"前线部署工程师"(Forward Deployed Engineer)这个概念最近在硅谷AI创业圈高频出现。最早玩转这套模式的Palantir和OpenAI,随着AI概念不断发酵,现在估值加起来大几千亿美金。
Palantir是当前ToB AI的明星公司,由硅谷教父彼得·蒂尔、内森·盖特林等人共同创办,最初的目标是帮助政府机构处理复杂的数据分析任务,特别是在反恐和国家安全方面。随着时间的推移,Palantir 逐渐扩展其服务,向商业客户提供解决方案,尤其是在金融、医疗、制造等领域。最大特点就是基于自研的平台给客户交付定制化的解决方案,这一点与追求标准产品或是追逐基座模型热点的公司来讲是个异类。
很多人对此进行研究,希望能够学到一二,但多数人理解错了。近日,YC邀请了这一模式的发明者,PayPal、Palantir 核心员工,OpenAI 原首席研究官 Bob McGrew来解密什么是FDE。
不是工程师驻场开发就叫FDE,真正的精髓在于"产品化咨询"。他在最新访谈里拆解了关键三点:
- 工程师要同时懂技术栈和客户业务逻辑,能当场把需求翻译成代码
- 解决方案必须能快速抽象成产品功能,否则就是定制化外包
- 团队要配置"三栖人才":20%销售+30%产品+50%工程
最反直觉的发现?采用FDE模式的AI公司,前18个月ARR增速平均比同行快3倍,但客户成功团队规模只有1/3。
相对于传统ToB的解决方案架构师,交付的是PPT,而FDE交付的是可迭代的产品模块。 但这个事情落到国内,不是大家不想,实际情况就是项目的不稳定,提前投入耗不起,另外,一个更本质问题就是人才质量和人力成本的不可调和矛盾,但凡处理不好,最终都将会变成一场难以自拔的“焦油坑”。
机缘巧合,笔者自我感觉不论过去还是现在都在朝这样的方向探索,做过平台开发,做过销售及方案,也在做交付实施,如何将它们融合在一起变成一个适应新趋势的角色,感兴趣的朋友可以一起讨论学习。
附访谈要点摘录:
- FDE = “规模化地做那些不能规模化的事情 (do things that don’t scale—at scale)”。 目标不是减少每个客户的定制化;而是在增加成果价值 (outcome value) 和合同规模的同时,保持定制化的稳定。
- 你的第二用户是 FDE。 构建产品原型 (product primitives) 和工具,每个季度都要能增加 FDE 的影响力;如果现场团队不喜欢你的抽象概念,那你就做错了。
- 在需求之上进行更高层次的提炼。 永远不要将特定场景的工作流 (workflow) 产品化;应该提取可复用的概念(本体/原型 ontology/primitives),并在交付前经过多个线上客户的验证。
- 卖结果 (outcomes),而不是卖安装 (installs)。 早期的交易可以进行风险加权(例如“有效再付款”);随着成果的扩大,合同必须阶梯式上升——做到复杂、灵活,但要与价值对齐。
- 要么进入高管层 (Executive) 的前五大优先事项,要么就失败。 如果你的切入点 (wedge) 不在 CEO 的优先列表上,那么 IT 或流程的惯性就会占上风。来自高管层的支持是一项技术依赖 (technical dependency),而不仅仅是销售上的客套。
- 以演示驱动 (Demo-driven) ≠ 廉价的戏剧表演。 一个好的演示 (demo) 是一种驱动力:每一个新功能都必须在一个可信的、能创造客户渴望而不仅仅是同意的端到端工作流 (workflow) 中赢得一席之地。
- 痛苦就是信号。 重写、粗糙的原型 (prototypes) 以及现场和产品之间的摩擦是学习的特征,而不是需要被“流程化”解决的错误 (bugs)。如果过程毫无痛苦,你可能并没有在探索新事物。
- 衡量两件正确的事情: (a) 交付的成果价值 (Outcome value)(即使你还无法完全捕捉到它),以及 (b) 产品杠杆 (Product leverage)(在所有客户中,单位价值对应的现场投入应该下降)。
- 小心“赞助商的局部最优解 (sponsor local maxima)”。 中层领导的要求往往是为了优化便利性,而不是影响力。要重新锚定于企业层面的成果 (outcomes);否则你就会偏离到做服务上去了。
- 为什么这套方法现在对 AI 适用: 对于 agents 来说,没有现成的产品 (no incumbent product),且产品的采用速度落后于技术能力——因此,探索发现必须在客户内部反复进行,而平台化则紧随其后。
- 雇佣叛逆者,而不是“原住民”。 “回声”角色需要那些认为现有方式不足的领域内部人士;而“变革”角色则是能够“吃苦”的快速原型开发者 (rapid prototypers),而不是着眼长远的工匠。
- 登陆 (Land) → 扩张 (expand) → 抽象 (abstract)。 用一个有说服力的成果赢得胜利,利用邻近优势发现更大的相关问题,然后将这种模式整合回平台。重复此过程。