Все, кто внедряет AI Agents в масштабе, сейчас говорят одно и то же: мы не можем нанять достаточно forward deployed engineers.
И они правы. Но большинство компаний делает из этого неверный вывод.
Дефицит FDE — это не только проблема найма. Это структурная проблема того, что на самом деле требуется, чтобы развернуть AI внутри реального enterprise, — и почему люди и команды, на которые вы обычно рассчитывали бы в такой работе, больше не могут этого сделать.
What Forward Deployed Engineers Actually Do
FDE находятся на стыке product, engineering и customer success. Они выезжают к клиенту или глубоко погружаются в его среду, понимают реальные рабочие процессы и настраивают продукт так, чтобы он работал внутри этих процессов. Они не создают продукт с нуля. Они не занимаются базовой поддержкой. Они делают сложную промежуточную работу, которая позволяет софту действительно прижиться в реальном мире.
Эта роль существует уже давно. Palantir фактически выстроила вокруг нее весь go-to-market. Нельзя было купить продукт Palantir и самостоятельно довести его до ценности. Нужны были их специалисты внутри вашей организации, которые настраивали и обучали систему под ваш конкретный контекст.
Эта модель работала. Она была дорогой и не масштабировалась так, как должен был масштабироваться SaaS. Но она работала, потому что сложный софт в сложных средах требует человеческого суждения, чтобы внедряться правильно.
Теперь почти у каждого серьезного AI-продукта такое же требование. И почти ни у кого нет достаточно людей, которые умеют это делать.
Why CS Can’t Fill This Gap. Please, Don’t Try.
Естественный импульс у большинства компаний — закрыть этот разрыв через customer success. CS уже работает после сделки, уже отвечает за adoption и получение ценности. Просто дообучим их, верно?
Неверно.
Классический CS был создан для другой эпохи. Его задача была такой: помочь клиентам использовать софт, который они уже решили купить, следить за renewal-метриками, эскалировать баги. Это была реактивная, основанная на отношениях функция, оптимизированная под удержание.
Работа FDE отличается почти во всем. Она проактивная, техническая и оптимизированная под внедрение. Вы не ждете, пока у клиента появится проблема. Вы заходите до того, как проблема возникла, и настраиваете систему так, чтобы она не возникала вовсе.
Нужный набор навыков ближе к solutions engineer или junior product manager с сильной эмпатией к клиенту, чем к традиционному CS-специалисту. У большинства CS-команд этого набора нет. Переобучение занимает больше времени, чем многие компании готовы признать. А скорость изменений в AI-инструментах означает, что к тому моменту, когда вы дообучите CS-команду под сегодняшние требования к внедрению, требования уже успеют измениться.
The Deeper Problem: Agents Can’t Deploy Themselves. Yet.
Вот что делает ситуацию особенно острой прямо сейчас.
Вся идея AI agents состоит в том, что они автоматизируют работу. Но развертывание AI agent — это само по себе значительная работа, и это работа, которую агент не может сделать за вас. Пока что.
Кто-то должен достаточно глубоко понять workflow клиента, чтобы определить, где агент вписывается. Кто-то должен обучить агента на правильных данных, в правильном контексте, на правильных edge cases. Кто-то должен протестировать его, поймать моменты, где он ломается, и итеративно доработать. Кто-то должен получить внутреннюю поддержку от людей, чьи роли изменятся, когда агент выйдет в продакшн.
Это и есть работа FDE. И это ручная, требующая сильного суждения, человеческая работа.
Недавно я увидел это вживую. AI-компания с оценкой $6 billion — одна из самых горячих на рынке — выдавала нашей команде неверные цены. Сообщала, что нам нужно будет увеличить расходы в четыре раза. Когда мы спросили, как долго продукт был в beta, ответ был: год. Никто не обучил агента должным образом. Собственные люди компании не сделали deployment work для своего же продукта.
Если AI-компания с оценкой $6 billion не может правильно обучить собственного агента спустя год beta, представьте, что происходит внутри enterprise, которые покупают такие инструменты.
Why the Shortage Is Only Going to Get Worse Before It Gets Better
Palantir недавно объявила, что сократила время внедрения более чем на 90% с помощью forward deployed engineers. Это впечатляет. Но это также означает, что лучший оператор в этой модели — компания, которая фактически изобрела масштабируемое внедрение FDE, — по-прежнему внедряет вручную, просто быстрее.
Сокращение времени внедрения на 90% — это не автоматизация внедрения. Это означает лучшие инструменты, лучшие playbooks и более опытных FDE. Человек по-прежнему находится в loop.
Теперь каждый серьезный AI vendor конкурирует за одну и ту же небольшую группу людей, которые умеют делать эту работу. Компании, вышедшие из Palantir, solutions engineers из крупных cloud-платформ, implementation consultants из мира enterprise software — всем они нужны, а их не хватает.
При этом спрос взрывообразно растет. Каждый enterprise, который решает внедрить AI agents, — а все принимают это решение быстро, — нуждается в людях уровня FDE, чтобы это заработало.
What To Do About It
Три вещи, которые стоит учитывать, если вы на стороне vendor:
- Проводите групповое обучение. Компании, которые выигрывают во внедрении, строят серьезные enablement-программы — не просто документацию, а практическое обучение, которое дает клиентским операторам навыки самостоятельной настройки и обучения агентов. Если вы не можете обучать их 1:1 для небольших сделок, хотя бы делайте это в группах.
- Нанимайте по инстинкту внедрения, а не только по техническим навыкам. Лучшие FDE, которых я видел, не всегда самые глубокие технически. Но они действительно, действительно должны понимать, как работают AI Agents. И любить возиться с ними.
- Не позволяйте CS притворяться FDE. Это ошибка, которая стоит больше всего времени. Если требование к внедрению действительно уровня FDE, укомплектуйте его именно так. Просить CS-специалиста делать FDE-работу и называть это “high-touch onboarding” — это путь к тому, чтобы у компании с оценкой $6 billion агент спустя год beta выдавал неверные цены.
Со стороны buyer все проще: относитесь к внедрению как к первоочередному проекту, а не как к задаче по уборке после подписания контракта. Назначьте отдельного внутреннего владельца с достаточными полномочиями, чтобы реально менять workflow. Правильно обучите агента до запуска. И если ваш vendor не может дать support уровня FDE, учитывайте это в оценке — потому что инструмент, который на 20% хуже, но идет с серьезной помощью во внедрении, обойдет best-in-class продукт, который сам себя вводит в chaos.
Yes, It’s Even Harder for SMB
Все сказанное выше предполагает, что вы можете позволить себе такую помощь. Большинство SMB-клиентов не могут.
Вот математическая проблема. Серьезный FDE engagement — тот, который действительно приводит к внедрению и рабочему агенту, — стоит реальных денег. Время vendor, работа по конфигурации, циклы обучения, итерации. Такая структура затрат имеет смысл, когда вы платите за продукт $100K+ в год. Но она не имеет смысла для аккаунта на $5,000 или $10,000. Нельзя содержать значимый FDE на клиента, который платит $400 в месяц. Экономика unit economics не сходится, и никакой goodwill этого не изменит.
Поэтому SMB-клиентам предлагают self-serve. Документация. Help center. Онбординг-потоки. “Get started in minutes.”
Проблема в том, что self-serve дает лишь ограниченный результат — а с AI agents этого недостаточно.
Zendesk’s own CEO said it plainly: enterprise customers using proper training and support hit 60-80% automation rates. Self-serve customers, going it mostly alone, land around 20%.
Этот разрыв — не небольшая разница в эффективности. Это разница между агентом, который меняет то, как работает ваша команда, и агентом, который выключают через 90 days, потому что он так и не заработал нормально.
Правило двух людей, к которому мы пришли для серьезных внедрений, — FDE от vendor и выделенный GTM engineer на вашей стороне, который владеет AI operations, — для большинства SMB-компаний реально недостижимо. У них нет GTM engineer. Часто они не могут получить достаточно времени от implementation team вендора. Они сами ведут внедрение, опираясь на любую доступную документацию и обучаясь по ходу дела.
И вот ключевая проблема, из-за которой все это становится еще хуже: AI agents не умеют хорошо обучать сами себя. Пока что.
Нельзя просто направить агента на вашу knowledge base, нажать переключатель и ожидать, что он будет работать корректно на уровне, которому ваши клиенты действительно будут доверять. Его нужно кормить правильными данными. Его нужно тестировать на реальных сценариях. Нужен кто-то, кто поймает, где он ломается, — как у той компании с оценкой $6 billion, чей агент спустя год на рынке выдавал нашей команде неверные цены, — и доработает его итеративно. Эта работа требует человеческого суждения. Постоянно. Неделями, а не часами.
В enterprise эта работа выполняется. Есть бюджет, есть support от вендора, есть внутренний владелец.
В SMB этого часто нет. Агент запускают недообученным, он совершает несколько неловких ошибок, теряет доверие того, кто его внедрил, и его тихо выключают. Еще один провалившийся pilot. Еще одна команда, которая говорит коллегам: “Мы пробовали AI, у нас это не очень сработало”.
Вендоры, которые поймут, как решить deployment для SMB — настоящее self-training без месяцев человеческого babysitting или services-модель, работающая при $5K ACV, — откроют огромный сегмент рынка, который сейчас тихо проваливается. Мы пока не там. И до тех пор SMB-командам, которые хотят, чтобы AI действительно работал, нужно смотреть на это трезво: относиться к внедрению как к проекту на несколько месяцев, найти одного человека внутри компании, который будет obsessively его вести, и не ждать, что агент разберется сам.
The Irony That We Need Humans to Train AI Agents For Now is Real. But So What.
Главная ирония AI deployment сейчас в том, что мы строим инструменты, созданные для автоматизации человеческой работы, а то, что мешает этим инструментам раскрыть свой потенциал, — это нехватка людей, которые могут их внедрить.
Со временем этот разрыв закроется. Инструменты станут лучше. Playbooks созреют. Агенты лучше научатся настраивать себя сами. Появится и масштабируется какая-то версия “FDE as a service”.
Но сегодня выигрывают те компании, которые относятся к внедрению серьезно: правильно укомплектовывают его, правильно обучают и не делают вид, что покупка инструмента — это то же самое, что его внедрение.
Агент не внедряет себя сам. Пока что. И именно в этом “пока что” сейчас проигрывает большинство компаний, даже не понимая этого.
Материал — перевод статьи с английского.