企业AI的核心矛盾正在发生位移。模型能力持续提升，但制约AI商业化落地的瓶颈，已经从"能不能用"转向"能不能把AI稳定嵌入核心业务流程、持续交付可验证的结果"。在此背景下，FDE（前线部署工程师）与Agent运行时系统Harness的协同模式，正成为推动企业AI规模化部署的关键路径。

国泰海通证券计算机行业分析师杨林在8月13日的研报中指出：FDE负责深入业务场景并沉淀行业经验，Harness负责保障智能体稳定执行与能力复用，两者协同有望推动企业AI实现更高效、更可复制的规模化部署。

这一判断背后，价值链的迁移方向已经清晰——从"谁的模型更强"，转向"谁更懂业务、谁能交付生产系统、谁能把一次项目经验复用到下一次"。对市场而言，这意味着单纯拥有模型或API访问能力的公司，估值逻辑面临重估。

投资线索也随之调整。真正值得跟踪的是两类公司：能深入行业现场、将AI做进客户核心流程的交付方，以及拥有Agent Runtime、AIOS、Ontology等底座、能把交付经验转化为可复用软件资产的平台方。

AI应用渗透率高，并不等同于AI商业化成熟。

McKinsey《The State of AI 2025》的数据呈现出一个明显剪刀差：接近九成受访企业已在至少一个业务职能中常态化使用AI，62%的企业开始试验AI Agent，但真正进入全企业规模化阶段的仅约三分之一。即便在收入超过50亿美元的大型企业中，完成规模化部署的比例也不到一半。

商业价值的兑现同样有限。虽然许多企业已在局部场景中看到成本节约或收入提升，但只有39%的受访者表示AI已对整体EBIT产生影响，且多数企业AI贡献的EBIT占比仍低于5%。

问题的根源在于流程重构不足。McKinsey分析的25项影响生成式AI价值兑现的因素中，重新设计业务工作流与EBIT改善的相关性较高，但目前只有21%的生成式AI使用企业对至少部分工作流做了根本性重构。高绩效企业的共同特征是：不只是加载一个AI工具，而是围绕AI重写流程、数据、权限、人机分工和KPI。

Agent进入生产环境后，风险被进一步放大。调查显示，51%的AI使用企业至少经历过一种负面后果，接近三分之一遭遇过AI输出不准确带来的问题。Copilot类辅助工具尚可依赖人工兜底，但Agent需要调用工具、操作系统、跨步骤执行任务，错误累积、状态漂移、权限误用都会演变为生产风险。

FDE不是传统售前，也不同于一般实施角色。传统售前解决"客户为何购买"，实施团队解决"产品如何部署"，咨询公司解决"客户应当怎么做"。FDE需要同时回答三个问题：哪些业务问题值得用AI解决，如何将AI真正做出来，上线后业务指标是否改善。

这类角色长期站在客户业务现场与产品研发之间，承担场景识别、原型验证、系统集成、生产部署和效果评估。其产出具有双重属性：对客户是业务结果，对厂商是可复用资产。

区分FDE模式与外包模式的关键，在于经验的沉淀方式。项目结束后只留下客户定制系统，本质仍接近外包；带回经验但无法复用，仍是项目制。FDE模式成立的前提，是把现场经验转化为Skill、连接器、行业模板、测试集、工作流、Ontology或平台能力，使同类客户的交付成本持续下降。衡量FDE规模化的真实指标，是同类客户上线更快、FDE人天更少、可复用资产占比更高，最终客户收入增速超过交付人员规模增速。

AI Coding和Agent工具正在重塑深度定制的经济性。代码、接口、测试用例、文档等重复性工作可以被部分自动化，FDE得以将更多精力投入需求澄清、架构判断和行业知识抽象。这正是OpenAI、AWS等头部厂商加速扩建FDE组织的内在逻辑。据报道，OpenAI成立Deployment Company并计划收购企业AI咨询与工程公司Tomoro，后者带来约150名经验丰富的FDE和Deployment Specialists，同时联合19家投资机构、咨询公司和系统集成商投入超过40亿美元扩大企业AI部署能力；AWS则投入10亿美元成立Forward Deployed Engineering组织，目标是将Agent部署周期从以月计压缩至以天计。

Harness是包裹在基础模型外的Agent运行时系统。模型负责理解与推理，Harness负责上下文管理、记忆管理、工具调用、状态维护、权限控制、结果验证、异常恢复和长程任务管理。它决定模型能看到什么、可调用什么、何时行动，以及出错后如何恢复。

任务复杂度的提升，会成倍放大Harness的重要性。简单Chatbot只需输入、生成、输出；生产级Agent需要规划、检索、调用工具、接收环境反馈、再次决策，有时连续运行数小时。任务链条越长，单点错误越容易演变为系统性风险。

Anthropic的实验数据直观呈现了Harness的代价与价值：同样使用Opus 4.5开发应用，单Agent运行约20分钟、成本约9美元；包含Planner、Generator和Evaluator的完整Harness运行约6小时、成本约200美元，成本超过20倍，但应用完整度、可用性和核心功能正确性显著提升。这将竞争指标从单Token价格，引向"Cost per Successful Task"——即每次成功完成任务的综合成本。

Microsoft已将Harness产品化，将Function Invocation、History Persistence、Context Compaction、Tool Approval、Telemetry等能力集成进统一运行时，开发者完成模型、指令和工具的配置即可获得相对完整的Agent Runtime。值得注意的是，Harness的竞争重点不会停留在组件数量。随着模型能力持续演进，Harness中的部分任务拆解和Context处理可逐步交还给模型本身，但Planner、Evaluator在超出模型可靠边界的任务上仍具不可替代的价值。Anthropic的观点是，Harness应随模型能力变化持续重测、删减、调整，而不是固定流程。

FDE与Harness分别解决不同层面的问题，但只有二者协同，才能形成可持续的商业化闭环。

逻辑链条如下：FDE进入客户现场，获取真实业务知识——流程结构、权限设置、必须人工介入的异常类型、需要可解释的结果、可证明ROI的指标。Harness将这些知识编码为Agent可执行能力：Skill、Tool、Workflow、Ontology、权限规则、运行约束和评测集。

上线后，生产环境持续产生真实反馈——工具调用失败、状态丢失、流程异常、边界案例、人工接管记录。FDE判断失败根源并将新经验再次沉淀回Harness和平台。这构成一个飞轮：现场知识进入系统，系统运行产生反馈，反馈被抽象为可复用资产。随着同类客户积累，新项目从重新开发转向配置加少量定制，最终比拼的不是谁派出更多工程师，而是谁能更快将人的现场经验转化为机器能力。

海外厂商已将这条路径跑出不同形态。Palantir以Ontology为核心，FDE将业务对象、数据结构和决策约束映射至包含Data、Logic、Action和Security的企业运营层，AIP提供端到端可观测能力。Microsoft则将FDE与行业伙伴深度绑定，与EY联合投入超过10亿美元部署Agentic AI，涵盖Finance、Tax、Risk、HR、Supply Chain等核心职能，EY作为Client Zero在自身组织内率先验证技术，Copilot早期覆盖15万名员工并带来约15%的生产率提升。AWS形成两层Harness架构：AgentCore Harness解决单个Agent稳定运行，Delivery Harness沉淀Domain Ontology、Evaluation Framework和Context Graph，使合作伙伴能够独立复制交付。

国内厂商在FDE与Harness方向上已形成差异化布局，核心分野在于行业现场积累的深度和治理底座的完整性。

腾讯云ADP从RAG、Workflow演进至自然语言构建，并引入云端Agent Harness，支持7×24小时中心化运行、云端Sandbox和长时任务执行。其CodeBuddy/WorkBuddy客户成功团队覆盖管理层认知、业务流程梳理和效果评测全链条，部分头部客户已在工具采购之外单独为FDE陪跑服务付费。阿里云已正式以"前沿部署工程师FDE"招聘，百炼支持Agent和Workflow两类开发模式，悟空定位企业级AI原生工作平台，推动Agent进入跨系统复杂任务。

金蝶国际将Harness内生于ERP底座，灵基AIOS在OS内核中集成Harness体系，向上提供多Agent编排、Skill Hub、MCP网关和AI效果评估，核心是把企业业务Context、权限、Workflow和治理能力沉淀下来。赛意信息将FDE部署于工业现场，通过SDD规范开发平台和统一DevOps底座沉淀交付能力，交付周期最高压缩36%，人力投入平均降低16%以上。

软通动力提出"AI Factory+FDE"模式，将AI咨询、数据智能、Agent开发和大模型部署调优串联。科大讯飞在国家能源集团智能招采项目中，将专家经验转化为12类标准化知识库，采购项目智能评审系统累计稳定运行超过21万个项目，智能评审准确率达97%。易鑫集团将Harness用于金融Agent治理，截至2026年5月底AI平台累计调用超过1.25亿次，智能体自主交付业务占比达到65%。