FDE 是 Forward Deployed Engineer 的縮寫,直譯是「部署在前線的工程師」。這個角色 2010 年代初就出現在 Palantir,但真正被大家看到,是在 AI 公司紛紛開始招募 FDE 之後。
這篇不談 AI 出現後 FDE 變了什麼,因為這個角色本來就是跟著 AI 一起被看見的,討論這個意義不大。我們想談的是:FDE 到底在做什麼、和大家熟悉的駐點工程師差在哪,以及企業什麼時候需要它。
先看 Palantir 怎麼用這個詞
在 Palantir,FDE 指的是工程師不在公司裡等需求,而是直接進到客戶現場工作。後來 Palantir 甚至把自家平台 Foundry 裡的 AI agent 命名為 AI FDE,官方文件形容它是:
"an interactive agent that operates Foundry for you through conversational commands"
照文件的說明,它會依對話去處理資料轉換、建立和維護 ontology,執行之後看結果,再自己修正。連 AI agent 都借用 FDE 這個名字,對我們來說很能說明 FDE 的核心:先理解業務,再讓系統跟著業務運作。
FDE 和駐點工程師差在哪
如果只用一句話說:駐點工程師交付系統(或工具),FDE 交付結果。
真正的分水嶺是:誰來定義問題?
假設某家企業說:「我們每個月要花十天,才能完成跨銀行的應收帳款對帳,希望你們幫忙自動化。」
駐點工程師的典型做法
客戶提供對帳規則、欄位、系統 API 和需求文件,工程師完成介接、開發、測試與部署。成功的標準是系統符合規格、能正常運作。
FDE 的典型做法
FDE 會深入財務人員的實際作業,追查為什麼需要十天,例如:
- 哪些資料延遲、缺漏,或無法互相對應?
- 哪些對帳規則其實從來沒有被寫成文件?
- 哪些例外需要人工判斷?
- 哪些人工決策可以交給規則、AI 或工作流程自動化?
- 這套解法能不能用到其他銀行、其他 ERP,甚至其他客戶?
最後交付的不只是一支對帳程式,而是一套能持續擴充的對帳能力:包括例外處理、規則、資料對應,以及人工覆核的機制。
FDE 一樣要寫程式、整合 API、解決部署問題,但這些是達成業務成果的手段,不是工作的全部。
訪談遠遠不夠,人要進到問題現場
在我們的做法裡,人一定要參與到問題的現場。只靠訪談,遠遠不夠。
舉一個例子。在一家貿易公司,我們的工程師跟著出納與業務,整整一起工作了三週。三週裡一邊做事、一邊修正自己對這門業務、對卡點的認知;最後只用了不到一週,就提出一個能讓整體效率提升近 35% 的方案。
這個方案不是從需求文件裡長出來的,而是從那三週的實際工作裡長出來的。
ProCheck 在中間扮演什麼角色
FDE 負責進到現場、把問題定義清楚;ProCheck 負責的是 AI agent 的管理與訓練,替人省去大量的工作。像是費用管理、模型管理,這些都已經內建在裡面。
也因為內建得多,ProCheck 有幾百個參數,真的只有受過訓練的專業人員,才有辦法拿來訓練 AI agent。但訓練好之後,上線使用就不需要那麼專業了:企業可以直接把這個 AI agent 當成一位員工。
換句話說,專業集中在導入與訓練的階段,由 FDE 承擔;日常使用的門檻,則留給企業自己就能跨過的高度。
企業什麼時候需要 FDE
從我們的角度來看,判斷方式很直接:如果不論從感受上或數據上,有些延遲會大幅影響經營效率,而一旦改善,就能省下大量成本,或幫忙爭取營業額,那就值得考慮。
有一個很常見的訊號:管理者覺得「這件事看起來很簡單,為什麼要做那麼久?」
出現這種感覺的時候,就可以考慮讓我們的顧問進場,或先來談談。很多時候,一兩個小時就能知道需不需要 FDE。
結語
工程師邏輯嚴謹的特質,一直都是很珍貴的能力。FDE 做的,是讓這份嚴謹不只用在把規格做對,而是直接用來幫助企業成長。
想了解我們怎麼進駐與導入,可以看服務說明。