我家附近有一家招牌打印店。订单从电话、邮件、路边走进来。每一单的材料类型、尺寸、安装方式都不一样，设计稿要反复改，审批要过几道，工期得在已经排满的日程里挤出来。老板听过 AI，也知道软件有用。但他最担心的是：新系统会不会把报价搞错，把工期排乱，让员工花几周学一套到头来发现不适配的东西。
美国这样的 sign and banner shop 超过四万家。IBISWorld 的统计是 41,805 家，Mordor Intelligence 估算市场规模约为 88.6 亿美元。但市场高度碎片化：中小型店铺年收入从 20 万到 300 万美元不等，群体里有年入数百万美元、雇十几个人的店，也有大量连一个全职 IT 人员都没有的微型作坊。不同规模的店对软件的需求和支付能力相差很大，用一个统一的预算假设覆盖所有店不现实。
通用软件的困境就在这里。它默认客户能自己描述流程、清理数据、配置系统和判断效果，低数字化的小店恰好不具备这些条件。CompassApp 转引的 Capterra 调查显示，61% 的美国小企业过去一年多里后悔过技术采购，原因主要是成本超预期或与现有系统不兼容。Avoma 在实践中也发现，即使产品支持完整的自助体验，很多小企业仍然会主动约 demo，因为他们需要有人帮自己确认这东西是否合适。
FDE 是 Forward Deployed Engineer 的缩写，最早由 Palantir 系统化使用。传统产品工程师做一个功能服务很多客户，FDE 服务一个客户需要的多种能力。两者的区别可以用一个场景判断：售前工程师在客户说”这个应该能用”时结束工作，FDE 在客户说”那就让它跑起来”时开始工作。代码进了客户生产环境、半夜要处理线上问题，那就算 FDE。
前 Palantir FDE Barry 在个人回忆里提到，客户部署是新技术的试验场，有效的东西会被迁回产品团队接手。在传统 SaaS 公司，客户的改进建议要经过售前转给产品经理、排进迭代计划，几个月后可能才变成功能。FDE 当天听到，当天就可以回去试。
这套机制的内核是产品发现：客户现场会不断暴露真实需求。当类似需求在多个客户那里反复出现，产品团队就能把它抽象成平台里的可复用能力。这也是 Palantir 能同时做到高客单价和平台复用的原因。
AI 公司现在也在招聘这个角色。OpenAI、Anthropic、Databricks、ServiceNow 都有 FDE 或类似职位的招聘。Anthropic 的 FDE 要嵌入战略客户，理解对方的工作流程，开发能解决实际问题的 AI 应用。OpenAI 的 Forward Deployed Software Engineer 要和客户一起设计定制软件，并把最佳实践写回内部知识库。
低数字化业务需要服务，这个判断成立。但它还缺关键的一半：Palantir 和 OpenAI 式的 FDE，成本不允许直接下沉到小店。
OpenAI FDE 团队负责人 Colin Jarvis 曾在采访中提到，他们的项目价值从数千万到低十亿美元不等。这个数字来自采访转述，未经独立核实。FDE 本身的薪资也高：公开职位汇总显示 AI FDE 的年总薪酬在 13.5 万到 60 万美元之间。服务 Morgan Stanley 这样的客户，这笔成本可以接受。服务一家年利润十几万美元的打印店，怎么算都不成立。
这里可以先看两个公司。ServiceTitan 做的是 trades 行业的软件，把水管工、暖通空调、电工公司的派单、报价、调度、收款和客户管理放到同一套系统里。ScaleFactor 做的是小企业记账自动化，曾经把自己包装成 AI 会计软件。一个后来上市，一个停运，差别正好落在服务能不能沉淀成产品。
ServiceTitan 的意义在于，它证明传统行业可以接受有人深度介入的上线方式：帮客户梳理流程、配置系统、培训员工，把软件真正跑进日常运营里。但这件事有前提：客户够大，产品覆盖够深。根据它的 S-1 文件，过去十个季度 gross dollar retention 都超过 95%，net dollar retention 超过 110%（注：S-1 使用的季度口径，SaaS Capital 曾指出季度 95% 对应的年化可能在 81.5% 左右）。Meritech 的分析指出，约 8,000 个活跃客户平均每年付费约 78,000 美元，超过 1,000 个客户年化账单超过 10 万美元。SaaStr 进一步指出，ServiceTitan 96% 的收入来自年付 1 万美元以上的客户。这类客户通常已经有多个技师，更接近 mid-market，和最小的 trades SMB 有明显距离。
ScaleFactor 的问题正好相反。它的承诺是让小企业把记账交给 AI，但实际交付大量依赖 Austin 和菲律宾的人力记账。它融资超过 1 亿美元，2020 年停运。Failory 复盘发现，公司为了让现实不那么明显，把记账人员称为 customer service officers，不将其计入成本。客户拿到的账本充满错误，被迫重新雇人或自己清理。教训在于：服务如果没有沉淀为产品资产，规模越大，错误和成本也越大。
AI 也在改变 FDE 的成本结构。数据迁移、字段映射、文档处理、初始配置这些可标准化的工作正在被压缩。Flatfile 称其数据导入让客户数据进入系统快 70%，onboarding 速度提升 2.17 倍。Glean 的企业 AI 案例显示，Koch Industries 在 7 周内索引超过 10 亿个 objects，新员工 onboarding 平均每人节省 36 小时。
但更难的判断层还在依赖人。Moxo 在总结 AI onboarding 时说过：如果团队自己都无法就当前流程达成一致，需要先理清流程再考虑自动化。AI 会放大你建出来的东西。小店数字化也是同样道理。AI 可以更快导入数据、配置系统，但这家店该怎么报价、怎么排产、怎样算一次成功的交付，这些判断还离不开人。
除了用 AI 降低实施成本，还有一种思路直接绕开了”把软件卖给小店”这个环节。做法是直接买下服务公司，把 AI 嵌入运营流程，赚效率提升的利润。
General Catalyst 提到，Long Lake 收购了 18 家服务公司，在 HOA 管理中用 AI 提升了 25–30% 的工作效率，新客户 pipeline 增长了 10 倍。Crescendo 收购 PartnerHero，把客服 BPO 和 AI 客服平台合并，AI 处理 70–80% 的常规工单，据称毛利率达到 60–65%，是传统 BPO 的四倍。Eudia 以 1.05 亿美元融资收购了拥有 300 多名法律专业人士的 Johnson Hana。
这些数字来自公司和投资方的早期叙事，没有经过独立周期验证。但它们指向了一个变化：AI 公司未必只卖软件，也可以拥有服务交付。FDE 从对外收费项目变成了并购后的内部改造能力。
回到那家招牌打印店。老板看到一个写着”自动报价”的 SaaS 页面，通常还不会立刻买单。他需要有人理解他的材料、客户、返工、安装、现金流和员工习惯，再把这些变成数据、流程和判断标准。FDE 这个模式重要，因为它命名了这种翻译工作：把现实世界的业务逻辑转化到数字系统里。
但翻译成本不能永远这么高。三种路径可能让这个等式成立：第一，轻量 FDE 加垂直模板和 AI agent，让人只处理最关键的业务判断，AI 处理迁移和配置。第二，像 ServiceTitan 一样，在足够大的垂直里做完整系统，用更高客单价吸收实施成本。第三，走 AI roll-up 的路，直接拥有服务交付，用 AI 改造运营。
AI 会把软件带到过去够不到的地方，但这件事不会自动发生。最值钱的能力是把现实业务翻译成可计算系统。AI 时代真正的问题是：谁能把翻译成本降下来，并且让每次翻译都沉淀成下一次成本更低的能力。