态查询、账户删除等业务操作工具，企业可在其中设置 policy 与治理控制。
但真正值得注意的是交付方式。报道原文写道：OpenAI「不是又发布一个自助式 API，而是通过其咨询部门——OpenAI Deployment Company 与 Forward Deployed Engineers——来提供 Presence」；这支「技术安装队伍」去年首次亮相，并在今年 5 月收购咨询公司 Tomoro 后得到加强。报道明确指出：「Presence 目前尚未作为自助产品开放（Presence is not yet available as a self-serve product），部署由 OpenAI 的 Forward Deployed Engineer 及指定的全球系统集成商主导。」定价也不是标准 SKU，而是「按每个客户的用例单独 scoped」。
换句话说，即便是拥有最强模型的厂商，也承认「把 agent 交到企业手里」是一件需要工程师坐进客户现场、按场景定制的活儿，而不是发一份 API 文档就能了事。这恰恰是 6AM 一直强调的 FDE 交付逻辑（为什么企业 AI 部署这么难）。
为什么大模型厂商开始「驻场交付」，而不是继续卖 API？
一句话答案：因为 agent 落地是系统工程而非「更聪明的模型」问题，自助 API 交付不出业务价值；同时权威数据显示 AI 目前主要是「增强」而非「替代」人力，高风险场景的自助化正在退潮——这三条都指向「需要人主导、驻场落地」。
第一层动因：agent 是系统问题，不是推理问题。 MIT Technology Review 刊发的 Intel 文章（2026-07-27）给出了一句精准判断：「一个 agent 是目标驱动的自动化企业工作流——它规划多步任务、调用工具、读取结果、失败时重试；因此企业级 agent 不只是一个推理问题，它是一个系统问题（they are a systems problem）。」Intel 做了「数千次」agentic 工作负载实验后总结：agent 的企业价值取决于任务编排、数据访问、工具执行、延迟管理、治理、可观测性与内存管理等整套系统，而不取决于单一模型有多聪明。系统级的东西，恰恰是自助 API 交付不出来的。
第二层动因：数据显示 AI 目前是「增强」而非「替代」。 Ars Technica 报道（2026-07-28）援引 Google Research 对 1500 万条匿名 AI 交互的分析（ATLAS 研究）：研究「没有找到证据支持 AI 即将造成大规模自动化、取代白领工作的说法」。具体数字上，只有 21% 的工作任务被归为「Gemini 任务」，29% 的职业没有任何一项任务达到显著使用阈值，仅 3% 的职业中 Gemini 被用于其 ≥75% 的相关任务，且 86% 的交互是「起草/生成」「信息检索/学习」等认知类、低专业度任务。研究的核心结论是：「AI 目前主要是作为现有工作的补充（complement）」。既然 AI 是增强而非替代，落地就必须有人把它嵌进真实流程——这正是驻场交付要解决的问题（为什么 AI agent 在生产环境会失败）。
第三层动因：高风险场景的自助化正在退潮。 同样据 The Register，报道援引 Gartner 预测：「到 2027 年，原本计划把客服转向 AI 的组织中，将有一半（half of organizations）放弃这一计划。」分析师 Kathy Ross 的话更直白：「AI……不是万能药，在许多互动中，人的触感仍不可替代。」这解释了为什么连 OpenAI 都要为客服这类高风险场景配上驻场工程师，而不是丢一个自助控制台给客户。
大模型厂商 FDE vs 独立 AI 落地伙伴，企业该怎么选？
一句话答案：两条路径都能把 agent 落地，区别在于交付方与模型厂商是否解绑。按下面四个维度做权衡，再结合自家的锁定容忍度与场景复杂度决定（自建还是采购）。
| 维度 | 大模型厂商 FDE（如 OpenAI Presence） | 独立 AI 落地伙伴（如 6AM） |
|---|---|---|
| 锁定风险 | 更可能加深对单一模型/云生态的依赖，迁移成本相应上升 | 可按场景中立选型、多模型混搭，依赖度较低 |
| 中立性 | 交付方与模型厂商同源，选型建议可能偏向自家生态 | 交付方与模型厂商解绑，可把业务 ROI 作为主要评估标准 |
| 长期陪跑 | 以项目制交付为主，后续迭代节奏可能跟随其产品路线图 | 可约定长期陪跑，随业务演进持续调优与治理 |
| 成本 | 按用例单独 scoped，咨询式驻场交付的定价通常高于标准化产品 | 可按落地价值定价，聚焦可观测的提效 |
表中可核验的事实锚点来自公开信源：Presence「按用例单独 scoped 定价、通过 OpenAI 咨询臂交付、尚未作为自助产品开放」印证了「更可能加深单一生态依赖、选型偏向自家、成本偏高」这一列的结构性风险（The Register）；其余为基于该交付模式的结构性推断，供选型权衡参考。
而「成本」与「长期陪跑」两列的难点，中方实践也给出了同频佐证。据 ITBear 的报道（2026-07-28，360 纳米 Work 发布会当日），360 在发布企业智能体平台「纳米 Work」时，把智能体落地企业归纳为六大挑战：「成本、门槛、权限、稳定性、安全性和持续进化」。周鸿祎的一句话点破了为什么落地必须重治理、重陪跑：「大模型出错，是说错话；智能体出错，是干错事。」——干错事的代价，决定了企业级 agent 不能一交付了之，而要持续陪跑、持续加固。
独立 FDE 落地伙伴的价值在哪？
一句话答案：当交付方与模型厂商解绑时，它更有条件站在业务一边——中立选型、跨厂商可观测性、长期陪跑，这三点通常是独立 FDE 伙伴的差异化优势。
中立选型。 大模型厂商的 FDE 与自家生态同源，选型时更可能倾向自家模型；独立伙伴则可以按场景挑选合适的模型与栈，把锁定风险降到较低水平。
跨厂商可观测性与评测。 前述 MIT Technology Review / Intel 文章提出了一个关键的度量范式转变：按「agent 密度（agents per vCPU）」而非 agent 数量做容量规划，因为密度才是系统饱和的先行信号；Intel 还扩展了开源基准 Terminal-Bench，用确定性的 record-replay 把 agent 自身的性能与底层 LLM 的波动分离开来。这类「把 agent 当系统来量测」的能力，是独立伙伴更有条件跨厂商沉淀的资产（延伸阅读：生产级 AI agent 的可靠性与可观测性、agent 的可观测、审计与评测）。
长期陪跑与场景化落地。 落地不是一次性项目。仍据 ITBear，360 先把自己当「试验场」，将 OpenClaw 等智能体投入 1000 多个真实业务场景、收集 56000 多条反馈、在 5 个月内迭代 166 个版本；其公布的案例中，一家早餐店在使用平台做营销、店铺设计与法务咨询后，门店从 1 家开到 6 家。这种「持续陪跑 + 按场景打磨」的路径，与 6AM 的 FDE 交付主张一致：我们不以 token 消耗为目标，而以可观测的业务提效为目标。
如果你正在评估「找大模型厂商驻场，还是找独立落地伙伴」，可以先做一次免费 AI 落地诊断，把自家场景的锁定风险与复杂度摸清楚；也欢迎浏览我们的实战课程与常见问题。
常见问题
Q：OpenAI Presence 是自助产品吗？ A：不是。据 The Register，Presence 目前尚未作为自助产品开放，只能通过 OpenAI 的 Forward Deployed Engineer 及指定的全球系统集成商驻场交付，定价按每个客户的用例单独 scoped。
Q：找大模型厂商驻场，和找独立落地伙伴，最大区别是什么？ A：锁定风险与中立性。大模型厂商 FDE 更可能让你加深对单一模型/云生态的依赖，且其选型建议与自家生态相关；独立伙伴则可按场景中立选型、把业务 ROI 作为主要评估标准，跨厂商混搭并沉淀可观测性资产。
Q：中小企业也需要「驻场式」AI 落地吗？ A：需要。落地的真正难点在于成本、权限、稳定性、安全性等组织级适配，而非模型本身——360 纳米 Work 归纳的「六大挑战」正是此意。规模小反而更承受不起「干错事」的代价，因此更需要有人把 agent 稳稳嵌进业务流程，而不是自助上线后放任不管。
