AI轉型比的是做事方式，91APP顧問團隊的工作方法，一直很像FDE

過去一年，一個原本只在少數科技公司內部流通的職稱，職缺數年增729%，從643個成長到5,330個（LeadDev引述Indeed與Business Insider人才市場分析，2026）。這個職稱叫前線部署工程師（Forward Deployed Engineer，FDE）。OpenAI在2026年5月成立專責的部署公司並同意收購第一家應用型AI公司，7月再宣布同意收購第二家；Anthropic找來Blackstone、Hellman & Friedman與Goldman Sachs三家重量級機構，聯手成立一家專門服務中型企業的AI服務公司。獵頭公司Christian & Timbers的調查顯示，受訪企業裡，2026年初只有5%到10%計畫招募FDE，到了第二季末，這個比例衝到70%（TechCrunch，2026）。

這股熱潮看起來像是矽谷的新鮮事，其實對零售與電商產業一點都不陌生。

我們團隊看到這則新聞時，想到的不是新鮮事，是每天在做的事

我們團隊讀到FDE這波職缺數字時，第一個反應是似曾相識，還帶著一點哭笑不得。腦中浮現的畫面，是數據顧問過去幾年蹲在品牌的行銷會議室裡，跟IT部門對著Excel一格一格核對資料串接的日常：把資料串接的坑一個一個排掉，把新舊系統兜起來，把在客戶現場撞到的問題整理成產品需求，回饋給研發排進版本規劃。這幾件事，跟FDE被描述的核心工作方式高度重疊。差別只在於，矽谷現在替這件事想出了一個響亮的新名字，而零售產業的數據顧問，一直沒有一個對外的統一稱呼。

顧問給建議，SaaS給工具，FDE補的是中間那段

要理解FDE到底解決什麼問題，得先看清楚它跟兩種舊角色的典型差異。

偏策略導向的傳統管理顧問，工作模式通常是分析與建議：進場訪談、產出投影片、離場，較少寫進客戶系統的程式碼，也較少對系統上線後的表現負責。走高度標準化、自助式導入的SaaS，工作模式則是交付工具：把產品賣給客戶，教育訓練跑完，剩下的操作與整合較多留給客戶自己處理。當然，市面上也有顧問公司與SaaS廠商的專業服務團隊會深度參與實作，這裡談的是兩種典型樣貌，不是絕對分類。

FDE補的正是這兩種典型模式中間那一段落差。

1. 通用模型與企業現場的落差：一套再強的大型語言模型，遇到客戶自己的資料格式、內部系統、業務流程，還是得有人把它接上去、跑得動。
2. 顧問建議與生產程式碼的落差：FDE被期待的工作方式不只是給建議，而是直接寫進客戶正在用的系統裡，對上線後的結果負責。
3. 一次性導入與持續反饋的落差：FDE把在客戶現場撞到的坑，整理成產品該補的功能，回饋給自己公司的研發團隊，讓下一個客戶不用再撞一次。

以下這張表整理三種角色的典型差異：

這個模式最早不是矽谷發明的。FDE借用的是軍事「前線部署」的概念，把工程師的角色類比成派駐到第一線的部隊，而不是待在後方指揮所畫地圖的人。2011年前後，Palantir把這個概念帶進科技業，將原本分開的解決方案工程師與系統整合工程師合併成單一職能，制度化出這個職位（數位時代，2026；Wikipedia條目）。

從 Palantir 到OpenAI、Anthropic：這場人才爭奪戰怎麼打起來的

2026年這一年，FDE從Palantir一家公司的獨門打法，變成整個AI產業的標準配備。

OpenAI的做法是直接買團隊。2026年5月，OpenAI同意收購應用型AI顧問公司Tomoro，交易完成後預期帶進約150名有經驗的前線部署工程師；同時成立專責的OpenAI Deployment Company，由TPG領投、共19家投資機構與顧問公司參與，起始資金超過40億美元（OpenAI官方公告，2026）。7月8日，這家部署公司再宣布同意收購Northslope，交易尚待完成一般法規審查程序，完成後整個部署團隊的規模預計擴大到數百人。Northslope的創辦團隊本身出身Palantir（Axios，2026）。這場人才爭奪戰，繞了一圈又回到最初發明這套打法的公司。

Anthropic的做法是找金融資本合夥。2026年5月，Anthropic宣布與私募巨頭Blackstone、Hellman & Friedman、Goldman Sachs共同成立一家規模15億美元的企業AI服務公司（Anthropic官方公告，2026），鎖定的客戶是資源有限、但同樣需要AI導入的中型企業，例如社區銀行、中型製造商、區域醫療體系，而非財星500強。這家公司在2026年7月15日正式命名為「Ode with Anthropic」，以稍早併購的應用型AI團隊Fractional AI為核心班底，由Chris Taylor出任執行長。有意思的是，一位參與這項合作的Blackstone高層在受訪時形容，他們組建的團隊是「特種部隊，不是一支FDE大軍」，直接點出這個職位供不應求的現實（TechCrunch，2026）。

連雲端巨頭也加入這場搶人大戰。Google Cloud在2026年的一次徵才行動中，同時開出59個FDE相關職缺，橫跨美國、倫敦、巴黎、香港四地（Channel Dive，2026）。Google Cloud執行長Thomas Kurian公開表示，這是為了因應客戶對AI轉型與agent開發的爆量需求。這種「把工程師直接嵌進客戶現場」的做法，在硬體產業其實有一個更老牌的對照組：半導體業的現場應用工程師（Field Application Engineer，FAE）。聯發科針對白牌手機客戶，長期把整合晶片、參考設計、軟體工具打包成套組出貨，核心就是靠FAE深入客戶產線，陪著客戶一路做到成功（數位時代，2026）。FDE跟FAE做的事情很像，都是把工程師直接嵌進客戶現場解決整合問題，只是FDE更常涉及客製軟體的正式部署，責任邊界跟FAE不完全相同。

這場熱潮同時也引來不少質疑的聲音。Christian & Timbers的調查估計，美國市場目前大約有1.7萬名FDE，其中真正能持續產出有意義商業成效的頂尖人才，只有大約2,000人（TechCrunch，2026）。這幾組數字看起來像在打架，其實算的是不同的東西：729%量的是職缺刊登量的成長速度，1.7萬人是市場上有這個頭銜的人力存量估計，2,000人則是獵頭公司依自己認定的商業成效門檻篩出來的頂尖人才。職缺數字漲得快，不代表真正頂尖的供給也同步跟上，這才是真正該關注的落差。也有科技業社群直接質疑，這是不是「披上新名字的顧問」，把幾十年前就存在的技術顧問工作重新包裝成一個聽起來更酷的頭銜；GTM Engineering的產業評論也提出警告，一旦某種打法紅到變成「標準劇本」，就容易走向退燒，就像過去幾年的產品導向成長（PLG）一樣。伊利諾理工學院的部落格則提出另一個角度：跟前兩年快速退燒的「提示工程師」相比，FDE要求扎實的軟體工程與應用AI底子，這是它比較有可能撐得住的原因（IIT，2026）。

至於這個職位能做多久，業界也還沒有共識。做得太短，客戶關係與產業know-how都還沒累積到位；做得太久，又可能被貼上單一產業或單一客戶的標籤，難以轉換跑道。同時，整個軟體業仍在持續精簡人力的背景下，FDE職缺卻逆勢暴增，這種矛盾也讓不少工程師觀望，這波熱潮到底是真需求，還是資本市場的又一輪追捧。

看懂客戶生意，比PoC的速度更關鍵

看完這些案例，一個容易被忽略的重點是：PoC做得快，跟系統能不能真的在客戶手上長期運轉，是兩件事。

概念驗證（PoC）做得快，只代表工程能力夠強。真正決定成敗的，是對客戶生意理解的深度，以及這些理解能不能持續反饋回產品，變成下一次導入時不用重新踩雷的資產。一個PoC做得再漂亮，如果沒有人搞懂客戶的商品結構、會員習慣、既有系統的歷史包袱，上線後多半會卡在「demo很順、實際很卡」的階段。這也是我們選CDP AI Agent之前該先問的四個問題裡反覆強調的一點：廠商的demo環境跟客戶的真實應用環境，往往是兩個世界。

另一件更容易被忽略的事，是真正做得好的FDE，不會只問客戶「你需要什麼」。原因很直接：大部分客戶自己也說不清楚真正的問題在哪裡，被問到需求時，往往只會回答「希望作業更自動化一點」這種表面答案。這跟一個流傳已久、但查無實據真正出自誰口的商業寓言邏輯相通：如果當年直接問消費者要什麼，得到的答案多半是「一匹更快的馬」，而不是汽車。FDE的價值，恰恰在於挖掘客戶自己都說不出來、卻真正卡住生意成長的那個問題。

AI導入常常卡關，卡的地方往往不是模型不夠聰明，是沒有人真正搞懂客戶的資料結構與業務邏輯，AI算的是算力，最終要下判斷的還是人。這句話聽起來像是老生常談，但放在FDE這波熱潮裡重新看一次，反而是最貼近事實的說法。

91APP的顧問團隊，工作方法一直很像這樣

把鏡頭轉回台灣零售產業，這套工作方法其實不新鮮。

91APP的數據顧問服務團隊，長期做的正是類似的事：把 CDMP、個人化行銷這些系統，落地進品牌真實的營運環境裡，處理跨系統的資料串接，整合新舊平台之間的落差，在客戶現場撞到的問題會整理成產品需求，回饋給研發團隊。這幾年，客戶成功經理的角色也從單純的產品顧問，進化成能用數據分析幫客戶找出成長機會的角色，跟FDE被賦予的期待有相當高的重疊，只是換了一個產業、換了一群客戶。

這套工作方法不是91APP因為這波熱潮才臨時拿出來講，91APP的顧問服務團隊多年來一直是這樣運作的。零售品牌要處理的資料，比純軟體公司想像的更破碎：線上訂單、門市POS、會員系統、廣告平台、客服工單，往往分散在不同廠商、不同世代的系統裡，光靠一套再厲害的AI模型，接不起來也是空轉。91APP CDMP要解決的正是這個問題，靠的不只是工具本身，還有一群願意持續投入、陪著品牌把系統真正用起來的人。

選數據與AI導入夥伴，先問這幾件事

FDE這波熱潮對台灣零售品牌最實際的啟示，其實是換一種角度評估導入夥伴。以下幾個問題，可以在下一次評估AI或數據系統導入時直接拿來用。

1. 先問人員穩不穩定，再問功能表有多長：一份漂亮的功能清單，解決不了資料串接的實際問題。真正該問的是，導入之後，對方有沒有安排固定對口與快速回應機制，持續盯著上線後才會冒出來的坑，以及人員異動時交接是否有制度（建議在簽約前，直接要求對方說明導入後前三個月的支援節奏與回應時限）。
2. 把「三個月後系統還在用」當成觀察指標之一，不是唯一標準：使用率能反映系統有沒有被真正採用，但業績成長、資料品質、錯誤率這些商業成效指標，需要另外設定KPI追蹤，不能只看使用率。評估廠商時，可以直接問對方過去的案子，上線半年後的實際使用狀況與業務數據如何（建議週期：每次導入後第三個月、第六個月各做一次回顧）。
3. 問對方怎麼處理客戶自己也說不清楚的需求：如果廠商只會照單全收你提出的需求清單，代表他們可能還停留在賣工具的階段。真正成熟的導入夥伴，會展示過去實際做過的需求訪談、流程盤點與假設驗證紀錄，而不是只在口頭上說會挑戰表面需求。
4. 檢查現場反饋有沒有回得去產品：問廠商，過去一年因為客戶現場的問題，產品端做了哪些具體調整。答不出具體案例，可能代表這家廠商的顧問服務跟產品開發是兩條不相干的線；也可能是客製需求出於資安或多租戶架構考量刻意不進核心產品，這種情況可以進一步追問回饋是怎麼分級與追蹤的。
5. 問清楚客製化的東西最後歸誰：現場開發出來的客製功能、串接邏輯、甚至商業規則，如果只留在導入夥伴自己的系統裡，品牌之後想換人維護或收回自己管理，會非常困難。導入前先確認客製成果的歸屬與可移轉性，是保護自己資料主權的基本功課。

系統不會自己走到客戶身邊，人才會

矽谷這一年替一個老概念取了一個新名字，職缺數字漲了七倍，但這件事的核心從來不是名字夠不夠潮，是有沒有人願意持續投入，陪著客戶把系統真正用起來。91APP的數據顧問團隊在這條路上蹲了很多年，沒有等到FDE變成熱門詞才開始做，未來也不會因為這個詞退燒就停下來。

對台灣零售品牌來說，這反而是個好消息：不需要飛去矽谷搶那2,000名頂尖FDE，因為做事方法很像的數據顧問，一直都在你身邊。

前線部署專欄預告：本篇是FDE系列文章的第一篇主題文，接下來會陸續推出五篇衛星文，分別深入探討FDE的需求轉譯方法、決定落地成敗的關鍵、這個職位引發的爭議、技術落地的實際做法，以及品牌如何分辨真假FDE。

品牌最常問的前線部署工程師問題

Q1：前線部署工程師（FDE）到底是什麼？ A1：FDE是一種深入客戶現場工作的工程師角色，工作內容包含理解客戶真實需求、快速做出可用的原型、把系統落地進客戶既有環境、並且把現場遇到的問題回饋給自己公司的產品團隊。這個概念源自軍事「前線部署」的說法，2011年前後由Palantir將這個角色制度化，定義成一個職位。

Q2：FDE跟傳統的技術顧問有什麼不同？ A2：偏策略導向的傳統顧問通常只負責分析與建議，產出報告後就離場，較少寫進客戶系統的程式碼，也較少對上線後的結果負責。FDE被期待的工作方式，是直接把程式碼寫進客戶正在使用的系統，跟著上線後的實際表現持續調整，並把現場學到的經驗回饋給自己公司的產品開發。

Q3：預算有限的中小型品牌，也能找到類似FDE的支援嗎？ A3：可以。取得持續的現場技術支援不是大型系統的專利，重點是在評估任何數據或AI導入廠商時，明確詢問對方導入後是否提供固定對口與持續的回應機制，不要只看一次性的教育訓練或功能清單。

Q4：導入一套系統後，多久能看到實際成效？ A4：這視系統複雜度與資料整合難度而定，沒有統一答案。比起追問一個固定時程，更值得關注的是廠商有沒有把上線後持續使用、以及對應的業務指標一起設定為成功標準，不要只把demo跑得順當成完成導入。

Q5：這種做法需要品牌具備很高的技術門檻嗎？ A5：不需要。品牌要準備的是開放系統與資料、配合現場盤點的組織意願，技術門檻交給導入夥伴承擔即可。

Q6：這波FDE熱潮有什麼常見的誤解或風險？ A6：常見的誤解是把FDE等同於速度快的PoC團隊，誤以為demo做得順就代表落地會成功。PoC的速度跟落地的成功率是兩件不同的事，決定成敗的關鍵是對客戶生意的理解深度，以及這些理解有沒有持續反饋進產品。

延伸閱讀

1. 如何挑選CDP AI Agent：從CRM到OMO，品牌該買的是會創造營收的系統
2. AI Agent用量成本怎麼估：訂閱費之外，那筆跑起來才開始算的帳
3. AI自動化流程會安靜地失效：沒報錯的那種壞，比報錯更難發現
4. AI決策責任歸屬：行銷自動化出事的時候，誰的名字在核准欄
5. CDP 是什麼、又該怎麼選？台灣顧客數據平台比較與選型指南（2026）
6. CDP vs CRM vs DMP 差異全解析｜三大數據平台怎麼分？電商品牌選型決策樹

如果你也想盤點品牌目前的資料串接缺口，歡迎與91APP數據顧問團隊聊聊。