Greg Isenberg 對談 Varick Agents 創辦人 Vas：拆解 AI 時代最火熱職務 FDE
今天的企業並不缺 AI 工具。
Claude Code、Cursor、GitHub Copilot，以及各種大型語言模型，都已經成為任何公司可以購買的標準能力。不同企業使用的模型可能相同，開發工具也大同小異，但最後得到的成果卻可能天差地遠。
有人用 AI 改造了一整條工作流程，縮短作業時間、降低錯誤並創造營收；也有人花費大量預算與 Token，做出一堆看似厲害的展示，實際工作卻沒有任何改變。
當「智慧」逐漸成為可以購買的商品，企業真正的差異便不再是擁有哪一個模型，而是：
誰能判斷 AI 應該放在哪裡，又能把它真正部署進企業。
在 Greg Isenberg 主持的《The Startup Ideas Podcast》中，他邀請 Varick Agents 創辦人暨執行長 Vas M.，完整拆解近年迅速受到矚目的職務：Forward Deployed Engineer，簡稱 FDE，也就是「前線部署工程師」。
這場訪談談的不只是如何得到一份熱門的 AI 工作，更像是一堂企業 AI 落地課：如何找出值得自動化的工作、建立可靠的 AI Agent、證明系統真的有效，最後讓企業願意付錢採用。
主持人 Greg Isenberg：專門把網路趨勢轉換成創業機會
Greg Isenberg 是創業工作室與控股公司 Late Checkout 的執行長，也是《The Startup Ideas Podcast》的主持人。
他的職涯橫跨社群產品、創業、產品策略與內容經營。他曾創辦影片探索平台 5by，後來被 StumbleUpon 收購；之後創辦社群通訊產品 Islands，被 WeWork 收購，並曾短暫擔任 WeWork 產品策略主管。他也曾為 TikTok 與 Reddit 提供產品及成長方面的顧問服務。
Greg 的節目特色不是單純評論科技新聞，而是經常追問一個更務實的問題：
一項新趨勢出現之後，一般創業者、工程師或顧問，可以如何把它轉換成產品、服務與收入？
因此，當 FDE 開始成為 AI 產業熱門職稱，他關注的也不只是職缺與薪資，而是這個職務究竟在做什麼、企業為何突然需要它，以及一個人如何從零開始累積足以向企業客戶提案的能力。Greg 目前以 Late Checkout 執行長及《The Startup Ideas Podcast》主持人的身分，持續分享 AI 創業與網路商業模式。
來賓 Vas：從 Meta 工程師到企業 AI Agent 創業者
Vas M. 是 Varick Agents 的創辦人暨執行長。在創業之前，他曾於 Meta 擔任約三年的軟體工程師，累積大型系統、軟體開發與 AI 應用經驗。
他創立的 Varick Agents，並不是提供一般化的聊天機器人或單一自動化工具，而是進入企業內部，盤點財務、採購、營運、業務與法遵等部門的流程，再建立可以跨越既有 ERP、CRM、資料庫與內部系統運作的客製化 AI Agent。
Varick Agents 將其服務流程分為 AI 機會盤點、流程架構與重新設計、正式部署，以及上線後持續優化。公司特別強調，AI Agent 應建立在企業既有軟體之上，盡量避免要求客戶先進行耗時的大規模系統遷移。
也因為 Vas 實際面對的是中大型企業導入 AI 時的混亂與阻力，他所談的 FDE，並不是一個漂亮的新職稱，而是一個必須對最後成果負責的人。
FDE 不是提示詞工程師，也不只是售前顧問
FDE 經常被誤解成「替客戶寫 AI Agent 的工程師」。
但在 Vas 的定義裡，寫程式只是其中一部分。
一般軟體工程師常在產品團隊內部，根據相對清楚的需求開發功能；顧問可能分析問題並提出建議；售前工程師則負責展示產品、回答技術問題。
FDE 卻必須走進客戶現場，從一個模糊、甚至連企業自己都說不清楚的問題開始，最後留下可以實際運行的軟體。
影片將這段工作分成三層：
第一層是理解企業真實運作的方式；第二層是運用 FDE 的判斷力，決定智慧應該放在哪裡；第三層才是建立一套真正承擔企業工作責任的 AI 系統。
因此，一位 FDE 不能只問：
「你們想使用 Claude 還是 GPT？」
他真正該問的是：
「這項工作現在怎麼完成？誰負責？資料放在哪裡？經過哪些系統？哪裡最常等待或出錯？什麼情況需要主管批准？AI 判斷錯誤時，代價是什麼？」
第一項能力：看見文件裡沒有寫的真實流程
企業的標準作業程序，通常只記錄理想狀況。
文件上可能只寫著：
「收到供應商發票後，由財務人員完成核對與入帳。」
但真實流程可能是：
發票先從 Email 進來，員工下載附件後把欄位貼入 Excel，再到另一套系統確認採購單；如果金額不符，便在 Slack 或通訊軟體詢問主管；獲得批准後，再手動填入 ERP 的數十個欄位。
有些判斷沒有寫在任何文件裡，只存在資深員工的經驗中；有些例外則每個月只發生一兩次，卻可能帶來最大的風險。
Vas 強調，短時間訪談只能知道員工「認為自己在做什麼」。FDE 必須實際觀察工作如何發生，才能看到那些被省略的步驟、人工 workaround、例外判斷與跨系統搬運。Varick 的 FDE 指南也直接指出，企業記錄下來的流程，很少等同於真正的流程。
這也是 FDE 的第一個核心價值：不是急著建造，而是先讓企業的工作變得可理解。
第二項能力：判斷「智慧」應該放在哪裡
並不是每一個步驟都應該使用大型語言模型。
固定金額計算、必填欄位檢查、權限驗證與明確的業務規則，通常使用傳統程式碼更加便宜、穩定，也更容易稽核。
需要理解自然語言、處理非結構化文件、辨認模糊情境或綜合不同資訊時，才適合交給 AI 模型。
涉及付款、合約核准、刪除資料、公開對外發言或其他高風險行動時，則可能必須保留人工覆核。
所以，FDE 不是把每個工作步驟都變成 Agent，而是設計一套混合系統：
AI 負責需要判斷與理解的部分，傳統程式負責確定性規則，人類負責高風險與責任性的決策。
Vas 將這種能力稱為判斷力。它包含兩個世界：一邊是流程、成本、誘因、風險、使用者採用與商業價值；另一邊是模型、API、資料、程式碼、系統與可靠性。真正稀缺的是能同時理解兩邊的人。
第三項能力：不是做出 Demo，而是建立能承擔責任的系統
做出一個成功的 AI 展示並不困難。
真正困難的是，當資料缺漏、API 逾時、模型輸出格式錯誤、系統抓錯客戶紀錄，或 Agent 執行到一半中斷時，它還能不能安全處理。
因此，正式的 FDE 系統不能只有「成功路徑」，還必須具備：
結構化輸出、欄位驗證、錯誤重試、狀態保存、恢復機制、權限控制、人工批准、成本限制與完整操作紀錄。
每一次模型輸入、輸出、工具呼叫、錯誤、批准與執行結果，都應該被記錄。企業必須知道 AI 做了什麼、使用了哪些資料、為何做出判斷，以及出了問題之後如何回復。
在 Varick 的30天訓練指南中，第一週的 Agent 就被要求留下完整 Audit Trail；第二週則必須處理資料缺失、API 失敗、逾時、重複執行與部分完成等問題。
換句話說，會產生答案的是 AI Demo；能承受例外、保留證據並安全恢復的，才是企業系統。
FDE 的核心循環：Audit、Evals、Deployment
影片將 FDE 的實際交付方法，濃縮成三個不斷重複的階段：
Audit、Evals、Deployment。
這三者不是三份互不相關的工作，而是一個循環。
Audit：找出真正值得重新設計的流程
Audit 並不是進公司後列一張「哪些工作可以用 AI」的清單。
FDE 要蒐集訪談、Email、試算表、SOP、系統資料、批准流程與例外路徑，找出瓶頸、重複工作、判斷點、失敗模式與需要串接的系統。
最後產出的應該是一張營運地圖，包括目前流程、導入 AI 後的未來流程、系統可以與不可以做的事情，以及預估能節省多少時間、成本與錯誤。
Vas 也提醒，不是所有能自動化的工作都值得自動化。
優先處理的應該是耗時、重複次數高、商業影響明確，而且成果可以衡量的流程，而不是看起來最酷、最適合拍展示影片的功能。
Evals：把「看起來很好」變成證據
生成式 AI 具有不確定性。
同樣的輸入不一定每次產生完全相同的結果，因此不能只測試幾個成功案例，就宣布系統可以上線。
FDE 必須建立一組具有代表性的測試資料，也就是 Golden Dataset，其中包含正常案例、邊界案例、資料不完整、模糊要求與高風險任務。
接著測量系統是否使用正確資料、完成必要步驟、符合專家判斷，以及是否安全執行。
Varick 的範例中，系統測試50次，41次通過、9次失敗。真正重要的並不是宣布準確率達到82%，而是把9次失敗分類：究竟是缺少資料、抓錯紀錄、模型判斷錯誤，還是本來就應該交給人處理。
Evals 的目的不是證明 AI 永遠不犯錯，而是讓錯誤可以被看見、分類、重現與改善。
Deployment：進入企業原有系統，逐步取得權限
部署並不是把一個聊天介面交給客戶。
FDE 要讓系統進入企業既有的 ERP、CRM、Email、資料庫與內部工具，並在真實工作中完成任務。
Vas 主張不要一開始就要求企業更換用了十幾年的核心系統，而是把 AI 建立在現有系統之上。Varick Agents 的正式服務也強調，Agent 會透過 API 與自動化層串接企業既有工具，避免大規模遷移。
系統最初可以只讀取歷史資料；接著進入沙盒或影子模式，在不影響正式工作的情況下測試；再來由 AI 提出建議、人工逐筆批准；只有當證據足夠、監控穩定後，才逐步讓它自動處理低風險任務。
每增加一項權限，都應該由評測結果換來，而不是因為模型版本更新後「感覺變聰明了」。
企業不缺 Token，缺的是使用 Token 的判斷
訪談中，Vas 對企業盲目擴大 AI 使用提出警告。
許多公司把 Claude、Copilot 或其他 AI 工具全面開放給員工，鼓勵大家自行建立 Agent、產生程式與自動化工作。使用量迅速增加，Token 預算也快速消耗，但企業營收、成本、作業時間與錯誤率卻沒有明顯改善。
原因並不是模型不夠強，而是公司沒有先回答：
哪些流程值得改造？成果如何衡量？自動化的邊界在哪裡？失敗時由誰處理？
企業可能擁有大量「AI 活動」，卻沒有真正的 AI 成果。
FDE 的價值正是在模型與商業成果之間建立一條因果關係：這套系統究竟增加了營收、降低了成本，還是減少了風險？
如果三者都沒有，就算 Token 用得再熱鬧，也只是昂貴的數位煙火。
應該精通一個模型，還是保持模型中立？
Varick Agents 在服務企業時採取 model-agnostic，也就是不把所有系統綁定單一模型供應商。
不同任務可以依據準確率、成本、速度、資料政策與工具使用能力，選擇不同模型。簡單分類可能交給較小、便宜的模型；複雜推理則交給更強的模型。
但對剛開始學習 FDE 的人，Vas 給出的建議反而是：
先選擇一個模型與一套 Agent 開發工具，把它學深。
初學者不需要同時追逐十種模型。真正重要的是先建立一套完整系統，理解 Agent loop、工具呼叫、Guardrails、Memory、Evals、錯誤處理與部署。
等有了實際評測資料之後，再談模型切換與成本最佳化。模型選擇應該是測試結果，而不是個人信仰。
30天能不能成為 FDE？
影片以「30天成為 FDE」作為吸引人的主題，但真正的意思並不是保證一個完全沒有經驗的人，可以在一個月內成為資深企業工程師。
這套30天計畫的目的，是做出一個足以證明能力的完整案例。
第一週：建立能完成真實任務的 Agent
選擇一項過去由人手動完成的工作，建立完整 Agent loop，加入工具呼叫、輸入驗證、最大執行步數、必要的 Context、Memory 與操作紀錄。
到第7天，系統不只要能回答問題，而要能完成一個有開始與結束的工作流程。
第二週：讓 Demo 變成可以恢復的系統
使用明確的 JSON Schema，而不是任由模型產生自由格式文字。
加入欄位驗證、重試、逾時處理、錯誤路徑、狀態保存與 Resume 機制。FDE 必須故意讓 API 失敗、移除必要資料，再證明系統不會假裝成功。
第三週：建立 Evals 與商業計算
建立至少一組包含正常、邊界、模糊與高風險案例的 Golden Dataset，測量成功率、失敗類型、執行時間與每次任務成本。
同時回答企業最關心的問題：節省多少時間、減少多少錯誤、降低多少風險，或增加多少營收。
第四週：學會向工程師與主管解釋同一套系統
面對工程師，要能說明架構、資料流、模型選擇、錯誤處理與技術取捨。
面對非技術主管，則必須用簡單語言回答：
這套系統解決了什麼問題？帶來什麼成果？有哪些證據？風險是什麼？為什麼值得投資？
Varick 將30天的成果分成四個里程碑：第7天完成可運作的 Agent；第14天完成能從錯誤恢復的系統；第21天完成可評測的系統；第30天完成一份工程師與企業主管都能理解的 FDE 案例。
其核心觀念不是「先取得職稱，再學習工作」，而是：
在擁有 FDE 職稱之前，先拿出自己已經做過這份工作的證據。
FDE 要如何向企業客戶 Pitch？
傳統 AI 提案常把時間花在介紹模型：
使用哪一版 Claude、多少參數、是否使用 RAG、Agent 能呼叫多少工具。
但企業主管真正關心的並不是模型有多聰明，而是：
目前流程成本是多少？導入後能改善多少？哪些動作仍由人批准？AI 錯誤時會發生什麼？資料存放在哪裡？誰能查看？如何停止系統？投資多久可以回收？
因此，一份成熟的 FDE 提案應包含四個部分：
問題、成果、證據與風險。
先描述企業目前的痛點與成本，再展示重新設計後的流程；用 Evals 與實際資料證明系統表現，最後主動說明失敗模式、權限邊界與人工介入方式。
一個完美完成任務的 Agent 展示，只能證明它偶爾成功。
一個在 API 中斷、資料缺漏或高風險情況下，能自動停止、轉交人員並留下紀錄的展示，才能證明它值得信任。
百萬美元年薪只是標題，真正的訊息是價值正在轉移
影片以「年薪100萬美元的 AI 工作」作為標題，確實具有強烈吸引力。
Vas 提到，極少數同時擁有深厚工程能力、企業判斷力、溝通能力與商業影響力的人，總報酬可能達到非常高的水準。
但這顯然不是每位 FDE 的標準薪資，也不是完成30天練習就能獲得的保證。
真正重要的訊息是：企業願意為「把 AI 轉換成可衡量成果」的人支付更高價格。
因為一般工程師可能只負責系統的一部分，顧問可能只提供建議，業務則只負責簽約；FDE 卻從問題盤點、設計、開發、評測、部署，一路負責到使用者真正採用。
他的價值不在於寫了多少程式碼，而在於他是否能讓一項原本不存在的能力，安全地進入企業並產生結果。影片本身也將100萬美元定位為頂尖角色可能達到的上限，而不是普遍薪資。
當智慧商品化，競爭優勢就移向部署
這場訪談真正重要的地方，不是替科技產業創造了一個新的熱門職稱。
它指出了企業 AI 發展的下一個階段。
過去的競爭是誰能取得更強的模型；現在每家公司都能購買相近的模型，差異開始轉向資料、流程、權限、評測、使用者採用，以及實際部署能力。
兩家公司使用完全相同的 Claude、Cursor 與 GitHub Copilot，最後仍可能得到截然不同的成果。
因為模型只是能力的原料。
真正決定成果的是，有沒有人能走進企業，看懂散落在 Email、Excel、ERP、Slack 與員工腦中的工作流程；判斷什麼該交給 AI、什麼該留給程式與人；建立評測，證明系統有效；最後承擔把它送進正式環境的責任。
當智慧變得愈來愈便宜，判斷與部署反而變得更昂貴。
