AI FDE 是什麼：企業 AI 從「賣模型 / 賣 Token」走向「駐場交付 + 按價值付費」

AI FDE（AI Forward Deployed Engineer，前向部署 / 駐場交付工程師）＝ 把工程師派進客戶業務現場，帶著工具鏈與算力，與企業共同挖掘 AI 場景、交付可量化價值、並按結果付費的一種交付模式。 它標誌著企業 AI 的競爭重心，正從「誰的模型更強、誰的 Token 更便宜」轉向「誰能把價值真正落到業務裡，並且證明出來」。

這篇文章回答四個問題：AI FDE 到底是什麼、它和傳統 IT 外包 / 賣 License / 諮詢交 PPT 有何本質區別、企業為什麼正在轉向「按價值付費」，以及這套模式在真實專案里長什麼樣。核心區別一張表就能看清——見下方對比表。

AI FDE（前向部署 / 駐場交付工程師）到底是什麼？

AI FDE 是一種把交付責任前移到客戶現場的角色：工程師不是交完系統就走人，而是帶著工具與算力駐場，和企業一起找到 AI 能創造價值的場景，把它做出來、量出來，再按結果收費。它和普通的「派人駐場」有一個關鍵差異——傳統駐場按人天賣工時，AI FDE 賣的是可量化的業務結果。

這個術語並非空談。在 WAIC 2026 前後，潤建股份把這一角色本地化落地為 VGE（Value Growth Engineering，價值增長工程師）：據 36氪《對話潤建股份》（2026-07-22） 的專訪，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」。也就是說，FDE 不是一個賣點包裝，而是一套已經在企業裡跑起來的交付組織方式。想理解它為什麼會出現，可以先看為什麼企業 AI 落地這麼難？——落地難，恰恰是駐場交付存在的理由。

AI FDE 和傳統 IT 外包、賣 License、諮詢交 PPT 有什麼區別？

一句話結論：三者的根本差別在於「交付什麼、誰擔落地風險、拿什麼來計價」——外包交系統、諮詢交方案，而 AI FDE 交的是可量化的業務結果，並按這個結果收費。 換句話說，前兩者把風險留給客戶，AI FDE 把風險和供應商綁在一起。

這也解釋了為什麼潤建在同一場專訪裡強調「量化每個 Token 帶來的經濟收益……基於價值結果進行付費，從而形成完整的價值閉環」，並直言「AI 產業競爭正在從『模型能力競爭』走向『價值閉環能力競爭』」。下表把三種模式放在同一組維度下對照：

AI FDE 駐場按價值付費 vs 傳統 IT 外包 / 賣 License vs 諮詢交 PPT

維度	傳統 IT 外包 / 賣 License	諮詢交 PPT	AI FDE · 駐場按價值付費
交付物	軟體許可 / 人天工時 / 系統整合	方案報告、PPT、路線圖	嵌入客戶系統、可執行的智慧體與可量化業務結果
計價方式	License 費 / 按人天 / 按模組	按專案或諮詢費	按價值結果付費——量化每個 Token 帶來的經濟收益，形成價值閉環
誰擔落地風險	客戶自擔，交付即脫手	客戶自擔，落地不在範圍內	供應商共擔——FDE 駐場，與企業共同挖掘並交付價值
可衡量性	以功能驗收 / SLA 為主	難以量化到業務收益	以業務指標量化——產能、吞吐、成本，可核驗

如果你的問題是「該自建團隊還是採購能力」，這屬於另一個決策，可參考AI 能力是自建還是採購？；而本文討論的是採購一方內部，外包、諮詢與駐場交付三種形態孰優孰劣。

企業為什麼正從「賣模型 / 賣 Token」轉向「按價值付費」？

因為衡量 AI 的標準正在改變：引數量和模型榜單不再是採購決策的核心，「能不能幹活、能不能交付」成了新標尺。這個拐點在 2026 年的行業現場已經非常清晰。

量子位《我在 WAIC 2026 看見的十大趨勢》（2026-07-22） 的觀察很直接：「AI Chat 已平常，能幹活能交付才是新王道，Show me the Agent！」——現場 H1 館約 70% 的展商把 Agent 作為預設展示話題，十個「鎮館之寶」裡智慧體相關應用佔了 4 席；文章進一步指出「能否完成有效交付，正在成為衡量大模型能力最實在、最有分量的標準」，而「這個模型有多少引數，顯然已經不再是核心焦點」。這與產業側的判斷一致：36氪《對話超擎數智》（2026-07-22） 中，其 CEO 唐春峰也提到「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」。當價值成為標尺，按價值付費就是水到渠成的商業結構。

「按價值付費」在實踐中長什麼樣？

它長成一組可以被審計的數字，而不是一句口號。仍以潤建的 VGE 模式為例，據前述 36氪專訪，這套駐場交付已在製造業落地 7 個專案、合同均已簽訂，其中 2 個已完成交付——不是 PPT 裡的規劃，而是有合同、有交付進度的真實工程。

支撐這套交付的是可量化的能力底座：其認知底座「阿波羅11」基於「資料本體」（而非傳統資料中臺）做即時推理，可支援產能預測、幫企業分析如何提升 20%–30% 的產能；配套的「曲尺元基」（一句話生成智慧體並嵌入現有系統）和「OPC Team」（多智慧體協同框架）構成工具鏈。成本側同樣落到硬指標：潤蟾平臺使 Token 吞吐效能提升 700%，微通道液冷疊加 800V 高壓直流讓資料中心 PUE < 1.1，自建 220kV 變電站預計降低 30% 以上的算力成本。這些數字之所以重要，是因為「按價值付費」要成立，前提就是價值必須可測——產能、吞吐、成本每一項都能核驗，付費才有依據。要把這種「可核驗」做紮實，如何保證 AI 系統的可靠性與可觀測性？ 是繞不開的一課。

為什麼說難點不在模型本身？

因為真正難的從來不是選哪個模型，而是把模型變成一個可信、有邊界、跨任務都穩定的系統——這恰恰是 FDE 駐場交付的價值所在。做出一個能演示的 demo 很容易，做出一個客戶敢在生產裡依賴的系統才是工程。

Ai2（AllenAI）在 Hugging Face《What building Shippy taught us about building agents》（2026-07-15） 中把這一點講得很透：「the real work wasn't the model. It was building a system we could trust to be correct, to stay within its limits, and to hold up across a wide range of tasks.」（真正的工作不是模型，而是構建一個我們能信任其正確、能守住邊界、能在各種任務下穩定的系統。）他們的做法也印證了這點——把 Agent 拆成「靈魂（系統提示與邊界）＋技能（markdown+frontmatter）＋配置」，換模型或換 harness 只是改配置、不重構系統；每個回答都附來源、資料截止時間、時間戳與可核驗深鏈。這也是為什麼 AI Agent 為什麼會失敗？ 的答案，大多指向系統工程而非模型選型。

選 FDE 交付夥伴前該問哪幾個問題？

先問清楚誰為落地結果負責——如果對方只對「交付系統」負責、不對「業務結果」負責，那本質上還是外包，而非 FDE。在此之上，建議逐條對齊以下幾個問題：

• 風險由誰承擔？ 價值沒落地時，是客戶自擔，還是供應商與你共擔（對應「價值閉環」的真偽）。
• 價值如何量化與計價？ 用哪些業務指標（產能、吞吐、成本）衡量，能不能像潤建那樣把「每個 Token 的經濟收益」講清楚。
• 系統是否可觀測、可核驗？ 結果能不能被獨立審計——這關係到 如何審計與評估 AI Agent？ 裡的那套方法能否落地。
• 換模型會不會推翻重來？ 好的交付應像 Ai2 那樣「改配置不重構」，而不是把你鎖死在某一個模型上。

把這幾個問題問透，你就能分辨出對面坐的是一支真正的 AI FDE 團隊，還是一個換了說法的外包 / 諮詢合同。企業 AI 的下半場，比的不再是誰的模型更大，而是誰能把價值交付出來、並且證明出來。