2026 年 11 月初，国内 AI 企业服务市场出现一个奇怪的价目表：同样是 FDE（Forward Deployed Engineer，前置部署工程师），有的项目报价 3000 元，有的项目报价 800 万元。有从业者今年拒了 4 个需求，因为每个项目只报 3000 元，连 Token 成本都覆盖不了；也有人为了积累可展示的案例，愿意低价甚至倒贴接单。
另一端，某国内厂商承接一家跨国科技巨头的供应链 FDE 项目，报价 800 万元。按业内同类项目经验，这类数据加工与查询工作通常两个月完成，金额一般在 40 万到 60 万元之间，溢价超过十倍。
FDE 这个词不是新词。Palantir 早年就是用前置部署工程师，把产品直接嵌进客户的业务流程，工程师既写代码也见客户，边交付边定义产品。这套模式在 AI 时代被重新捡起来，是因为大模型落地太依赖客户的脏数据、旧系统和临时流程，远程卖 License 根本跑不通。
先校正口径：这不是行情区间，是四种计价方式混在一起
3000 元和 800 万，不是同一个东西的贵和便宜。它们分别对应四种计价逻辑：按人天、按 Token、按项目、按结果。四种逻辑混在一个市场里，报价自然从地板裂到天花板。
3000 元的项目，是把它当成“调个模型、接个接口”的活；800 万元的项目，是把它当成系统集成打包，里面含着数据治理、接口改造、合规审查、全球交付和驻场。前者卖的是工时，后者卖的是责任。把两者放在一张价目表上比较，本身就没有意义。
还有一层：FDE 这个词正在被滥用。有的是售前工程师，用 Demo 证明公司有能力；有的是驻场外包，人到了客户现场，做什么听客户安排；有的是产品实施，照着既有中台路径配置。三种角色都叫 FDE，价格当然谈不拢。
报价账：锚点错了，越谈越便宜
一线销售张阳的案例很典型。他按百万级 AI 算法项目的规模，跟进一家跨境电商贸易公司的补货预测需求。客户痛点很明确，但深入沟通后发现，客户连发货数据都没理清，几十个 SKU 混装发货要靠人工拆解匹配，项目根本没到算法能发挥作用的阶段。经过四五轮沟通，原本预计百万级的项目，最终降级成 10 万元订单，预算只够覆盖 WorkBuddy 账号采购和数据接口改造。
这不是客户砍价狠，是报价锚点错了。你按“AI 算法项目”报价，客户听到的是“模型准确率”；实际交付的是数据治理和流程梳理，客户看到的是一堆脏活。锚点一错，后面每一轮沟通都在往下掉。
张阳因此定下两条接单原则：非熟客项目不做，非“一把手”推动的项目不接。听起来保守，本质是风险定价——交付规则定义不了，验收环节就有扯皮风险，尾款就收不回来。
按人天报价，客户会拿“外包均价”来压；按 Token 报价，客户会问“为什么你自己用 AI 还要我付 Token”；按项目报价，范围一扩就亏；按结果报价，双方又很难对“结果”达成一致。四种逻辑各有道理，混在一起就成了 3000 元到 800 万元的奇观。
800 万元那单还有一个背景：跨国科技巨头的供应链项目，涉及多国数据合规、系统对接和全球驻场，报价里很大一块是合规和差旅，不是模型。把它当成“FDE 很暴利”的证据，会误判这个市场的真实毛利。
交付账：没有验收标准，就没有价目表
FDE 市场最缺的不是人，是“什么叫做完”的定义。
一个企业级知识库项目，个人 Demo 大约两万多行代码，企业级可能要 25 万行。差的不是代码量，是权限体系、审计日志、容错、运维和持续迭代。客户看见的是 Demo 能回答问题，看不见的是上线后谁来处理错误答案、谁来负责数据越权。
所以验收指标必须写死：一条流程的处理时长、一次通过率、人工复核比例、节省的工时、错误率上限。没有基线，就没有验收；没有验收，就没有尾款；没有尾款，FDE 就只能按人天报价，最后变成驻场外包。
验收标准其实可以拆得很具体：原来一条采购申请要经过 5 个人、平均 3 天，现在 Agent 预审后只要 2 个人、1 天，人工复核比例从 100% 降到 30%，错误率不超过 2%。这些数字写进合同，尾款才有依据；写不进去，再好的 Demo 也只是演示。
行业里还有一种隐性成本：新人把个人 Demo 的能力，当成企业级系统交付能力。Demo 是一个人两天做出来的，企业级是两三个人做两个月，还要客户 IT、法务、合规一起配合。预期差在签约前不暴露，在验收时集中爆发。
组织账：FDE 归谁管，决定它是不是外包
FDE 放在销售下面，就变成售前；放在交付下面，就变成实施；放在产品下面，才可能把客户需求沉淀成产品能力。放错部门，FDE 一定沦为驻场外包。
入行不久的世龙就是例子。他进了一家咨询公司，没能直接接触客户，需求经咨询顾问、领导层层转述，信息损耗严重；他做的 Demo 主要用来向客户证明公司具备 AI 落地能力。入职未满一个月，他就提了离职，后来拒绝了一家飞书代理商的 FDE offer，去了一家专门做 FDE 的初创公司。
目前看起来比较合理的组织形态，是智构新擎 CEO 崔晋瑜在搭的 pod：两三个人一个项目组，资深业务专家当 pod leader，带一两个初级成员负责落地。业务判断在离客户最近的人手里，工程执行在组内闭环，信息不用层层转述。
还有一个现实问题：FDE 的考核。按项目收入考核，团队会倾向于接大单、堆人头；按客户续费考核，团队才会关心交付质量。组织怎么考核 FDE，最后会直接反映在报价和交付上。
但 pod 模式也有天花板：它依赖少数既懂业务、又懂模型、还敢对结果负责的人。这种人极少，薪资会被抬高，项目制很难规模化。FDE 服务商从项目制走向规模化经营，靠的不是招更多人，是把交付方法产品化。
标准化的方向其实不神秘：把常见场景做成可复用的模板，把数据接入、权限配置、评测集做成工具链，把验收指标做成清单。FDE 只处理客户独有的那 20%，剩下 80% 交给产品。做不到这一点，规模越大，亏损越大。
风险与边界
第一，不可规模化。每个客户的数据、流程、权限都不同，项目制收入好看，复用率低。第二，回款风险。验收不清，尾款周期长，现金流容易被拖死。第三，预期风险。客户以为买的是 AI，实际买的是流程改造加数据治理，期望管理做不好，验收必吵。第四，供应商风险。用 FDE 做售前 Demo，签单后交付不了，砸的是整个行业的牌子。
对从业者还有一条：低价接单积累案例，会锚定自己的价格。今天 3000 元接的活，明天很难报 30 万。
结论
FDE 的价目表，应该按“可验收的产出”写，而不是按人头写：一条流程、一个工单类型、一个准确率门槛、一段节省的工时。谁能定义验收，谁拿走溢价；谁只会按人天报价，谁最后变成外包。
这个行业现在缺的不是更多 FDE，是交付标准。标准立起来，3000 元和 800 万元才会回到各自该在的位置。
AI 落地最难的不是把模型接上，而是把验收标准写下来。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
