你以为软件死了，其实死的是标准化产品，活下来的是能把AI送进真实流程的人！
2026年YC批次显示纯软件创业比例断崖下跌，SaaS占比跌至12%，与此同时FDE前线部署工程师需求暴涨42倍，Palantir、OpenAI、AWS、字节跳动纷纷砸重金布局，本文拆解这场变局背后的真相。
硅谷最顶级的孵化器，已经不投纯软件了
你打开任何一份科技新闻，看到的关键词都是AI、大模型、Agent，但你可能没注意一个更底层的变化，全球最成功的创业加速器Y Combinator，它最新批次的创业公司里，纯软件公司的比例正在断崖式下跌。
数据不会撒谎：Y Combinator 2026年夏季批次（S26）中，工业、机器人、硬件和制造业相关的创业公司占比飙升到了23%，而五年前的同一个指标只有6.6%。更扎眼的是，传统SaaS（也就是那种按月收订阅费、卖软件给别的公司的生意）占比跌到了12%，这个数字在五年平均线上是28%。B2B软件公司整体占比降到了52%，这是自2022年夏季批次以来的最低点。
一个叫Pieter Levels的荷兰独立开发者，他一个人运营着好几个年收入百万美元级别的产品，零融资、零员工，他在社交媒体上直接开炮说：软件基本上已经死了，硬件才是出路。这句话引起了几万次转发和上千条争论，因为说这话的人不是哪个大机构的分析师，是一个靠自己写代码年入几百万美元的人。
但他说的“软件”到底是什么软件，这才是整个争论里最要命的问题。这个词在2026年已经被用烂了，烂到它指的东西可能从“一个网页应用”到“一个手机App”到“一套跑在云端的自动化工作流”，什么都能叫软件。当一个人说“软件已死”的时候，你得先搞清楚他说的“软件”是你理解的那个软件吗！
harness火了，但它可能只是一张入场券
要理解这场争论，你必须先搞懂一个词：harness，可以理解为包裹在大模型外面的那套控制和编排系统。
这个词在英文里的原意是“马具”，就是套在马身上、让人能驾驭它的那套缰绳和皮具。在AI领域，它被借用来描述包裹在大语言模型外面的那一整圈运行时系统。DeepSeek在2026年8月开源了自己的harness框架，官方给出的公式极其简洁：Model + Harness = Agent。翻译成人话就是，大模型负责“想”，harness负责“做”。
具体来说，harness管的是这些东西：调用哪些工具比如搜索、读文件、发邮件；管理任务的上下文，上次说到哪了这次该接什么；编排多个子任务之间的顺序和依赖关系；处理错误和重试；控制权限和安全边界。打个比方，大模型是一个超级聪明的大脑，但这个大脑没有手脚，harness就是给这个大脑装上的手脚、眼睛和耳朵。
那为什么现在YC batch里全是搞harness的创业公司？因为做harness的创业成本极低，一个人几周就能搭出一个能用的版本，但同时它的技术门槛也极低，别人也能几周就抄出来。
2026年8月13日，DeepSeek开源了自己的harness框架，采用MIT协议，这意味着任何人可以免费使用、修改、商用，不需要付一分钱。与此同时，微软的Agent Harness达到了正式可用状态，Block把自己的agent工作区以Apache 2.0协议开源，OpenAI把harness作为开源Agents SDK的一部分发布。
这意味着harness这个层面的技术正在以极快的速度商品化，就像当年Linux把操作系统变成了免费的基础设施一样，harness正在变成AI应用开发的免费基础设施。好消息是你不用再花时间从零搭建harness了，坏消息是你的harness本身已经不值钱了。
大模型再聪明，也修不好客户那台跑不动的旧系统
一个做企业AI落地的从业者说过一句话，能让你瞬间理解真正的问题出在哪：我们卖的是全世界最聪明的模型，但客户要的不是模型，是能在我这套破系统里跑起来的东西。
你品品这话背后的绝望感，一个企业花了几千万买了最先进的大模型API，技术团队信心满满地搭了一个演示，老板看完拍手叫好，然后呢，然后就没有然后了。
数据摆在这里，超过80%的AI项目会失败，失败率大约是普通IT项目的两倍，而失败的根因压根不在技术，在于需求。更扎心的数字来自MIT的研究，95%的企业生成式AI试点没有产生任何可衡量的财务回报。这意味着你看到的那些AI发布会上的酷炫演示，绝大多数在企业真实环境里根本跑不通。
为什么跑不通，因为企业环境跟演示环境是两个世界。演示里数据是干净的、接口是标准化的、用户是配合的，而企业真实场景里，数据分散在十几个不同年代的系统里，有的系统甚至是用Excel表格在管理核心业务，业务流程写不出来因为根本没有文档，真正做决策的人拿不到数据因为权限系统不允许。
这就是所谓的AI落地“最后一公里”，这最后一公里不是距离上的短，而是难度上的高。一个AI供应商的工程师远程写了个完美的方案文档，发给客户IT团队部署，然后收到三百个问题，每一个问题的答案都在客户内部某个老员工的脑子里，你远程根本拿不到。等你终于通过邮件把这些信息全部对齐了，客户的业务需求可能已经变了。
这就是FDE要填的坑！
FDE到底干什么，跟顾问和外包差在哪
FDE全称Forward Deployed Engineer，中文常译作前线部署工程师。
这个名字借用了军事术语Forward Deployed，意思是把部队推到前线而不是缩在后方指挥部。用大白话讲，FDE就是被派到客户办公室、跟客户的人坐在一起、用客户的真实数据写代码、对客户的业务结果直接负责的工程师。
这跟你想的“驻场开发”有一个本质区别。Palantir内部管做产品的工程师叫Dev，管FDE叫Delta，有一个被反复引用的精辟概括：Dev是为很多客户构建一个能力，Delta是为一个客户构建很多能力。就这一句话，是所有判断“你这算不算真FDE”的试金石。
一个传统顾问做的事情是，进客户现场调研三个月，写一份漂亮的PPT，告诉客户你应该怎么做，然后拿着咨询费走人，客户做不做得到跟他没关系。一个传统驻场实施工程师做的事情是，拿着已经设计好的方案文档，到客户现场按图施工，遇到问题就提工单回总部，他的责任边界是“按约定范围完成上线”。
FDE做的事情是，进客户现场之后先搞明白“客户真正需要解决的是什么问题”，然后在客户的环境里直接写生产代码，把系统跑起来，盯着业务指标的变化，如果效果不好就继续改，一直改到客户的实际工作方式发生改变为止。
Palantir帮通用磨坊做供应链优化系统，这家食品企业在北美连接着4000家供应商和200多座工厂，每年处理约120万份订单。双方接入200张主数据和运营数据表，建立了供应链决策系统ELF，系统每天检查约3000份订单，提供约400条调整建议，其中超过70%的建议被工作人员接受了，这套系统每天帮通用磨坊节省约4万美元。
你注意这个数字，70%的建议被接受，意味着系统不是生成一堆看起来很有道理的废话，而是真的理解了这家公司的业务约束，知道什么建议在现实中能执行，什么决定必须交给人来做。判断一个FDE项目真假的标准是“反馈去向”，没有反馈闭环的FDE就是外包，没有落地承诺的FDE就是咨询！
为什么2026年所有人突然开始抢FDE
一个在Palantir存在了二十多年的概念，为什么等到2026年才大规模走红！
因为条件终于成熟了，或者说，问题终于大到不解决不行了。
领英2026年发布的报告显示，2023年到2025年间全球新增了130万个AI相关职位，其中FDE需求增长了42倍。在中国，职场社交平台脉脉上的FDE相关职位发布量同比飙升21倍，在发布FDE岗位的公司中，37.3%是AI原生企业。
薪酬更能说明问题，字节跳动的FDE岗位月薪开到3.5万到7万元，全年15薪，最高年薪预计达105万元。在美国，前沿AI实验室的高级FDE年薪中位数约为48.5万美元，Staff级工程师的年薪高达72.5万美元。
这不只是招聘市场的热闹，资本市场在用真金白银投票。Palantir在2026年第二季度实现了19.4亿美元的总营收，同比增长93%，调整后的运营利润率高达62%。这个利润率水平在传统人力密集型的服务公司里根本不可能出现，但Palantir做到了一件关键的事：FDE在客户现场发现的问题，会被抽象成平台的标准功能，下一个客户遇到同样的问题时，不需要从零开始解决。
于是2026年2月到7月，OpenAI、Anthropic、AWS、微软先后设立了专门承接企业AI交付的FDE组织。AWS宣布投入10亿美元建立FDE团队，计划以5到6人的小组形式进驻客户公司，每次驻场周期约为45天。微软紧随其后砸下25亿美元成立Microsoft Frontier Company，计划编制高达6000名员工。OpenAI则与私募股权基金合作成立了资本额达40亿美元的OpenAI Deployment Company。
一个季度内四家主力厂商在同一件事上集体加码，这已经不是趋势了，这是共识！
企业到底需不需要把自己交给一个外人
有一个很自然的担忧，你让一帮外人进到公司内部，接触核心数据，了解业务流程，然后帮你搭建系统，这不就是把钥匙交给外人吗。
这个担忧在FDE走红的过程中被反复讨论，而且担忧不是没有道理。FDE站在最靠近企业业务的一端，负责把Agent真正送进去，也把现场发生的任务和问题重新带回来，这意味着FDE掌握的信息量远超一个普通的软件供应商。
但企业真正的风险不在于“信息被知道”，而在于“能力被带走”。如果一个FDE驻场半年，把系统搭好了，人撤走之后客户自己的团队维护不了，业务逻辑全在FDE的脑子里，那这就是一个高薪外包，企业付出了高昂代价却没有获得自主能力。
这正是FDE模式目前面临的最大争议，有人称它是AI时代最值钱的新职业，也有人认为它不过是解决方案架构师和实施顾问换了一个新名字。更尖锐的批评来自a16z的合伙人，他指出很多AI创业公司只是在模仿Palantir的表面模式，最终可能沦为高成本的服务公司而非真正具备软件规模效应的平台企业。
要判断一个FDE项目到底是真价值还是高薪外包，你只需要问一个问题：驻场结束后，客户团队能不能独立运行和维护这套系统。
Palantir的解法是让FDE在客户现场解决的问题中，识别出哪些是只适用于这一个客户的，哪些是其他客户也会遇到的。前者留在项目中，后者交回产品团队做成平台的标准功能。这样做的结果是，公司服务的项目越多，见过的问题越多，后来客户需要从头开发的内容就越少。AWS在宣布FDE组织的博文中明确说，客户在完成部署后带走的不仅是新的解决方案，还有新的工程能力，包括持久的AI技能、工作流程和模式，从而能够独立进行创新。
所以FDE的价值不在于“帮你做完”，而在于“教会你做”，这是一条很难走的路，因为教会别人比替别人做要慢得多、累得多，但这是唯一能让FDE区别于外包的路径！
国内公司正在用自己的方式复制FDE
FDE模式在美国跑通之后，国内大厂的反应速度一点都不慢。
2026年9月，月之暗面正式启动Kimi企业合作伙伴“登月计划”，以FDE模型与各行业系统集成商共建前置部署工程师队伍，首批签约伙伴包括中软国际、金山云、华胜天成、亚信科技等上市公司。月之暗面成为国内首家采用FDE模型进行AI末端部署的大模型公司。
这个打法和OpenAI、AWS不太一样，月之暗面没有自己建一支庞大的FDE团队，而是跟系统集成商合作共建，利用后者已有的行业客户关系和交付经验。神州控股推出了“燕云AI First FDE”模式，核心思路是把交付物从“系统账号”变成“端到端完成业务任务的数字智能体”和“可度量的最终业务结果”。明略科技的路径更侧重改造存量交付队伍，公司已有约30%的交付人员转型为FDE，试图把过去留在顾问或实施人员手中的项目经验写成Skill和Agent，让下一次交付少依赖人。
但国内FDE面临一个结构性的挑战，跟美国的土壤不太一样。FDE模式在Palantir的客户群里能跑通有一个关键前提，国防、金融这些领域的业务底层是信息流和行为模式，可以被高度数字化和符号化。但中国大量企业客户的核心场景涉及物理世界的复杂机理，化工反应釜的传质传热、数控机床的机械振动，是完全不同的科学分支，一个行业的FDE经验搬到另一个行业可能完全不适用。
更现实的困难是，国内很多企业的付费意愿和能力跟Palantir的客户不在一个量级，而FDE的人力成本远高于普通驻场工程师，如果客户项目规模不够大，FDE模式的经济账根本算不过来。
FDE不是终点，是AI进入企业的一张入场券
写到这里，有一个问题需要认真面对：FDE这个岗位会不会也只是一个过渡形态。如果大模型继续进化，进化到能自己理解任何行业的业务流程，自己搞定数据接入和权限配置，那FDE的价值是不是就被吃掉了！
这个担心并非没有道理，但有一个关键事实需要重新审视：AI落地的瓶颈从来不是模型不够聪明，而是模型不知道在具体场景下该做什么、不该做什么。一个企业最核心的资产往往不是它的数据，而是它几十年来积累的“这件事我们公司就是这么干的”的隐性知识。这些东西没有被写在任何文档里，只存在于老员工的直觉和肌肉记忆里，大模型训练数据里没有，你也不可能通过一次调研访谈就把它挖出来。
FDE做的事情本质上是一个翻译工作，把客户自己都说不清楚的需求，翻译成大模型能理解并执行的系统。这个翻译工作不可能被大模型替代，因为翻译的前提是你得先搞懂原文说的是什么，而原文在客户自己脑子里都是模糊的。
一个真正有效的FDE交付，最终的检验标准只有一个：客户的实际工作方式有没有因为这套系统而发生改变。Palantir在介绍通用磨坊的案例时说得很清楚，系统必须同时理解订单、运力、产能、成本和业务约束，还要知道什么建议可以执行，什么决定必须交给人。这个判断标准不是由技术决定的，是由对这家公司业务的深入理解决定的。
所以FDE的价值跟模型能力之间不是替代关系，而是互补关系。模型越强，FDE能做的事情越多；但模型越强，FDE做的那部分工作也越难被替代，因为它的核心是“理解具体的人和具体的场景”，这件事模型永远只能做一半。
一个值得持续关注的信号是：当OpenAI、AWS这些公司投入数十亿美元建设FDE组织的时候，他们赌的其实不是FDE这个岗位本身，而是一件事——企业AI的竞争正在从“谁的模型更强”转向“谁能让模型在企业里真正跑起来”。这个转向，比你听到的任何“软件已死”的宣告都更值得认真对待。那些只活在浏览器里的、纯粹做信息处理的创业公司，确实在YC batch里越来越少了；而那些能让代码和物理世界握手、能把AI送进企业真实流程的公司和人，正在拿到越来越多的钱。