" 大模型落地的真相正在被揭开。"硅谷 AI 投资基金合伙人 Jerry Lu 对雷峰网坦言。他的这一感慨，源于近日两则看似不相关、但在硅谷 AI 圈引发热议的新闻。

一则是华尔街天价账单：两位 AI 咨询师的日薪高达 2.5 万美元（折合人民币约 17 万元），且客户预约已排到两个月后。

另一则是科技巨头 Meta 被曝组建 "Enterprise Solutions" 新部门，计划向大客户派驻工程师，提供定制化 AI 服务。

在 Jerry 看来，两则看似不相干的新闻，其实反映的是同一件事：在进入企业时，大模型从 API 到业务逻辑之间，仍存鸿沟。

天价账单买的，正是能够消除这条鸿沟的 " 短缺溢价 "。

事实上，这几乎成了近期硅谷 AI 圈最热门的一件事。

谷歌、OpenAI、Anthropic 等巨头不仅大量设立 FDE（前线部署工程师）岗位，甚至不惜成立专门的子公司或合资公司，并大手笔收购，来快速补充 FDE 人员。

而国内 AI 云大厂们，近期也在 " 疯狂抢人 "，某大厂甚至直接从外部挖来一位副总裁级别高管，负责 FDE 相关团队工作。更多内幕详情，可添加作者微信 xf123a 了解。

天价日薪、巨头抢人、资本并购 …… 这些华尔街金融巨鳄和 AI 科技巨头们，究竟在焦虑什么？

2.5 万美金，折合人民币约 17 万元。即便在华尔街，这个数字也足以令人咋舌。

而这仅仅是两位 AI 顾问 Felipe Sinisterra 和 Dave Wang 一天的工资。

这两人都是前对冲基金交易员。去年，他们创办了一家专门教华尔街精英们如何使用 AI 的公司，目前日服务费已经飙升到 2.5 万美金，金融机构客户接踵而来。

他们在教什么？为什么这么贵？

一些参加过的基金经理们回忆，他们会教授如何利用 Gemini 分析创业者的路演视频，用 ChatGPT 和 Claude，对财报电话会进行情绪分析，找出能左右市场走势的关键言论。

" 一天 2.5 万美元，表面看是 AI 培训很贵，实则反映的是金融机构的焦虑：工具已经买了，但不会用到核心业务里。" 前 AWS 首席架构师费良宏告诉雷峰网。

" 用 AI 分析路演视频、财报电话会情绪，这些不是简单‘提问技巧’，而是把 AI，真正嵌入到投资研究、风险判断和交易决策流程里。企业现在最缺的是能把 AI 变成业务结果的人。"

" 本质上是 FOMO 情绪，很多传统企业不是长期泡在硅谷 AI 圈里，所以他们面对 AI 大模型的冲击，会有一种震惊、焦虑与迷茫混杂的情绪——他们被 AI 效果震惊到了，但却看不太懂，也不太会用。" 观测云 CEO 蒋烁淼表示。

一家总部位于深圳的商业银行的技术高管告诉雷峰网，作为技术落地的 " 顶级金主 "，金融机构往往最有钱、也最有动机去尝试新技术，因此也最舍得花大价钱请 " 外援 "。

因为 AI 技术迭代的速度太快了，快到这些公司们有点跟不上了。而这正是 AI 咨询师 Dave 和 Felipe 抓住的套利窗口。

这个窗口有多大？看看这些排着长队、焦虑不堪的华尔街巨头们就知道了。

华尔街的金融机构不缺钱、不缺数据、更不缺应用场景，唯独缺 " 用好 AI" 的能力。

这并非孤例，而是绝大多数企业在 AI 落地时遭遇的 " 系统性困境 "。

" 不能只看科技巨头。目前大多数企业对 AI 的使用仍然偏浅，还停留在会议纪要、PPT 以及写一部分代码上。" 费良宏解释道。

" 但真正难而重要的，是让 AI 进入企业内部数据、业务系统和决策流程。"

在他看来，很多 AI 项目不是败在 AI 能力上，而是败在企业自己的数据、流程和组织协同上。

" 企业在 AI 上‘用不好、用不深’，有四大核心原因：数据分散，流程没有重构，缺少既懂业务又懂 AI 的人，以及组织内部没有形成明确的责任和 ROI 机制。" 更多其他见解，欢迎添加作者微信 xf123a 探讨。

比如最核心的流程重构问题。

不同于 C 端业务的标准化，B 端企业业务往往复杂得像一团乱麻。

比如深圳一家跨境电商曾尝试用 Agent 替代人工处理大促退换货。理论上，当 Agent 监控到批量退货，能自动联动仓库，及时调整库存，帮企业规避损失。

当时他们的想法是：" 放权给 Agent 行不行？"

但跑了一套流程下来发现，现有供应链流程是给 " 人 " 设计的，Agent 用不了。

让 Agent 跑老流程意味着：AI 算出了方案，但按照传统内控流程，它得先发给客服主管，主管登录内网点击确认，再上报仓储经理扫码二次授权，最后还要靠人类员工把两边对不上的商品编码，手动复制粘贴到物流系统里。

新车跑在旧铁轨上，Agent 的优势基本无从发挥。

"AI 工具和原有的业务系统之间的融合和打通，目前还不够充分，以至于 AI 落地过程中水土不服，这也是企业和服务商们接下来要重点解决的问题。" 达观数据 CEO 陈运文补充道。

而隐藏在流程背后的还有一个更大的 " 疙瘩 "：数据碎片化问题。

以银行场景为例，一家银行的客户数据，可能分布在 CRM、邮件系统、交易系统、合规系统等四五个相互隔离的平台。

AI 要想跑通一个 " 客户风险评估 " 的自动化流程，先得打通这 4 到 5 个数据孤岛。打通一个，通常需要几周的数据清洗和接口开发。全部打通，则要按月计算。

正如陈运文所言：" 企业用不好 AI，核心是企业的数据基础设施薄弱，历史数据负债太多。很多企业的数据清理、规则梳理、数据碎片化等老问题，在 AI 时代暴露得更加充分了，限制了 AI 应用的深入。"

企业数据 " 横七竖八 "，孤岛林立，再厉害的 AI 模型进来，也难免迷路，以至于模型不认识你的业务，更进不去你的系统。

此外，面对 AI 这种日新月异的新技术，不少公司缺少既懂业务又懂 AI 的人。

" 眼下，不少企业都缺少既懂先进 AI 系统、又精通业务的‘双栖人才’。" 陈运文告诉雷峰网，AI 人才代表的是一套全新的技能组合，如模型评估、流程重塑、提示词工程、数据权限管理和幻觉控制等，但这类人才在企业原有的传统人才库里几乎是空白。

就像 20 年前企业买完 SAP 系统后，还需要顾问团队花半年时间进行实施才能投入使用，技术落地的 " 最后一公里 " 还需要工程实施来补足。

" 大模型技术只是第一步，后续长周期的应用落地，比如模型的选型、人员的培训，都是用好 AI 并让它在业务中真正沉淀下来的关键。" 蒋烁淼补充道。

而在这种 " 不会用 " 的尴尬摸索中，企业内部正面临空前的 " 价值焦虑 "。

此前，Uber COO Andrew Macdonald 在科技会议上直言，AI 支出的管控 " 越来越难合理化 "，因为看不见投入与生产力之间的直接关系。Uber 的算力与 Token 消耗指数级增长，在短短四个月内就烧光了整个年度的 AI 预算，但用户感知到的功能改进却微乎其微。

这种 " 高投入、低产出 " 的骨感现实，正在全行业引发巨大的争议。大模型泡沫论的旗手 Gary Marcus 随即发文警告：" 如果足够多的公司都出现同类情况，泡沫就会破裂。"

一面是极度渴望用 AI 降本增效，另一面是旧系统的重重围剿与高昂的 Token 账单，这种残酷的倒逼机制，最终把压力给到了大模型厂商这一端。

客户的 AI 焦虑，大模型公司们知道吗？

答案是肯定的。否则它们也不会疯狂招聘 FDE（Forward Deployed Engineer，前线部署工程师）。

最近，一场围绕 FDE 的争夺战在硅谷打得火热。

谷歌为了加大 FDE 的招聘，将面试流程压缩到短短两天；OpenAI 宣布成立估值高达 140 亿美元的 "OpenAI Deployment Company"，专门下沉做企业级 AI 落地，并闪电收购了拥有 150 名 FDE 的英国公司 Tomoro。

同时，Anthropic 联手黑石、高盛组建独立 AI 服务公司，把 Claude 接入 " 各行各业中型企业 " 的关键业务流；Meta 组建 Enterprise Solutions 部门，派驻工程师帮客户清洗数据并直接将 AI 工具嵌入其工作流。

巨头们终于不得不承认一个现实：光靠卖 API 躺赚的美梦结束了。

"FDE 岗位的火爆，正是因为科技巨头们发现：仅仅卖 API 和 AI 模型还不够，客户需要有人帮他们把 AI 真正跑起来。" 前 AWS 首席架构师费良宏解释道。

在他看来，Meta 组建 Enterprise Solutions 部门，向大客户派驻工程师，本质上就是把 AI 公司从 " 产品供应商 " 变成 " 落地服务商 "。关于国内 FDE 岗位最新情况，可添加作者微信 xf123a 交流。

FDE 的价值，不只是写代码，而是深入客户现场，理解业务流程，打通数据系统，快速做出可用方案，并把 PoC 推到生产环境。

"企业 AI 落地的核心矛盾已经变了。过去大家比的是谁的 AI 模型更强；接下来比的是谁能更快把模型变成客户的效率、收入和利润。真正稀缺的不是 AI 工具，而是 " 业务理解 + 工程实现 + 组织推动 " 三种能力合一的那种人。" 他强调道。

达观数据 CEO 陈运文同样认为，FDE 爆火意味着 AI 竞赛正式进入下半场——从卷模型转向了拼落地。

"FDE 的核心价值就是充当技术与业务之间的‘翻译官’，他们既懂 AI 能力又懂业务场景，能把产品进化驱动的闭环真正跑通。这实际上是思维方式的转变，从技术思维走向业务价值思维，也是 AI 走向落地的关键一步。"

回到最初的问题：2.5 万美金日薪是泡沫信号，还是产业必经的阵痛？

结论很明确：这不是泡沫，而是供给瓶颈的价格信号。

真正的泡沫是什么样的？是虚假需求。

比如 1999-2000 年互联网泡沫期间，.com 公司烧钱的逻辑是 " 大家都在烧 "。但今天的市场不同，企业对于利用 AI 优化流程、提升生产力的需求是真刀真枪的。

当下的尴尬在于：大模型技术能力到位了，但产品落地的最后一公里还没到位。

大模型在基准测试上碾压人类。但它的能力被封装在 API 里，想要变成企业系统里能丝滑运转的齿轮，中间需要填平无数由旧数据、旧流程组成的深沟。

而填这条沟的人，如 Dave Wang、Felipe Sinisterra，以及越来越多的 FDE 团队，就是当下全球科技市场定价最高、最被渴求的一批人才。

这拨人很贵，这条落地之路很痛苦，但很难绕得开。