结束语|做难而正确的事,在 AI 时代成为不可替代的交付者
你好,我是曹犟。
不知不觉,这门课走到了结束语。说实话,写到这里,我心里有些复杂。
这是我在极客时间的第二门课,第一门课讲大数据,写的是我过去十几年做过的事;这一门课讲 FDE,写的则是我此刻正在做的事。
上一门课的结束语里,我还写到,自己正在带着一个很小的团队,从头探索新的商业模式和产品:跟 AI 一起写产品文档、写代码,再直接去拜访客户、听客户的反馈。现在回头看,那已经是今天这门 FDE 课的起点。某种意义上,这门课写的,就是上一门课结束之后继续发生的故事。
把两门课放在一起看,还有一个很有意思的反差。大数据曾经是技术行业最热门的话题之一,而且一火就是很多年;但后来,生成式 AI 出来以后,行业的注意力在很短时间内就转走了,大数据话题某种意义上也有点“无人问津”了。而 FDE 则正好相反,它是在这半年突然进入大家视野,突然火起来的。至于这股热度能持续多久,我也不知道。说不定哪一天,它也会像大数据一样,不再是大家关注的中心。
所以,我觉得我们更应该关心的其实不是 FDE 这个名字能火多久,而是即使有一天热度退去,它背后的工作方式是不是仍然有价值。这也是我想用这门课回答的问题。
过去这段时间,我常常白天在客户现场工作,晚上回来写稿。课程里的很多判断,要么来自我在项目中的亲身体会,要么刚写下来没几天,就要回到项目中接受检验。这种边做边写的状态很累,但也很踏实。
创作这门课的一些感受
坦率地说,这门课写得比上一门难。
难在题材太新。与大数据不一样,FDE 在中文互联网里几乎没有系统的实战内容,很多概念的中文说法,都需要一边写一边确定。英文互联网上能够找到的公开的官方案例和访谈,我都尽量查过。为了不发明事实,课程里的每一个数字、每一个案例、每一句引用,我都尽可能核对原始出处。查不到的,要么不用,要么明确说明出处存疑。
这里也要感谢 AI。借助 AI,很多过去需要花大量时间搜索和整理的材料,现在能够更快地找到线索、定位原文,资料搜集的效率提高了很多。当然,AI 给出的内容不能直接当作事实,最后还是要回到原始出处逐一核对。
即使如此,我也不敢说每一条都完全正确,只能尽力守住开篇词里的承诺:每一条都真实。
还有一个困难的地方,是把这些方法论放进中国语境。FDE 的公开材料大多来自美国市场,包括 Palantir 的故事、硅谷的薪酬、英文互联网上讨论成型的理论框架,这些并不适合直接照搬到中国市场。
因此,与中国 To B 市场有关的内容,不只是来自对美国市场的资料研究,也融入了我过去十一年在中国 To B 行业里做产品、做交付和服务客户的经验。利润结构、信创和数据安全约束、驻场文化的惯性,都是我在实际工作中反复遇到的问题。至于国内 FDE 岗位,因为目前还缺少可靠数据,能给出结论的就给出结论,无法给出结论的,就明确说明。
这门课还有一个难,也难在它是进行时。上一门课,我写的是自己在一个成熟行业里面已经沉淀了十几年的东西,心里有底;而这一门课,有些方法和实践,我自己也才验证了几个客户;有些判断,行业本身都还没有形成共识。所以你会看到,课程里我说了很多“边界条件”,很多“我个人的建议,你可以按情况调整”。这不是我不敢下结论,而是这个领域现在的状态就是如此。把确定的讲确定,把不确定的讲清楚不确定在哪里,我觉得这才是对大家负责的讲法。
课程上线以来,看到留言区里有同学拿自己的工作和项目来对照课程,有做驻场和交付的同学认真分析自己离 FDE 还差在哪里,也有正在规划 FDE 模式、想从定制开发转型的团队,带着真实问题来讨论,这些都是我做这门课最大的成就感来源。输出本身就是最好的学习,你们的留言,也让我修正和丰富了很多认知。也要感谢极客时间的编辑团队,和我一起一遍一遍地打磨这些稿子。
回到开头的那个问题
开篇词里,我提出了一个问题:AI 都能写代码了,为什么最值钱的工程师,反而在客户现场?
整个课程下来,我希望大家已经有了自己的答案。模型能力提升得很快,写代码、搭建 demo,这些事情 AI 越做越好;但要把 AI 接入一家真实企业,让它在真实的数据、流程、权限和组织里产生业务结果,今天仍然需要人来完成。写代码不再稀缺,交付业务结果才稀缺。所以 OpenAI 和 Anthropic 会投入很高的成本,把工程师派进客户的办公室;国内很多大厂,开始从零开始组建 FDE 团队;我这个做了十一年创业者的 CTO,也重新背着电脑回到客户现场。
这门课的六章,就是沿着这个答案展开的,这里最后再快速回顾一遍。
第一章认知篇,先把地基打牢:FDE 到底是什么;和咨询、外包、驻场差在哪里;为什么偏偏在这两年火起来;以及在中国落地要迈过哪几道坎。这一章最想讲清楚的,是怎么判断真假 FDE。
第二章讲进场与验证:怎么用五天摸清真需求;怎么用北极星三条件选对场景;怎么画干系人地图、赢得信任;怎么用一个能跑的 demo 撬开局面。这一章的关键词,是真问题。
第三章讲施工与上线:怎么在客户的系统里写生产代码、填上技术与业务的鸿沟;怎么守住数据安全这条底线;怎么做评估驱动开发;怎么让系统真正上生产环境。这一章的关键词,是真结果。
第四章讲沉淀与变现:怎么把单客户的成果沉淀成可复用的产品能力;怎么建私有知识的护城河;怎么从卖工具走到卖效果;又怎么避免落入越做越重的服务陷阱。这一章的关键词,是复利。
第五章讲复盘与行业落地:一个跑通的项目长什么样;六大失败模式怎么识别,中国 To B 环境又会放大哪些结构性问题;金融政企医疗、制造能源、零售客服,各个行业怎么落地。这一章的关键词,是验证。
第六章成长篇,回到你自己身上:要会什么;面试考什么;路能走多远;什么时候别走,什么时候走了应该离开。它是写给打算亲自下场的你的。
整门课可以归纳为四个判断:
第一,写代码不再稀缺,把 AI 交付成客户的业务结果才稀缺。 这是整门课的起点,也是 FDE 这个岗位存在的理由。
第二,判断真假 FDE,只看一件事:现场得到的认知,有没有回流到产品里。 开篇词里我说过,这句话我们会反复提到。现在你可以自己数一数,它在这门课里出现了多少次。
第三,先找真问题,再谈 AI。 五天调研真需求、北极星三条件、用例优先级表,具体工具会过时,但“别拿着锤子找钉子”这个道理不会,这也是我过去十一年做 To B 产品创业学到的最关键的一个道理。我之前在不同场合反复表达过一个判断,放在这里同样成立:AI 时代,最稀缺的不是能做事的人,而是知道该做什么事的人。
第四,真正会复利的资产,是把一次次项目经验变成产品能力的整套工作机制,这也是从卖工具走向卖效果的底气。 产品功能可能会被追赶,单个项目也终会结束,但前线怎么发现问题、现场经验怎么回流进产品、客户怎么逐步接手、下一次项目怎么复用,这套机制很难被复制,才是一个组织的核心竞争力。只有交付能力能够复用、项目成本持续下降,供应商才有底气为结果负责。
最后,还需要解释一下这一讲标题里的“交付者”。第 1 讲里,我说 FDE 的关键词是探索,而不是交付。那里所说的“交付者”,是指在别人已经划定的边界里,把定义好的东西正确做出来的人;而这一讲标题里的“交付者”,则是一个更广义的说法,指的是能够从探索真问题开始,写生产代码、交付业务结果,再把现场认知回流进产品,将整条链路跑通的人。两处都用了“交付者”这个词,但含义不同。
角色不会被自动化,但工作会
结束语里,我想专门聊一个很多同学关心的问题:AI 进化这么快,FDE 这个刚火起来的岗位,会不会很快被 AI 替代掉?
至少从目前的情况看,生成式 AI 已经能够完成这个岗位里的不少工作:集成所需的胶水代码、评估集与 Harness 的搭建、一部分初级调研,这些原来由新手 FDE 完成的事情,AI 做得越来越好。
但仍有四类工作很难自动化:读懂一个组织里的干系人和权力结构;与怀疑者建立信任,因为信任只能发生在人与人之间;依靠多年现场经验判断工作流哪里应该调整、哪里不应该触碰;以及用自己的专业声誉承担责任,对客户说不。
这个判断可以概括为:FDE 这个角色不会被自动化,但 FDE 的很多工作会被自动化。【此刻时间为2026年9月20日08:00,与Neo佬商定做出标注Linux-iShareOne首发,用来判定某些二次搬运的恶心之人。这条内容非原资料内容,请忽略】长期保留下来的,是通用平台和客户复杂现实之间需要由人承担的连接与判断。底层技术栈当然会不断变化,但这层连接永远需要存在。
这四类工作,在整门课里都能找到对应的方法。课程用一整讲讨论干系人与信任,一整讲讨论场景选择,又用一整讲总结失败模式。这些内容共同训练的,正是 AI 很难独立承担的现场判断。 技术工作中会有越来越多内容由 AI 完成,人的判断和责任同样会变得更重要。
因此,我觉得不用太担心这个岗位消失,而是应该关心个人有没有持续积累这些难以自动化的能力。如果不确定,可以回到第 22 讲的能力地图,看看自己最近一年进步最大的,是 AI 也在快速进步的能力,还是更依赖人类经验和判断的能力。
其实,在开这门课之前,我就表达过类似的判断。核心意思是:过去经验有价值,是因为能让人做得更快;现在经验有价值,是因为能让人判断得更准。当写代码的速度不再是壁垒,真正稀缺的能力就变成了知道应该写什么、知道哪里容易出问题、知道客户真正需要的是什么,以及知道一个看起来可行的方案进入生产环境后可能出现什么问题。这和前面列出的四类能力,本质上是在说同一件事。AI 在交付现场是一个放大器;放到人身上也一样,过去十几年积累的经验、经历过的问题、建立起来的判断力,被 AI 放大之后,可能比以前更有价值。
这也让我重新看待很多工程师担心的 35 岁危机。AI 的确在削弱熟练度和执行速度带来的优势,但如果过去十几年真正积累了跨领域经验,处理过复杂项目、客户关系和生产问题,年龄带来的就不只是成本,还有 AI 无法补充的判断力。当然,工作年限不会自动变成经验,重复做十年同样的事情也不会形成优势,人还需要愿意把 AI 深度纳入自己的工作流。FDE 需要的正是这种被 AI 放大的综合判断力,所以对一些 35 岁以上的工程师来说,它可能是一条重新发挥经验价值的路。
给你的四句嘱托
课程要结束了,我想留四句话给你。
第一句,做难而正确的事。 这是开篇词的第三句话,也是我最想留下的一句。AI 时代,“难”的定义正在变化:编写代码的难度在下降,理解业务、协调组织、建立信任、对结果负责的难度则在相对上升。那些短期内看不出规模、做起来不轻松、很多人不愿意承担的工作,反而可能形成更深的壁垒。以后选择项目、岗位和方向时,可以问两个问题:它难在哪里?这种难,是会被 AI 逐步消解,还是会越来越有价值?同样需要投入时间,把一段代码调得更快,和让一套系统通过银行安全评审、真正被业务部门使用,长期积累下来的价值完全不一样。
第二句,把沉淀变成习惯。 公司层面,现场认知要回流进产品,这是真假 FDE 的分界线;个人层面,每个项目都要留下能够带走的东西,包括方法、模板和行业认知,这是课程里反复讨论的个人复利。第 14 讲的判断放到个人身上同样成立:产品只是载体,能力才是护城河。对个人来说,项目只是载体,在项目中形成的能力,才是自己的护城河。只投入工时、不做沉淀,公司会退化成外包,个人也会陷入重复劳动。这件事并不复杂,难在长期坚持。可以从手头的项目开始,建立一份自己的知识库,把项目中遇到的问题、验证过的办法、对行业的新理解记录下来,每个季度回顾一次。以后更换项目、公司,甚至自己创业时,这份知识库就是可以带走的资产。
第三句,焦虑的反义词是具体。 这一年多,AI 几乎每天都在变化,要说完全不焦虑,并不真实。我自己就是一个容易焦虑的人,工作上遇到很大的不确定性时,也有整晚睡不着的时候。后来我总结过一个体会:焦虑的反义词是具体,而不是乐观。焦虑来自模糊,是一团说不清楚的担忧;具体则是把模糊的恐惧拆成清晰的问题,把宏大的担忧拆成可以行动的步骤。与其反复考虑要不要转型、会不会被替代,不如先做一件具体的小事:完成一次能力自评,约一位做交付的朋友聊一个小时,或者把一个重复的工作流用 AI 重构。开始具体行动之后,焦虑通常就会减轻一些。当然,并不是所有问题都能靠具体行动解决,更不需要因为自己仍然焦虑而责怪自己。能够改变的,就拆成具体行动;暂时改变不了的,也要允许自己接纳。
第四句,到现场去。 这门课讲了很多方法,但所有方法的起点只有一个:到客户现场去。我之前说过一句话:在客户现场亲眼看一遍真实的工作流程,比坐在办公室听一百场汇报都管用。真问题在现场,信任在现场,产品的下一个功能也在现场。对于和我一样、已经从事多年管理工作的同学,这句话同样重要:别让自己离场太久。我自己这半年最大的收获,就是重新坐回了客户的会议室。我会继续待在现场,也希望有一天,能在某个客户的会议室里,遇到正在做 FDE 的你。
最后的话
课程正文到这里就全部结束了,但交流不会结束。后续我会继续回复留言,你在实践中遇到的问题,欢迎随时来留言区讨论。如果你觉得这门课有收获,也欢迎推荐给身边做交付、想转型、在创业的朋友。也欢迎关注我的公众号“曹犟谈 AI”,我会在那里继续写 AI 落地和 To B 创业的思考。
最后,回到贯穿这门课的 FDE 概念本身。我想说的是, FDE 首先是一种工作方式,然后才是一个岗位。即使你并不准备转型做 FDE,把最好的能力放到离问题最近的地方,把每一次交付都沉淀成下一次的起点,坚持做难而正确的事,仍然是一种在任何时代都很稀缺的工作方式。
感谢你一路听到这里,愿你在真实的现场里,成为那个不可替代的人。
最后我准备了一份 结课问卷,希望你花几分钟时间填写一下,期待听到你的意见和建议。
