С переходом больших языковых моделей от генерации текстов к выполнению практических задач («от чата к работе») технологический рынок столкнулся с фундаментальной проблемой. Написание программного кода стремительно дешевеет, однако ключевой сложностью становится «последняя миля» корпоративного внедрения — способность глубоко понять бизнес-процессы заказчика, корректно формализовать требования и заставить ИИ-агентов стабильно функционировать внутри сложной инфраструктуры компании.
Ответом на этот вызов стал взрывной рост спроса на FDE (Forward Deployed Engineers, или инженеров передового развертывания). Эта модель, исторически прославленная компанией Palantir, сегодня переживает масштабное перерождение:
В мае 2026 года OpenAI создала специализированную дочернюю структуру Deployment Company для отправки инженеров непосредственно на площадки корпоративных клиентов;
В июне Anthropic заключила партнерство с IT-интегратором DXC для подготовки десятков тысяч сертифицированных FDE по внедрению Claude в банковский, авиационный и страховой секторы;
В августе Tencent Cloud официально переименовала свою сертификацию разработчиков в «ADP Forward Deployment Engineer (FDE) Certification».
На этом рубеже разворачивается противостояние трех основных групп игроков, каждая из которых предлагает свой подход к преодолению «последней мили».
Такие компании, как OpenAI, Anthropic и Tencent, больше не ограничиваются продажей API или облачных мощностей. Они вынуждены лично брать на себя сквозную интеграцию.
Роль вендорского FDE сегодня выходит далеко за рамки классической техподдержки: специалист сопровождает проект от выявления потребностей и архитектурного проектирования до ввода в промышленную эксплуатацию.
Главная цель провайдера — выявить «узкие места» модели в реальных рабочих процессах, собрать практический опыт и превратить его в готовые инструменты, плейбуки и инфраструктурные блоки (building blocks), вернув эти знания внутренним командам разработки моделей.
Однако универсальный подход вендоров наталкивается на специфику корпоративной среды: даже у прямых конкурентов в одной отрасли (например, у Procter & Gamble и Unilever) внутренние процессы, регламенты и цепочки принятия решений кардинально различаются. Единый базовый ИИ не способен учесть все динамические контексты без постоянной локальной подгонки.
Для поставщиков корпоративного ПО и заказной разработки генеративный ИИ сначала выглядел экзистенциальной угрозой: популярность концепции Vibe Coding и снижение порога создания софта грозили разрушить бизнес, построенный на продаже лицензий и человеко-часов.
Однако модель FDE открывает для них новое окно возможностей. Если типовой программный код обесценивается, то накопленное за десятилетия понимание отраслевой специфики (know-how), архитектуры баз данных и регуляторных ограничений становится главным активом.
Компании вроде Mininglamp Technology активно трансформируют традиционную заказную разработку в так называемые Agentic Services — создание кастомизированных ИИ-агентов под ключ.
Главный экономический вопрос для интеграторов — рычаг масштабирования (leverage ratio):
Раньше заказная разработка страдала от низкой маржинальности и линейной зависимости выручки от штата: чем сложнее проект, тем больше инженеров требовалось направлять на объект.
В эпоху ИИ рутинное написание кода делегируется алгоритмам, а инженеры концентрируются на исследовании процессов, декомпозиции задач и валидации результатов. Это позволяет одному специалисту вести большее число агентов и клиентов, выводя проектный бизнес из ловушки «раздувания штата».
Падение барьеров разработки побуждает компании-заказчики самостоятельно выстраивать собственные компетенции развертывания ИИ.
Крупный бизнес (пример холдинга Mengniu): молочный гигант отобрал около 200 сотрудников из подразделений продаж, снабжения, логистики и маркетинга, запустив многоуровневую программу сертификации внутренних «AI-пионеров». Сотрудники, глубоко знающие нюансы своего направления, сами проектируют агентов для собственных отделов, а внутри IT-блока компании создается штатное подразделение AI FDE.
Малый и средний бизнес (кейс агропредприятия Xixianji): руководство компании в Нинся с помощью ИИ-инструмента Qoder за три месяца создало комплексную систему управления животноводством (от рационов кормления до учета убоя и ценообразования). Проект обошелся в десятки тысяч юаней вместо миллионов, которые запрашивали внешние подрядчики, поскольку автор системы объединил в одном лице знание бизнеса, опыт разработки и возможность мгновенного тестирования на практике.
Борьба за «последнюю милю» далека от завершения, а границы между ролями остаются подвижными:
Вендоры LLM и облачные провайдеры обладают прямым доступом к передовым базовым моделям и возможностью оптимизировать алгоритмическую архитектуру под реальные сценарии, однако их главным вызовом остается сложность адаптации универсальных решений к уникальным и динамичным контекстам каждого отдельного предприятия.
Традиционные IT-интеграторы и сервисные компании опираются на накопленный десятилетиями отраслевой опыт и обширную практику работы со сложными унаследованными системами заказчиков, но сталкиваются с необходимостью кардинально повышать маржинальность бизнеса и перестраивать квалификацию кадров под разработку агентных сервисов.
Внутренние команды предприятий выигрывают за счет абсолютного понимания специфики собственных бизнес-процессов и отсутствия барьеров в передаче требований, однако наталкиваются на проблемы масштабирования создаваемых решений за пределы отдельных отделов, а также на вызовы безопасности данных и долгосрочной технической поддержки систем.
По мере того как в инфраструктуре предприятий будут появляться сотни специализированных ИИ-агентов, решающими станут вопросы: кто будет отвечать за их постоянное обслуживание, как обеспечить непрерывность бизнес-логики и каким образом превращать единичные удачные внедрения в тиражируемые активы компании.