绝对干货，我把 Palantir 干了十年的 FDE 与 OpenAI FDE 负责人 Colin Jarvis 深度采访做了中英文视频翻译，聊聊真正的 FDE 实际企业 AI 落地的工作，分享了三个企业成功案例：摩根斯坦利、半导体。国内大部分自称 “FDE” 出来糊弄的

AI 真正进入企业，难的往往不是把 Demo 做出来 真正困难的是：进入客户真实业务，解决真实问题，让员工敢用、愿意用，最后还能变成可复制的产品 这也是 FDE （ Forward Deployed Engineer ）正在做的事情。

这次分享一场非常值得看的 40 分钟深度采访：Palantir 资深 FDE 与 OpenAI FDE 负责人 Colin Jarvis 对谈，聊了 OpenAI 如何把 AI 真正部署到企业，以及 Colin 带来 FDE 团队三个企业成功案例的分享。 视频已整理中英文字幕，方便观看原始采访

1 、Morgan Stanley：技术 6 周，信任却花了 4 个月 OpenAI 曾与 Morgan Stanley 合作，把 GPT-4 用于财富管理研究。 技术本身并不是最大问题，真正的问题是： “一个金融顾问，真的敢把 AI 给出的答案拿给客户看吗？” FDE 直接和客户工程师、金融专家、顾问一起工作，建立测试集，让真实用户不断验证和反馈，再持续调整系统。 结果是，大约 98% 的财富顾问采用了这个系统，研究报告使用量提升约 3 倍。 一个很有意思的细节： 原型可能 6 ～ 8 周就能做出来，但让企业真正信任它，却又花了大约 4 个月。 企业 AI 落地，技术只是开始。

2 、欧洲半导体企业：FDE 解决企业 0-1 问题，设计工作流 半导体工程师大量时间花在 Bug 排查、验证、调试和维护上。 FDE 一开始让 AI 帮忙调查 Bug ，后来逐渐让 AI： 发现问题 → 尝试修复 → 运行测试 → 验证结果 → 创建 PR 。 目标不是“让工程师使用 AI”，而是： 工程师上班时，很多普通 Bug 已经被 AI 处理掉，只把最复杂的问题留给人。 这已经不是简单的 AI 工具，而是重新设计整个工程工作流。

3 、FDE：把客户的问题变成产品 FDE 不是咨询公司，也不是外包团队。 一个优秀的 FDE 团队，会先进入客户现场，解决一个非常具体、非常痛的 0→1 问题。 然后不断寻找其中可以复用的部分。 客户真实问题 → 解决方案 → 抽象通用能力 → 产品 所以 Colin 提到 FDE 最容易犯的错误： Generalizing too early——过早泛化 不要先做一个看起来很通用的产品，再去寻找客户问题。 而是先真正解决客户的问题。 Doing what doesn’t scale. 甚至可以用一句很形象的话概括 FDE： Eat pain and excrete product. 吃下客户最痛的问题，最后把它变成产品。

如果你正在关注 FDE 企业 AI 落地，后续分享我们国内团队一线真实的 FDE 落地经历，关注公众号“AI 下一代实验室”

视频地址 https://mp.weixin.qq.com/s/GfT3HKR9GoEesUJGR2rnjg