文 | 字母AI
企业采购Agent这件事，门槛正在肉眼可见地降低。
OpenAI、Anthropic、Google以及微软正虎视眈眈地争夺企业客户；与此同时，Salesforce、ServiceNow、Workday这些SaaS巨头也没闲着，忙着把Agent塞进自家产品的每一个角落。
可以说，花钱买一个Agent已经不是难题。但真正让企业头疼的，是把这些Agent部署进实际工作流时的阵痛：
买了Agent，不代表它能立刻上岗干活。
美国抵押贷款公司CMG Financial就踩进了这个坑。其首席战略官Paul Akinmade此前在Salesforce年度大会上放话，承诺下一阶段要让100个Agent投入运行。现实却给了他当头一棒——事情远没有想象中顺利。
在此之前，CMG已经尝试将部分软件开发迁移至Claude Code，证明团队具备快速上手最新AI工具的能力。然而，当团队试图让Agent深入Salesforce系统、参与真实的业务流程时，项目进度突然停滞。
他们很快意识到，Agent虽然能写代码、调API，却无法理解一家企业在多年积累中形成的数据孤岛、权限壁垒和复杂流程。
这种困境并非孤例，而是整个行业的通病。根据猎头公司Christian & Timbers（C&T）的一项行业调研，美国目前真正具备将AI系统部署进企业、并能帮助客户拿到可量化回报的前线部署工程师（Forward Deployed Engineer，简称FDE），总数仅约2000人。
随着企业从“尝鲜AI”转向“规模化落地”，大型咨询和服务公司正在疯狂扩充这类人才储备。
AI产业因此出现了一个颇具讽刺意味的转折：企业并不缺Agent，真正稀缺的是那些能替它收拾烂摊子的人。
最终帮CMG理顺乱麻的，是一家名为June的初创公司。
100个Agent，为何卡在Salesforce里？
大模型公司在演示Agent时，通常会给它提供一个理想化的“无菌环境”。
数据早已清洗完毕，接口全部打通，任务边界清晰明确，调用权限也经过预设。在这种平整的跑道上，Agent只需要证明自己跑得够快即可。
但现实中的企业IT环境，往往是一团乱麻。
一家运营十几年的公司，通常同时混用Salesforce、ServiceNow、Workday、Databricks以及大量自建系统。同一个客户可能分散在四个不同的数据库中，拥有四个编号、三种状态和两位负责人。系统之间还残留着历次组织架构调整、产品改版和管理层更迭留下的痕迹。
这些痕迹未必是技术缺陷，更多是部门间认知差异的结果：销售部依据是否产生商机来定义“活跃客户”，财务部则看是否有回款入账；客服认为客户关系已终止，合规系统却要求保留档案。
每个字段背后，都牵扯着部门利益、责任边界和历史遗留问题。
在传统软件时代，老员工凭借经验能消化这些矛盾。他们清楚某个名为“客户状态”的字段其实两年没人更新；财务人员知道导出报表后需手动修正三列数据；销售经理也明白，系统显示关闭的项目仍有挽回余地。
但Agent没有这种默契，它只会机械地读取每个字段，严格按权限执行指令。
过去靠人类经验勉强维持的系统漏洞，在Agent面前瞬间暴露无遗。错误的客户状态可能导致误发营销邮件，错误的贷款状态甚至可能触发风控警报、合规风险乃至法律责任。对Agent而言，这就是一座庞大且混乱的“屎山代码”。
这正是CMG面临的障碍。
事实上，CMG Financial并非毫无准备。作为美国知名的抵押贷款公司，近年来一直在探索AI在业务流程中的应用。公司启用Claude Code辅助开发，也证实了其工程团队快速采纳新工具的能力。
在Salesforce生态中，CMG希望进一步拓展AI的应用场景。
此前，首席战略官Paul Akinmade曾在Salesforce年度大会上立下Flag：下次再聚首时，公司希望已有100个Agent正式运行。
但当Agent真正嵌入企业流程，CMG发现理想很丰满，现实很骨感。
将软件开发迁移到Claude Code相对容易，因为代码边界清晰，错误可通过测试、审核和回滚控制；而让Agent进入Salesforce，面对的是公司多年经营活动沉淀下来的数字废墟。
在这种情况下，Agent部署不再是纯技术问题，它迫使企业回答一系列长期回避的问题：哪套数据才是真理？谁有权修改？哪个部门为错误买单？哪些历史流程该被废除？
为了让Agent真正融入工作流，CMG不得不引入架构师、咨询顾问和前线部署工程师（FDE）来梳理现有系统。
几周过去了，项目进展依然缓慢，未见预期成效。
直到CMG遇到了June这家创业公司。
June创始人Efrat Rapoport将CMG的痛点概括为：创建Agent模板不难，难的是处理底层的一团糟。
June给出的方案是，先给企业系统做一份“病历”。通过扫描现有软件和数据库，识别业务流程断点、重复字段和数据冲突，进而生成一条实施路线图。
这套方法让CMG看清了Agent适合部署在何处，以及上线前必须优先解决哪些问题。
据Akin透露，甚至在双方正式启动会议前，June就已协助团队安全部署了一部分能力。
AI催生了一支FDE军团
CMG的遭遇并非个案。随着企业纷纷将Agent塞入工作流，一个新岗位正迅速升温：FDE。
该角色最早由Palantir推广。与传统软件工程师不同，FDE不局限于产品开发，而是深入客户现场，理解业务流程，将AI系统接入真实工作环境，并助力企业获取实际回报。
但这类人才极度稀缺。据C&T研究，美国目前具备此类能力的工程师仅约2000人——这不是空缺数，而是符合要求的总人数。
TechCrunch援引该研究指出，这些人需兼具行业知识、企业沟通能力及实战部署经验，才能确保持续为企业带来AI红利。
而市场需求正呈爆炸式增长。
2026年初，仅有约5%至10%的企业计划招聘FDE；到了第二季度末，这一比例飙升至约70%。大型咨询和服务公司更是计划将相关团队扩大10倍。
回顾软件时代，无论是ERP还是CRM，企业购买软件后均需实施顾问驻场适配业务；如今，Agent入局，类似角色重新回归。
但这种模式存在天然瓶颈：高度依赖高成本人力。
部署一个Agent，可能需要工程师先理清几十套软件系统、数百个数据字段及数十年业务流程。若每家企业都需配备一支FDE团队，AI规模化落地的速度仍将受限。
而这正是June试图破局的领域。
2026年8月3日，TechCrunch报道，企业AI部署创业公司June完成2000万美元Pre-seed融资。
本轮融资由Marc Benioff旗下的Time Ventures领投，Michael Dell、Aaron Levie和George Kurtz等企业软件与云计算领域的重量级人物参投。
创始人Rapoport称，这轮融资连商业计划书都没准备。
这并非June创始团队首次创业。Rapoport曾与Ohad Hen、Barak Goldstein、Idan Tsitiat共同创立语音分析公司Bonobo AI。2019年，Bonobo被Salesforce收购，团队成员随后加入Salesforce，参与其AI业务。
可以说，上一家公司解决的是“如何让AI理解客户对话”，下一家则致力于“如何让AI理解整个企业系统”。
投资人迅速下注，不仅因四人有过成功退出经历，更因他们指向的问题已成为全行业的共同焦虑。
Rapoport直言：“AI反而增加企业对专业服务的需求。”
一家银行的授信流程无法直接复制给航空公司，同一家公司的销售与财务部门也可能使用不同的数据标准。模型供应商每进入一个大客户，都需重新理解业务、打通数据、配置权限并设计容错机制。
OpenAI已证明，单卖模型不足以拿下企业市场。它正补齐部署短板：通过Frontier Alliance联合BCG、麦肯锡、埃森哲和凯捷等咨询与系统集成伙伴，推动AI改造。2026年5月，OpenAI成立OpenAI Deployment Company，并收购应用AI咨询公司Tomoro，获得约150名FDE和部署专家。该公司启动时获超40亿美元初始投资，进一步押注企业AI落地市场。
亚马逊动作更猛。今年7月底，AWS宣布投入10亿美元组建前线部署工程团队，派工程师进入客户组织，帮助其在几天而非几个月内搭建Agent系统。
Anthropic、Google Cloud、Stripe等也在扩充类似岗位。部分美国FDE职位年薪已达17万至20万美元，OpenAI开出的上限一度高达34.5万美元，尚含股权。
企业缺的显然不再是一套Agent产品，而是一支懂模型、软件和业务的复合型工程队。
Palantir的成功证明，部署团队不仅是成本中心，更是销售和续约的核心壁垒。工程师驻守客户身边，能迅速洞察真实需求，指导产品方向，并构建普通SaaS难以企及的客户黏性。
问题是，这种模式难以无限复制。
每增一个客户，可能需增一批工程师；每家公司都有历史包袱，前案经验未必能完整复用。只要交付仍高度依赖人力，Agent公司的毛利率和扩张速度就会受限。
更棘手的是，客户可能陷入新困境：过去被软件供应商锁定，现在被部署工程师锁定。系统虽运行起来，却只有少数外人知其运作机理。一旦人员离职，企业又将面对黑箱。
Akinmade在试用June前直言：若此产品仍需FDE，他不要；他不想再得一物，仅少数人能懂。
目前看来，June通过了考验。
谁能吃掉“擦屁股”这门生意？
过去，企业忍受系统混乱，是因旧系统虽低效但至少可用。员工靠经验填补数据断点，管理层不愿为微效提升冒险改造核心业务。
Agent打破了这一平衡。它承诺接管整段工作，而非单纯提效百分之几。
要兑现承诺，企业必须系统清理数据、重划权限，并将口耳相传的流程写入软件。
这使得“给旧系统擦屁股”从维护费用变成一门增长生意。
June想吃的正是这块预算——它将FDE工作拆解为软件流程：自动诊断、给出路线、逐项搭建。
若同类数据冲突、权限结构和工作流能在不同企业间复用，June就能将按人天收费的项目，转化为可规模化销售的产品。
这是一笔比再造一个Agent更具吸引力的生意。
模型能力日益趋同，调用价格持续下降。企业可在OpenAI、Anthropic、Google乃至开源模型间切换，却难轻易更换已梳理完的数据和业务结构。
企业并非等待AI书写的白纸，更像一栋不断加盖、从未彻底维修的老楼：地下埋着废弃管线，墙后藏着临时电路，每任管理者都留下只有自己懂的改造痕迹。
模型公司送来越来越聪明的机器人，却发现进门后首要任务不是工作，而是看懂楼体结构，防止哪天牵一发而轰然倒塌。
谁替企业完成这次清理，谁就更可能占据Agent与旧系统间的控制层。
June并非唯一解题者。但“擦屁股”生意终归谁手，尚无定论：
第一种可能，是June这类创业公司成功将部署工作产品化。
它们不拥有最强模型，也不掌握原始系统，却能保持中立：接入不同模型和SaaS，助客户选最佳组合。若产品真能减少驻场人员，这类公司将直接冲击传统咨询和系统集成商。
第二种可能，是Salesforce、ServiceNow等SaaS巨头自行收割这笔钱。
它们最懂自家数据结构，也掌控企业核心入口。Agent越需读取客户、员工和订单数据，旧SaaS越难被绕过。
June验证市场后，SaaS公司既可复制功能，也可直接收购。
这将导向与“SaaS末日论”截然不同的结果：Agent未摧毁传统软件，反而延长了其寿命。
企业不会用自然语言临时搓出一套世界500强级别的CRM，更不敢让来历不明的Agent接管财务人事。Salesforce、Workday和ServiceNow长期积累的客户数据、权限体系和合规记录，恰是Agent入场必需的基础——Agent越强，这些系统作为“事实来源”的价值越大。
第三种可能，是对AI行业最不性感的一种：企业技术债根本无法彻底产品化。
修改数据字段看似技术活，实则是权力再分配。取消一道审批，意味着有人失去控制权；统一两套客户标准，意味着某部门承认过往数据不可靠；让Agent接管流程，还涉及出事由业务方、软件商还是模型商担责。
这些问题不可能只靠扫描数据库解决。
若企业改造核心始终是组织协调而非技术诊断，最终赚得最多的，仍可能是Palantir、埃森哲、麦肯锡等拥有庞大交付队伍的公司。模型公司卖出更多Agent，咨询公司就获得更多实施项目。AI号称减少白领劳动，率先创造的却是一支更昂贵的技术顾问大军。
June能否跳出第三种坏结局，取决于几个未解之谜。
它进入客户后，需多少员工参与？不同企业间有多少诊断结果可复用？收费依据是订阅、项目实施还是业务效果？若June建议删除某字段致合规事故，谁担责？
更关键的是，它能否公开一批非创始团队亲自陪跑、却仍成功上线的客户案例？
一家号称替代FDE的公司，不能靠更多FDE自证。
CMG案例目前仅证明，June比此前的架构师和顾问更快找到问题。但它尚未证明，这种能力能脱离几名拥有多年Salesforce经验的创始人，稳定复制给成百上千家企业。
CMG不缺Agent，不缺模型，也不缺预算。它缺的是一张能说明旧系统如何运转、何处可拆、出事谁负责的地图。
Akinmade不要只有少数人能懂的黑箱。但在企业AI真正实现标准化前，能打开这些黑箱的人，可能比黑箱里的Agent更贵。