---
title: FDE (Forward Deployed Engineers) перерабатывают бизнес-боль в продукт. Где эта модель ломается
metaTitle: FDE: продукт или дорогой аутсорс?
description: Разбор модели Forward Deployed Engineering - когда инженер внутри клиента строит продукт, а когда просто дорогой аутсорс. Позиция Majento.
date: 2026-08-12
tags: [agentic-ai, enterprise, fde]
cover: cover.webp
coverAlt: Абстрактная композиция из светящихся линий на тёмном фоне
draft: false
sources:
  - https://x.com/thejessezhang/status/2087198484093149421
  - https://spoken.md/episode/ep-153-palantir-cto-shyam-sankar-on-heretics-ai-weapons-1000766812326
  - https://blog.joelonsdale.com/p/lessons-from-palantir-in-the-ai-age
  - https://nabeelqu.substack.com/p/reflections-on-palantir
  - https://www.sec.gov/Archives/edgar/data/1321655/000132165526000011/pltr-20251231.htm
  - https://www.sec.gov/Archives/edgar/data/1321655/000132165526000004/a2025q4ex991earningsrelease.htm
  - https://openai.com/index/openai-launches-the-deployment-company/
  - https://www.anthropic.com/news/enterprise-ai-services-company
  - https://www.businessinsider.com/forward-deployed-engineer-jobs-in-demand-2026-5
  - https://joinplank.com/fde-job-market
  - https://job-boards.greenhouse.io/anthropic/jobs/4985877008
  - https://decagon.ai/blog/introducing-duet
  - https://decagon.ai/blog/series-d-announcement
  - https://a16z.com/services-led-growth/
  - https://sequoiacap.com/article/services-the-new-software/
  - https://www.iconiq.com/growth/reports/state-of-ai-2026
  - https://aventis-advisors.com/software-valuation-multiples/
  - https://www.sec.gov/Archives/edgar/data/1467373/000146737325000213/q4fy25earnings8-kexhibit.htm
  - https://kun.uz/en/news/2025/12/27/uzbekistan-aims-to-raise-it-services-exports-to-5bn-by-2030
  - https://www.dentons.com/en/insights/alerts/2021/january/25/uzbekistan-data-localization-requirement-to-be-effective-in-april-2021
  - https://www.trade.gov/country-commercial-guides/kazakhstan-digital-economy
---

## Продукт или дорогой аутсорс?

*Собирательная сцена - не конкретный проект, а ситуация, которую мы видели несколько раз.*

Инженер третью неделю работает внутри компании клиента. Он разобрался в их CRM, выяснил, почему данные расходятся между отделами, и собирает агента, который закрывает этот разрыв. Хорошая работа.

Проблема в другом. Точно такой же разрыв он закрывал у предыдущего клиента. И, скорее всего, закроет у следующего.

Если решение каждый раз собирается с нуля - это дорогой аутсорс. Если каждое внедрение делает следующее быстрее, потому что боль превратилась в переиспользуемый кусок платформы - это другой разговор. Разница между этими двумя сценариями и есть главный вопрос модели FDE (Forward Deployed Engineer - инженер, которого компания-разработчик высаживает работать внутри компании-клиента).

![Инженер за ноутбуком в офисе клиента, на экране - схема процессов](fig-fde-scene.webp)


## Роль, за которую раньше ругали

Год назад выезд инженеров к клиенту читался как признание слабости: нет нормального продукта - вот и едут руками доделывать. Сегодня за эту же модель платят как за стратегическое преимущество.

В одну неделю мая 2026 года обе крупнейшие AI-лаборатории объявили о создании внедренческих компаний. OpenAI запустила The OpenAI Deployment Company с капиталом больше $4 млрд от консорциума из 19 инвесторов и сразу купила эдинбургскую Tomoro - около 150 инженеров на выезде. Anthropic объявила enterprise-услуги в партнёрстве с Blackstone и Goldman Sachs. Следом о собственных forward-deployed направлениях объявили Amazon и Microsoft.

По данным Indeed, опубликованным Business Insider в мае 2026, в апреле 2026 вакансий с названием должности FDE было на 5 230% больше, чем в январе 2025. Только читать эту цифру надо с оговоркой: база крошечная. По анализу Plank, реальных ролей с таким названием в мире порядка тысячи-полутора - рост с сотен до тысяч, а не до миллионов. Anthropic в марте 2026 открыла вакансию FDE с базовой ставкой $200-300 тысяч долларов в год. Ставка уровня сильного продуктового инженера.

Мода развернулась, а экономика модели осталась прежней: инженер всё так же едет к клиенту, разбирается в его процессах и собирает решение под конкретную боль. И вопрос о том, куда девается эта боль потом, тоже никуда не делся.

![График роста вакансий FDE с января 2025 по апрель 2026](fig-fde-wave.webp)


## Как это работало у Palantir

Palantir - самый показательный пример полного цикла: от «консалтинга с красивой вывеской» до платформы с валовой маржой выше 80% (маржа - сколько остаётся от выручки после прямых затрат). Поэтому их история здесь не для красоты - она опорная конструкция всего аргумента.

Джо Лонсдейл, сооснователь Palantir, в эссе от 31 октября 2024 написал, что почти двадцать лет мейнстрим называл компанию «glorified consultancy». И тут же признал: «Мы начали так по необходимости». У Palantir был сильный продукт, но никакого понимания того, как реально устроена работа разведки и обороны, - их воркфлоу. Необходимость стала преимуществом - сервис «продуктизировали». Формулирует он без обиняков: сервисы всегда поддерживали продуктовую выручку, не наоборот.

Механику этого перехода описал бывший FDE Набил Курейши в эссе 2024 года. Инженеры ехали к клиентам и делали грязную ручную работу - разбирались в данных, чинили потоки данных, переводили аналитику из Excel в рабочие процессы. Продуктовые инженеры в штаб-квартире смотрели на эту работу и превращали повторяющиеся куски в инструменты. Так по кускам сложилась платформа Foundry: из кастомных внедрений выросли платформенные примитивы - базовые строительные блоки, из которых собираются решения: онтология (карта данных компании), объектные модели, права доступа, отслеживание происхождения данных.

Foundry запущена как коммерческая платформа в 2016 году, AI-платформа AIP - в 2023-м (годовые отчёты компании для американского регулятора). По оценке Курейши, к 2024 году Foundry давала уже больше половины выручки.

Маржа шла вверх по мере того, как кастомная работа превращалась в платформу: с 67,8% в 2020 году до 82,4% в 2025-м по отчётности компании. Отметку «за восемьдесят» Palantir прошла только в 2023-м - путь занял больше десяти лет. Коммерческая выручка тем временем догнала правительственную: сегмент США вырос на 109% за 2025 год.

Шиам Санкар, технический директор Palantir, на подкасте Джо Лонсдейла в мае 2026 произнёс формулу, которую внутри компании повторяли годами: «metabolize pain and excrete product» - «перерабатывают боль и выделяют продукт». В пересказах это часто упрощают до «едят боль», но оригинал жёстче: метаболизм, не еда. Разница важная - метаболизм означает, что боль меняет структуру организма, а не просто проходит сквозь него.

![График валовой маржи Palantir 2020-2025](fig-palantir-margin.webp)


## Почему экономика решает всё

Разница между «мы внедряем» и «мы строим продукт» измеряется деньгами: маржой и тем, во сколько рынок оценивает компанию.

Медианная валовая маржа публичных софтверных компаний - около 80% (выборка Aleph из 342 компаний, 2025). Рынок оценивает такие компании в среднем в 3,7-6 годовых выручек (Aventis Advisors).

У сервисных картина скромнее: Accenture закончила 2025 финансовый год с маржой 31,9%, EPAM - около 29%, а оценка - 1-2 годовые выручки. При одинаковой выручке бизнес стоит в три-пять раз дешевле.

Переход возможен. ServiceNow вышла на биржу с маржой 63%, к 2024 году довела её до 79% - этот путь описан в эссе a16z от июня 2025. То есть тяжёлый внедренческий старт не приговор, если по дороге боль превращается в продукт.

Венчурный капитал это заметил. A16z в июне 2025 опубликовали «Trading Margin for Moat»: оптимизировать маржу на старте близоруко, важнее владеть «системой работы» клиента. Sequoia в марте 2026 выпустили «Services: The New Software» с тезисом, что на каждый доллар проданного софта тратится шесть долларов услуг - следующая гигантская компания будет «софтом под маской сервиса». Оба текста содержат одно и то же условие: сервисная маржа обязана быть временной.

Отдельная боль всей индустрии: AI-продукты в среднем работают на валовой марже 45% в 2025 году с прогнозом 53% в 2026-м - данные опроса ICONIQ больше чем по трём сотням компаний. Сервисная и вычислительная нагрузка давит на маржу даже у тех, кто считает себя продуктовой компанией.

![Сравнение валовой маржи: софт, AI-продукты, сервисные компании](fig-margin-gap.webp)


## Почему в новой категории иначе нельзя

Есть аргумент, который обычно произносят тихо, хотя он центральный. Когда Salesforce продавала CRM в 2005 году, у неё уже существовал понятный воркфлоу - отдел продаж работал по известной схеме, продукт автоматизировал то, что люди уже делали руками. AI-агенту в 2026 году рабочий процесс приходится придумывать с нуля.

Клиент не может написать техническое задание на агента, потому что у него нет опыта работы с агентами. Он может описать боль - «мы теряем три дня на согласование смет» - но не знает, как выглядит решение. Форма ещё не существует. Единственный способ понять, что строить, - оказаться внутри и посмотреть, как боль устроена.

В нашем регионе к этому добавляется слой, которого нет в американских дискуссиях про FDE. Закон Узбекистана о персональных данных (ZRU-547, поправки с апреля 2021) требует, чтобы данные граждан хранились и обрабатывались на серверах внутри страны. С января 2025 года аналогичное требование действует в Казахстане. Суверенность здесь - требование закона.

Это меняет расчёт. Облачный продукт по подписке, живущий на серверах в Амстердаме, здесь просто не может быть продан. Система обязана работать в закрытом периметре клиента, без чужого облака - такой режим называют on-premise. Глубокое погружение в инфраструктуру клиента из опции превращается в требование.

IT-экспорт Узбекистана впервые достиг $1 млрд в 2025 году при цели $5 млрд к 2030-му - рынок растёт, но корпоративные сделки здесь заметно меньше американских. Контрактов масштаба тех, на которых строилась экономика Palantir, почти нет. Поэтому спрос с FDE-модели здесь тот же, а горизонт длиннее: готовых воркфлоу меньше, требования к периметру жёстче, и размер сделки не окупает дорогую продуктовую разработку на старте.


## Где модель ломается

Джесси Чжан, сооснователь Decagon, опубликовал пост 11 августа 2026 года. Главный тезис бьёт в точку: ловушка FDE не в старте, а в остановке. FDE позволяют компании не принимать ни одного трудного продуктового решения - каждая кастомная заплатка в поле это продуктовое решение, которое вы решили не принимать. Если каждое внедрение требует столько же времени и людей, сколько предыдущее, - это аутсорс под вывеской FDE.

Чжан также разграничивает два разных вида работы, которые часто смешивают. FDE в оригинальном смысле - это инженер, который едет к клиенту, чтобы понять неизвестное и превратить его в продуктовое знание. Внедрение по известной спецификации - это установка и настройка готового продукта. Второе ценно, но это другая работа. Смешение позволяет растущий сервисный отдел считать инвестицией в продукт, хотя он ею не является.

Финальный тест Чжана умещается в одну строку: открывают ли ваши FDE новое - или поглощают известное.

Здесь нужно сказать прямо: Чжан - сооснователь Decagon, компании с оценкой $4,5 млрд на январь 2026 года, которая делает AI-агентов для клиентской поддержки. Пост вышел одновременно с запуском их продукта Duet - «партнёра», который сам собирает и подстраивает агентов без ручной работы FDE. Второй сооснователь Decagon - выходец из Palantir, поэтому их версия истории Palantir авторитетна и заинтересована одновременно. Цифры про скорость внедрения в их публичных материалах - вендорские заявления, в том числе формула «первоначальная сборка - только 10% работы», которую они приводят без независимого подтверждения.

Читать пост Чжана нужно как текст продавца. Логика от этого не ломается.


## Пять вопросов, которые стоит задать своему внедренцу

Каждый вопрос требует честного ответа - и если внедренец уклоняется, это уже ответ.

**Кастомизация живёт в вашей среде или в дырах продукта?** Если каждое внедрение требует кастомного кода, который нельзя использовать повторно, - значит, продукта пока нет. Честный ответ: внедренец должен уметь показать, какие куски решения взяты из готовой платформы, а какие написаны под вас впервые.

**Последняя миля неустранима или просто ещё не построена?** Последняя миля - финальная доводка решения под конкретного клиента. Некоторые вещи всегда будут кастомными: стыковка с вашей учётной системой (ERP), специфика вашей отрасли. Это нормально. Но если «последняя миля» занимает 80% времени каждого проекта - значит, первые 80% ещё не стали продуктом.

**FDE открывают что-то новое или поглощают известное?** Если инженер едет к вам, чтобы разобраться в воркфлоу, который никто раньше не автоматизировал - это открытие. Если он едет настраивать то, что уже настраивал десять раз - это поглощение. Второе тоже нужно, но оно должно стоить дешевле первого.

**Что попало в продукт после последнего возвращения из поля?** Конкретный вопрос с конкретным ожидаемым ответом. Внедренец должен назвать функцию, примитив или правило, которое теперь работает для всех клиентов, а не только для вас. Если ответа нет - боль не превратилась в продукт.

**Делает ли каждое следующее внедрение предыдущее дешевле?** Эту метрику мало кто считает. Но даже без точной цифры должна быть ощутимая разница: второй проект быстрее первого, третий быстрее второго. Если нет - модель работает как аутсорс.


## Как это устроено у нас

Majento строит AI-агентов и внедряет их в компаниях-клиентах в FDE-модели. Это осознанный выбор с конкретным основанием: категория новая, воркфлоу ещё не существуют, клиент не может описать то, у чего нет формы. Единственный способ понять, что строить - оказаться внутри.

Мы согласны с главным критерием Чжана: каждое внедрение обязано делать следующее дешевле. Разница между инженерным подходом и просто дорогим аутсорсом - в том, куда девается переработанная боль. У нас она кристаллизуется в платформу и каталог скиллов. Скилл - это файл с правилами и инструментами, который агент читает перед задачей. Когда инженер возвращается из поля и обновляет скилл, следующий агент в следующем проекте уже знает, как вести себя в похожей ситуации.

Из полевой работы в переиспользуемые куски уже превратились: движок разбора клиентских брифов, генератор смет и коммерческих предложений, генерация фирменных материалов по брендбуку, панели показателей из сырых данных, персональные агенты руководителя, модуль финансового планирования. Каждый из них начинался как кастомное решение под конкретную боль конкретного клиента.

Теперь честно про ошибки - обе из них ровно та «заплатка в поле», о которой пишет Чжан. Первая: мы правили механику срочными заплатками прямо на живой системе клиента вместо того, чтобы починить в платформе. Та же проблема всплыла в следующем проекте - пришлось делать работу дважды. Вторая: подкручивали инструкции агентов под конкретный проект и не возвращали правки в общий скилл. Версии разъехались, у разных проектов агенты начали вести себя по-разному. Обе ошибки стоили нам дороже, чем стоило бы правильное решение сразу.

Метрику повторяемости - сколько времени занимает очередное внедрение против первого - мы пока не считаем. В открытых источниках таких данных мы тоже не нашли: похоже, её не считает почти никто. Начнём со следующих проектов.

Передача системы клиенту вшита в модель. Код, скиллы и документация остаются у клиента. Система умеет работать на его серверах в закрытом периметре. В нашем регионе это требование закона, и мы его выполняем по умолчанию.

Если вы хотите разобраться, как [шесть шагов AI-трансформации](/ru/blog/ai-transformation-steps/) выглядят в реальном проекте - там есть практическая карта того, что происходит до первого FDE и после последнего.

![Схема кристаллизации: от полевой работы к платформенным примитивам](fig-crystallization.webp)


## Боль должна оседать в общем слое

Есть одна вещь, которая отличает кристаллизацию от накопления мусора. Когда инженер возвращается из поля с новым знанием, оно должно осесть в общем слое компании, а не в очередном кастомном скрипте - в то, что все агенты используют как основу.

Этот общий слой называется харнессом - это инфраструктура знаний и правил, поверх которой работают все агенты компании. Подробнее о том, что такое харнесс и зачем он нужен, мы написали отдельно: [что такое AI-харнесс и зачем он компании](/ru/blog/company-ai-harness/).

FDE и харнесс работают в паре. Без полевой работы харнесс остаётся пустым - в него нечего класть. Без харнесса полевая работа не накапливается - каждый проект начинается с нуля. Поэтому эти два текста дополняют друг друга.


## Всё решает дисциплина

Palantir двадцать лет называли консалтингом с вывеской - и они им были, пока боль не превратилась в Foundry. Сегодня OpenAI, Anthropic, Amazon и Microsoft делают ставку на ту же модель. Ставки выросли, вопрос тот же.

FDE - это способ узнать, что строить, в категории, где этого ещё никто не знает. Ловушка не в том, чтобы начать так. Ловушка в том, чтобы остановиться на этом - и продолжать называть это продуктовой компанией.


## Вопросы и ответы

### Что такое FDE простыми словами?

Forward Deployed Engineer - инженер, которого компания-разработчик отправляет работать внутри компании-клиента. Он не консультирует удалённо и не пишет код по техническому заданию. Он сидит рядом с командой клиента, разбирается в реальных процессах и собирает решение под конкретную боль. Идея в том, что понять, что строить, можно только изнутри - особенно когда речь идёт о новых категориях продуктов, где у клиента нет готового описания задачи.

### Чем FDE отличается от аутсорса и консалтинга?

Аутсорс выполняет известную задачу по известной спецификации - написать код, протестировать систему, поддержать инфраструктуру. Консалтинг анализирует и даёт рекомендации, но не несёт ответственности за работающее решение. FDE в оригинальном смысле делает третье: едет к клиенту, чтобы понять неизвестное, собрать работающее решение и превратить полученное знание в продуктовый примитив, который потом работает у других клиентов. Граница размывается, когда компания называет аутсорс FDE-моделью - именно об этом предупреждает Чжан.

### Почему компании с FDE-моделью стоят дешевле продуктовых?

Потому что рынок оценивает компанию через валовую маржу - сколько остаётся от выручки после прямых затрат. У сервисных компаний маржа около 30%: каждый новый рубль выручки требует примерно столько же человеко-часов, сколько предыдущий. У продуктовых компаний маржа около 80%: продукт продаётся следующему клиенту без пропорционального роста затрат. Рынок оценивает сервисные компании в 1-2 годовые выручки, продуктовые - в 3,7-6. При одинаковой выручке разрыв в стоимости бизнеса в три-пять раз. Компания с FDE-моделью стоит как сервисная до тех пор, пока не докажет, что боль кристаллизуется в продукт.

### Как понять, что внедренец строит продукт, а не подсаживает на себя?

Главный признак - скорость и стоимость последующих проектов. Если каждое новое внедрение требует столько же времени и людей, сколько предыдущее, боль не кристаллизуется. Конкретные вопросы: что из вашего проекта попало в продукт и теперь работает у других клиентов? Какие куски решения взяты из готовой платформы, а какие написаны под вас впервые? Уходит ли инженер после внедрения или остаётся единственным человеком, который понимает, как система работает? Если система живёт, только пока инженер рядом, - вы купили зависимость.


*Majento строит AI-агентов и внедряет их в компаниях в FDE-модели. Если хотите разобраться, применима ли эта модель к вашей задаче - напишите в Telegram [t.me/shimaoz](https://t.me/shimaoz) или на почту [hello@majento.ai](mailto:hello@majento.ai).*