FDE（前置部署工程师）的招聘量在过去一年暴涨800%，成为科技行业最热门岗位之一。然而，伴随而来的是一种“取代论”：FDE是否会让AI产品经理（AIPM）失去独立存在的价值？本文深度剖析FDE与AIPM的工作重叠与差异，揭示两者在AI产品开发中的独特角色与不可替代性。
过去一年，有一个岗位的招聘量同比暴涨 800%——OpenAI、Anthropic、Salesforce、Databricks 全在抢，YC 投资组合里超过 100 家 AI Agent 公司挂出这个岗位，a16z 把它称作“科技行业最热门的岗位之一”。它叫 FDE（Forward Deployed Engineer，前置部署工程师）。
伴随它一起火起来的，还有一种“取代论”：FDE 既懂技术、又能在客户现场直接动手，和 AI 产品经理的活高度重叠——既然有人能一肩挑两头，那还要 AIPM 干嘛？说白了，AI 产品经理还有没有独立存在的价值？
FDE（Forward Deployed Engineer，前置部署工程师）这个角色最早出现在 Palantir。
2003 年 Palantir 给 CIA 做数据分析软件时发现：传统的“销售收集需求 → 工程师按需求开发”这套流程根本走不通。因为情报机构的客户自己也说不清要什么，而且每个任务千差万别。唯一可行的办法，是直接把工程师派到客户现场，边摸索边做。在伊拉克战场上，Palantir 的工程师和士兵同吃同住，最后发现士兵真正需要的不过是一个能在地图上标记“这条路可疑”的小工具——工程师当场就拼了一个出来，而这个临时功能后来沉淀成了平台的标准能力。
FDE 内部有两种角色配合：Echo（嵌入式分析师）来自客户行业，负责吃透痛点、搞清楚“要解决什么问题”；Delta（部署工程师）是极客型工程师，负责用最短时间做出能跑的原型，解决“这个问题怎么解决”。
这套模式真正跑得通的关键，是一个“从碎石路到高速公路”的机制：FDE 在现场临时拼出的方案像一条碎石路，修得快，但只够一个客户走；总部的产品团队会从很多客户的碎石路里找出共性，抽象、打磨成标准化的产品功能——这才是能让所有客户通行的高速公路。前线负责快速试错（一对一），后方负责沉淀复用（一对多），两端形成闭环。这个“碎石路与高速公路”的分工后面会反复用到，是理解整件事的底层结构。
开头那组数据的出处，是 Indeed 和英国《金融时报》的联合分析：2025 年 1—9 月 FDE 招聘量同比暴涨 800%，50+ 家公司在招，薪资区间 13.5 万—60 万美元，比传统工程师高 20%—40%，Salesforce 更是在 6 个月内把团队扩大了 3 倍。
而爆火的根本原因，是 2024 年 MIT 的一项研究：95% 的企业 AI 项目无法创造可衡量的商业价值——不是模型不够强，而是模型和真实业务之间有一道巨大的落地鸿沟。FDE，就是来填这道沟的。
为什么这次“取代论”比以往任何一次都更有杀伤力？因为 FDE 和 AIPM 的工作确实存在大面积重叠，这是 FDE 和传统 PM 之间从未有过的情况。
我把两个角色的工作拆细做了对比：
这种“在移动的地基上做产品规划”的能力，是 AIPM 独有的。
AI 产品的交互和传统产品有本质区别，核心难点在于：它的输出是不确定、可能出错的。这带来一连串新问题——怎么坦诚告诉用户“AI 可能答错”，又不让他因此不敢用？当 AI 自己也没把握时，要不要展示置信度，用什么形式才不吓到用户？AI 出错了，能不能让用户方便地撤回、纠正、重新生成？当 Agent 要替用户自动做事，哪些操作可以直接执行、哪些必须先问一句“确定吗”——查天气可以自动做，下单付款、删除文件就必须先确认。
这些问题决定了 AI 产品是“好用”还是“让人恐惧”。FDE 会处理现场具体的客户反馈，但系统性地定义“AI 产品应该给用户什么样的体验”，是 AIPM 的职责。
AI 产品的长期质量取决于一个飞轮：用户使用 → 产生数据 → 数据回流优化模型 → 产品变好 → 更多用户使用。同样做智能客服，如果喂给模型的历史数据满是错误回答，它学出来的也是错的；如果用户点了“这个回答没帮助”，这条反馈却没被收集回来，模型永远不会进步。
AIPM 要设计这个飞轮：哪些行为数据需要收集、怎么清洗标注、负面反馈怎么转化为优化信号、数据隐私边界在哪。FDE 在现场是数据收集的前线，能直接观察用户怎么用、哪里出问题；但把这些零散观察变成一套让飞轮持续转起来的系统性策略，是 AIPM 的工作。
上面听起来 AIPM 不可替代。但有一个尖锐的问题必须正面回应：在 AI 产品最早期——还没成型产品、还在探索客户场景、还在验证可行性的时候——AIPM 真的必要吗？FDE 一个人是不是就够了？
说实话，在某些情况下，答案可能是“够了”。产品越早期、方向越不明朗，“一个人闭环”的效率就越高于“PM 定义需求 + 工程师执行”的分工。我在公司见过：让一个既懂产品又懂技术的人去客户那驻扎一周，回来时方案的成熟度，比我在办公室写两周 PRD 还高。Bob McGrew（Palantir 前高管、OpenAI 前首席研究官）在 YC 的演讲里也说过，早期 FDE 团队本身就是小型创业团队，Echo 定义问题、Delta 解决问题，已经覆盖了“产品探索”的核心功能。
所以我承认：在探索期，FDE 模式确实在部分取代 AIPM 的某些功能。但这个“够了”有两个明确的临界点，越过它就不再成立。
第一个临界点：客户从 1 个变成 10 个、50 个。 这时每个客户都要定制化，人力成本线性增长；不同客户的需求开始冲突，没人做仲裁；碎石路越修越多，却没人把它们变成高速公路。Palantir 自己的历史就验证了这一点——早期 FDE 数量超过传统工程师，但 2016 年 Foundry 平台上线、公司开始大规模产品化后，很多 FDE 转岗到核心工程，产品团队的角色变得更重要。FDE 主导探索，PM 主导规模化——这是时间序列上的接力，不是谁取代谁。
第二个临界点：开始需要做“不做什么”的决策。 早期可以“有什么做什么”，但一旦要在多个方向间取舍——做客服还是合同审查？做大企业还是中小企业？先优化准确率还是先降成本？——就需要一个跳出单个客户视角的角色来拍板。FDE 站在两个客户中间，会觉得两边的需求都重要；只有 AIPM 能回答“只做这一个”。
争论谁取代谁的同时，市场已经悄悄给出了自己的答案。AI 人才平台 Applied Methods 的数据显示，一个新岗位正在快速增长——Forward Deployed Product Manager（前置部署产品经理，FDPM），目前有 42 个在招岗位、12 家公司在招，常见替代头衔包括 Customer-Embedded Product Manager、Product Manager – Agent Development。
这个角色的定义里有两个关键短语，恰好各来自一边：“将技术需求转化为定制 AI 解决方案”——这是 FDE 的能力；“将客户洞察反馈给工程团队、影响产品 roadmap”——这是 AIPM 的能力。市场的判断很清楚：在 AI 落地场景里，最稀缺的是“既能在一线动手解决问题、又能把一线经验抽象成产品决策”的人。
这意味着两个角色的能力要求正在双向靠拢：AIPM 被要求更懂技术、能自己用 AI 工具做原型验证，不能再“提需求等交付”；FDE 被要求更有产品视角，要有意识地把一线经验抽象为跨客户的产品建议。被淘汰的，是中间那层“不懂 AI 技术的 PM”和“没有产品思维的 FDE”。
Salesforce FDE Director Sarah Khalid 有句话说得很准：“Coding is table stakes（写代码只是入场券）”，真正区分好坏的是判断力、建立信任的能力和沟通力。这句话反过来对 AIPM 同样成立——对 AI 技术的理解已经是入场券，真正区分高下的，是能不能在不确定性极高的环境里做出正确的产品决策。
回到标题：AI 产品经理会不会被 FDE 取代？
我的判断是：不会被取代，但会被倒逼着完成一次彻底的蜕变。被挤掉的，是 AIPM 身上那些从传统 PM 继承来、在 AI 时代已经低效的部分——传话、写文档、隔着一层做决策。被强化的，是 AIPM 真正独有的价值：定义产品方向、设计评估体系、管理模型迭代下的 roadmap、建立数据飞轮、在概率性输出之上设计用户体验。说到底，FDE 负责把一条条碎石路修通，AIPM 负责决定整张路网修向哪里、按什么标准修——这两件事，谁也替不了谁。
我自己印象最深的一个决策，是一个 AI 功能测试准确率 92%、要不要上线的问题——产品觉得够了，法务觉得不够，客户说“先试试”。它没有一行代码，做错了代价很大，而且没人能替我做。最后我分场景上线：低风险直接上，高风险加人工复核。这恰恰是 AIPM 和 FDE 最本质的区别：FDE 在现场解决“怎么把这个问题搞定”，AIPM 要回答的是“该不该搞、搞哪个、搞到什么程度”。懂不懂技术，在前一个问题上帮得上忙，在后一个问题上一点都帮不上。
所以争论谁取代谁，其实是个伪命题——两种角色解决的是不同层面的问题。真正值得每个 AIPM 自问的是：把文档、会议和流程全部拿掉之后，你还能为 AI 产品创造什么不可替代的价值？
换句话说，真正危险的从来不是 FDE 抢走你的活，而是你干的活，本来就还是个传统 PM ，根本没真正变成 AI 产品经理。
参考资料：
本文由 @Rowan 原创发布于人人都是产品经理。未经作者许可，禁止转载
题图来自Unsplash，基于CC0协议
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。