当最聪明的 AI 公司开始大规模雇人：一个被忽略的协作真相
最近有一条新闻很火
OpenAI成立了一家子公司DeployCo，首期投资40亿美元。Anthropic也拉着黑石、高盛做了类似的事。两家最顶尖的AI公司，砸了几十亿美金，不是去买几万张算力卡，也不是去搞什么GPT-5的秘密研发。
他们拿这钱去雇人了！ 慢点，不是说好了AI时代各个科技公司都在裁人嘛？？为什么还要招人？
这帮人干嘛呢？
这帮人就是肉身跑到客户的办公室里，拉把椅子坐在员工旁边，负责手把手地帮企业把AI接入到具体业务里。他们有个专门的头衔，叫前沿部署工程师（FDE，Forward Deployed Engineer）。
这事儿看起来有点违和。你想，OpenAI和Anthropic可是天天喊着要实现通用人工智能（AGI）、用机器替代大量人类工作的公司。
结果现在，他们花几十亿美元买的是真人，干的还是最原始的上门服务。
为什么？是GPT不够聪明吗？是API文档写得不够清楚吗？那为什么非得派大活人驻场服务？
咱们得从一个更底层的逻辑说起：到底什么是工作？或者说，现代社会这些复杂的脑力协作，本质上都在干什么？
01复杂工作的本质，是一场没有标准答案的拼图
依我浅见，所有涉及多人协作的复杂任务，本质上都是在玩拼图。
做个项目，就像完成一幅拼图。但这幅拼图的碎片，散落在不同人的脑子里。
客户隐约知道自己想要什么，但他往往表达不出来；干活的员工技术很强，但他死活猜不透客户的真实心思；老板有个宏大的愿景，但这个愿景一到基层就变味了。工作，其实就是把这帮人脑子里的碎片拼到一起。
最有意思的是，这幅拼图根本没有标准答案。最后拼出来什么样，完全取决于这些信息和判断在人群中是怎么碰撞、怎么妥协的，最终大家达成一个相对最优解。
所以你看，一个团队能不能成事，根本上只取决于一个指标：这些碎片信息，能不能在系统里高效地流动。
02传统协作的悲剧：信息熵增
那以前我们是怎么工作的呢？你可以把它叫作串行传递，俗称传话筒。
甲方提了个需求，乙方客户经理拿小本本记下，回去给策划转述。策划写个文档扔给文案，文案写完扔给设计。最后项目经理把成品拿给甲方。甲方一看，直摇头：“这不是我要的感觉。”。
物理学里有个概念叫“熵增”。信息论里也是一样，信息每经过一次传递，必然伴随一次衰减和扭曲。客户经理漏掉了甲方的潜台词，策划夹带了自己的私货，设计师又按照自己的审美魔改了一番。传了五手之后，剩下的信息能有原来的一半就算不错了。
服务行业天天抱怨客户难伺候，其实真不是员工能力不行，也不是客户刻薄，纯粹是因为信息在管道里变了形。
更要命的是，这种模式反馈周期很长。一个礼拜过去了，你拿出来的东西人家根本不买账，更严重的是，由于反复无效工作，还很容易给团队各个部门间造成隔阂和不信任。这就是现代职场最深刻的系统性痛点：信息没充分流动对齐，而是被困在了一条漫长且漏风的管道里。
03AI带来的信息对齐效率：实时共振
现在谈AI，大部分人还在盯着单点效率看——觉得AI写文章快、画图快、搜资料快。没错，个人用AI确实提效明显。但问题是，复杂工作从来不是一个人的事。
一个项目就是一场拼图，碎片散落在五六个人甚至十几个人的脑子里。每个人都只看得见自己手上那几块碎片。文案只盯着文字，设计只盯着画面，客户经理只盯着客户说了什么。如果没有人把全局的目标 and 方向拉齐，每个人单点再快，拼出来的也是一张错位的图。
AI在个人层面的提效是表层红利。真正的深层红利，是AI能帮一个团队在同一时空里实现信息同频。
你想象这么一个局：项目团队、客户，加上一个AI，三方坐在一起。客户抛出一个模糊的想法，我们跟客户不断对齐需求，AI当场就甩出一份草稿。这草稿可能只有60分，但没关系，它等于在桌面上立起了一个靶子——所有人终于有了一个共同可见的东西来对焦。
基于这个靶子，项目团队和客户在AI窗口下多轮对话和沟通，每一轮AI都可以帮助双方往目标方向跟进一步，哪怕有各种异议，在场的每个人，对目标、对方向、对我们到底要什么这件事，也会更容易、更快的达成共识。
这就是从传话筒到同频共振的本质区别。传话筒模式下，每个人各干各的，信息在管道里逐级衰减；共振模式下，所有人围在同一张桌子前，AI把每个人脑子里模糊的碎片实时具象化，大家一起看、一起调、一起定。不需要写连篇累牍的Brief，不需要连蒙带猜。
这不仅仅是效率提升，而是协作模式的代际升级。
04杠杆效应：为什么要在“源头”治水
说到对齐，这就引出了一个非常关键的工程学问题：对齐这件事，什么阶段做最划算？
搞软件工程的人都知道一个经典数据：IBM在1970年代做过统计，如果一个bug在需求阶段被发现，修复成本是1美元；到了编码阶段是10美元；等产品上线了再改，那就是100美元。这就是所谓的"缺陷成本放大定律"。
治水要在上游建水库，不能等洪水泛滥了才去下游堵沙袋。这就是杠杆效应——越靠近源头，杠杆率越高。
信息对齐也是一样。如果你在项目最源头、客户刚开口的那个瞬间，就用协同AI把解决方案的方向明确下来，那后续所有的工作都是在积累资产。相反，如果方向没对齐，你在后端拼命用AI加速写文案、作图，那无非是能以五倍的速度制造需要被推翻的废品罢了。
这就是为什么，同样是用AI，部署在前端和部署在后端，效果完全不在一个量级。前端对齐解决的是方向问题，后端加速解决的是速度问题。方向错了，速度越快死得越惨。
05填平鸿沟：AI时代最稀缺的桥梁
带着这个视角，咱们再回头看OpenAI花大价钱雇人驻场这件事，就豁然开朗了。
世界上最聪明的模型，和企业最真实的业务痛点之间，存在一道巨大的信息鸿沟。
前沿部署工程师干的就是架桥的活。
这个角色其实不是OpenAI发明的。最早把FDE做成体系的，是硅谷那家神秘的数据公司Palantir。
Palantir的软件极其复杂，但他们从不指望客户自己学会用——他们直接把人派过去，在现场把软件和业务流程结合在一起。
OpenAI现在做的，本质上是把Palantir那套打法，搬到了AI时代。这帮工程师带着对AI的深刻理解，深入到业务场景的最前线，去寻找那些散落的拼图碎片。因为如果坐在办公室里等客户发需求文档，收到的很可能是被扭曲的二手信息或伪需求。
把具备AI工作流搭建能力的工程师派到到需求产生的环境中去，反而是效率最高的工作方式。
06重塑系统：那些被淘汰和被奖励的
既然工作底层的逻辑变了，现有的职场生态必然被重塑。
过去很多岗位，比如纯传话的客户经理、光催进度的项目经理，这些岗位的价值就存疑了，未来最吃香的，是那种能直接面对客户，与客户和AI协作，当场把模糊需求具像化的人。
随之而来的，是公司组织架构的重构。过去那种各部门一字排开的流水线会变成阻力。未来的公司也许更像是特种部队：一小拨人在前线拿着AI跟客户定方向，后方大部队负责把前线的战果沉淀为标准资产。
当甲乙方对AI使用率的水平趋同，甲乙方的关系也会变。不再是我提需求你干活的买卖关系，而是大家坐在同一个AI工作台前，一起推演方案的共创关系。
结语：让信息流动起来
回到最初的问题。OpenAI 和 Anthropic 花几十亿美元买的到底是什么？
不是劳动力，不是写代码的手速，而是让信息流动起来的能力。
模型已经够聪明了。真正稀缺的，是一座桥——一座能把模糊的人类意图，和精确的机器智能连接起来的桥。FDE 是用人肉去架这座桥，而我们这些做产品的人在想的是：能不能把这座桥，做成基础设施。
让个人的知识不再锁在某个人脑子里；
让团队的经验不再随人员流动而消散；
让项目的上下文不再靠传话筒层层转述。
从个人到团队，从团队到公司，从公司到甲乙方之间——信息流动的边界，一层层被打开。
这是我们做疯火轮-营销人的AI工作台 时给自己定的题。
拼图刚摊开的那一刻，所有人就该围坐在一起。因为第一块碎片放对了，后面每一块都会更容易找到自己的位置。
转载请在文章开头和结尾显眼处标注：作者、出处和链接。不按规范转载侵权必究。
未经授权严禁转载，授权事宜请联系作者本人，侵权必究。
本文禁止转载，侵权必究。
授权事宜请至数英微信公众号(ID: digitaling) 后台授权，侵权必究。
评论
评论
推荐评论
暂无评论哦，快来评论一下吧！
全部评论（0条）