技術分享
FDE 是什麼？Forward Deployed Engineer 和 FDT、AI 顧問、外包怎麼選（2026）
FDE（Forward Deployed Engineer）是派工程師進到客戶的流程裡，邊了解業務邊開發的做法，近年被 AI 公司用來協助企業把模型接進實際工作。FDT（Forward Deployed Team）則是把這個做法擴大成一整個團隊，由 PM、設計、前後端與 AI 工程師從找題目做到上線。本文比較 FDE、FDT、AI 顧問與一般外包的差異，說明什麼情況適合哪一種，以及分階段合作與驗收的方式。
重點摘要
- FDE 是派工程師進到客戶的流程裡邊了解邊開發，交付的是能用的功能，不是建議書。
- FDT 把 FDE 擴大成一整個團隊，PM、設計、前後端與 AI 工程師都在裡面，從找題目做到上線與維運。
- AI 顧問適合還在評估方向的階段，一般外包適合規格已經清楚的系統，AI 題目常常要做了才知道怎麼改。
- 分階段合作比較穩：先用 PoC 或 MVP 依事先定好的門檻驗收，通過了再投入正式上線的預算。
- 依 JoinX 的台灣客製專案行情，PoC 約 NT$30 萬至 80 萬，MVP 約 NT$50 萬至 120 萬，正式上線約 NT$80 萬至 250 萬。
本文目錄
FDE（Forward Deployed Engineer）是派工程師進到客戶的流程裡，邊了解業務邊開發的做法；FDT（Forward Deployed Team）則是派一整個團隊。 兩者交付的都是能用的功能，而不是建議書。企業 AI 導入卡住的地方，常常是題目找不準、做出來沒人用，這正是「進場」做法要解決的問題。
FDE（Forward Deployed Engineer）是什麼？
FDE 是派到客戶端的工程師，直接看客戶的資料與流程，在現場把軟體調整成客戶能用的樣子。這個職稱最早由美國資料分析公司 Palantir 帶起，近年 OpenAI 等 AI 公司也設立 FDE，協助企業把模型接進實際工作。
和一般工程師不同，FDE 的工作從理解業務開始：先弄清楚第一線人員怎麼做事、資料在哪裡，再決定要開發什麼。FDE 通常同時負責和客戶溝通、寫程式與部署，所以很重視工程師對業務的判斷力。
為什麼企業 AI 導入需要「進場」的做法？
因為 AI 題目通常要用真實資料試過，才知道做不做得到、值不值得做。只靠會議與文件定規格，常常做完才發現資料拿不到、準確率不夠，或第一線人員根本不會用。
一般軟體可以先把規格寫清楚再開發，AI 專案比較難。模型的表現取決於資料品質，流程裡哪一步交給 AI、哪一步要由人確認，也要實際試過才知道。進場的做法讓開發的人直接看到資料與工作現場，能更早發現問題、調整方向。NIST 的 AI 風險管理框架也把「了解使用情境」與「人為監督」列為治理重點，這兩件事都要靠貼近現場才做得好。
FDE、FDT、AI 顧問、一般外包差在哪？
差別在誰進場、交付什麼，以及做完之後誰負責。AI 顧問交付建議與規劃，FDE 交付功能，FDT 交付從原型到上線的整套系統，一般外包則依照規格開發。
| 做法 | 誰進場 | 交付什麼 | 適合 | 要注意 |
|---|---|---|---|---|
| AI 顧問 | 顧問 | 評估報告、導入規劃、培訓課程 | 還在評估方向、要先有整體規劃 | 實作要另外找團隊，建議和實作容易斷在中間 |
| FDE | 一位或少數幾位工程師 | 在現場邊了解邊開發的功能 | 已有產品或平台，要客製接進客戶流程 | 設計、專案管理與上線後維運多半要企業自己補 |
| FDT | PM、設計、前後端與 AI 工程師 | PoC 或 MVP，接著正式上線與維運 | 題目還要一起找，做出來還要長期用 | 要有內部窗口一起參與，題目才找得準 |
| 一般外包 | 依規格開發的團隊 | 照規格做完的系統 | 規格已經清楚、需求不太會變 | AI 題目常常做了才知道要改，規格很難一次寫對 |
這四種做法沒有絕對的好壞。如果企業內部已經有 PM 與設計，只缺能寫 AI 的工程師，FDE 就夠了；如果連題目都還要一起找，做出來也要有人長期維護，FDT 會比較完整。AI 顧問的角色可以參考AI 顧問是什麼。
什麼情況適合找 FDT？
當企業還沒想清楚 AI 要用在哪裡、內部也沒有完整的開發團隊，而做出來的系統要接進既有流程並長期使用時，就適合 FDT。只要其中一項不成立，其他做法可能更省。
以下幾個訊號，代表 FDT 比較適合：
- 題目還沒定。 知道某個流程很花人力，但不確定 AI 能幫上哪一段。
- 內部沒有開發團隊。 沒有 PM、設計或工程師可以接手顧問的建議。
- 要接既有系統。 AI 要讀 ERP、CRM、訂單或文件資料，不是獨立的工具。
- 上線後要長期用。 系統會隨業務調整，需要有人持續維運。
- 希望先看到成果再投入。 想先用小範圍驗證，確定有用再擴大預算。
FDT 怎麼分階段合作與驗收？
建議分成陪跑與執行兩個階段收費。陪跑階段做出 PoC 或 MVP，依事先定好的門檻驗收；通過了，再由同一組人進入執行階段，把原型做成正式上線的系統。
依 JoinX 整理的台灣客製專案行情，各階段的費用與時程如下：
| 階段 | 預估費用 | 常見內容 | 參考時程 |
|---|---|---|---|
| 陪跑階段：PoC | NT$30 萬～80 萬 | 一個場景、有限資料、人工監督下測試 | 4～8 週 |
| 陪跑階段：MVP | NT$50 萬～120 萬 | 做出可以給真實使用者操作的最小版本 | 6～12 週 |
| 執行階段：正式上線 | NT$80 萬～250 萬 | 權限、系統串接、監控、測試與部署 | 2～4 個月 |
| 跨部門、多系統 | NT$250 萬以上 | 多個場景或 AI Agent、完整治理 | 4 個月以上 |
AI 模型 API 與雲端費用依用量另計，上線後的維運另訂合約。內部培訓建議包含在各階段的服務裡，讓同仁在陪跑階段就開始使用，而不是上線後才另外上課。
以 JoinX 做過的專案為例：
- 壽險公司的 AI 教練系統 Demo： 約三週做出可以實際操作的展示版本，讓內部用成果評估要不要往下做。這就是陪跑階段的典型做法。
- 聯經數位的有聲書平台： 開發前先定好驗收門檻，角色辨識成功率 90%、文本拆解成功率 75% 以上，再把整條製作流程自動化，平台後來獲得 iF 設計獎。完整做法見聯經數位案例。
- 國家原子能科技研究院的渦電流訊號判讀： 先單頻道、後多頻道分階段開發，AI 辨識與自動化控制拆成兩套，從 2022 年合作到 2025 年。完整做法見國家原子能科技研究院案例。
更多案例與費用區間，可以參考企業 AI 導入案例；JoinX 的分階段合作方式，見AI 導入陪跑團隊。
選 FDE 或 FDT 夥伴時，要問哪些問題？
要問清楚進場的是誰、怎麼驗收，以及做完之後誰負責。這三件事決定建議和實作會不會斷在中間，也決定系統上線後有沒有人能接著改。
- 進場的是哪些角色？ 只有工程師，還是包含 PM、設計與 AI 工程師？
- 陪跑階段怎麼驗收？ 門檻是準確率、處理時間，還是使用者能完成某個任務？達不到門檻時怎麼處理？
- 做過哪些已經上線的 AI 專案？ 只有 Demo，還是有正式在用、有人維運的系統？
- 培訓怎麼安排？ 是含在服務裡，還是另外開課收費？
- 上線後誰維運？ 同一個團隊，還是要另外找人接手？別家做的系統能不能接？
- 資料怎麼保護？ 使用的 AI 服務會不會拿資料去訓練？機敏資料怎麼分級？
常見問題
FDE 和一般的駐點工程師有什麼不同？
駐點工程師多半依照客戶的指示做事，FDE 則要自己判斷該開發什麼。FDE 會先了解業務與資料，再決定功能與做法，所以很重視對業務的理解，不只是寫程式的能力。
中小企業也適合找 FDE 或 FDT 嗎？
適合，但建議從一個場景開始。先挑一個資料拿得到、結果能由人複核的流程做 PoC，驗收通過再擴大，預算比較好控制。
FDT 和 AI 顧問可以一起用嗎？
可以，但常常不需要。FDT 的陪跑階段本身就包含找題目與評估；如果企業已經請顧問做完規劃，FDT 可以直接依規劃做 PoC，省下重複評估的時間。
陪跑階段做出來的 PoC，可以直接上線嗎？
通常不行。PoC 是在有限資料與人工監督下驗證可行性，正式上線還要補齊權限、系統串接、監控與測試。由同一組人接著做，可以沿用 PoC 的成果，不用重新交接。
AI 導入一定要派人到公司現場嗎？
不一定。重點是開發的人要直接接觸資料與第一線人員，訪談與測試可以到現場，日常開發也可以遠端進行。關鍵在於能不能快速拿到回饋，而不是人一直待在現場。
參考資料
- Forward Deployed Software Engineer 職務說明Palantir Technologies
- Forward Deployed Engineer 職務說明OpenAI
- AI Risk Management Framework（AI RMF 1.0）美國國家標準與技術研究院（NIST）
以上為本文撰寫時引用的法規與資料；法規可能修訂，實際適用請以主管機關最新公告為準。
關於作者
李秉哲 Jack Lee
JoinX 哲煜科技 創辦人暨執行長
2016 年創立 JoinX 哲煜科技，帶領 80+ 人、橫跨台灣與日本的團隊，累計為 220+ 家客戶完成 520+ 個專案，其中包含 56 套中大型系統。
認識 Jack
