FDE岗位走热、Agent钱包上线后，企业AI落地开始补工程和安全账-速维云

FDE突然成为AI公司和企业客户之间最抢手的岗位，不是因为又出现了一个新潮头衔，而是因为大模型真正进入业务系统后，最难的部分已经从“模型能不能回答”变成“谁把它接进流程、看住权限、兜住风险”。驻场工程师拿到高薪、Cloudflare给Agent做可控钱包、Glow拿到大额融资做端点安全、ActiveVision又指出模型主动视觉能力仍然薄弱，这几条消息放在一起看，企业AI落地正在进入更朴素也更硬的阶段。

过去很多AI项目停在演示层：接一个聊天框，做几段漂亮流程，展示几次自动总结或自动写代码。但一旦进入真实企业，问题会迅速变具体：数据在哪里、谁能调用、出错谁负责、AI能不能花钱、终端设备是否安全、任务失败后如何回滚。模型能力仍然重要，但决定成败的，正在变成工程交付、权限边界、安全监控和持续评估。

FDE岗位走热

前沿部署工程师走红，说明AI厂商已经意识到，单纯把API卖给客户远远不够。企业客户往往说不清自己的痛点，也很难直接把模型能力映射到现有系统里。FDE的价值就在这里：他们需要走进客户现场，理解业务流程、数据结构、审批链路和旧系统限制，再把大模型包装成真正能被员工使用的工具。

这类岗位之所以能拿到高薪，本质上是在替企业补齐“最后一公里”的工程缺口。模型公司擅长训练和服务化，企业内部懂业务但未必懂模型，两边之间需要有人把需求翻译成可执行方案。邮件、工单、CRM、ERP、知识库、权限系统和内部审计并不会因为接入AI自动变干净，FDE必须处理这些现实杂音。

但FDE也不是万能答案。客户痛点模糊、系统切换成本高、降本空间有限，都会让项目交付变重。个人FDE接单月入很高，可能只是早期供需错配的结果；当企业逐渐内部孵化类似岗位，AI落地会从“外部高手救火”转向“组织能力建设”。这意味着企业不能只买模型，还要培养懂业务、懂数据、懂权限、懂流程的复合型团队。

Agent开始花钱

Cloudflare推出面向AI智能体的可编程钱包，是另一个关键变化。过去Agent最常被安排做检索、写文档、生成代码和调用工具，真正涉及支付、身份和商业交易时，通常仍然需要人类确认。钱包机制的出现，等于让AI在可控预算内拥有有限消费能力，可以自主完成一些商业动作。

这件事的核心不是“AI终于能花钱了”这么简单，而是企业开始给Agent设计经济边界。钱包用户名、预算上限、损失限制、身份认证和交易记录，都是为了让自动化执行变得可审计、可追责。没有这些约束，企业很难放心让AI采购资源、订阅服务、调用付费API，或者代表员工完成跨平台任务。

企业AI Agent进入业务系统后，工程交付、权限控制和安全监控会同时成为落地门槛。

对企业来说，Agent支付能力会带来两面性。一方面，它能压缩采购、订阅、查询和执行链路，让自动化不再卡在人类点击确认上；另一方面，它也会把风险从“内容生成错误”升级到“真实资产损失”。因此，钱包不是独立产品，而应该和权限系统、日志系统、风控规则、审批流程一起设计。

安全边界变厚

Glow完成1.8亿美元A轮融资，并把估值推到12亿美元，说明市场已经在给AI安全基础设施重新定价。企业终端上运行的软件、浏览器插件、自动化脚本和AI Agent越来越多，传统端点安全不能只盯病毒和恶意程序，还要判断哪些Agent在访问敏感数据，哪些自动化动作可能越权。

AI生成的网络攻击、钓鱼脚本、恶意代码和自动化扫描，会让端点安全的压力明显上升。过去攻击者需要人工编写和调整攻击链，现在模型可以帮助他们快速生成变体。防守方也需要AI能力，但更重要的是把AI纳入被监控对象：它能读什么文件、调用什么接口、连接哪些服务、是否尝试绕过限制。

这也是FDE和安全团队必须协作的原因。很多AI落地项目一开始只看效率，比如自动整理客户资料、自动生成销售邮件、自动分析合同条款；等到规模扩大后才发现，权限、日志、数据脱敏和终端风险都需要重新补课。真正成熟的企业AI部署，不是把安全审核放在上线前最后一步，而是在流程设计时就把边界写进去。

能力短板暴露

ActiveVision基准给行业泼了一盆冷水：大模型会看图，但主动视觉推理仍然很弱。GPT-5.5准确率只有10.6%，人类平均达到96.1%，Fable 5更低。即便接入工具型Agent，最高成绩也只是50.6%。这说明多模态模型并不等于已经具备稳定观察、验证和纠错能力。

企业落地时，这个短板很关键。AI如果只是识别一张截图，问题相对简单；如果要持续观察设备状态、阅读复杂界面、核对票据变化、检查视觉异常，模型必须知道什么时候需要再次观察，什么时候结论不可靠，什么时候应该请求人类复核。否则，AI很容易在一次错误感知后继续推进任务，把小错放大成流程事故。

主动视觉问题也提醒企业，不要把“模型支持图片输入”误解成“可以接管视觉工作流”。客服质检、财务票据、工业巡检、医疗影像、仓储管理和远程运维，都需要持续验证机制。模型能看见只是起点，能不能主动补证据、发现矛盾、停止执行，才是生产级能力。

评估和架构重排

Xspark AI联合多所高校提出Physical AI可信分级体系，把物理智能评估从演示效果拉回安全导向。这个思路同样适用于企业Agent：不能只看一次任务成功率，还要看它在不同风险等级下如何行动，是否知道权限边界，是否能解释依据，是否保留可审计记录。

前OpenAI和Google核心负责人创办Core Automation，提出下一代架构需要让AI在部署后持续适应真实世界，也反映了行业对现有路线的不满。当前很多模型在训练时很强，上线后却难以真正积累经验；强化学习和Transformer并不能自动解决企业环境的动态变化。客户流程、系统接口、合规规则和人员组织都在变化，AI如果不能持续学习和被安全地更新，就会很快变成维护负担。

这并不意味着企业应该等待下一代架构成熟后再动手。更现实的做法，是把AI项目拆成可验证的小闭环：明确输入来源、输出用途、权限范围、失败回滚和人工复核点，再逐步扩大自动化范围。FDE、Agent钱包、端点安全、主动视觉评测和可信分级共同说明，企业AI的竞争不只属于模型厂商，也属于那些能把模型放进真实组织并持续运行的人。