正在加载，请稍候
模型能力的差距在缩小，落地能力的差距在拉大。自建、外包还是混合？三种团队配置的成本周期对照，加四条签合同前必须写清的条款。
10 月 2 日，Anthropic 在官方新闻室宣布投入 1 亿美元、培训 1 万名工程师，理由写得很直白：企业侧的 AI 人才缺口。往前一天，Barclays 把 Claude 推进规模化运营。两条消息连起来读，缺口的要害不是「招不到人」，而是「招到了也组织不起来」。
这对采购决策很实际。当企业决定找一家 AI 软件外包公司，真正要解决的往往不是「有没有工程师」，而是「哪一段能力留在体内、哪一段交出去」。
那笔 1 亿美元不是慈善。它把「企业用不起来模型」归因到人的供给上，等于替客户承认了一件事：模型之间的边际差异在缩小，落地能力才是瓶颈。
另一头是银行的做法。它没有自建模型团队，而是把已经跑通的能力直接接进运营流程——机构客户买的是「能对上监管、能进生产」的工程化能力，不是论文。
两头一挤，压力全落在 IT 负责人身上：业务在催交付，招聘周期却按季度算。（来源：官方新闻室 2026 年 10 月公告）
量子位 10 月初那篇《最火AI岗位FDE：月薪5万，都干这些…》把这个岗位推到台前（量子位首页）。FDE 即前置部署工程师，工作不是训练模型，而是驻在客户现场，把模型能力翻译成业务流程、数据链路和验收口径。
月薪 5 万这个数字，容易让人以为贵在「懂模型」。按我们和客户对接的经验，它贵在三件事叠加：一是通才，前后端、数据、部署都得能上手；二是驻场，要跟业务方天天对齐；三是背交付结果，项目不落地，这个人就白留。三项里只有第一项和模型相关。
分清这点很重要。如果企业只是缺「调模型的人」，可以招；缺的是「把模型搬进业务、还能签验收单的人」，这类供给在 2026 年依旧稀薄。
外包不是整段替代。按落地环节拆，能交出去、也适合交出去的通常是这几段：数据采集与清洗、接口集成、回归测试集的构建、上线后的监控与值班。
该留在体内的则是不该外包的部分：场景优先级判断、合规口径、以及「什么叫业务上跑对了」的定义权。这三样一旦外包，验收标准就交到了别人手里。
所以更准确的说法是：找一家外包方，等于买一段「可验收的工程能力」，而不是买一支连方向盘一起拿走的团队。
| 配置 | 适用规模 | 起步周期 | 主要成本项 | 失败信号 |
|---|---|---|---|---|
| 3 人小核心 + 外部交付 | 场景 ≤ 3 个、预算敏感 | 4–8 周可开工 | 2 名工程 + 1 名业务对接，外部按里程碑计费 | 外部拿到需求后反复澄清，说明内部没有做场景定义的人 |
| 8 人全自建 | 场景 ≥ 6 个、有数据合规硬约束 | 12–20 周（含招聘） | 8 人年薪 + 算力 + 平台运维 | 招满三个月产能仍不及预期，数据链路吃掉一半人力 |
| 混合模式（核心自建 + 数据与测试外包） | 场景 3–6 个、节奏要求快 | 6–10 周 | 3 人核心 + 外部数据链路与回归测试 | 接口与验收口径两套标准，回归失败互相甩锅 |
周期数字按中国大陆二线以上城市 2026 年的招聘到岗速度估算，覆盖从立项到第一个可验收版本的窗口，不是模型训练时间。
某行业客户的做法很有代表性。他们先按「人才必须留在自己手里」的思路招满 8 人全自建，三个月后把整条数据链路退了回来。
原因不复杂。从发 JD 到人到齐用了三个多月，团队凑齐时业务窗口已经过去一轮；而采集、清洗、调度、监控这一段最不产生业务差异化，却吃掉了将近一半人力。真正该留下的场景判断和验收口径，反倒没人有精力做。
最后的结构是 3 人核心 + 外部交付：核心团队只负责场景排序和验收标准，数据链路、接口集成、回归测试全部外置。取舍点不在「外包便宜」，而在于承认数据链路不是护城河。
能替代一部分。驻场对接、集成、回归测试这些任务，外部方可以按项目交付；但业务优先级判断和验收标准定义权建议留在企业内部——这两件事外包出去，最后很难界定项目算不算成功。
同时满足三条比较稳妥：场景数量在 6 个以上、数据涉及明确的合规约束、且 AI 能力本身就是产品差异化来源。三条不齐时，自建的边际收益通常盖不过招聘与运维成本。
招聘与到岗周期是第一大项，平台与算力运维是第二项，第三项常被漏算：让工程师脱离业务去维护链路的隐性成本。前两项能预算，第三项通常在交付延期时才暴露。
把它当合同问题而不是信任问题：数据分级、访问最小化、脱敏与不留存条款、审计日志归属，都要在签约阶段落到附件里，而不是上线后再补。
如果你正在排下一年的团队预算，拿不准哪一段该留在体内：可以先看蓝曜炬辉做过的交付案例，或者直接说场景，我们给一份分工建议。我们怎么定义「可验收的工程能力」，写在团队与交付方式这一页；站内技术博客里还有一组关于 AI 团队配置的复盘。