95%企业AI投入没回报，问题出在部署环节？

赏金大对决为你整理相关体育消息：

把一个前沿模型接上一个干净的CSV文件，演示效果会非常漂亮。

但生产环境是另一回事：数据藏在SSO和权限模型后面，模型必须遵守这套权限；

文档有五种格式、三十年来命名混乱；

某个关键字段所在的记录系统根本没有API；

PII不能离开VPC；

用户只要遇到两次错误回答就会放弃这个工具。

这正是MIT Project NANDA那份《The GenAI Divide: State of AI in Business 2025》报告的发现：尽管企业支出达到 300亿至400亿美元 ，约 95% 的组织没有看到对损益表可衡量的影响。

瓶颈不在模型，而在部署——同一项研究还发现，由外部合作伙伴交付的项目成功率约为 67% ，大约是内部自建（约33%）的两倍。

前向部署工程（Forward Deployed Engineering，FDE）就是为填补这道鸿沟而生的角色。

前向部署工程师是嵌入客户内部的资深工程师：在客户的代码仓库里提交代码，部署进客户的云环境，和客户的用户坐在一起。

衡量成功的标准只有一条——系统在生产环境跑起来，并且在FDE离开之后，客户自己的团队能继续运营它。

一个短而具体的历史 这个角色诞生于Palantir。

它的数据平台只有在接入客户真实业务运营之后才产生价值，所以工程师被"前向"部署：驻场、扎进问题里，而不是在总部发版、远程提工单。

此后十年，它一直是个小众模式。

AI改变了这笔账。

SaaS产品在每家公司表现都一样；

而一个AI系统的质量，取决于你的数据、你的文档、你的边界情况，以及你对"正确"的定义——所以不存在可以通用交付的部署。

工作必须发生在数据和用户所在的地方。

2026年，这个模式全面主流化：OpenAI成立了一家专门的部署公司，初始投资超过 40亿美元 （2026年5月）；

AWS组建了一支 10亿美元 规模的前向部署工程组织（2026年6月）；

微软向自家的部署公司Frontier Company投入 25亿美元 （2026年7月）；

Anthropic则与Blackstone、Hellman & Friedman、Goldman Sachs成立了部署合资公司。

几个月之内，把前向部署工程师放进企业内部的模式，成了行业的默认答案。

也有必要把FDE和它的邻居区分开。

解决方案工程师支持销售周期，合同签完就走；

TAM在售后管理客户健康度；

顾问交付分析和建议。

FDE则在你的环境里、用代码，对一个生产结果负责。

人力外包送人，咨询送建议，FDE交付系统。

第一周实际是什么样 没有以一份PDF收尾的调研阶段。

一个典型的前向部署小组，第一周是这样过的： 第1至2天——打通访问与看清现实。

SSO、仓库权限、CI、可观测性栈、数据仓库的真实状态（而不是架构图上声称的样子）。

跟随今天还在手工执行目标流程的用户。

第3至4天——切一个薄片。

一个工作流，端到端，小到能在几周内上生产。

按价值、数据就绪度、集成面来给候选打分；

对数据不达标的用例，用书面形式说不。

第5天——在选模型之前先定标准。

从工单、文档、通话记录里抽出 100至200个 真实样本组成黄金评测集，答案由你的专家签字确认；

定一个业务负责人认得的成功指标；

定延迟和单任务成本预算。

模型选型发生在评测集存在之后，而不是之前——否则你只是在给演示打分。

第一周之后，工作进入循环：学领域、在你的仓库里构建、上生产、移交所有权。

技术含量集中在"上生产"这一段： 把评测当CI。

黄金集在每次提示词或模型变更时运行，一次回归就像失败的测试一样阻断合并——因为它本来就是测试。

在边界上设护栏。

任何数据离开你的边界之前做PII脱敏，做输出校验，用代码强制执行策略检查，而不是指望系统提示词里的良好意愿。

每次调用都留痕。

按请求记录提示词、上下文、工具调用、延迟和成本，让"AI答错了"变成一条可调试的链路，而不是一句主观意见。

分阶段放量。

先对真实流量做影子模式，再放一个小比例金丝雀组，然后按百分比爬坡——每个阶段都保留回退到人工队列的通道，以及一个你的团队真正测试过的急停开关。

交付运行手册，而不是交付英雄。

值班笔记、故障模式、重训与评测刷新节奏，随代码一起移交。

这些都不是模型工作，但它们决定了系统在第90天是否仍然被信任。

什么时候不该用 如果标准SaaS产品已经解决了问题，如果数据还不存在，如果你需要的是人手去处理定义清晰的工单——那是人力外包，而且更便宜。

前向部署是错误的花费。

当工作流有价值、系统和数据属于你、风险恰好落在演示和生产之间时，它才是对的花费。

在接触任何声称采用这一模式的服务方之前，可以先问五个问题： 仓库——你们的工程师会在我们的仓库里、走我们的CI和评审流程提交代码吗？

评测——给我们看黄金集，以及它最近抓到的一次回归。

边界——我们的数据究竟去了哪里，靠什么强制执行？

放量——从影

以上内容由赏金大对决整理发布。