OpenAI聯手PE砸下40億美元，聊聊硅谷最火新職位FDE

最近硅谷最火的崗位，非FDE莫屬。FDE全稱「Forward Deployment Engineer」，可以直接翻譯成「前線部署工程師」。他們既要懂模型和技術，也要理解客户的數據、流程和業務痛點，核心任務是把AI從demo變成各個職業自己的AI-native工作流。Perspective AI在2026年對1500名FDE的調查顯示，前沿實驗室資深FDE的年總薪酬中位數達到48.5萬美元，資深員工級別則高達72.5萬美元，頂級實驗室的總薪酬區間落在35萬至55萬美元之間。

這股熱潮的背后，是頂尖AI公司戰略上的重大轉向。今年5月，OpenAI聯手19家PE，合計投入超40億美元，成立了Deployment Company（部署公司），並收購了一家AI落地服務公司Tomoro，打包帶走了150個FDE。Anthropic也宣佈與包括Blackstone在內的多家金融機構合作，成立價值15億美元的合資企業。這些頂尖模型公司，都開始押注同一種服務：不只是提供AI工具，而是深入企業內部，在具體業務場景中把AI能力真正部署起來。

本期《硅谷101》，我們請到了兩位一線從業者討論FDE和部署公司。我們聊了FDE這份工作的具體形態、它與Palantir早年軍方部署模式的淵源，也討論了在這波AI落地浪潮中，私募基金和諮詢行業正在經歷怎樣的變化。

Jove，Cresta FDE團隊負責人，Cresta為企業呼叫中心提供AI Agent，Jove從去年年初就開始擴招FDE團隊

Oliver，前麥肯錫諮詢師、現任Invisible Technologies企業業務VP

以下是這次對話內容的精選：

01、模型公司為什麼開始做部署？

Yiwen：Jove，你怎麼看待最近OpenAI、Anthropic和其他模型公司開始做AI部署的動作？ 

Jove：我覺得這就是FDE一下子就讓大家上頭的部分原因。作為一個工作類型，FDE從Palantir開始就已經存在了十幾年的時間。我們公司是在去年1月份開始做FDE的這樣一個部署，當時沒有很明確的一定要招FDE，但是模模糊糊覺得需要把一些工程師拿出來跟客户走得更近，通過這些非常貼近的一些服務，能夠了解他們想要什麼，然后把我們的產品用到位。

但是過去一兩個月，尤其是最近這一兩個星期，出現了大量對FDE的討論。我知道這次事情確實會來，但我沒有想到會這麼快，來得這麼迅猛。但我覺得這也印證了幾個事情：一是模型公司會意識到模型本身並不是一個產品，產品要落地還需要做大量的工作，這個是傳統的模型公司很容易疏忽甚至是不屑去做的。但是你沒有這樣一個非常緊密的合作，對於有錢想買這個模型的人，他也覺得買了也不知道怎麼用。我們發現FDE是一個非常好的形式。

另外，模型公司跟應用公司的邊界就變得很模糊。OpenAI跟Anthropic的做法更多是：我依然招最好的人去訓練我的模型——包括像Anthropic，大家可能知道他的模型就特別好，但也特別貴，可以賣得很貴，人效來講可能會很高。但至於是説我要去向三百六十行每行去落地，那個需要大量的人，那這塊我不見得想要自己找，所以這也是為什麼有些是收購，有些是通過資本來讓別的公司來做FDE。所以，模型公司跟應用之間的亦友亦敵的關係就變得更加糾纏不清了。

02、FDE的具體工作

Yiwen：如果要讓你用一句話定義FDE，你會怎麼説？ 

Jove：FDE是在跟客户緊密合作，能夠讓AI應用真正跑起來的工程師，且它承擔了讓產品變得更好的這樣一個職責。所以FDE一是要把AI落地，二是把這些Lesson Learned（經驗教訓）能夠以直接的方式去改變產品，讓產品變得更好。甚至像是一個「Forward Deployed CTO」，你是非常全面的一個人：你要把單子搞定，你要把AI應用落地，把客户鎖住；但是你作為一個CTO，你不光是整天想着怎麼讓產品變得更好，甚至是你要自我革命了。所以FDE就做這樣一個事情，就是把AI落地且用這些經驗教訓把產品變得越來越強。

Yiwen：在你接觸到的客户里面，FDE是怎麼樣去改變他們現有的工作流的？比如，你們服務的這些財富100強的公司，很多都是不同領域的公司，對AI智能呼叫中心（Cresta的核心業務）這件事情有不同的需求，工作肯定也會涉及到很多他們專業領域的一些術語、知識甚至數據。這些客户是怎麼樣跟你們傳遞他們的需求的？你們又是怎麼樣去理解這些需求並且去做部署的？

Jove：針對客户體驗這個領域，我們相對來説積累比較多，從2017年就開始做了。所以AI這個浪潮之前，有大量的人與人之間的這些對話就已經在Cresta這個系統里面，當然我們花大量工夫去做合規什麼的。所以比方説，像Marriott這些大的公司，在Agent這個時代之前，就有人工Agent，所以有大量這些文本語音的語料，通過合規的方式在Cresta這邊存儲。

所以你可以想象，一旦我們決定去挑幾個AI Agent的用例去做，我們肯定會去分析哪些用例是量比較大，但是又沒有做起來那麼複雜的。這也就是沒有很多人工判斷的，相當於説SOP比較清晰，量比較大。可能80%的業務量是來自20%的應用場景。有了大概的一些判斷之后，我們可以藉助過去的一些歷史，能夠去抽象出來説，有哪些典型的問題客户在問，作為一個客服——不管是人工的還是AI的——你應該怎麼去有效地跟他解決這個問題。所以這些就避免很多猜的成分，因為我覺得AI跟數據需要做很好的結合。

在我們做一個相對比較大單子的時候，往往他已經用了很長一段時間Cresta別的產品了，我們可以基於他人工對話的一些數據，能夠去提煉出它的一些規律，我們甚至可以用它的數據來訓練一個小的模型，用那個模型來去做更多的模擬。所以FDE就要去作為一個相對有經驗的這樣一個AI落地官，去判斷哪些用例我們可以先做，用例對應的這些資源是不是到位了；不到位的話，並不傾向於我們幫他改一批，更多是跟客户共創，包括后續做出一個版本的Agent，也要做大量的測試、做優化，其實也要花很多的精力。

Yiwen：你會需要去現場看客户是怎麼樣進行這些工作的嗎？

Jove：前線部署這個詞比較抓人眼球。包括我自己，包括我的同事，沒有一次是超過一個星期在一個客户那邊的。因為我們FDE不需要做一些初次聯繫或者是一些偏售前的事情，更多是説大家已經有很強的意向了，更多是拉我們作為一個專家，看怎麼去落地更合適一些。

所以我們可能會有一個啟動會，大家飛到他的辦公室，我們可能閉門地開個兩三天的會，把一些高層級的目標能夠定下來，KPI定下來，把它對應的API能夠驗證，甚至如果順利我們可以在那邊做一個小型的PoC（概念驗證），讓他們產生興趣。但是之后我們可能就各回各家，我們每周甚至每天都會有會議，開發都是要麼在辦公室或在家里面。我們可能會在項目所謂的UAT（用户驗收測試）的時候可能會再聚一下，或者是我們談到要考慮下一波的用例怎麼做的時候。而且面對面的話，大家會有些眼神交流，大家甚至可以培養一些私交。你早期培養這些私交，有些信任對后續工作是很有用，很多大家不見得很方便書面化的東西，通過一些聊天和一些溝通能夠培養更多的默契，更瞭解更多的背景，這些往往是你不到現場很難達到的。

但這些目的加在一塊，都是爲了能夠把AI落地變得更加的紮實，而不是逼客户去學，而是説我們瞭解你要什麼，然后幫你做出來。做完之后你想自己維護也可以，但是AI落地這個事情就屬於又難、時間又漫長，但是FDE會讓它變得稍微簡單一些。

圖片來源：Pixabay

Yiwen：FDE這個概念是由Palantir一開始發明並且推廣的。最早的時候，Palantir其實是有兩個團隊，一個叫Echo，一個叫Delta，這兩個它們放在一起成爲了一個FDE。但是可能Deltas更像我們現在理解上的FDE，就是工程師的這樣一個角色；Echo這一批人他們更多是熟悉這個專業領域。這個能不能給我們講一下，你覺得當時Palantir解決的核心問題是什麼？

Jove：對，Palantir作為這個模式的最初的創造者來講肯定值得尊重。當然他的業務會非常的神奇，因為不是每個廠商都能夠去做一些軍方的業務。在10年、15年前他開始做，我覺得因為很多具體想要什麼，他是不高興説得很明的，你必須是跟他們面對面，跑到同一個軍營的帳篷，看到這些數據他才願意説得很細，而且中間又會涉及到比如説數據建模或者是要臨時做API。所以他是招了這兩個團隊：一個團隊是有點像前線駐場軟件工程師類似的，另外一個是偏業務負責人的——對，一些作戰或者是一些搶救之類的他會比較熟。一個是偏技術，一個非技術。

FDE我們通常意義上來講，還是一個非常技術的工種。對Cresta來講，我們其實也是覺得這樣的方式會比較合適。最理想情形當然是你一個人什麼都會，就像所謂的一人公司一樣，你既是CEO又是CTO，但畢竟這樣的人比較難招，而且大家精力比較有限。所以我們做過一些嘗試，比如説我們早期也有所謂的「對話設計師」，他更多對人際交互、共情很多細節會比較熟，他不需要技術。我們最近這差不多一年的方式，也是有所謂的FDE和FDPM（Forward Deployed Product Manager，前線部署產品經理）一起配合，FDPM就不需要那麼技術。

FDE像一個Forward Deployed CTO，可以想象FDPM就是Forward Deployed CEO，他用他的人際能力、溝通能力、協商能力，與客户深度磨合，花很多時間去培養信任，知道他到底想要什麼。包括做一個Agent，你該説什麼不説什麼，你的測試集應該怎麼去創建，很多事情跟編碼沒有那麼直接相關，他也不需要知道安全應該怎麼做、網絡怎麼配，但這個本身是個很紮紮實實的一大塊的活，FDPM就可以專門對這塊做一些把控。就像CEO一樣，他為整個公司負責，FDPM就為整個AI Agent的智能體行為和能力水準負責；FDE就是從技術角度確保這個實現是合理的，我們對應的測試是健全的，包括FDE還帶有把這些經驗教訓帶回公司，能夠把產品變得更好這樣一個職責。

這樣一個FDPM跟FDE合在一塊，因為我們很容易一天要跟兩三個客户開好多的會，這些會對於FDE來講並不是每個都要參加，因為他可能還在討論我應該先説什麼后説什麼，如果大家有個結論，實現來看不是一個很難的事情，所以大家分工不一樣。FDE就可以更注重這些AI的一些行業最優實踐，怎麼能夠把經常要做的一些開發的工作，把它變成SDK、工具包、CLI，我們更多從技術角度來做貢獻；而FDPM就可以把握具體的一些需求，包括有的時候會有一些風險，你怎麼去上報，甚至是你要去追加銷售——原先你已經做了三個用例，你是不是可以做成六個。有大量這種，你就把它想象成CEO和CTO的差別，我覺得還是有效的，這樣避免對招聘的人的要求過於高，而且讓一個人每天要花大量時間做不同的事情，這樣分開兩個之后會好一些。

Yiwen：所以總結一下就是，FDE其實本身是一個技術性比較強的這樣一個職位；FDPM更多是對行業知識的瞭解，我理解可能這些人很多是從比如説諮詢背景，或者更多的是一個企業運營的背景。我覺得可以借這個機會説一下，你覺得什麼樣的人最適合當FDE？一個優秀的FDE是什麼樣的？

Jove：我覺得也是逼自己拋出來句話：我要説打造全世界最好的FDE團隊。對，是個目標。雖然説現在獲得一些成績，但我確實覺得，Palantir巨大的成功，或者是它的股票往上漲，有多少比例是因為FDE這個其實很難講，因為它本身有太多因素在里面，但是它開創了這樣一個模型。但現在FDE變成很熱門，是因為AI落地有太多的困難，而這個複雜性你不想把它直接拋給客户，而FDE能夠把這些複雜的層面自己消化掉，能夠給客户一個很好的方案。

而且對於很多產品公司，或者是SaaS或平臺公司來講，FDE把在前線的這些經驗教訓直接去改變產品了。因為你想，10年前Palantir的FDE就算知道產品有很多漏洞又怎麼樣？他可能回頭只能寫封信或者是開一個工單求着別人去改，可能再過半年就改好了。但是因為現在AI Coding特別強，所以我們這些FDE——當然我們招的時候就會門檻比較高，希望是比較好的工程師——但是另一方面，因為有這些AI Coding Agent、Claude Code或者是這些模型，你知道哪里不對，哪里有提升空間，哪里可以做得不一樣，哪怕你有5個、10個不同的repo、不同的語言、不同的棧，你就可以很容易地讓AI幫你做成這個樣子，然后你找個合適的人覆盤就可以了，所以這個迭代就很快。

除了coding之外，現在skill本身也是一個很好的模型，就能夠有一個方式可以蒸餾了。原先都是大家留在腦子里面，大家可能要花很多時間做知識轉移，現在你可以把它寫成skill——有一個很長的markdown，有一些腳本，有一些參考文檔。你做了兩三個類似的事情之后，就可以變成一個很好的skill，這個能力就可以在下一個項目里面很快去用得到。或者是説我們現在30個FDE，又來了20個FDE，那20個FDE它甚至只要把這個skill裝在那邊，能夠訪問就可以，它都不用去學。所以這個就很容易像一個雪球效應，所以FDE現在肯定是一個比較合適的狀態，招更多FDE能夠去落地。

包括我這次來紐約TechWeek也是希望能夠辦一些活動，招到合適的人——他首先需要是一個很合格的工程師，因為這個本身就像個CTO，你肯定不想是一個很不會寫代碼的人做CTO，他肯定要技術很強。因為我現在招的這個團隊就是侷限在AI Agent FDE，我這邊對數據工程、對信息安全沒有那麼強的要求，但是你這個人一定要會AI Agent。

我這邊很多時候看到一個簡歷，他説「我是個AI工程師」，我這不廢話嗎？就現在你哪個軟件工程師如果不是AI工程師，你都已經很出局了，肯定沒有人期待你每行代碼都自己寫。你是必須要會用這些Harness framework，你要用Cursor，用Claude Code。但是，不是很多人會知道怎麼去開發跟測試AI Agent，這個技能對我們來説是很在乎的，我們不想花個兩個月、三個月再培訓一個人，可能這個人兩到三個禮拜就應該進一個項目。所以你需要是一個好的開發者，你要是開發跟測試過AI Agent。

另外一塊就是説他需要有比較過硬或者比較讓人信服的對接客户的經驗。畢竟我們是前線部署，哪怕你過去都是線上開會，或者是偶爾可能會過去個幾天，但你還是要去跟對方的CTO、對方的IT總監、對方資深的人進行溝通的；有的時候你也跟一些非技術人員去溝通。你應該知道怎麼去把一個比較複雜的問題能夠簡化，或者是你能夠從他表達的過程中抓到具體一些點能夠進行求證；有的時候你要説不。這邊有不光是英文層面的溝通，而且是你整個人要比較老練，實際上跟CTO一樣的——CTO也不能是光寫代碼的一個人。

所以這個技能我就一般是期待他要麼做過諮詢，或者是他自己就是作為一個創始工程師，或者是他自己有大量的甚至是自由職業者，我覺得都是挺好的。除了編程，除了這些對接客户之外，剩下可能就是一些人的要比較靠譜、要有韌性，因為FDE就是真的很忙，你同時多線程處理很多事情，你有很多壓力，你面對的就是一個很不完美的世界——API根本就是紙糊的，SOP就跟沒有是一樣的，文檔也是千奇百怪的。壓力很大，大家可能會有不切實際一些想法，所以要很強的能夠面臨巨大複雜性的一些能力，能夠面臨巨大不確定的能力。所以有自主決斷力，去知道我應該怎麼去推進，怎麼去跳出來做一些事情。

所以我是很喜歡招founder、cofounding工程師，甚至是説經歷過很多大風大浪的，能夠知道沒有一個事情是有保障的、一定會成功的，你就是要必須是非常努力地去做，才能夠到一個稍微好一點的狀態。所以這種靠譜、韌性往往也是通過這種方式我們希望能夠看到。我這邊是不招任何初級的FDE，因為就像前面講的，你一個項目也就一兩個人，跟對方的CTO在那邊共創，你如果一個很初級的人就很難達成這樣一個信任，你可能很多時候也沒有頭緒，你總不能打開AI讓AI告訴你怎麼做，你自己沒有判斷的能力也很差。所以技術的能力肯定要到位，你的對接客户的能力要在那邊，你能夠抓很多事情，端到端。

Yiwen：你剛纔説FDE面臨的是一個不完美的世界，面臨的還是一些現在來説還是比較新的這樣一些Agent工具，那麼這個職位到底會是一個長期存在的職位，還是一個過渡性的角色？在AI的時代，當工具會不斷地自我迭代不斷成熟之后，你覺得這個角色他會變嗎？還是他會消失？

Jove：唯一不變的就是變化，但我覺得相對很多別的自營工程師的工作來看，FDE要被AI化路還很長。短期來看，比如説1到2年，它肯定會有越來越多的工具能夠讓FDE的工作變得更高效。比如説我們現在大量的電話或者是溝通都會有像Gong能夠把它錄下來，能夠做翻譯，甚至對着這個錄音你可以提問題；對，類似我們有些工具像Glean，也是可以搜到最新的一些聊天記錄，然后看到一些代碼。就這些工具的產生會讓我們這些同時處理多件事的人更高效，而且有的時候我可能日曆上面一個時間段同時約了兩場、三場，有些會你肯定會缺席，你就可以通過這些工具能夠讓你更加同時出現在不同地方，或者是不至於錯過很多具體的一些點。

但這些工具能夠讓FDE——比如説假設我們現在平均是兩到三個項目是在一個人身上，再過段時間可能變成5到6個，所以工具的改進會讓我們效率會更高，或者是能夠做事情更多。但是再遠一點會分化，會要求有很多很高端的FDE做那些很難的事情，你可以用各種工具，但是工具本身並不能解決，還是需要有非常資深的人去做。

一方面會有大量原本不需要FDE的人會想着我能不能招一個便宜的FDE，就像大家在説軟件工程師這個事情，招聘需求其實反而在上升，因為原先覺得他沒法僱軟件工程師的——小的診所、小的個體戶覺得我也可以招一個軟件工程師，可以把我的某一個工作流把它產品化掉。所以對應的FDE就會出現有一批可能針對中小型的、針對這種長尾的，甚至是這種遠程的，比方説越南或者哪里不是很發達的地方，可能就會有很多FDE，永遠不能到現場，但他就是結合客户的需求，結合他的AI技能把他東西做出來。如果他自己有一個產品可以沉澱，也是一種模式。

所以只要是客户的這種複雜性還在那邊，AI能夠完全自動化的總歸是有缺口的，這個缺口需要FDE來填。真的到了某一天，比如説有一個完全AI FDE——哪怕現在SDR（銷售開發代表）這個事情都沒有很好的AI化——假設真的有一天，FDE這個事情99%都可以AI化，不管是你理解客户、寫prompt、做測試、跟客户溝通，甚至你可能這個AI跟另外一個客户的AI做agent-to-agent的一些溝通或對齊，但那個時候其實我們擔心的就不是FDE本身，整個行業世界都已經不一樣了，就可能人在里面參與的就很少。但我覺得這個會有很長一段路要走。

FDE我還是非常地有信心，這個工種會越來越豐富，參與的人會越來越多，大家會越來越意識到它的一個重要性。

03、私募與AI部署的重要入口

在和Jove的訪談中，我們產生了兩層疑問：第一，部署公司做的事——包括深入企業、改造流程、幫他們用好AI——其實和傳統諮詢的邏輯很相似，諮詢行業會被這波浪潮取代嗎？第二，就像Jove説的，模型公司為什麼要找PE合作呢？我們知道Blackstone這樣的機構手里握着大量投資組合公司，很多是運營了幾十年的傳統企業。對PE來説，這個合作到底有什麼吸引力？ 

Jove從他的角度聊到了一部分，接下來我又和有諮詢背景、有長期服務PE客户的Oliver，從行業變化的角度聊了聊這兩個問題。

Yiwen：Hello Oliver，給我們的聽眾簡單介紹一下你自己和你目前所在的公司。 

Oliver：謝謝Yiwen，我叫Oliver，是Invisible Technologies企業業務的VP。我的工作是幫企業客户落地AI，使用我們的解決方案。在這之前，我在麥肯錫做私募股權諮詢，我所在的團隊叫Rewired，專門幫企業重新思考商業模式，變得更技術驅動和AI驅動。

Yiwen：你説你們幫公司落地解決方案，具體是什麼樣的解決方案？

Oliver：好，簡單介紹一下我們在做什麼。我們的公司叫Invisible Technologies，也就是「隱形技術」。我們的名字來自於一個理念：當技術做得足夠好的時候，它是隱形的，也就是説你是感受不到的。我們的做法和很多軟件公司不一樣。我們在日常生活里都會用AI工具，這些工具非常好用，但問題也就在這里：個人AI使用率和企業採用率之間有巨大的落差。這個落差很大程度上是市場的供給造成的。

你想想看現在市場上是怎麼服務企業的？要麼是大模型廠商自己賣，要麼是套殼產品——比如做法律的Harvey，或者做會議記錄的Granola，都是很好的工具，但它們沒有改變你做事的方式，只是在已有的方式上做了增強。結果就是很多公司部署了AI，卻感受不到變化。

所以我們走了一條不同的路：我們不是一個工具一個工具地上，而是一個工作流一個工作流地切入，為每家公司量身定製軟件。我們會把一個工作流拆開來看，比如説如果有十個步驟，判斷其中五個步驟必須是確定性的，因為涉及數學計算、合規要求，不能出錯；三四個步驟可以用AI來做，允許有一定的彈性；還有兩個步驟需要人工審覈，確認一切沒有問題。這纔是真正使用AI改變業務的正確方式。

但要做到這一點，必須針對每家公司定製，因為每家公司、每個部門的流程都不一樣。所以如果你想把那些「前AI時代」的公司變成AI原生公司，你必須給他們搭一套適配他們工作流的定製軟件。這就是我們在做的事——我們搭了一個模塊化平臺，所以可以做得很快。

Yiwen：聽起來你們在做的事情，其實跟OpenAI前段時間宣佈的「Deployment Company」（部署公司）還蠻像的，他們也是在幫企業落地。你怎麼看待他們這個動作？你覺得他們為什麼要這樣做？

Oliver：我覺得他們做得非常正確。過去半年你能明顯感覺到，CFO們和企業高管們越來越多地在談壓縮成本。與此同時，MIT、斯坦福的研究報告也顯示，真正把AI跑通、跑到規模化的企業其實寥寥無幾。這個落差是不可持續的，不能一直這樣。所以大模型廠商必須推動企業側的真實採用，必須證明ROI，光賣一個聊天機器人是做不到這件事的。他們想打開這扇門，就必須走跟我們一樣的路。

所以我覺得這步棋踩得很準。當然了，他們有大量資本，也有很強的技術能力，肯定能做成。只是他們原來的打法非常橫向——雖然有一些垂直應用，但本質上他們是做通用大模型的，現在突然要轉去給企業搭定製化工作流，這是完全不同的市場動作，完全不同的銷售方式，跟他們以前熟悉的打法很不一樣。我相信他們能夠想清楚，但需要一些時間。

Yiwen：我想先從私募股權這側聊一下這個問題。因為你説你服務了很多金融機構的客户，我感覺這里有兩條線：一條是這些機構自己內部在用AI，另一條是他們投資的公司——Portfolio companies，是很多傳統SaaS公司，他們都是PE去投資的，可能也需要轉型。你覺得他們現在最需要什麼？他們在怕什麼？而這是不是他們跑去和OpenAI、Anthropic合作投資的原因？

Oliver：我覺得PE和私募資本機構有三個核心訴求。

第一個是信號價值。我跟PE公司打交道有一段時間了：三年前大家還在問「能不能來講講AI是怎麼工作的」；兩年前變成了「能不能幫我想想怎麼在整個投資組合里推AI」；今年徹底變了，他們來找我説的是「我要去向LP募資，向養老金、向我的出資人募資，我必須證明我站在AI的最前沿，我需要有案例能展示我通過AI創造了價值，否則LP不會把錢給我」。這是完全不同的邏輯。現在對GP來説，能不能展示AI已經關係到募資的存亡。跟行業里最響亮的名字建立合作，是一個非常好的背書方式，所以信號價值非常高。

第二個是投資組合的價值創造。這也是非常真實的需求。用對了AI，真的能夠創造很大的價值。細節比較複雜，但這一塊確實是真實的。

第三個是投資回報本身。這些合作的結構設計相當的誘人，本質上是讓GP們進入一個高回報賽道，獲得高增長資產的敞口。從這個角度看，邏輯也完全説得通。

Yiwen：我覺得你説的第一點很有意思，你覺得是什麼在讓LP推動AI？

Oliver：跟大多數公司在推AI的原因是一樣的。從普通消費者的角度，你能讀到多少相關內容，你就能感受到AI能做多少事。變化真的快得嚇人，感覺一切都在以瘋狂的速度推進。所以每個人都意識到AI能做的事太多了，如果你沒有在認真做AI，你就在落后。

站在LP的角度，我把錢投給一個GP，我當然想確保他也在用AI改造被投企業，這是非常真實的需求。再説一個點，因為你也提到了SaaS：過去五到十年，PE最大的兩個資產類別是醫療和軟件，幾乎所有的PE都有軟件公司的敞口。今年「SaaS已死」的論調鬧得很兇，LP們和GP們都高度緊張，GP們都在努力證明「我們沒有問題」，所以信號價值進一步放大。

但話說回來，你看Anthropic和Coatue那些合作，合作對象不是純軟件投資人，因為你説得很對，AI創造價值最大的地方往往恰恰不是軟件公司。

Yiwen：對，就是那些傳統企業，包括工業、製造業之類的。

Oliver：商業服務、工業、醫療——特別是醫療，這個太大了。基本上所有原來軟件不太能幫上大忙的行業，現在都可以用軟件做出非常有意思的事情。還有一個很好的例子就是GP自身。PE公司是干什麼的？找項目、估值、投錢、管資產，這是非常人力密集的工作，要用到非常貴的人——不管是內部團隊還是外部顧問。這套工作流恰恰是最適用AI改造的。我有一個大客户，是一家非常大的資產管理公司，我們能幫他改造這些工作流，效果非常驚人。

Yiwen：能不能給我們舉幾個具體的例子？我感覺現在跟很多金融從業者聊，他們都還是在用AI做研究、摘要，就還是那套和大語言模型比較相關的用法。我還蠻好奇你們是怎麼做到真正自動化工作流的。

Oliver：可以，有很多可以講的。如果把一個投資基金的業務拆開來看，大概有幾個模塊：募資、投資管理、合規財務和基金運營。我挑幾個工作流舉例子。

先説募資這一塊。我有一個大客户，一家非常大的資產管理公司，他們想跟一家規模較小的資管合作，對方幫他們把產品納入自己的產品線，收一部分佣金，聽起來不錯。但對方説，每次開客户會議都要配一個你們的銷售經理——大資管當然不接受，因為這樣利潤就沒了，根本不可行。所以他們來找我們，説能不能搭一個AI銷售助理，讓它參與這些對話。

這個工作流是這樣的：首先他們大概有一千款產品，所以你得先搭數據基礎設施，把這一千款產品整合進來；然后搭一個輸入層，讓另一方能夠輸入客户數據，同時權限要隔離；再搭一個計算模塊，算出針對這個客户的最優產品組合——這部分是確定性的，因為本質上是數學；然后生成銷售話術，供會前準備；再有一個會中使用的工具；最后會后根據會議記錄自動更新產品方案。整個是一個反饋閉環，大概七個步驟。這套系統讓這家大資管能夠服務更大範圍的客户，這是一個典型案例。

還有一個我很感興趣的就是投資決策流程本身。做盡調的時候，你通常要跑十條工作線，僱法律、僱各類顧問——什麼商業盡調、環境盡調，跟這麼多人協調，對投資團隊來説壓力很大。我們在為他們搭一個平臺，讓他們能夠跟所有顧問交互，把問題推給顧問，自動掃描整個數據房間。你可以看到一個實時界面，追蹤所有顧問的進展，還能調取這家基金在類似項目里曾經提過的問題，借鑑過往投資的經驗教訓。這樣他們既能用上機構的歷史知識，又能大幅精簡跟外部顧問的溝通。最后文件的輸出也是自動的，這本來也是一個很大的負擔。我見過太多投資人周末也要加班做這些，能幫他們省掉這些我很高興。

還有一個是基金運營，比如淨資產值計算或者賬户對賬——每個月甚至每天收盤后都要確認賬户的余額是對的。我的第一份工作就是做簿記，非常耗時，但這套流程完全可以自動化。好，我講了很多，就是希望給你展示一些有用的場景。

Yiwen：基於你剛纔説的，我其實想知道，你覺得AI時代的PE收購這件事情有沒有改變？因為過去我們談到PE收購一家公司的時候，我們可能想到的是比如説投后公司之間會有一些併購，一些roll-up整合。現在感覺我們幾乎是進入了一個所謂「AI roll-up」的時代——表面上你是在買這些公司，但實際上你買下的是他們的工作流，我們再把他們改造成一家AI-native的公司。你覺得這會改變PE本身的運作方式嗎？

Oliver：我看到過很多不同的打法，但主要可以分為兩類。第一類投資人會説，凡是AI顛覆風險太大的領域，我們都不能投——這其實是很多人的直覺反應。第二類則是更主動擁抱這件事情的投資人，他們會説，現在其實是一個非常有意思的時間點，可以通過AI來創造價值。Amex GBT那筆交易就是一個很好的例子，還有很多類似的交易。投資人會去收購一些過去技術含量並不高的企業，非常激進地用技術、用AI去賦能它們。所以這顯然正在成為一種新興的打法，一些走在前面的GP已經在這樣做了。而且我認為，他們能夠創造的規模價值是真實存在的。

但要真正創造出這種價值，並不是一件簡單的事。現在我看到的一個問題是，很多人想象中自己能做到的事情和真正能落地的現實結果之間存在很大差距。我想強調一個核心觀點：很多人容易犯的錯誤，是隻把AI理解成一個降低成本的工具。但實際上，AI真正的價值很多時候在於創造收入，打開新的收入機會。

所以我經常會問客户一個問題：如果現在免費給你一萬個受過大學教育的員工，你會做什麼？你過去想做但做不了的事情是什麼？因為某種程度上，這就是AI現在帶來的能力。就像我剛纔舉的兩個資管公司的例子，對他們來説，這意味着可以進入一個全新的客户或業務細分市場——一個過去他們根本無法觸達的市場。所以這不是在降低成本，而是在增加收入。我覺得這纔是很多公司真正應該走的方向。但現在，大家還是非常關注AI帶來的成本削減，我認為這並不是最有力的切入點。真正該想的應該是，哪些事情是我過去做不了而現在可以做的，也就是收入創造。

它可以有很多種形式。我再給你一個例子：我們有一個客户是一家乳製品公司，他們有很多農場和奶牛。我們和他們討論的時候問，如果你有一萬個人你們會做什麼？他們説，這個問題很有意思，我們會給所有賬户都寫報告，因為他們希望減少這些報告的時間，而把更多時間用來維持奶牛的健康。所以我們幫他們做了一整套數據整合和定製AI系統，用來為所有奶牛生成健康報告。這樣一來，他們就可以把更多時間拿回來，真正去維持奶牛健康狀況，而這在過去並不可行。

04、AI如何改變諮詢和企業本身？

Yiwen：聽起來你們做的事情和諮詢公司做的事也很像，這也是我之前想提的另一個話題。傳統諮詢公司以前是幫客户去搞定他們自己不熟悉的領域，但現在你們這樣的科技公司和AI公司好像在替代這個角色，用AI去改造流程。你覺得諮詢行業會不會因此過時？還是説諮詢本身會變成AI轉型諮詢？

Oliver：我覺得未來三到五年，諮詢會迎來一波增長，因為所有企業在談AI的時候都需要重新思考商業模式。最簡單的一個例子就是律師事務所，以前按小時收費，現在越來越難了；如果要轉成按結果收費，整套激勵結構都變了。這種轉型你是要找人來聊的，你想知道別人是怎麼做的，有沒有經驗可以借鑑，需要有人帶你走這段路。所以我認為諮詢在未來三到五年會有一個明顯的需求增長。

但真正釋放價值的，是那些最終留下了一套轉型后的業務的人。所以我覺得，AI實驗室和像我們這樣的公司——這種做完就走但留下一套改造好的業務的模式——纔是真正創造價值的方式，而不是隻聊怎麼轉型。但話說回來，現在市場上不確定性很高，大家都處於觀望狀態，所以對諮詢的需求是真實存在的，大家不知道該怎麼做、從哪里入手。這也是我工作的很大一部分，就是坐下來跟客户聊，先搞清楚哪些事情值得先做，這個必須是具體問題具體分析。

Yiwen：你有沒有遇到過公司以為它自己可以用AI搞定某個工作流，但實際上卻根本行不通的情況？比如説大家有的時候是不是對AI太樂觀了，或者説對AI的運作方式有誤解？

Oliver：最常見的問題就是什麼都想AI化，但現實是這條路走不通。你必須把幾件事做好。最關鍵的一點是好的數據平臺，它的價值是複利式增長的。AI再聰明，沒有足夠的信息和知識什麼都做不了。我們有一個叫Neuron的數據模塊，專門幫你整合數據，把數據映射清楚，確保數據可以被使用。這是大多數公司的第一道坎，而且代價不小，因為他們之前根本沒有做過這種事。

第二個常見的錯誤是：一個十步的工作流，不是每一步都應該用AI。你可以用AI來優化整體流程，釐清邏輯，劃定哪些步驟是確定性的，但不是所有步驟都該交給AI。比如賬目對賬這種財務流程，你不會想讓AI來做的，你想要的是確定性的結果。所以可以用AI幫你梳理工作流邏輯，但具體執行的很多步驟應該是硬編碼的、確定性的數學計算。我覺得最大的兩個坑，一是數據，二就是把本該確定性的東西也讓AI來做。

本文來自微信公眾號「硅谷101」，作者：Yiwen，36氪經授權發佈。