從「拼模型」到「拼交付」:AI FDE 駐場如何跑通企業價值閉環(2026)

一句話答案(TL;DR): 2026 年企業 AI 競爭的勝負手,已經不再是「誰的模型更強」,而是「誰能把 Token 變成可驗證的業務價值」。在這條主線上,AI FDE(Forward Deployed Engineer,駐場工程師,潤建稱之為「價值增長工程師 / Value Growth Engineering, VGE」) 被潤建作為一種以「價值閉環」為目標的交付模式正式推出——它派駐到客戶現場,與業務共同挖掘 AI 場景、交付可審計的價值閉環,並按實際創造的經濟價值付費,而不是交付一個「裝好就走」的模型。

企業過去兩年買了很多模型、跑了很多 PoC,卻常常卡在「模型 demo 很驚豔、上線後不產生價值」這一步。2026 年上海 WAIC 一線的訊號很一致:行業焦點正從「模型能力競爭」轉向「價值閉環能力競爭」。這篇文章拆解這個轉向背後的交付形態——AI FDE 駐場——它是什麼、相比傳統外包和自建團隊該怎麼選,以及一次真正跑通價值閉環的交付到底長什麼樣。

什麼是 AI FDE(Forward Deployed Engineer / 價值增長工程師 VGE)?

AI FDE 是一種「派駐客戶現場、與企業共同挖掘 AI 應用場景並交付業務價值」的工程師交付模式。 它借自 Palantir 的 Forward Deployed Engineer 傳統,但在 2026 年被重新定義為一種以「價值閉環」為交付目標的角色:FDE 不只是把模型部署上線,而是深入業務一線,把 AI 能力落成可衡量、可付費的經濟價值。

據 36氪《對話潤建股份:AI 應用拼的不只是模型能力,更是從 Token 到價值創造的閉環能力》(2026-07-22)報道,潤建明確提出了「AI FDE(AI Forward Deployed Engineer)交付模式」,並在內部將其定義為 VGE = Value Growth Engineering(價值增長工程師);其做法是「派出 FDE 團隊進入客戶現場,與企業共同挖掘 AI 應用場景和價值」。

把定義拆成三個可判斷的特徵,便於對號入座:

• 在現場,不在交付單上。 FDE 與業務共創場景,而不是等甲方寫好需求清單再照單施工。
• 交付價值閉環,不是交付模型。 目標是「從 Token 到價值」跑通,而非把一個模型裝進伺服器就算完成。
• 按價值付費,不是按人天。 計費錨定在「實際創造的經濟價值」,這也是 VGE(價值增長工程師)這一命名的由來。

為什麼 2026 年企業 AI 從「模型能力競爭」轉向「價值閉環」?

據潤建與超擎兩家 WAIC 受訪廠商的判斷:行業焦點正從模型訓練 / 模型能力競爭,轉向推理落地與應用價值創造——競爭的價值錨點因此從訓練側的模型,移到落地側的價值閉環。 WAIC 2026 一線的這兩組對話,給了這個判斷相當一致的佐證。

潤建在同一篇 36氪訪談 中直言:「AI 產業競爭正在從『模型能力競爭』走向『價值閉環能力競爭』」。這不是口號——其「阿波羅11」認知底座已在製造業落地七八個專案,客戶按實際創造的經濟價值付費,形成價值閉環。付費方式的改變,是「轉向價值」最硬的證據:當你敢按創造的價值收錢,說明交付的錨點已經從「交付物」變成了「結果」。

超擎數智給出的是同一枚硬幣的另一面。據 36氪《對話超擎數智 CEO 唐春峰:AI 產業競爭正在從模型訓練走向推理落地》(2026-07-22),唐春峰判斷「人工智慧的發展其實已經從大模型訓練快速轉向推理應用落地」,行業焦點「從模型能力競爭逐步轉向應用價值創造」。他用「AI 工廠」與「Token 經濟學」概括這件事的本質——用更少的投入獲得更大的產出。落到案例上,超擎在北京亦莊與新藥研發藥企亦康醫藥合作,交付 AI 加速平臺全棧方案,提升研發效率、降低研發成本。

把兩條信源疊起來看,主線很清楚:訓練 → 推理落地、模型 → 應用價值創造,而閉合這條鏈路的機制,就是「按價值付費」。這也是為什麼很多企業發現,單純「把模型部署好」並不能帶來回報——落地難的根源不在模型,而在交付形態。關於「為什麼企業 AI 部署這麼難」,我們在 《為什麼企業 AI 落地這麼難》 裡做過系統拆解。

FDE 駐場交付 vs 傳統外包 vs 自建團隊,企業該怎麼選?

簡短答案:要快見效、又缺 AI 交付經驗的企業,優先考慮 FDE 駐場;需求高度標準化的選傳統外包;有長期戰略與充足預算的再談自建團隊。 三者的本質差異,在於「交付目標」和「計費方式」——這也是決定 ROI 的兩行。

說明: 下表「FDE 駐場交付」一列描述的是本文建議的交付模型(以潤建 VGE 案例、Shippy 的 agent 工程實踐與 CPSAINT 殘餘風險框架為原型),並非所有 FDE 實踐的通用屬性;其中「按實際價值付費」「可靠性 / 審計內建」應據此理解為本文倡導的交付特徵,而非 FDE 的通用事實。

維度	FDE 駐場交付(本文建議模型)	傳統 IT 外包	自建 AI 團隊
交付目標	可驗證的業務價值閉環	交付需求清單 / 工時	內部能力沉澱
計費方式	按實際創造的經濟價值付費	按專案 / 人天	固定人力成本
場景挖掘	駐場與業務共創	依賴甲方給需求	內部自驅,受招聘約束
上手速度	快(帶方法論 + 映象化能力)	中	慢(招人 + 磨合)
可靠性 / 可審計	內建(可驗證輸出 + 殘餘風險量化)	依合同 SLA	依團隊成熟度
適合企業	要快見效、缺 AI 交付經驗	需求明確、標準化	長期戰略、預算充足

這張表裡最容易被低估的是「計費方式」一行。傳統外包按人天計費,交付方的激勵是「多投入」;本文建議的 FDE 駐場模型用潤建所說的「按實際創造的經濟價值付費」(36氪報道),交付方的激勵與客戶的價值直接繫結——這是把「交付」和「價值」對齊的結構性設計,而非話術。

選型不是非此即彼:很多企業的現實路徑是「先用 FDE 駐場快速跑通第一個價值閉環、沉澱方法論,再逐步自建」。關於自建、外購、找外部三條路的完整權衡,可參見我們的 《企業 AI:自建還是外購(2026)》。

FDE 駐場交付到底長什麼樣?(soul + skills + config + 可驗證輸出 + 可量化風險)

一次合格的 FDE 交付,不是交一個模型,而是交一個「可信、可驗證、風險可量化」的系統。 抽象的「價值閉環」落到工程上,由三件事支撐:agent 的構成方式、輸出的可驗證性、以及風險的可量化。

其一,交付的是 agent,不是 model。 Ai2 / Skylight 團隊在 Hugging Face 部落格《What building Shippy taught us about building agents》(2026-07-15)裡有一句話點破了這件事的核心:"the real work wasn't the model. It was building a system we could trust to be correct, to stay within its limits."(真正的工作不是模型,而是構建一個我們能信任其正確、且守在邊界內的系統。)他們把 agent 拆成三要素——soul(system prompt,即人格與邊界)+ skills + config——並烘焙進版本化的 Docker 映象交付。這篇部落格甚至專門有一節叫 "Evaluating an agent, not a model"(評估的是 agent,而不是 model),恰好點中 FDE 交付的落點:企業要的是一個在其業務邊界內可信運轉的 agent,而不是一張模型跑分。

其二,輸出必須可驗證、可回溯。 同樣在 Shippy 的實踐裡,面對高風險場景,agent 的回答會附上來源、資料截止時間、查詢時間戳與可回溯的深鏈,讓「分析師能核對每一個數字」。這正是 FDE 交付區別於「黑箱 demo」的地方——價值閉環要成立,業務方必須能審計每一個結論從哪來。

其三,可靠性要能被量化,而不是靠承諾。 當 agent 開始跨越信任邊界執行動作,「大概靠譜」不夠用了。arXiv 論文 《From Agent Failure Paths to Quantified Residual Risk》(2607.18243,2026-07-22)開門見山:"Agentic AI is crossing trust boundaries faster than current risk models can represent."(智慧體正在以超過現有風險模型表達能力的速度跨越信任邊界。)它提出 CPSAINT 七層完整性分解(Physical / Sensors / Data / Compute / Actuators / Environment / Time)加上 FRIESA-K 殘餘風險函式,把每一條失敗路徑對映成可量化的風險,並在硬即時倉儲機器人與受治理約束的金融服務 agent 兩個對照場景上驗證了同一套框架成立。對 FDE 交付而言,這意味著「可靠性」可以是合同裡一個能算的數,而不是一句 SLA 承諾——這也是把 Scout 觀察項「評估的是 agent 不是 model」收進交付方法論的原因。

三者合起來,才是「價值閉環」在工程上的完整含義:交付一個可信的 agent、給出可審計的輸出、並把殘餘風險量化到能被業務接受。

資料不出域怎麼辦?私有化與本地優先落地

在新藥、金融、具身智慧等高敏感場景,價值閉環的前提是「資料不出域」——這要求 FDE 交付能在私有化 / 本地優先的基礎設施上跑通。 超擎在前述 36氪訪談 中就指出,私有化部署場景(新藥 / 金融 / 具身智慧)對資料安全與業務適配要求很高,不是把公有云方案照搬就能落地。

而私有化要跑得起來,底層的「算電協同」是繞不開的一環。潤建披露的基礎設施資料給了一個可參照的量級:潤蟾平臺 Token 吞吐效能提升 700%;自建 480 兆瓦專變降低算力使用成本 30% 以上;微通道液冷疊加 800V 高壓直流,使 PUE < 1.1(36氪報道)。這些數字之所以和 FDE 交付相關,是因為「按價值付費」要成立,交付方必須先把單位 Token 的成本壓到足夠低——否則價值閉環的賬算不平。

私有化不是本文主線,但它是 FDE 交付能否進入高敏感行業的門檻。點到為止:資料不出域 + 算電協同把成本壓低,才讓「按實際價值付費」的閉環在這些行業成立。

結論:2026 年,拼的是交付,不是模型

回到開篇的答案:2026 年企業 AI 的競爭,正從「拼模型能力」轉向「拼價值閉環交付」。AI FDE(價值增長工程師 VGE)駐場之所以值得作為一種交付形態被認真對待——潤建已把它作為主交付模式推出——是因為它把三件難事捆成了一個交付單位:現場共創場景、交付可驗證的價值、按實際結果付費。相比傳統外包的「按人天」和自建團隊的「慢而重」,它更適合那些「要快見效、又缺 AI 交付經驗」的企業。

如果你正在判斷自己的 AI 專案卡在了哪一環——是場景沒找對、模型沒落地,還是價值沒閉環——可以從我們的 AI 落地診斷 開始,用一套結構化的方式定位問題;更多常見疑問,見 FAQ。企業 AI 的下半場,答案不在更大的模型裡,而在更近的現場裡。