Anthropic 一天招 1000 人、培养数万名 FDE：它押注的不是模型

模型越来越强以后，真正稀缺的可能不是更会用 AI 的人，而是能把 AI 放进真实业务里的人。

昨天，Anthropic 连续宣布了两件看起来不太相关的事。

第一件，投入 1.5 亿美元，培养 1000 名 Claude Corps。Anthropic 会训练这些年轻人使用 Claude，再把他们送进美国各地的非营利组织，花一年时间解决真实问题。

第二件，和 DXC 达成合作。DXC 将培训数万名 Claude FDE，把 Claude 接进银行、航空、保险、制造业和政府机构长期运行的系统里。

一个像公益项目。

一个像大客户合作。

但我觉得，Anthropic 实际上押注的是同一件事：

AI 不会自己进入组织。模型和业务现场之间，需要一批翻译者。

过去两年，大家一直在讨论哪个模型更强、哪个 Agent 更聪明、哪家公司的上下文窗口更长。

但模型真正进入企业以后，最大的阻力往往不是它不够聪明。

而是没人能把现场说清楚。

企业不缺模型，缺的是中间那一层

企业里的 AI 需求，最开始通常都很像。

“我们想让 AI 帮忙审合同。”

“我们想把报销审核自动化。”

“我们想做一个经营分析助手。”

“我们想让 AI 自动生成投标材料。”

这些话都没错。

但它们不是需求，只是愿望。

真正开始做的时候，问题会迅速变得具体。

合同审查到底审什么？是找缺失条款、对照公司模板，还是判断法律风险？业务部门能直接采用 AI 的修改意见，还是必须交给法务确认？合同版本更新以后，旧规则怎么下线？

经营分析里的数据从哪里来？销售额、毛利和回款是不是同一套口径？异常波动由谁解释？哪些数据管理层能看，哪些只能留在财务部门？

报销审核识别出一张发票以后，是只检查字段，还是要判断它是否符合公司的差旅制度？遇到超标、重复报销和特殊审批时，系统是直接驳回，还是标记异常交给财务？

这些问题，模型不会替企业回答。

因为它们不是模型问题。

它们是流程问题、数据问题、权限问题、责任问题，也是组织问题。

模型能力和业务结果之间，隔着很长的一段路。Anthropic 现在做的事情，本质上是在补这条路上的人。

FDE 不是一个岗位名，是一组能力

FDE，Forward Deployed Engineer，通常被翻译成前线部署工程师。

很多人一听这个名字，会把它理解成“技术更强的驻场工程师”：懂模型、会写代码、能在客户现场快速改需求。

这只说对了一半。

驻场只是工作地点，不是 FDE 的价值。

真正值钱的是，他能在技术和现场之间来回走。

客户说一句很虚的话，他能听出背后可能有三个部门、五段流程和十几个责任边界。

他不急着把模型接上去，而是先判断：这件事到底谁在做，输入从哪里来，输出给谁，哪些步骤能自动化，哪些必须由人确认，错了以后谁兜底。

我越来越觉得，FDE 不是一个漂亮的岗位名，而是一套能力结构。

不管你叫 AI 产品经理、解决方案顾问、售前、实施、业务架构师还是 FDE，只要你在做企业 AI，都绕不开下面五件事。

第一层：把名词翻译成动作

企业 AI 项目最容易犯的错误，是围着名词开会。

Agent、RAG、数字人、知识图谱、工作流、智能中台。

这些词当然有用，但它们不能直接指导交付。

一个词越大，越要往小了拆。

拆到一个具体的人，一个具体的动作，一个具体的输入，一个具体的输出，一个具体的失败处理。

比如“投标材料自动生成”太大了。

但“项目经理上传招标文件后，AI 提取资质、业绩、技术参数和废标项，生成材料清单，再由负责人逐项确认”，这就开始像任务了。

FDE 的第一项能力，不是会回答客户，而是会继续追问客户。

如果一句需求里全是名词，没有动词，说明需求还没真正开始。

第二层：找到最小可跑闭环

现场问题永远比方案复杂。

如果一开始就想做“全流程智能化”，项目很容易陷入无穷无尽的接口、权限、数据和组织协调里。

更现实的做法，是先找到一段可以闭环的动作。

合同场景里，不一定先让 AI 判断合同能不能签。可以先标出偏离公司模板的条款，并说明触发了哪条规则。

财务场景里，不一定先把整个报销流程无人化。可以先把票据分类、制度比对和异常标记做稳定。

招聘场景里，不一定先让 AI 决定录不录用。可以先按硬性条件整理简历，并把筛选理由交给招聘负责人复核。

最小闭环不是做一个漂亮 demo。

而是让一条真实业务链路，从输入到处理、确认、回流，完整跑一次。

第三层：划清 AI 和人的边界

很多 AI 方案只写 AI 能做什么，很少写 AI 不能做什么。

但企业真正关心的，往往是后者。

哪些结果可以自动执行？

哪些只能给建议？

置信度低到什么程度必须转人工？

涉及付款、合同、投诉、生产安全时，谁拥有最终决定权？

出了错误以后，能不能回滚？有没有记录？能不能找到当时用了什么数据、走了什么规则？

一个成熟的 FDE，不会把“全自动”当成默认答案。

他会先把责任边界画出来。

因为在真实组织里，保守不一定代表落后。很多时候，保守恰恰代表专业。

第四层：把“感觉不错”变成可验收

AI 项目最危险的四个字，是“效果不错”。

演示的时候，大家都觉得回答很聪明。真正上线以后，却没人知道它到底创造了什么价值。

合同审查要看什么？不是只看标出了多少风险，而是看关键条款召回率、误报率、法务复核时间和漏审情况。

报销审核要看什么？不是只看处理了多少张票，而是看制度命中率、异常识别率、人工复核量和平均处理时间。

投标 Agent 要看什么？不是生成了多少页材料，而是看废标项有没有遗漏、材料准备时间缩短了多少、最终版本返工了几次。

如果一件事无法验收，它就很难稳定交付，也很难持续优化。

FDE 真正重要的工作，不只是把系统做出来，而是在项目开始前就说清楚：什么叫做成了。

第五层：把项目经验沉淀成组织资产

这是 FDE 和高级驻场外包最大的区别。

驻场外包卖的是时间。

FDE 卖的是结构。

如果一个人每天都在客户现场救火，客户越来越依赖他，所有规则都留在他脑子里，那他当然有价值，但这个项目没有形成组织能力。

真正好的交付，应该留下东西。

一张业务流程图。

一套输入输出格式。

一份人机协作边界表。

一套验收指标。

一个失败样本库。

一份以后可以重复使用的部署清单。

这些东西可能不性感，但它们决定了下一次交付能不能更快，决定了企业能不能少依赖某个救火的人。

如果项目做完，只留下一个能跑的 Agent，没有留下任何可复用资产，那它仍然只是一次项目。

模型越强，这类人为什么反而越贵

很多人会觉得，模型越来越强以后，中间这层人应该会被减少。

我反而觉得，短期内会发生相反的事情。

模型越强，能做的事情越多，企业冒出来的需求就越多。

以前一个需求因为技术做不到，讨论到这里就结束了。现在模型说“能做”，真正麻烦的部分才刚刚开始。

能不能接现有系统？

数据能不能用？

流程要不要改？

员工愿不愿意配合？

错误成本谁承担？

收益怎么被看见？

生成能力越便宜，判断力就越贵。

模型越像一个什么都能做的通用劳动力，企业就越需要有人决定：让它在哪里工作，按照什么规则工作，做到什么程度必须停下来。

这也是 Claude Corps 和 DXC 合作值得关注的地方。

Anthropic 不只是在训练用户怎么使用 Claude。

它在培养一批能进入组织、识别问题、搭建流程、推动采用并对结果负责的人。

换句话说，大模型公司已经开始意识到：卖模型不等于完成落地。真正的市场，要靠一批人把模型送进业务深处。

现在想转 FDE，先别急着学更多工具

如果你想进入这类工作，最容易走偏的路径，是继续收藏工具。

今天学一个 Agent 框架，明天学一个自动化平台，后天再做三个看起来很完整的 demo。

这些当然有帮助。

但 demo 只能证明它会动，不能证明它能交付。

更值得练的，是选一个自己熟悉的业务动作，画一张业务链路卡。

只回答七个问题：

• 原来是谁在做？

• 这件事从什么输入开始？

• 中间有哪些具体步骤？

• AI 最适合接哪一步？

• 哪些情况必须交给人？

• 用什么指标判断它有效？

• 结果和失败样本怎么回流？

能把这七个问题写清楚，比再做一个聊天机器人更能证明你的价值。

因为企业最终买的不是一个会回答问题的 demo。

它买的是一套能进入现有业务、能被员工使用、出了问题有人兜底、做出结果可以验证的系统。

结尾

过去，工程师最重要的能力，是把需求翻译成代码。

现在，越来越重要的能力，是把现场翻译成一个人和 AI 可以共同运行的系统。

这个角色可以叫 FDE，也可以有很多别的名字。

名字并不重要。

重要的是，有人愿意离开干净的模型演示，走进一页页版本混乱的合同、口径不一的经营报表、退来退去的报销单，以及部门之间说不清楚的责任边界。

我会想到 1970 年的 Apollo 13。

氧气罐爆炸后，飞船里的二氧化碳浓度持续升高。指令舱有方形的过滤罐，登月舱的接口却是圆的。材料明明都在飞船上，却不能直接使用。

休斯敦地面团队把宇航员手边能找到的纸板、塑料袋、胶带和软管一件件列出来，在地面搭出适配器，再通过无线电把组装步骤传上太空。宇航员照着做，过滤系统才重新工作。

真正救命的不是某个零件突然变强了，而是有人理解两套系统的差异，把限制、材料、步骤和验证方式重新组织起来。

他们把复杂现场翻译成了一套宇航员能照着做、做完能验证的步骤。

Apollo 13 任务期间的休斯敦飞行控制中心。来源：NASA。

Apollo 13 任务期间的休斯敦飞行控制中心。来源：NASA。

AI 不会自己进入组织。

总要有人带它进去，告诉它在哪里工作、怎么工作、什么时候停下来，再把这套方法留在组织里。

我觉得，Anthropic 押注的，就是这批人。

参考资料

• Anthropic：Introducing Claude Corps

• Anthropic：DXC will integrate Claude into critical enterprise systems

NASA：Apollo 13, The Successful Failure - https://www.nasa.gov/missions/apollo/apollo-13-the-successful-failure/

NASA：Mission Control, Houston, April 13, 1970 - https://www.nasa.gov/image-article/mission-control-houston-april-13-1970/

资料截至 2026 年 6 月 12 日。