OpenAI Presence 來了：大模型廠商為何改用「駐場交付」賣 AI Agent
OpenAI 用 Forward Deployed Engineer 駐場交付 AI agent，而非自助 API。本文拆解這一市場轉向，對比大模型廠商 FDE 與獨立落地夥伴的鎖定風險、中立性、長期陪跑與成本，助你做選型決策。
TL;DR： 「大模型廠商駐場交付」正在取代「賣 API 讓你自助接入」，成為 AI agent 落地的新範式——連 OpenAI 都把新產品 Presence 交給自家的 Forward Deployed Engineer（前置部署工程師）而非開放自助 API 來交付。對企業的直接建議：不要用「買模型」的思路買 agent，而要按鎖定風險、中立性、長期陪跑、成本四個維度，權衡「大模型廠商 FDE」與「獨立落地夥伴」兩條路徑。如果你還沒想清楚自家場景該走哪條，先做一次免費 AI 落地診斷。
一個訊號往往比一份白皮書更能說明趨勢：把 AI 賣給企業的方式，正在從軟體生意變回專案生意。下面用 OpenAI 的最新動作、幾家權威機構的資料，以及一箇中方同類案例，拆解這場轉向，並給出一個可直接套用的選型框架。
OpenAI Presence 是什麼？它和普通 API 有什麼不同？
一句話答案：Presence 是 OpenAI 幫企業部署 AI agent 的服務，關鍵差異在於它不是自助產品——目前只能通過 OpenAI 的 Forward Deployed Engineer（什麼是 AI FDE）和指定的系統整合商駐場交付。
據 The Register 的報道（2026-07-22），OpenAI 釋出的 Presence 是一個幫企業部署 AI agent 的 Web 服務，首批面向「即時語音與聊天場景，例如客服、外呼銷售，以及高風險的內部工作流」。它提供 agent 編輯器、playground，以及退款、訂單狀態查詢、賬戶刪除等業務操作工具，企業可在其中設定 policy 與治理控制。
但真正值得注意的是交付方式。報道原文寫道：OpenAI「不是又釋出一個自助式 API，而是通過其諮詢部門——OpenAI Deployment Company 與 Forward Deployed Engineers——來提供 Presence」；這支「技術安裝隊伍」去年首次亮相，並在今年 5 月收購諮詢公司 Tomoro 後得到加強。報道明確指出：「Presence 目前尚未作為自助產品開放（Presence is not yet available as a self-serve product），部署由 OpenAI 的 Forward Deployed Engineer 及指定的全球系統整合商主導。」定價也不是標準 SKU，而是「按每個客戶的用例單獨 scoped」。
換句話說，即便是擁有最強模型的廠商，也承認「把 agent 交到企業手裡」是一件需要工程師坐進客戶現場、按場景定製的活兒，而不是發一份 API 文件就能了事。這恰恰是 6AM 一直強調的 FDE 交付邏輯（為什麼企業 AI 部署這麼難）。
為什麼大模型廠商開始「駐場交付」，而不是繼續賣 API？
一句話答案：因為 agent 落地是系統工程而非「更聰明的模型」問題，自助 API 交付不出業務價值；同時權威資料顯示 AI 目前主要是「增強」而非「替代」人力，高風險場景的自助化正在退潮——這三條都指向「需要人主導、駐場落地」。
第一層動因：agent 是系統問題，不是推理問題。 MIT Technology Review 刊發的 Intel 文章（2026-07-27）給出了一句精準判斷：「一個 agent 是目標驅動的自動化企業工作流——它規劃多步任務、呼叫工具、讀取結果、失敗時重試；因此企業級 agent 不只是一個推理問題，它是一個系統問題（they are a systems problem）。」Intel 做了「數千次」agentic 工作負載實驗後總結：agent 的企業價值取決於任務編排、資料訪問、工具執行、延遲管理、治理、可觀測性與記憶體管理等整套系統，而不取決於單一模型有多聰明。系統級的東西，恰恰是自助 API 交付不出來的。
第二層動因：資料顯示 AI 目前是「增強」而非「替代」。 Ars Technica 報道（2026-07-28）援引 Google Research 對 1500 萬條匿名 AI 互動的分析（ATLAS 研究）：研究「沒有找到證據支援 AI 即將造成大規模自動化、取代白領工作的說法」。具體數字上，只有 21% 的工作任務被歸為「Gemini 任務」，29% 的職業沒有任何一項任務達到顯著使用閾值，僅 3% 的職業中 Gemini 被用於其 ≥75% 的相關任務，且 86% 的互動是「起草/生成」「資訊檢索/學習」等認知類、低專業度任務。研究的核心結論是：「AI 目前主要是作為現有工作的補充（complement）」。既然 AI 是增強而非替代，落地就必須有人把它嵌進真實流程——這正是駐場交付要解決的問題（為什麼 AI agent 在生產環境會失敗）。
第三層動因：高風險場景的自助化正在退潮。 同樣據 The Register，報道援引 Gartner 預測：「到 2027 年，原本計劃把客服轉向 AI 的組織中，將有一半（half of organizations）放棄這一計劃。」分析師 Kathy Ross 的話更直白：「AI……不是萬能藥，在許多互動中，人的觸感仍不可替代。」這解釋了為什麼連 OpenAI 都要為客服這類高風險場景配上駐場工程師，而不是丟一個自助控制台給客戶。
大模型廠商 FDE vs 獨立 AI 落地夥伴，企業該怎麼選？
一句話答案：兩條路徑都能把 agent 落地，區別在於交付方與模型廠商是否解綁。按下面四個維度做權衡，再結合自家的鎖定容忍度與場景複雜度決定（自建還是採購）。
| 維度 | 大模型廠商 FDE（如 OpenAI Presence） | 獨立 AI 落地夥伴（如 6AM） |
|---|---|---|
| 鎖定風險 | 更可能加深對單一模型/雲生態的依賴，遷移成本相應上升 | 可按場景中立選型、多模型混搭，依賴度較低 |
| 中立性 | 交付方與模型廠商同源，選型建議可能偏向自家生態 | 交付方與模型廠商解綁，可把業務 ROI 作為主要評估標準 |
| 長期陪跑 | 以專案制交付為主，後續迭代節奏可能跟隨其產品路線圖 | 可約定長期陪跑，隨業務演進持續調優與治理 |
| 成本 | 按用例單獨 scoped，諮詢式駐場交付的定價通常高於標準化產品 | 可按落地價值定價，聚焦可觀測的提效 |
表中可核驗的事實錨點來自公開信源：Presence「按用例單獨 scoped 定價、通過 OpenAI 諮詢臂交付、尚未作為自助產品開放」印證了「更可能加深單一生態依賴、選型偏向自家、成本偏高」這一列的結構性風險（The Register）；其餘為基於該交付模式的結構性推斷，供選型權衡參考。
而「成本」與「長期陪跑」兩列的難點，中方實踐也給出了同頻佐證。據 ITBear 的報道（2026-07-28，360 奈米 Work 釋出會當日），360 在釋出企業智慧體平臺「奈米 Work」時，把智慧體落地企業歸納為六大挑戰：「成本、門檻、許可權、穩定性、安全性和持續進化」。周鴻禕的一句話點破了為什麼落地必須重治理、重陪跑：「大模型出錯，是說錯話；智慧體出錯，是幹錯事。」——幹錯事的代價，決定了企業級 agent 不能一交付了之，而要持續陪跑、持續加固。
獨立 FDE 落地夥伴的價值在哪？
一句話答案：當交付方與模型廠商解綁時，它更有條件站在業務一邊——中立選型、跨廠商可觀測性、長期陪跑，這三點通常是獨立 FDE 夥伴的差異化優勢。
中立選型。 大模型廠商的 FDE 與自家生態同源，選型時更可能傾向自家模型；獨立夥伴則可以按場景挑選合適的模型與棧，把鎖定風險降到較低水平。
跨廠商可觀測性與評測。 前述 MIT Technology Review / Intel 文章提出了一個關鍵的度量範式轉變：按「agent 密度（agents per vCPU）」而非 agent 數量做容量規劃，因為密度才是系統飽和的先行訊號；Intel 還擴充套件了開源基準 Terminal-Bench，用確定性的 record-replay 把 agent 自身的效能與底層 LLM 的波動分離開來。這類「把 agent 當系統來量測」的能力，是獨立夥伴更有條件跨廠商沉澱的資產（延伸閱讀：生產級 AI agent 的可靠性與可觀測性、agent 的可觀測、審計與評測）。
長期陪跑與場景化落地。 落地不是一次性專案。仍據 ITBear，360 先把自己當「試驗場」，將 OpenClaw 等智慧體投入 1000 多個真實業務場景、收集 56000 多條反饋、在 5 個月內迭代 166 個版本；其公佈的案例中，一家早餐店在使用平臺做營銷、店鋪設計與法務諮詢後，門店從 1 家開到 6 家。這種「持續陪跑 + 按場景打磨」的路徑，與 6AM 的 FDE 交付主張一致：我們不以 token 消耗為目標，而以可觀測的業務提效為目標。
如果你正在評估「找大模型廠商駐場，還是找獨立落地夥伴」，可以先做一次免費 AI 落地診斷，把自家場景的鎖定風險與複雜度摸清楚；也歡迎瀏覽我們的實戰課程與常見問題。
常見問題
Q：OpenAI Presence 是自助產品嗎？ A：不是。據 The Register，Presence 目前尚未作為自助產品開放，只能通過 OpenAI 的 Forward Deployed Engineer 及指定的全球系統整合商駐場交付，定價按每個客戶的用例單獨 scoped。
Q：找大模型廠商駐場，和找獨立落地夥伴，最大區別是什麼？ A：鎖定風險與中立性。大模型廠商 FDE 更可能讓你加深對單一模型/雲生態的依賴，且其選型建議與自家生態相關；獨立夥伴則可按場景中立選型、把業務 ROI 作為主要評估標準，跨廠商混搭並沉澱可觀測性資產。
Q：中小企業也需要「駐場式」AI 落地嗎？ A：需要。落地的真正難點在於成本、許可權、穩定性、安全性等組織級適配，而非模型本身——360 奈米 Work 歸納的「六大挑戰」正是此意。規模小反而更承受不起「幹錯事」的代價，因此更需要有人把 agent 穩穩嵌進業務流程，而不是自助上線後放任不管。
