我是 Kota，宇鯨智能的創辦人，從 2021 年開始了一人公司，協助中小企業透過 Data / AI 技術進行數位轉型。

我特別關注想要建立新的服務模式、獲取營收的製造業。這背後需要進行大量的流程再造和數位管理，也需要藉由 AI 技術自動化瓶頸的步驟，這些是我特別擅長的領域。

前面都是在說我自身的經驗，其實真正重要的問題是：

如果把目前採用的工作方式稱為 FDE（Forward Deployed Engineering），客戶會因此願意付更多錢嗎？

如果不要這麼膚淺，背後問題也可以改成是：

FDE 在台灣是一個可持續性的服務模式嗎？

從 2021 年開始經營公司，我陸續參與畜牧、印刷、紡織及餐飲業的數位轉型專案。很多專案一開始只有一個模糊的需求，例如希望導入 AI 客服、改善報價效率，或是整合既有 ERP。隨著訪談深入，常常會發現需要先解決流程、資料和跨部門的問題，才能進入系統開發。

這樣的工作方式，其實和「客製化」、「外包」的工作方式高度重疊。然而，近年科技公司開始流行 FDE 的概念，強調工程師深入客戶現場，理解真實的營運問題，直接參與系統開發與部署，並且根據使用者回饋持續調整。過去幾篇 ERP 導入的文章，我也分享了不少類似的經驗，包含需求訪談、流程決策、人工判斷規則化，以及為什麼會議確認過的流程，仍然需要讓使用者實際操作。

然而，對台灣中小企業來說，FDE 仍然是個陌生的名詞。客戶更關心問題能不能解決、需要花多少錢、多快可以解決問題。尤其現在 Claude Code、Codex 等 AI Coding 工具已經大幅提高軟體開發效率，客戶自然會期待系統開發應該更快、價格應該更低，甚至認為客製化調整不需要再花那麼多錢。

如果客戶在乎的是最後的成果，那麼服務商採用 FDE 模式，究竟能創造什麼額外價值？這些價值是否足以支持更高的價格？

為了理解這個問題，我研究了目前積極投入 FDE 的三家公司：OpenAI、Anthropic 和 Palantir，看看它們如何定義 FDE，以及背後採取什麼樣的組織與商業策略。

1. 三家公司都重視 FDE，但出發點有所不同

Palantir 是最早將 FDE 發展成核心工作方法的公司之一。OpenAI 和 Anthropic 則隨著企業 AI 應用快速發展，開始建立更完整的 FDE 組織。

從官方職缺、技術文件與投資公告來看，三家公司對 FDE 的理解有很多共通點，但各自重視的部分有所不同。

資料來源：OpenAI Deployment Company、Anthropic FDE Strategy & Operations、Palantir Architecture Center。根據公開資料整理的比較。

OpenAI 在 2026 年 5 月宣布成立 OpenAI Deployment Company（DeployCo），進一步將 FDE 的工作範圍延伸至企業營運流程的重新設計。

根據官方說明，典型專案會先診斷 AI 可以創造最大價值的領域，再與企業主管及營運團隊共同選出少數優先處理的工作流程。FDE 隨後進入企業，完成系統設計、開發、測試及正式部署，將 OpenAI 模型與客戶既有的資料、工具、治理機制及業務流程整合。

Anthropic 的 FDE 則被定位為處理複雜企業 AI 部署的團隊。它在 FDE Strategy & Operations 職缺中，明確指出 FDE 會承接尚未有成熟解決方法的問題，將有效的部署經驗整理成可重複使用的模式，再交由合作夥伴及其他團隊採用，同時將現場學到的資訊帶回產品與研究團隊。

Palantir 的定義又更進一步。在官方 Architecture Center 文件中，Palantir 將 Forward Deployed Engineering 描述為一種類似人類版本的 Backpropagation（反向傳播）的產品開發方法。

工程師盡可能接近客戶的真實問題，與核心產品工程團隊合作，持續將現場回饋轉變成新功能。這意味著 FDE 除了負責個別客戶的需求，也參與整個產品平台的演進。

如果把這三家公司的資料放在一起，可以觀察到兩個共同特徵。

首先，FDE 的責任通常涵蓋問題探索、系統設計、工程實作與正式部署。交付成果也需要回到客戶實際的工作流程，確認是否真正產生效益。

其次，三家公司都希望將現場獲得的經驗繼續利用。這些經驗可能成為更好的模型能力、更成熟的部署方法，或是共通產品平台的新功能。

第二個特徵尤其值得注意，因為它會直接影響 FDE 的商業模式。

2. 這些公司不只招募 FDE，也投入大量資源建立規模化能力

如果 FDE 需要讓具備高度技術能力的工程師深入客戶現場，那麼它其實是一種人力投入相當高的工作方式。

但 OpenAI 和 Anthropic 仍然願意持續擴大投資，Palantir 也長期將這種工作方式融入產品開發。

比較三家公司的公開布局，可以看到不同的規模化策略。

註：要注意投資金額的用途與範圍不同，應不能直接當作是 FDE 部門預算。

其中，OpenAI 的布局規模相當值得注意。

2026 年 5 月 11 日，OpenAI 宣布成立 DeployCo，預計以超過 40 億美元的初始投資啟動，並同意收購 AI 顧問及工程公司 Tomoro，預計取得約 150 名具有經驗的 FDE 與部署專家。

同時，DeployCo 結合 19 家投資、顧問及系統整合機構，並與 McKinsey、BCG、Accenture、Capgemini 等合作夥伴共同推動企業 AI 導入。

Anthropic 則採取另一種擴張方式。

2026 年 3 月，Anthropic 宣布投入初期 1 億美元建立 Claude Partner Network，提供合作夥伴教育訓練、技術支援、認證及共同市場開發資源，協助企業將 Claude 從概念驗證推進到正式部署。

到了 2026 年 10 月 2 日，Anthropic 又宣布投入 1 億美元成立 Claude Frontier Academy，目標在 2027 年底前培養 10,000 名 Frontier Deployed Engineers。

這項計畫值得注意的地方，是參與者包含顧問公司及企業內部的工程師。他們在接受訓練後，需要回到自己的組織，實際完成 Claude 導入專案。

換句話說，Anthropic 正在嘗試把 FDE 從公司內部的專業團隊，擴展成合作夥伴與企業自己也能具備的能力。

Palantir 的規模化方式則和產品架構結合得更緊密。

Palantir 長期透過 FDE 了解客戶現場，再將反覆出現的需求轉換成 Foundry、AIP、Apollo 等平台的共通能力。隨著平台逐漸成熟，後續客戶可以利用既有的資料整合、權限治理及應用開發功能，減少每次重新開發的工作。

從這些公開布局可以看出，三家公司都在設法讓 FDE 的價值超越單一客戶專案。

OpenAI 希望擴大企業 AI 部署能力，同時推動模型及 Frontier 的採用。Anthropic 希望透過合作夥伴與人才培育，讓 Claude 的部署能力可以持續擴散。Palantir 則讓客戶現場的經驗反過來改善自己的產品平台。

這裡有個明確的商業立足點，和過往的客製化、外包不同。這些公司都擁有自己的模型或軟體平台，因此 FDE 即使需要投入大量工程資源，仍然可能透過產品採用、可重複使用的功能，以及長期客戶關係取得其他經濟價值。

3. FDE 開始成為一門需要管理定價、成本與產能的生意

研究三家公司的過程中，我還注意到兩個很有代表性的職缺。

OpenAI 正在招募 GTM Strategy & Operations, Professional Services，工作內容包含服務定價、產品包裝、營收預測、毛利率、產能利用率，以及如何決定哪些服務應該標準化、哪些需要維持客製化。

這個角色還需要將反覆出現的客戶需求與交付模式，轉換成產品策略及更容易重複交付的服務。

Anthropic 也有一個專門服務 FDE 團隊的 GTM Strategy & Operations, FDE 職缺。

它需要管理 FDE 的人力與產能、案件組合、專案定價、成本效益，以及哪些案件應該由 Anthropic 自己承接，哪些可以交由合作夥伴執行。

職缺甚至提到，目前 FDE 的需求已經超過團隊產能，因此需要建立更完整的資源配置與商業管理機制。

這兩份職缺讓我注意到，FDE 除了需要解決技術和客戶現場的問題，同樣需要處理傳統專業服務業一直存在的經營挑戰。

例如，什麼樣的案件值得承接？需求不明確時應該如何報價？專案修改超出原先範圍時，如何管理成本？哪些能力可以被重複利用？服務價格和毛利要如何取得平衡？

這些問題即使有了 AI Coding，也不會自動消失。

而且隨著軟體開發速度提高，服務商可能需要更頻繁地面對需求變更，重新評估固定價格、工時計價及長期服務合約是否仍然適合。

對我目前經營的一人公司來說，雖然沒有大型 FDE 團隊需要管理，但這些問題同樣存在。每個專案投入多少時間、哪些工作應該交由合作工程師、如何控制需求範圍，以及如何把經驗轉換成下一個專案可以使用的能力，都會直接影響服務能否長期經營。

4. 回到台灣中小企業，情況可能完全不同

整理完這些資料後，可以理解 OpenAI、Anthropic 和 Palantir 為什麼願意投入 FDE。不過，這些公司的商業條件，和我目前服務的台灣中小企業市場有相當大的差異。

以過去參與的印刷業報價流程為例，客戶希望透過系統改善業務人員的報價效率。表面上看起來，只要建立一套能夠查詢價格、計算成本並產生報價單的系統，就能減少大量人工工作。

但實際討論後，發現報價並沒有單一的計算規則。一般標準品項可以依既有的全品項報價資料處理，並參考官網價格。超出標準尺寸或數量級距時，部分情況可以使用公式估算，但如果超過工廠設備或材料限制，就不能直接外推，必須轉交採購詢價或外發報價。這些不同的情況，還需要整合到 CRM，保留詢價結果、成本、報價及後續調整紀錄。

如果只考慮程式開發，現在確實可以使用 AI Coding 很快建立報價介面、資料庫及計算功能。但系統應該採用哪些規則、超出範圍時如何處理、由誰負責確認成本，以及後續如何維護，仍然需要和客戶一起討論。

這些都是 FDE 工作方式可以高度發揮價值的地方。然而，對客戶來說，他們未必需要知道這是 FDE，也不一定願意因此提高預算。 客戶仍然會評估導入系統後能節省多少時間、降低多少錯誤、改善多少營運效率，以及市場上是否有其他更便宜的解決方案。

更重要的是，AI Coding 確實正在降低軟體開發的部分成本，客戶期待廠商將效率提升反映在價格上，也有合理的依據。

如果以前需要花三週才能完成的功能，現在一週就能完成，而且品質與交付範圍相同，服務商自然需要重新思考報價方式。

但在企業現場，系統開發還包含需求探索、流程決策、資料整合、權限管理、測試及正式上線等工作。這些成本受到 AI Coding 的影響程度可能不同，也不一定和程式開發時間等比例下降。

從這個案例能夠看到，FDE 確實有機會處理單純開發工具無法解決的問題，但這還不足以證明客戶願意為 FDE 支付更高價格。

尤其對台灣中小企業來說，導入新系統的預算通常有限，也不一定有專職 IT 團隊。標準軟體、客製開發、內部人員使用 AI Coding，甚至維持原有人工流程，都可能是客戶考慮的選項。

5. FDE 可以創造價值，但誰來為這些價值付費？

研究 OpenAI、Anthropic 和 Palantir 之後，我認為最值得注意的共同點，是它們都在設法讓深入客戶現場所累積的經驗，成為公司可以持續使用的能力。

過去幾年，我的每個客戶專案都會遇到不同的需求與限制。有些問題需要重新梳理流程，有些需要整合既有系統，有些則需要花時間讓不同部門形成共識。這些工作通常很難在專案開始前，就完全寫成明確的規格。FDE 提供了一種處理這些不確定性的方式，讓服務商可以和客戶共同探索問題、快速實作，再根據現場結果持續調整。

但大型科技公司可以透過 FDE 促進模型與平台採用，甚至把專案經驗轉換成產品能力，這些都是我需要持續反思、努力的方向。

回到最初的問題：「客戶究竟會不會因為 FDE 模式而願意付更多錢？」我會嘗試在這系列的總結文章表達我的看法。目前可以確認的是，FDE 已經被大型科技公司發展成不同形式的組織與商業模式，而且這些公司同樣需要管理服務定價、產能、成本，以及如何累積可重複使用的能力。

接下來，我會進一步分享 AI Coding 究竟降低了哪些開發成本，哪些工作仍然需要投入大量時間。

參考資料

本文主要使用三家公司的官方公告、技術文件及公開職缺。投資與組織布局以截至 2026 年 10 月 9 日可查得的資料為準。

OpenAI

1. OpenAI launches the OpenAI Deployment Company，2026/05/11。
2. Introducing Frontier Alliances，2026/02/23。
3. GTM Strategy & Operations, Professional Services，官方職缺。

Anthropic

4. Anthropic invests $100 million into the Claude Partner Network，2026/03/12。
5. Claude Frontier Academy，2026/10/02。
6. GTM Strategy & Operations, FDE，官方職缺。

Palantir

7. Architecture Center — Overview，官方技術文件。
8. Who are Palantir FDEs?，Palantir Developer Community，資深員工公開觀點。