knowledge > tech
왜 FDE인가? 왜 지금인가?
AI가 코드를 짜는 시대에, 왜 AI 기업들은 고객사에 엔지니어를 보내는 데 투자할까? FDE가 SI와 어떻게 다른지, 사람을 투입하고도 어떻게 수익을 내고 규모를 키우는지 15개의 질문으로 풀어본다.
Forward Deployed Engineer, 전방 배치 엔지니어에 대해서 왜 하필 지금 말이 이렇게 많은가? 그리고 AX(AI Transformation) 프로젝트에서 어떤 역할을 맡는가? 내가 궁금했던 것들에 대한 답을 찾아봤다.
- FDE라는 직군은 어떤 역사와 배경에서 등장했는가?
- FDE란 무엇이며, SI·SA나 다른 파견 개발 직무와 무엇이 다른가?
- FDE는 어떤 역량을 갖춰야 하는가?
- FDE 프로젝트는 어떤 고객을 골라 무엇을 약속해야 하는가?
- 기업 AX에서 배포 격차란 무엇이며, FDE는 이를 어떻게 해결하는가?
- 기업 AX에서 고객의 요구사항을 그대로 믿고 개발하면 안 되는 이유는 무엇인가?
- FDE는 오래된 직군인데, 왜 지금 주목받고 투자가 이루어지는가?
- FDE가 관여하는 기업 AX 시장은 충분히 크고 수익성이 있는가?
- FDE 회사를 인수한 빅테크나 AI 프론티어 기업은 무엇을 얻으려고 하는가?
- FDE 파견은 AX 프로젝트의 원가를 높일텐데, FDE를 운용하는 회사는 이 비용을 어떻게 보는가?
- FDE는 어떤 순서로 프로젝트를 진행하며, 각 과정에서 무엇이 가장 중요한가?
- FDE가 구축한 시스템은 계약이나 개발 기간이 끝난 뒤 어떻게 운영되는가?
- 어떤 제품과 고객에게 FDE 방식이 적합한가? 개발 역량이 있는 회사에는 필요 없을까?
- FDE는 고객별 솔루션을 기존 제품 위에 만드는가, 별도로 개발한 뒤 통합하는가? 어떤 기준으로 선택하는가?
- FDE의 작업은 확장이 어려워 보인다. 실제로 어떤 확장 및 플랫폼화 방법이 시도되었는가?
Q1. FDE라는 직군은 어떤 역사와 배경에서 등장했는가?
현재의 FDE 모델은 팔란티어가 정보기관의 업무를 소프트웨어로 지원하던 과정에서 발전했다. 팔란티어는 2003년 설립 후 미국 정보기관의 대테러 조사와 작전을 지원하는 소프트웨어를 만들었고, 이후 민간 기업으로 사업을 넓혔다.[1]1Palantir Technologies Inc., 2020년 상장 투자설명서, 2020, 「Business—Overview」 절. 2003년 설립과 미국 정보기관 대상 사업의 시작을 설명한다. ↩ www.sec.gov
팔란티어의 초기 제품 및 엔지니어링을 이끌었던 Bob McGrew는 FDE의 등장 과정을 회고했다. 그의 설명에 따르면, 2000년대 중반 개발팀은 정보기관이 실제로 어떻게 일하는지 충분히 알지 못했다. 외부 개발자가 고객의 업무를 파악하기 어려웠기 때문에, 먼저 시제품을 만들어 정보기관 담당자에게 보여주었다. 담당자가 실제 업무와 맞지 않는 부분이나 추가로 필요한 기능을 설명하면, 개발팀은 그 피드백을 바탕으로 업무 방식을 파악하고 제품을 수정했다.
고객과 함께 제품을 개선하는 과정에서 또 다른 문제가 드러났다. 한 고객에게 유용한 제품을 만들어도 다음 고객에게 그대로 적용하기는 어려웠다. 고객마다 업무 방식과 필요한 기능이 달랐기 때문이다. 완성된 제품 하나를 여러 고객에게 동일하게 제공하는 방식으로는 이 차이를 수용하기 어려웠다. 팔란티어는 여러 고객이 함께 쓸 수 있는 기능을 플랫폼으로 만들고, 고객별로 필요한 부분은 현장에서 추가로 구현하는 방식을 발전시켰다. 이를 위해 엔지니어가 고객과 직접 일하며 플랫폼에 부족한 기능을 개발하도록 했다. 제품팀은 현장에서 만든 기능 가운데 다른 고객에게도 필요한 것을 찾아 공통 플랫폼에 반영했다. 이렇게 고객의 업무를 파악하고 필요한 소프트웨어를 직접 만드는 일이 FDE의 역할로 발전했다. [2]2Bob McGrew, Y Combinator, The FDE Playbook for AI Startups with Bob McGrew, 2025-09-08, 03:19–07:55. 공개된 자막 전사본으로 확인했다. ↩ www.youtube.com
이 구조에서 공통 플랫폼을 개발하는 엔지니어는 Dev, 고객의 문제를 해결하는 엔지니어는 Delta로 불렸다. 팔란티어의 2019년 공식 설명은 Dev를 ‘여러 고객을 위한 하나의 기능’, Delta를 ‘한 고객의 문제를 해결하는 여러 기능’에 집중하는 역할로 구분한다.[3]3Palantir, Dev versus Delta: Demystifying engineering roles at Palantir, 2019-04-08, 「Wait, what’s a Delta?」 절. ↩ blog.palantir.com 같은 고객 문제를 해결할 때도 Dev는 여러 고객이 사용할 기능의 완성도를 높이고, Delta는 그 기능을 포함한 여러 수단을 조합해 고객의 업무가 실제로 개선되도록 하는 것이다.
다른 기업들도 복잡한 고객 업무를 지원할 필요에 따라 비슷한 조직을 만들었다. 기업의 지출 관리를 돕는 Ramp는 대형 고객의 복잡한 요구를 지원하기 위해 2023년 가을부터 FDE 조직을 형성했다고 설명한다.[4]4Leo Mehr, Ramp Builders Blog, Forward Deployed Engineering, 2025-08-05, 「FDE at Ramp」 절. ↩ engineering.ramp.com 팔란티어에서 발전한 이 방식은 생성형 AI의 대중화보다 오래되었다. 최근에는 AI를 고객의 실제 업무에 적용하는 문제에도 활용되면서 적용 범위를 넓히고 있다.
Q2. FDE란 무엇이며, SI·SA나 다른 파견 개발 직무와 무엇이 다른가?
FDE는 고객과 비즈니스 목표를 구체화하고, 그 목표를 달성하는 소프트웨어를 직접 구현해 실제 운영까지 연결하는 엔지니어다. FDE의 특징은 고객의 문제를 정의하는 일, 직접 코드를 구현하는 일, 업무 성과를 평가하는 일을 함께 맡는다는 데 있다.
첫째, 설계와 진단 이후에도 비즈니스 코드의 구현·배포·검증을 직접 맡는다. 필요한 구조를 제안한 뒤 개발을 다른 팀에 넘기는 것으로 역할을 마치지 않는다. 고객의 데이터와 기존 시스템을 연결하고, 업무 규칙을 코드로 구현하며, 사용 중 발견한 문제를 수정한다. 팔란티어의 FDE는 고객별 개발뿐 아니라 필요한 기능과 버그 수정을 공통 제품에 직접 기여하기도 한다. 이때 제품팀과 설계·코드 검토를 함께 진행한다.[5]5Palantir, Dev versus Delta: Demystifying engineering roles at Palantir, 2019-04-08, 「Wait, what’s a Delta?」의 제품 코드 기여 설명 및 「What does the day-to-day of your role look like?—Delta」 절. ↩ blog.palantir.com 고객에게 필요한 기능이 기존 제품에 없더라도, 제품팀에 요청을 전달하는 데서 멈추지 않고 구현에 참여하는 것이다.
둘째, 고객과 비즈니스 목표를 정하고 달성 여부까지 확인한다. 팔란티어는 제조업 고객의 불량률을 낮추는 목표를 예로 든다. FDE는 목표 달성에 필요한 데이터 연결과 기능을 선택하고, 고객의 지표가 얼마나 개선되었는지로 성과를 판단한다.[6]6Palantir, Dev versus Delta: Demystifying engineering roles at Palantir, 2019-04-08, 「Wait, what’s a Delta?」 절의 제조업 불량률 사례와 고객 목표에 따른 성과 평가 설명. ↩ blog.palantir.com 목표를 먼저 정하면 무엇을 만들지에 대한 판단도 달라진다. 기능을 완성한 뒤에도 FDE는 도입 전후의 업무 지표를 비교하고, 목표에 미치지 못한 원인을 찾아 수정한다.
예를 들어 직원의 수작업을 줄이기 위해 반품 처리 에이전트를 만들었다고 가정하자. 에이전트가 문의에 답하더라도 직원이 주문을 다시 조회하고 반품을 수동으로 접수한다면 업무 부담은 크게 줄지 않을 수 있다. FDE는 사람이 계속 개입하는 이유를 찾고, 주문 시스템 연동이나 승인 절차를 조정한 뒤 처리 시간의 변화를 측정한다. 이 예시에서 배포는 성과를 검증하기 위한 시작점이며, 이후의 수정도 프로젝트 책임에 포함된다.
SA(솔루션 아키텍트)의 역할이 설계 자문까지이거나, SI(시스템 통합)·파견 개발의 책임이 정해진 명세의 구현까지인 경우와 비교하면 FDE는 문제 정의부터 운영 성과까지 넓게 관여한다. SI나 SA가 직접 구현과 업무 성과까지 책임지는 경우에는 FDE와 역할이 겹친다. 두 책임을 함께 맡는 업무 방식이 이 글에서 설명하는 FDE의 특징이다.
Q3. FDE는 어떤 역량을 갖춰야 하는가?
FDE는 고객의 업무 문제를 개발할 작업으로 나누고, 필요한 시스템을 직접 구현하며, 고객과 적용 범위를 합의할 수 있어야 한다. 여기에 AI 프로젝트에서는 에이전트의 실패를 찾아 평가하고 운영 방식을 조정하는 역량이 더해진다.
개발 역량은 이 역할의 기본이다. 데이터와 외부 시스템을 연결하고, 업무 규칙을 구현하며, 배포 후 오류의 원인을 찾아 수정할 수 있어야 한다. 팔란티어는 FDE에게 높은 수준의 비즈니스 문제부터 이를 해결할 코드까지 이해하는 능력이 필요하다고 설명한다. 익숙하지 않은 언어나 도구를 스스로 배우고, 플러그인을 만들거나 플랫폼의 문제를 디버깅하는 능력도 강조한다.[7]7Palantir, Dev versus Delta: Demystifying engineering roles at Palantir, 2019-04-08, 「What are some examples of skills that are important for your role?—Delta」 절의 문제 분해, 자율적인 학습, 기술적 판단 설명. ↩ blog.palantir.com
고객의 업무를 배우고 문제를 구체화하는 능력도 필요하다. ‘반품 처리가 느리다’는 설명을 들으면 주문 조회, 정책 판단, 승인 대기 중 어디에서 시간이 걸리는지 나누어 살펴야 한다. 그 결과를 현업 담당자가 이해할 업무 변화와 개발팀이 구현할 작업으로 각각 설명할 수 있어야 한다. 팔란티어는 사용자에 대한 이해, 비즈니스 전략을 배우려는 태도, 독립적인 판단을 성공적인 FDE의 역량으로 꼽는다.[8]8Palantir, Dev versus Delta: Demystifying engineering roles at Palantir, 2019-04-08, 「What are some examples of skills that are important for your role?—Delta」 절의 사용자 이해, 비즈니스 전략, 독립적인 판단 설명. 본문의 반품 처리 분석은 설명용 예시다. ↩ blog.palantir.com 고객의 요청을 듣는 데서 나아가 어떤 문제를 먼저 해결할지 근거를 제시하고 합의를 이끄는 능력이다.
제한된 시간 안에 효과를 낼 범위를 고르고, 고객별 구현을 어디까지 허용할지 판단하는 제품 감각도 중요하다. Ramp는 고객의 요구를 직접 질문해 실제 필요한 범위로 줄이는 원칙과, 여러 고객에게 쓸 수 있는 기능을 만드는 원칙을 함께 제시한다.[9]9Leo Mehr, Ramp Builders Blog, Forward Deployed Engineering, 2025-08-05, 「FDE Principles」의 「Always be scoping」 및 재사용 가능한 기능과 최소 구현 범위 사이의 판단 설명. 본문의 반품 기한 설정은 설명용 예시다. ↩ engineering.ramp.com 반품 정책 전체를 한 번에 자동화하기보다 자주 들어오는 일반 반품부터 구현하되, 고객마다 다른 반품 기한은 설정으로 두는 식이다. 당장의 납기와 다음 고객에게 재사용할 구조를 함께 고려하는 판단이 필요하다.
AI 프로젝트에서는 모델의 답변과 행동을 평가하는 역량이 추가된다. Sierra는 실제 대화에서 발견한 오류를 테스트로 남기고, 변경 후에도 같은 문제가 반복되는지 검증하는 방식을 설명한다.[10]10Clay Bavor·Bret Taylor, Sierra, The Agent Development Life Cycle, 2024-06-03, 「Quality assurance: Continuous, structured human feedback」 및 「Testing: Regression tests for conversations」 절. 본문의 반품 에이전트 시험 항목과 실패 원인 구분은 설명용 예시다. ↩ sierra.ai 반품 에이전트라면 정상 요청뿐 아니라 기한 초과, 주문 조회 실패, 직원 승인이 필요한 요청을 시험해야 한다. FDE는 실패가 주문 데이터 누락에서 왔는지, 잘못된 정책 적용에서 왔는지, 모델이 처리하기 어려운 판단인지 구분하고, 그에 맞춰 연동·규칙·사람의 개입 범위를 바꿀 수 있어야 한다.
Q4. FDE 프로젝트는 어떤 고객을 골라 무엇을 약속해야 하는가?
FDE 프로젝트의 영업은 해결할 문제의 가치와 고객의 실행 여건을 함께 판단하는 데서 시작한다. 자료들을 종합하면 목표 고객(ICP)은 개선 효과가 구축·운영비를 감당할 만큼 크고, 이에 쓸 예산이 있으며, 공통 제품을 활용해 해결책을 만들 수 있는 기업이다. 개선 효과가 작거나 고객마다 완전히 다른 시스템을 만들어야 한다면 현장 개발에 드는 비용을 회수하기 어렵다. 큰 계약이라도 전담 인력이 계속 새 기능을 만들고 유지해야 한다면, 그 매출의 상당 부분은 고객별 개발과 지원에 쓰인다.[11]11Marc Andrusko, Andreessen Horowitz, The Palantirization of everything, 2026-01-16, 「Not every problem is a “Palantir-grade” problem」 및 「A More Realistic Framework: When Does “Palantirization” Make Sense?」 절. 본문의 고객 선택 기준은 문제의 가치·고객별 경제성·업무의 공통성에 관한 설명을 종합한 것이다. ↩ a16z.com
예산과 함께 현업의 참여와 내부 승인도 도입의 조건이다. 팔란티어 초기 제품 개발을 이끈 Bob McGrew는 경영진의 지지를 강조한다. 데이터 접근과 업무 변경을 실제로 승인받는 데 필요하기 때문이다.[12]12Bob McGrew, Y Combinator, The FDE Playbook for AI Startups with Bob McGrew, 2025-09-08, 「Why AI Companies Adopt It」 장 후반부의 고객 조직 내 승인과 경영진 지지 설명. 공개된 자막 전사본으로 확인했다. ↩ www.youtube.com 업무 책임자가 목표를 정하고, IT·보안 담당자가 데이터 접근과 시스템 연결에 참여해야 개발이 진행된다. 해결할 문제를 정하지 못했거나 데이터 제공과 업무 검토에 참여할 의사가 없는 기업은 FDE 구축 상품의 판매 대상에서 제외한다.
이 조건이 맞으면 영업 담당자와 FDE가 함께 현재 업무의 비용·지연·오류를 확인하고, 개선할 지표와 목표를 정한다. FDE는 데이터와 시스템의 제약을 살펴 기존 제품으로 가능한 범위와 추가 개발이 필요한 부분을 구분한다. Ramp가 FDE를 영업부터 도입·운영까지 참여시키는 이유도 초기에 요구사항과 범위를 조정하고, 고객에게 한 약속을 실제 구축까지 이어가기 위해서다.[13]13Leo Mehr, Ramp Builders Blog, Forward Deployed Engineering, 2025-08-05, 「Team operating model: map to the customer lifecycle」 및 「FDE Principles—Always be scoping」 절. ↩ engineering.ramp.com
제안에는 첫 적용 범위와 기간, 성공 기준, 고객의 협조 조건을 담는다. 합의한 업무를 구현하고 목표 달성 여부를 검증하며 개선하는 데까지 책임을 약속하되, 검증하지 않은 성과나 모든 요구의 무제한 구현을 보장해서는 안 된다.
가격도 투입 공수와 함께 고객이 얻을 절감 효과나 추가 매출을 근거로 설명할 수 있다. McGrew는 해결하는 문제의 가치에 맞춰 가격을 정하고, 더 중요한 업무를 맡으며 계약을 확대하는 방식을 설명한다.[14]14Bob McGrew, Y Combinator, The FDE Playbook for AI Startups with Bob McGrew, 2025-09-08, 「Why AI Companies Adopt It」 장 후반부의 문제 가치·가격·위험 부담 설명 및 「What Success Metrics Look Like」, 36:17부터. 공개된 자막 전사본으로 확인했다. ↩ www.youtube.com 처음부터 전체 요구를 큰 계약으로 묶기보다, 초기 검증 결과에 따라 다음 적용 범위와 가격을 협의하는 접근이다. 고객이 얻을 가치를 근거로 가격을 정하는 것과 실제 성과에 따라 청구액을 바꾸는 것은 서로 다른 과금 방식이다. 전자는 예상 절감액이나 추가 매출을 가격 협상의 근거로 삼고, 후자는 계약에 정한 성과 지표와 산식으로 청구액을 계산한다.
Q5. 기업 AX에서 배포 격차란 무엇이며, FDE는 이를 어떻게 해결하는가?
OpenAI의 FDE 조직 책임자 Colin Jarvis는 모델이 할 수 있어 보이는 일과 사람이 실제 업무에서 안정적으로 활용할 수 있는 일 사이의 차이를 ‘배포 격차(deployment gap)’라고 설명한다.[15]15Colin Jarvis, OpenAI, What FDE means at OpenAI, 2026-10-22, 도입부의 「the deployment gap」 정의와 모델 역량·활용 시스템 사이의 격차 설명. ↩ openai.com 기업 AX에서 이를 줄이기 위한 배포 작업에는 모델을 고객의 데이터·도구·권한 및 업무 절차에 연결하고, 일상 업무에서 지속적으로 사용할 수 있게 만드는 과정이 포함된다.[16]16OpenAI, OpenAI launches the OpenAI Deployment Company to help businesses build around intelligence, 2026-05-11, 「Building for where frontier AI is headed」 절. 모델을 고객의 데이터·도구·통제 수단·업무 절차와 연결해 일상 업무에서 안정적으로 활용하도록 하는 과정을 설명한다. ↩ openai.com
예를 들어 반품 에이전트가 고객의 요청을 이해해도, 구매 날짜를 확인하지 않거나 반품 기한이 지난 주문을 승인한다면 실제 업무를 맡기기 어렵다. 고객지원 AI 에이전트와 운영 플랫폼을 만드는 Sierra는 에이전트에게 업무 목표와 반드시 지켜야 할 규칙을 함께 설정한다고 설명한다. ‘고객의 반품을 돕는다’는 목표와 ‘구매 후 30일 이내에만 반품할 수 있다’는 조건을 함께 구현하는 식이다. 실제 고객과의 대화에서 오류가 발견되면 그 대화를 테스트로 만들어, 에이전트를 수정한 뒤 같은 문제가 반복되는지도 확인한다.[17]17Clay Bavor·Bret Taylor, Sierra, The Agent Development Life Cycle, 2024-06-03, 도입부, 「Development: Declarative goals and guardrails」, 「Quality assurance: Continuous, structured human feedback」 및 「Testing: Regression tests for conversations」 절. 구매 후 30일 이내 반품 조건은 원문의 예시다. ↩ sierra.ai
FDE는 이런 기능이 고객의 시스템과 업무 절차 안에서 작동하도록 연결하고, 시험 운영에서 드러난 문제를 직접 수정한다. 서비스 장애의 탐지와 대응을 돕는 소프트웨어 회사인 PagerDuty는 채용 공고에 이 업무를 구체적으로 명시한다. 이 회사의 FDE는 장애 대응 에이전트를 고객의 모니터링 도구와 배포 시스템 등에 연결한다. 시험 운영 중에는 에이전트에 필요한 접근 권한이 있는지, 시스템 상태를 보여주는 로그·지표를 받아올 수 있는지, 외부 도구와 연결할 기능이 빠져 있는지 확인하고 이를 해결할 코드를 작성한다. 여러 고객에게 필요한 연결 도구와 기능은 제품팀의 검토와 평가를 거쳐 공통 제품에 반영한다.[18]18PagerDuty, Forward Deployed Engineer (SDEV) - London, England, United Kingdom, 발행일 미표기, 2026-11-14 확인, 회사·직무 소개 및 「Key Responsibilities」 절. 채용 공고에 명시된 업무 범위를 설명한 것이며, 특정 고객 프로젝트의 성과를 뜻하지 않는다. ↩ careers.pagerduty.com
앞선 반품 예시를 가상의 구축 상황으로 이어가 보자. 목표가 직원의 수작업을 줄이는 것이라면, FDE는 반품 안내부터 주문 조회와 접수까지 처리 흐름을 따라가며 사람이 계속 개입하는 원인을 찾는다. 주문 조회가 막혀 있다면 필요한 권한과 연동을 마련하고, 반품 정책을 잘못 적용한다면 판단에 쓰이는 정보와 규칙을 수정한다. 수정 후에는 직원이 다시 처리해야 하는 건수나 소요 시간이 줄었는지 확인한다.
추가 개발로 해결되지 않는 문제에는 운영 방식을 바꾸는 대응이 필요하다. 주문 정보를 충분히 제공해도 모델이 예외적인 반품 사유를 안정적으로 판단하지 못한다면, FDE는 해당 사례를 직원에게 넘기도록 구현하고 자동화 범위를 좁힌다. 자동화 이후 검토 부담이 더 커진 업무는 적용 대상에서 제외한다. FDE는 이런 판단을 바탕으로 고객이 원하는 성과를 낼 수 있도록 구현 범위와 운영 방식을 조정한다.
Q6. 기업 AX에서 고객의 요구사항을 그대로 믿고 개발하면 안 되는 이유는 무엇인가?
고객은 업무에서 겪는 불편을 잘 알고 있어도, 그것을 해결할 소프트웨어의 형태까지 정확히 정하기는 어렵다. 요구사항에는 실제 문제와 고객이 생각한 해결 방법이 함께 들어간다. 예를 들어 ‘이런 대시보드를 만들어 달라’는 요청은 필요한 화면을 설명하지만, 누가 그 화면을 보고 무엇을 판단하며 어떤 조치를 취해야 하는지는 빠져 있을 수 있다. 개발팀이 화면의 명세만 충족하면 기능을 완성하고도 원래의 업무 문제는 해결하지 못할 수 있다.
팔란티어에서 엔지니어의 현장 업무 참여 프로그램을 만들었던 Vinoo Ganesh는 물류 고객의 사례를 소개했다. 고객은 47쪽 분량의 대시보드 요구사항을 제시했다. 현장을 방문한 엔지니어가 담당자에게 월요일 아침 그 정보를 확인한 뒤 어떤 일을 하는지 묻자, 구체적인 업무 흐름이 드러났다. 담당자는 트럭이 지연되었는지 확인하고, 배차 담당자에게 연락해 후속 조치를 요청하려고 했다. 이 흐름에서는 지연 사실을 Slack으로 알려주는 것만으로도 필요한 행동을 시작할 수 있었다. 그는 팀이 이 알림을 구현해 네 시간 만에 당장의 배차 문제를 해결했다고 회고한다. 대시보드가 필요하다는 가정을 검토하고, 정보를 받은 사람이 다음에 할 행동에 맞춰 구현 범위를 정한 것이다.[19]19Vinoo Ganesh, AI Engineer, How Forward Deployed Engineering is done at Kepler, AI Engineer World’s Fair 2026, 「Find the decision behind the dashboard」, 05:00–08:27. 요구사항 규모와 구현 시간은 발표자의 회고에 따른다. ↩ ai.engineer
무엇부터 자동화할지도 같은 방식으로 검토할 수 있다. 고객지원 AI 에이전트를 만드는 Decagon의 FDE CTO Sunny Rekhi는 고객이 처음 제시한 요청과 실제로 효과가 클 업무가 다를 수 있다고 설명한다. Decagon은 고객의 과거 상담 데이터를 분석하고, 여러 기업에 에이전트를 적용하며 얻은 경험을 바탕으로 먼저 자동화할 업무를 제안한다. 고객이 중요하게 느끼는 요청에 더해, 실제 상담 기록에서 어떤 업무가 반복되고 어디에 자동화를 적용할 때 효과가 클지 확인하는 접근이다.[20]20Sunny Rekhi, AI Engineer, How Forward Deployed Engineering is done at Decagon, AI Engineer World’s Fair 2026, 「Use support history to choose what to automate」, 13:44–15:02. ↩ github-main-preview.ai.engineer
FDE는 요구사항을 받으면 그 기능을 요청하게 된 업무부터 따라간다. 사용자가 현재 어떤 정보를 모으고, 어디에서 기다리며, 결과를 받은 뒤 누구에게 무엇을 요청하는지 확인한다. 문서에 빠진 예외 처리나 수작업까지 살펴보면 필요한 기능이 추가될 수도 있고, 처음 요청한 기능의 일부를 만들지 않아도 될 수 있다. FDE는 조사 결과를 고객과 공유하고 해결할 문제와 구현 범위를 다시 합의한다. 구현 후에는 처리 시간이나 수작업 건수의 변화를 측정해, 요청받은 기능을 만드는 것으로 끝나지 않도록 한다.
Q7. FDE는 오래된 직군인데, 왜 지금 주목받고 투자가 이루어지는가?
AI 에이전트에 사람이 하던 업무의 일부를 맡길 수 있게 되면서, 기업들이 자동화를 시도하는 범위가 넓어졌다. 모델을 구매하는 것만으로 업무가 자동화되지는 않는다. 맡길 일을 정하고, 회사의 데이터와 시스템을 연결하고, 실제로 제대로 처리하는지 확인하는 개발이 필요하다. 이를 고객과 함께 수행하는 FDE의 수요도 커지고 있다.
팔란티어 초기 제품 개발을 이끈 Bob McGrew는 AI 에이전트 사업에서는 제품이 해결할 문제를 고객과 함께 찾아야 하는 경우가 많다고 설명한다. 기존 소프트웨어를 교체한다면 그 제품의 기능과 사용 방식이 개발의 출발점이 될 수 있다. 사람이 직접 처리하던 업무를 처음 AI에 맡길 때는 무엇을 자동화하고 사람이 어디에 개입할지부터 정해야 한다. FDE는 고객의 업무를 살펴보고 직접 구현하면서 제품의 기능과 사용 방식을 구체화한다.[21]21Bob McGrew, Y Combinator, The FDE Playbook for AI Startups with Bob McGrew, 2025-09-08, 「Why AI Companies Adopt It」 장, 23:04부터. 공개된 자막 전사본으로 확인했다. ↩ www.youtube.com
반품 업무를 예로 들면, AI가 반품 안내를 작성하더라도 처리를 끝내려면 주문 조회, 반품 조건 확인, 접수 결과 기록이 필요하다. 예외적인 요청은 직원에게 넘겨야 할 수도 있다. FDE는 담당자와 이 과정을 확인하고 필요한 기능을 개발한다. 사용 후에도 직원이 같은 내용을 다시 확인하고 입력해야 한다면, 그 원인을 찾아 수정해야 업무 부담을 줄일 수 있다.
고객별 개발 비용을 낮추는 AI의 효과도 FDE에 대한 투자 논리가 된다. 기존 SaaS는 공통 제품의 개발비를 여러 고객에게 나누어 회수한다. 고객이 늘어도 같은 기능을 다시 만들지 않는 것이 이 모델의 경제적 이점이다. 특정 고객만을 위한 기능은 개발비를 다른 고객에게 나누어 회수하기 어렵고, 변경과 유지보수도 별도로 발생한다. 이 때문에 제품 회사는 고객별 개발을 제한해 왔다.
AI는 이런 맞춤 개발과 연동 작업에 드는 시간과 비용을 줄이는 도구로 작용한다. 벤처투자사 a16z의 Joe Schmidt는 AI 시대에 가능해진 것 중 하나로 AI를 고객 업무에 적용하는 구축 작업 자체도 AI로 효율화·자동화할 수 있다는 점을 꼽는다. 데이터 필드를 연결하고 서로 다른 시스템 사이에 데이터를 전달하는 작업 등이 그 대상이다.[22]22Joe Schmidt, Andreessen Horowitz, Trading Margin for Moat: Why the Forward Deployed Engineer Is the Hottest Job in Startups, 2025-06-04, 「The implementation necessity」 절. AI를 업무에 적용하는 구축 작업 자체를 AI로 효율화·자동화할 수 있다는 투자 논지를 설명한다. 고객별 개발 비용의 감소가 사업성을 높인다는 본문의 설명은 이 논지의 경제적 의미를 풀어 쓴 것이다. ↩ a16z.com 고객별 구현에 필요한 인력이 줄면 같은 계약 금액에서도 더 많은 이익을 남길 수 있고, 이전에는 개발비 때문에 수지가 맞지 않던 고객에게도 솔루션을 제공할 수 있다. AI 도입 수요가 커지는 동시에 이를 구현하는 비용이 낮아진다는 기대가 FDE 방식에 대한 투자를 뒷받침한다.
이런 개발을 맡을 인력이 부족하면 자사 기술의 도입이 늦어진다고 보고 있는 회사도 있다. AWS는 운영 가능한 AI 시스템을 원하는 수요를 자체 조직만으로 감당하기 어렵다고 설명하며, 2026년 6월 전담 FDE 조직에 10억 달러를 투자하고 파트너사도 고객의 시스템을 구축할 수 있도록 지원하겠다고 발표했다.[23]23Chandra Pinapala·Erik Farr·Karthik Sonti, AWS Partner Network Blog, Introducing Forward Deployed Engineering for Partners: Winning the Future of Enterprise AI, 2026-06-30, 도입부 및 「Why Partners, Why Now」 절. ↩ aws.amazon.com AI를 쓰려는 고객이 늘어난 만큼, 고객의 업무를 파악하고 시스템을 만들어 줄 인력도 늘리겠다는 것이다.
Anthropic은 2026년 10월 고객사와 파트너사의 엔지니어를 교육하는 Claude Frontier Academy에 1억 달러를 투입하고, 2027년 말까지 1만 명을 양성하겠다고 발표했다. 이 회사는 프로그램에서 FDE를 Frontier Deployed Engineer라고 부르며, 기업 AI 도입에 필요한 숙련 인력의 부족을 해결하려는 목적을 밝혔다.[24]24Anthropic, Anthropic invests $100 million to train 10,000 engineers and tackle the enterprise AI talent gap, 2026-10-02, 도입부 및 「The first program trains 10,000 Frontier Deployed Engineers」 절. ↩ www.anthropic.com
Q8. FDE가 관여하는 기업 AX 시장은 충분히 크고 수익성이 있는가?
기업의 AI 지출과 구축 수요는 크고, FDE를 활용하면서 높은 수익성을 달성한 기업도 있다.
Menlo Ventures는 2026년 9월 기준 기업 AI 적용 지출을 연환산 약 1,770억 달러로 추정했다.[25]25Tim Tully·Joff Redfern·Deedy Das·Derek Xiao, Menlo Ventures, 2026: The State of Enterprise AI, 2026, 「Enterprise AI Reaches Scale」 및 「Methodology」 절, 2026-11-14 확인. 시장 규모는 설문·공시·외부 자료를 조합한 추정치이며 연환산 매출 규모로 표시한다. 과거 수치도 분류 체계에 맞게 재작성했다. ↩ menlovc.com 조사 시점의 지출 수준을 1년 규모로 환산한 값으로, AI 애플리케이션과 모델·인프라 등을 포함한다. 기업이 AI에 큰 예산을 쓰고 있음을 보여주는 통계다. 실제 서비스 매출의 사례로는 Accenture가 있다. Accenture는 2025 회계연도 생성형·에이전트 AI 관련 매출 27억 달러와 생성형 AI 수주 59억 달러를 보고했다.[26]26Accenture, Reinventing what’s possible: FY2025 Annual Report, 2025, p. 5, 「AI Leadership—Yesterday, Today and Tomorrow」. 매출·수주는 고도화된 AI 관련 금액이며 데이터 사업·전통적 AI·서비스 제공 과정에서의 AI 활용을 제외한다. ↩ investor.accenture.com 기업의 AI 도입 수요가 실제 계약과 매출로 이어진 사례다. 수익성의 사례로는 전통의 팔란티어를 들 수 있다. 팔란티어의 2025년 전사 매출총이익률은 82%, 영업이익률은 약 32%였다. 제품·구독·서비스를 합친 회사 전체의 실적이다.[27]27Palantir Technologies Inc., 2025 Form 10-K, 2026년 제출, 2025 회계연도, Item 7 「Results of Operations」 및 「Cost of Revenue and Gross Profit」. 매출총이익률과 영업이익률은 회사 전체의 GAAP 수치이며 공시의 반올림 비율을 사용했다. ↩ www.sec.gov
이런 자료들은 기업 AI 적용에 큰 사업 기회가 있음을 뒷받침하지만, 개별 FDE 사업의 수익성은 고객과 구현 방식에 따라 달라진다. 벤처투자사 a16z의 Marc Andrusko는 큰 계약을 따내더라도 고객마다 독립된 시스템을 계속 만들면 유지보수 부담이 커질 수 있다고 지적한다.[28]28Marc Andrusko, Andreessen Horowitz, The Palantirization of everything, 2026-01-16, 「The services trap is real」 및 「A More Realistic Framework: When Does “Palantirization” Make Sense?」 절. ↩ a16z.com 매출이 늘어날 때 담당 인력과 지원 비용도 같은 속도로 늘어난다면, 규모를 키워도 이익률을 높이기 어렵다. 재사용할 제품과 기능이 없으면 고객이 늘어날수록 개발·지원 조직도 함께 커지는 사업이 된다.
이 시장에서는 고객의 중요한 업무를 맡아 큰 계약을 확보하는 것과, 계약마다 반복되는 개발·지원 작업을 줄이는 것이 수익성을 좌우한다. 기존 주문 조회·승인 기능을 다음 고객에게 재사용하면 이미 구현한 부분의 개발비를 다시 지출하지 않는다. 고객마다 전체 시스템을 새로 만드는 회사는 매출이 커져도 그만큼의 개발 인력을 계속 투입한다. FDE를 쓰는 회사 사이의 수익성 차이는 이런 제품 재사용과 인력 투입 구조에서 발생한다.
Q9. FDE 회사를 인수한 빅테크나 AI 프론티어 기업은 무엇을 얻으려고 하는가?
FDE가 소속된 회사를 인수한 대표적인 사례가 OpenAI다. OpenAI는 2026년 5월 기업 AI 구축 사업을 맡는 Deployment Company의 출범과, AI 적용을 지원하는 Tomoro의 인수 합의를 발표했다. 약 150명의 FDE·배포 전문가를 확보하고, 40억 달러가 넘는 초기 투자로 사업을 확대하겠다고 밝혔다.[29]29OpenAI, OpenAI launches the OpenAI Deployment Company to help businesses build around intelligence, 2026-05-11, 도입부, 「Accelerating deployment from day one」 및 「Scaling deployment across the economy」 절. ↩ openai.com 같은 해 7월에는 고객 조직에 들어가 핵심 업무용 AI를 구축하는 Northslope의 인수 합의를 추가로 발표했다. 발표문은 Tomoro를 최근 인수한 회사로 소개하고, 두 팀을 통해 전문 인력을 수백 명 규모로 늘리며 산업별 구축 역량을 확대하려는 목적을 설명한다.[30]30OpenAI Deployment Company, The OpenAI Deployment Company to acquire Northslope, 2026-07-08, 도입부 및 「What’s next」 절. 이 발표는 Tomoro를 최근 인수한 회사로 설명하며, Northslope는 거래 종결 조건이 남은 인수 합의 단계로 명시한다. ↩ deploy.co
인수 대상에는 FDE 인력과 팀이 축적한 구축 경험이 함께 포함된다. 기업 프로젝트에서는 모델을 연결하는 코드 외에도 데이터 접근을 승인받는 과정, 현업 담당자와 업무를 조정하는 방법, 기존 시스템의 제약을 해결하는 경험이 필요하다. 이미 함께 프로젝트를 수행해 본 팀을 확보하면 개별 인력을 채용한 뒤 협업 방식을 새로 만드는 시간을 줄일 수 있다.
OpenAI는 구축할 고객을 찾고, 구축 과정에서 얻은 경험을 제품 개발에 활용하는 구조도 만드려 한다. 투자·컨설팅 파트너는 이미 투자하거나 자문하는 기업들과 관계를 맺고 있다. 이 관계와 기업의 업무를 바꿔 본 경험을 활용하면 AI를 적용할 업무를 찾고, 고객이 도입을 추진하도록 도울 수 있다. OpenAI는 이런 파트너의 경험을 자사의 기술과 결합하고, 구축 조직이 연구·제품팀과 긴밀하게 협력하도록 하겠다고 설명한다.[31]31OpenAI, OpenAI launches the OpenAI Deployment Company to help businesses build around intelligence, 2026-05-11, 「Building for where frontier AI is headed」 및 「Scaling deployment across the economy」 절. ↩ openai.com
예를 들어 FDE가 에이전트를 구축하다가 고객 요청을 자주 잘못 이해하는 문제를 발견했다고 가정하자. FDE는 실패한 요청과 기대한 결과를 연구·제품팀에 전달한다. 여러 고객에게 같은 문제가 나타난다면 공통 기능이나 모델을 개선할 필요가 있는지 판단하는 근거가 된다. 연구·제품팀이 개선한 모델이나 기능을 제공하면, FDE는 이를 고객 시스템에 적용하고 이전에 실패했던 요청을 다시 실행해 개선 결과를 검증한다. 현장에서 발견한 문제가 제품 개선으로 이어지고, 개선 결과를 다시 현장에서 검증하는 방식이다.
사업적으로 이 조직은 고객의 AI 사용을 시연에서 일상 업무로 확대하는 역할을 맡는다. 시연에서는 몇 건의 반품 문의만 처리하지만, 실제 반품 시스템에 도입되면 문의가 들어올 때마다 모델과 제품을 사용하게 된다. 업무 부담을 줄이는 효과가 유지되면 고객이 사용을 지속하거나 다른 업무로 적용 범위를 넓힐 이유도 생긴다. 공급자에게는 지속적인 사용과 매출을 확보할 기회가 된다. FDE 회사의 인수는 이런 업무 전환을 수행할 팀을 빠르게 확보하는 수단이다.
Q10. FDE 파견은 AX 프로젝트의 원가를 높일텐데, FDE를 운용하는 회사는 이 비용을 어떻게 보는가?
FDE가 구축 후에도 고객을 지원하면 인건비도 계속 발생한다. 팔란티어는 운영·유지보수와 전문 서비스 인력의 보수, 현장 지원 비용을 매출원가에 포함한다.[32]32Palantir Technologies Inc., 2025 Form 10-K, 2026년 제출, 2025 회계연도, Item 7 「Cost of Revenue」. 운영·유지보수 및 전문 서비스 인력의 보수와 현장 지원 비용을 매출원가에 포함한다. ↩ www.sec.gov 회사들은 이 비용을 고객에게 별도 서비스 대금으로 받거나 제품 계약에 포함하고, 반복 개발을 제품 기능으로 옮겨 고객별 투입을 줄인다.
팔란티어는 인력 투입과 유지보수에 별도 가격을 책정한다. 2024년 영국 공공조달용 G-Cloud 14 가격표에서 구축·엔지니어링 서비스는 1인·분기당 15만 파운드다. 업무별 유지보수 요금은 규모에 따라 월 6천·1만 4천·2만 파운드로 나뉜다. 소프트웨어 라이선스와 이 서비스 항목을 따로 판매하는 구조다.[33]33Palantir Technologies UK, Limited, Palantir Platform: Foundry & AIP – Pricing Document, 2024, G-Cloud 14 Framework, 「Implementation and Support Services」, 항목 17–20. 구축·엔지니어링 서비스는 1인·분기당 150,000파운드, 업무별 유지보수는 월 6,000·14,000·20,000파운드로 제시한다. 2024년 공공조달용 공시 가격이다. ↩ assets.applytosupply.digitalmarketplace.service.gov.uk 이 금액은 고객에게 제시한 공시 청구 단가다. 인력을 더 투입하거나 지원 기간을 늘리면 그에 대응하는 서비스 대금을 받도록 설계되어 있다.
전자산업용 AI 소프트웨어를 만드는 Rapidflare는 지속적인 FDE 지원을 제품 계약에 포함한다. 회사는 모든 고객에게 초기 도입부터 계약 관계가 이어지는 동안 FDE를 제공하며, 별도 전문 서비스 계약은 요구하지 않는다고 명시한다. 출시 후 새 요구사항이 생겨도 담당 FDE가 설정·데이터·연동·업무 흐름을 수정하는 일을 돕는다.[34]34Rapidflare, Forward Deployed Engineers for Your AI Rollout, 발행일 미표기, 2026-11-14 확인, 도입부와 「Forward Deployed Engineering is not scoped around a project」, 「Frequently asked questions」 절. 모든 고객 계약에 FDE를 포함하고 초기 구축 이후에도 지원하며 별도 전문 서비스 계약을 요구하지 않는다고 명시한다. ↩ www.rapidflare.ai 이 방식에서는 FDE 지원이 제품과 함께 판매하는 서비스의 일부다. 공급자는 제품 계약에서 발생한 매출 안에서 지속적인 인력 비용을 부담한다.
투입 비용 자체를 줄이는 방법도 있다. Decagon은 고객별로 코드를 작성하던 작업을 제품의 설정 기능으로 옮겼고, 에이전트당 맞춤 개발 작업이 80% 줄었다고 발표했다.[35]35Katherine Xiao, Decagon, Introducing Agent Development: How Decagon is redefining forward deployment, 2026-06-22, 「Forward deployment as a bottleneck」 및 「How we’re building it: Agent Development」 절. 80%는 회사가 발표한 에이전트당 맞춤 개발 작업의 감소율이다. ↩ decagon.ai 같은 종류의 변경 요청을 받을 때마다 엔지니어가 코드를 고치는 대신 구축 담당자가 제품 기능으로 처리하도록 만든 것이다. FDE 지원을 계속 제공하면서도 개발자가 반복해서 수행하는 작업량을 줄인다. 별도 서비스 과금과 제품 계약에 포함한 지원은 비용을 받는 방식이고, 이런 제품화는 그 대금으로 감당할 인력 작업을 줄이는 방식이다.
Q11. FDE는 어떤 순서로 프로젝트를 진행하며, 각 과정에서 무엇이 가장 중요한가?
문제와 성공 기준을 정한 뒤, 작은 범위에서 실제 업무를 끝까지 구현하고, 검증과 운영 체계를 갖추며 확장한다. OpenAI는 가치가 큰 업무를 진단해 우선순위를 정한 다음 설계·개발·시험·배포로 이어지는 흐름을 설명한다.[36]36OpenAI, OpenAI launches the OpenAI Deployment Company to help businesses build around intelligence, 2026-05-11, 「Building for where frontier AI is headed」 절의 프로젝트 진행 방식 설명. ↩ openai.com Decagon도 초기 협의에서 개선할 지표와 지원 채널, 목표 결과를 합의하고 먼저 효과를 보여줄 범위를 고른다.[37]37Sunny Rekhi, AI Engineer, How Forward Deployed Engineering is done at Decagon, AI Engineer World’s Fair 2026, 09:11–10:21 및 12:41–15:02. ↩ github-main-preview.ai.engineer 이 접근을 앞서 든 반품 업무에 적용하면 다음과 같다. 아래 진행 과정은 이해를 돕기 위한 가상의 예시다.
처음에는 실제 반품 문의와 직원의 처리 과정을 함께 살펴본다. 직원이 주문을 조회하고 반품 조건을 확인하는 데 얼마나 걸리는지, 어떤 문의가 반복되는지 확인한다. 이 자료를 바탕으로 수작업 시간을 줄일 것인지, 고객의 대기 시간을 줄일 것인지 목표를 정한다. 이때 측정한 처리 시간과 반복 문의 건수가 배포 후 성과를 비교하는 기준이 된다. 개발 범위는 이 지표를 개선하는 작업에 집중한다.
목표를 정하면 필요한 정보와 실행 권한을 연결한다. 주문 정보가 어느 시스템에 있는지, 고객을 어떻게 확인하는지, 적용할 반품 정책이 무엇인지 확인한다. 주문을 조회하는 권한과 실제 반품을 접수하거나 환불하는 권한은 나누어 검토한다. 특정 금액 이상의 환불에 직원 승인이 필요하다면 그 조건도 구현 범위에 포함한다. 필요한 데이터나 권한을 확보하지 못한 작업은 첫 배포 범위에서 제외한다.
개발은 “이메일로 들어온 일반적인 반품 문의”처럼 범위를 좁혀 시작한다. 선택한 범위에서는 문의 이해부터 주문 조회, 조건 확인, 접수와 결과 안내까지 이어지도록 구현한다. 답변 문장만 그럴듯하게 만드는 데서 멈추면 직원이 수행하던 나머지 작업이 그대로 남을 수 있기 때문이다. 현업 담당자가 실제 사례로 사용해 보게 하고, 누락된 조건이나 불필요한 수작업이 있는지 확인하며 수정한다.
검증할 때는 정상 처리뿐 아니라 기한이 지난 주문, 조회 실패, 사람의 판단이 필요한 요청도 포함한다. 자동 처리를 멈출 조건과 직원에게 넘길 정보가 적절한지 확인한 뒤 제한된 범위부터 운영한다. Sierra는 실제 대화에서 발견한 오류를 테스트로 만들어, 수정한 에이전트가 같은 문제를 반복하지 않는지 확인하는 방식을 설명한다.[38]38Clay Bavor·Bret Taylor, Sierra, The Agent Development Life Cycle, 2024-06-03, 「Quality assurance: Continuous, structured human feedback」 및 「Testing: Regression tests for conversations」 절. 본문의 반품 처리 흐름은 설명용 예시다. ↩ sierra.ai 반품 예시에서는 새 규칙을 추가할 때 기존 문의의 테스트도 다시 실행해, 이전에 정상 처리하던 요청이 실패하는 변경을 배포 전에 걸러낸다.
운영을 시작한 뒤에는 처음 합의한 처리 시간과 직원 개입 정도를 다시 측정한다. 효과가 확인된 업무부터 범위를 넓히고, 설정 변경·오류 대응·비용 확인을 누가 맡을지 정한다. 실제 사용에서 예상보다 예외가 많거나 검토 부담이 커지면 FDE는 이전 단계로 돌아가 자동화 범위를 조정한다. 각 단계의 결과가 다음 판단의 근거가 되며, 한 번 배포했다는 이유로 목표와 구현 범위를 고정하지 않는다.
Q12. FDE가 구축한 시스템은 계약이나 개발 기간이 끝난 뒤 어떻게 운영되는가?
초기 구축이 끝난 뒤에도 제품 구독과 운영 지원이 이어지는 방식, FDE가 계속 개선을 맡는 방식, 고객이 설정과 일상 운영을 넘겨받는 방식이 있다. 이들은 함께 적용되기도 한다.
팔란티어는 클라우드형과 고객 환경 설치형 소프트웨어에 운영·유지보수를 함께 제공한다. 전문 서비스에는 사용자 지원, 화면 설정, 교육, 업무 데이터의 구조를 정의하는 온톨로지와 데이터 모델의 지속적인 지원이 포함된다. 전문 서비스 계약의 기간은 제품 구독과 같을 수도, 다를 수도 있다.[39]39Palantir Technologies Inc., 2025 Form 10-K, 2026년 제출, 2025 회계연도, Item 7 「Palantir Cloud」, 「On-Premises Software」, 「Professional Services」. 소프트웨어 구독과 전문 서비스의 계약 기간이 다를 수 있음을 명시한다. ↩ www.sec.gov 초기 구축 프로젝트의 종료가 소프트웨어 운영과 지원의 종료를 뜻하지 않는 계약 구조다.
Ramp에서는 같은 FDE 조직이 영업부터 도입과 장기 지원까지 관여한다. 온보딩 이후에도 고객이 제품의 가치를 얻을 수 있도록 책임진다는 운영 원칙이다.[40]40Leo Mehr, Ramp Builders Blog, Forward Deployed Engineering, 2025-08-05, 「Team operating model: map to the customer lifecycle」 절. ↩ engineering.ramp.com 처음 구축한 기능을 고객이 어떻게 사용하는지와 이후 어떤 문제가 생기는지를 같은 조직이 계속 다룬다. 도입 때 파악한 업무 맥락을 장기 지원에도 활용하는 방식이다.
Decagon은 고객이 시간이 지난 뒤에도 에이전트의 구조를 이해하고 직접 운영하도록 설계한다.[41]41Katherine Xiao, Decagon, Introducing Agent Development: How Decagon is redefining forward deployment, 2026-06-22, 「Forward deployment as systems design」 절. ↩ decagon.ai 고객이 운영을 맡을 수 있도록 교육하는 일도 도입 과정에 포함한다. 공식 구축 안내에서는 배포 전 고객지원 담당자에게 모니터링 도구와 Decagon 관리 화면의 사용법을 교육한다.[42]42Ryan Smith, Decagon, Complete AI customer support setup: Tools, integrations, and launch strategy, 2026-01-10, 「Week 5: Convergence and preparation」 및 「Post-launch: Optimization and expansion」 절. 배포 전 모니터링 도구·관리 화면 교육과 배포 후 모니터링·업무 절차 개선을 설명한다. ↩ decagon.ai
운영 인계는 엔지니어, 에이전트 설정 담당자, 고객 교육 조직이 역할을 나누어 진행한다. 엔지니어가 복잡한 연동과 제품 개발을 맡고, 설정 담당자가 구성과 테스트를 수행하며, 고객 교육과 Decagon University가 고객의 직접 운영을 지원하는 구조다.[43]43Sunny Rekhi, AI Engineer, How Forward Deployed Engineering is done at Decagon, AI Engineer World’s Fair 2026, 「Make engineering work available through self-service」, 11:17–12:40 및 슬라이드 10 「Pushing work down the funnel」. 엔지니어링·설정·고객 교육의 역할 분담과 Decagon University를 통한 고객의 직접 운영 지원을 설명한다. ↩ github-main-preview.ai.engineer 반품 업무를 예로 들면, 반품 기한과 승인 조건을 설정으로 제공하고 고객 담당자가 직접 수정하는 방법을 교육한다. 변경 후 테스트를 실행하고 실제 반품 처리 결과를 살피는 방법까지 익히도록 한다. 이렇게 기능과 운영 지식을 함께 넘겨 처음 개발한 FDE가 매번 수정하던 작업을 고객의 일상 운영으로 옮긴다.
Q13. 어떤 제품과 고객에게 FDE 방식이 적합한가? 개발 역량이 있는 회사에는 필요 없을까?
제품을 실제 업무에 적용하는 데 필요한 작업이 많고, 고객이 이를 혼자 해결하기 어려우며, 구축 경험을 다른 고객에게도 재사용할 수 있을 때 적합하다. Anthropic 응용 AI 팀 엔지니어 Kevin Bai는 고객이 스스로 활용하기 어려운 복잡한 플랫폼을 비기술 부서에 판매하는 경우를 FDE의 대표적인 적용 대상으로 설명한다. 고객별 해결책은 공통 플랫폼 위에 구축한다.[44]44Kevin Bai, AI Engineer, Forward Deployed Engineering 101, AI Engineer World’s Fair 2026, 00:16부터의 발표자 소개, 04:03–06:30 및 09:29–13:09. ↩ github-main-preview.ai.engineer 구매 후 설정만으로 사용할 수 있는 제품이라면 현장 개발의 필요가 작지만, 여러 시스템과 업무 규칙을 연결해야 하는 제품이라면 고객의 업무와 제품을 연결할 엔지니어의 작업이 필요하다.
개발자가 있다는 사실만으로 AX를 성공적으로 수행할 때 필요한 역량이 모두 갖춰지는 것은 아니다. 내부팀은 회사의 데이터 구조와 업무 규칙을 잘 알아도 특정 모델의 한계, 에이전트 평가 방법, 공급자 플랫폼의 제약을 충분히 경험하지 못했을 수 있다. 반대로 FDE는 제품과 모델에 익숙해도 고객 내부의 예외 처리와 승인 구조를 처음부터 알기는 어렵다. 두 팀이 서로 부족한 지식을 보완할 수 있는지가 투입 여부를 판단하는 기준이 된다.
반품 시스템을 함께 구축하는 예시에서는 내부팀이 주문 데이터의 의미, 접근 권한, 환불 승인 조건을 설명하고 내부 시스템의 변경을 맡는다. FDE는 그 조건을 제품에 구현하고, 에이전트가 실패하는 사례를 찾아 평가하는 방법을 내부팀에 전달한다. 협업 과정에서 내부팀이 변경과 평가 방법을 익히면 이후에는 외부 지원 없이 수행할 수 있는 범위가 넓어진다.
Anthropic의 교육 프로그램은 이런 협업의 한 사례다. 소프트웨어 개발 기본기와 LLM 활용 경험이 있는 엔지니어를 대상으로 하며, 초기 교육과 실습 평가를 통과한 참가자가 자사 프로젝트를 12주 동안 진행하면서 Anthropic 엔지니어의 지원을 받도록 구성했다.[45]45Anthropic, Anthropic invests $100 million to train 10,000 engineers and tackle the enterprise AI talent gap, 2026-10-02, 「The first program trains 10,000 Frontier Deployed Engineers」 절. 소프트웨어 엔지니어가 소속 조직의 프로젝트를 수행하며 Anthropic 엔지니어의 지원을 받는 프로그램을 설명한다. ↩ www.anthropic.com 기존 개발 역량에 AI 적용 경험을 더해 고객 조직이 직접 구축할 능력을 키우려는 방식이다.
내부팀에 문제 정의부터 데이터 연결, 평가, 운영까지 수행할 역량과 투입 여력이 모두 있다면 외부 FDE를 상시 배치할 필요는 없다. 모델 평가 경험만 부족한 팀은 해당 단계의 공동 작업으로 전문성을 보완하면 된다. 개발자가 있는 회사에서 FDE를 쓰는 이유는 내부팀에 부족한 제품·AI 적용 경험을 보충하고, 이후 그 팀이 직접 운영할 능력을 갖추도록 돕기 위해서다.
Q14. FDE는 고객별 솔루션을 기존 제품 위에 만드는가, 별도로 개발한 뒤 통합하는가? 어떤 기준으로 선택하는가?
공통 제품의 기능을 활용하는 것이 기본이지만, 제품에 없는 부분을 고객별로 개발하는 경로도 있다. 이후 공통 제품에 반영할지는 다른 고객에게도 유용한지에 따라 판단한다. Anthropic 응용 AI 팀 엔지니어 Kevin Bai는 기존 플랫폼의 구성 요소를 조합해 고객별 솔루션을 만들고, 한 고객에게만 필요한 동작은 고객별 구현에 남기며, 여러 고객에게 필요한 기능은 플랫폼으로 옮기는 구분을 제시한다.[46]46Kevin Bai, AI Engineer, Forward Deployed Engineering 101, AI Engineer World’s Fair 2026, 「Scale the design partnership, not the reinvention」, 07:19–09:28 및 「Let field work inform the platform」, 15:58부터. ↩ github-main-preview.ai.engineer
기존 제품이 요구를 충족하지 못할 때는 개발 속도와 장기적인 재사용을 함께 고려한다. 팔란티어는 고객이 필요한 기능을 공통 플랫폼에 넣을지, 더 빨리 제공할 수 있는 맞춤 구현을 만들지 판단하는 일이 FDE의 역할이라고 설명한다. FDE가 공통 제품의 코드를 직접 수정하는 경우도 있으며, 이때 제품팀과 설계·코드 검토를 진행하고 큰 기능은 제품 개발 계획과 조율한다.[47]47Palantir, Dev versus Delta: Demystifying engineering roles at Palantir, 2019-04-08, 「What are some examples of skills that are important for your role?—Delta」의 공통 플랫폼과 맞춤 구현 사이 선택 설명 및 「Wait, what’s a Delta?」의 제품팀 협업 설명. ↩ blog.palantir.com
선택을 가르는 기준은 고객이 기능을 필요로 하는 시점과 다른 고객에게 재사용할 범위다. 공통 제품으로 만들려면 여러 고객의 요구와 기존 기능과의 관계를 검토해야 하므로 시간이 더 필요할 수 있다. 고객별 구현은 당장의 문제를 빠르게 검증하는 데 유리하지만, 별도 코드의 유지보수 책임이 남는다.
제품에 필요한 기능이 이미 있다면 이를 조합하고 설정을 고객에게 맞추면 된다. 필요한 데이터와 업무 규칙, 실행 순서를 설정으로 표현할 수 있으면 새 코드를 작성할 작업이 줄어든다. 특정 고객의 시스템 연동이나 고유한 업무 규칙이 추가로 필요하다면 제품의 API나 확장 기능에 연결하는 코드를 작성할 수 있다. 이때 고객에게만 필요한 부분은 별도 코드로 유지한다.
여러 고객에게 필요한 기능이고 제품 개발 계획에 반영할 수 있다면, 제품팀과 함께 처음부터 공통 기능으로 개발할 수도 있다. 고객마다 다른 조건은 설정이나 확장 기능으로 수용한다. 반면 기존 제품으로 구현하기 어렵고 실제 업무에 효과가 있는지도 불확실하다면, 별도 코드나 시제품으로 먼저 검증할 수 있다. 효과와 재사용 가능성을 확인한 뒤 공통 기능으로 다시 설계하거나 고객별 구현으로 유지하며, 효과가 없으면 중단한다.
고객별 코드의 제품 반영에는 여러 고객의 요구를 수용하도록 다시 설계하는 과정이 들어간다. 팔란티어 초기 제품 개발을 이끈 Bob McGrew는 한 고객의 구현을 곧바로 제품에 넣으면 그 고객에게 지나치게 특화될 수 있다고 설명한다. 팔란티어에서는 현장에서 검증한 기능을 제품팀에 가져온 뒤, 비슷한 요구가 있는 다른 고객의 FDE들도 설계에 참여시켰다. 여러 고객의 업무에서 공통으로 필요한 기능과 고객마다 달라야 하는 부분을 구분해 제품으로 만드는 과정이었다.[48]48Bob McGrew, Y Combinator, The FDE Playbook for AI Startups with Bob McGrew, 2025-09-08, 「Consulting or Real Software?」 후반부의 제품팀 역할 설명 및 「The Birth of Palantir’s Ontology」, 17:54–23:03. 공개된 자막 전사본으로 확인했다. ↩ www.youtube.com
앞서 든 반품 처리 에이전트를 설명용 예시로 이어가 보자. 제품에 주문 조회와 승인 흐름이 있다면 이를 활용하고, 고객의 주문 시스템에 접속하는 코드는 별도로 추가할 수 있다. 새로운 반품 판단 기능이 필요하지만 효과가 불확실하다면 먼저 제한된 범위에서 구현해 검증한다. 이후 여러 고객에게 유용하다고 확인되면 공통 기능으로 만들되, 고객마다 다른 반품 기한이나 승인 조건은 설정으로 남기는 방식이다. 이때 제품에 축적되는 것은 재사용할 기능과 설계이며, 현장에서 작성한 코드가 모두 그대로 편입될 필요는 없다.
Q15. FDE의 작업은 확장이 어려워 보인다. 실제로 어떤 확장 및 플랫폼화 방법이 시도되었는가?
고객 수만큼 담당 인력을 늘려야 한다면 사업의 확장 속도는 채용과 교육 속도에 제한된다. 플랫폼화는 반복해서 필요한 기능을 공통 제품으로 만들고, 고객별 차이를 설정이나 제한된 추가 개발로 수용하려는 접근이다. Anthropic 응용 AI 팀 엔지니어 Kevin Bai는 FDE가 공유된 데이터 모델과 기본 기능 위에서 고객별 해결책을 만들어야 한다고 설명한다.[49]49Kevin Bai, AI Engineer, Forward Deployed Engineering 101, AI Engineer World’s Fair 2026, 07:19–09:28 및 13:10–14:51. ↩ github-main-preview.ai.engineer 이를 실제로 추진한 사례를 보면 기능 개발뿐 아니라 배포, 평가, 운영 지식까지 재사용 대상으로 삼고 있다.
Decagon의 CRM 연동 사례는 고객마다 반복하던 개발을 제품 기능으로 옮긴 경우다. 고객지원 에이전트가 고객 정보를 활용하려면 그 정보가 저장된 고객관계관리 시스템(CRM)에 연결되어야 한다. 초기에는 Decagon 엔지니어가 고객별로 이 연결 코드를 작성했다. Decagon의 FDE CTO Sunny Rekhi는 약 25번째 맞춤 연동 무렵, 고객이나 에이전트 구축 담당자가 직접 설정할 수 있는 연동 기능을 만들었다고 설명한다.[50]50Sunny Rekhi, AI Engineer, How Forward Deployed Engineering is done at Decagon, AI Engineer World’s Fair 2026, 11:17–12:40. ↩ github-main-preview.ai.engineer 이후 해당 기능을 사용하는 고객은 엔지니어에게 연결 코드를 새로 작성해 달라고 요청하는 대신, 제품에서 연동을 설정한다. 앞선 고객들의 요구로 개발한 기능을 다음 고객도 사용하는 구조다.
업무 규칙을 바꾸는 작업에서도 비슷한 변화가 있었다. Decagon의 고객 구축 책임자 Katherine Xiao는 판촉 정책 변경을 예로 든다. 이전에는 엔지니어가 별도 코드를 작성하느라 한 차례 개발 주기를 썼지만, 이제는 에이전트 구축 담당자가 자연어로 규칙을 작성하고 수정·테스트하는 작업을 반나절에 처리한다고 설명한다. 그는 이처럼 반복 개발을 제품 기능으로 옮긴 결과 에이전트당 맞춤 개발 작업이 80% 감소했다고 밝혔다.[51]51Katherine Xiao, Decagon, Introducing Agent Development: How Decagon is redefining forward deployment, 2026-06-22, 「How we’re building it: Agent Development」 절. 원문의 측정 대상은 “custom engineering work per agent”다. ↩ decagon.ai 예를 들어 ‘행사 기간에 구매한 고객에게만 할인을 적용한다’는 규칙을 바꾸는 상황을 생각하면 된다. 이런 조건을 코드에 직접 반영하던 작업을 담당자가 제품 안에서 문장으로 작성하고 시험하도록 옮기는 것이다. 개발자가 매번 고객별 코드를 수정하던 부담을 줄이고, 구축 담당자가 처리할 수 있는 업무를 넓힌 사례다.
소프트웨어를 고객 환경에 배포하고 업데이트하는 과정도 공통 도구로 만들 수 있다. 팔란티어의 Apollo는 클라우드, 자체 서버, 외부와 분리된 네트워크 등 여러 환경의 소프트웨어를 배포·관리한다. 배포 가능한 시간과 소프트웨어 간 의존성 같은 제약을 정의하고, 이에 맞춰 변경을 조정한다.[52]52Palantir, Apollo documentation: Introduction, 발행일 미표기, 2026-11-14 확인, 도입부 및 「The Apollo solution」 절. ↩ www.palantir.com 고객마다 허용되는 업데이트 시간이 달라도 공통 시스템이 각 조건을 확인하도록 하면, 엔지니어가 환경마다 일정을 확인하고 배포를 수행해야 하는 부담을 줄일 수 있다. 고객의 차이를 없애기보다 시스템이 처리할 규칙으로 표현하는 방식이다.
AI 에이전트의 평가와 변경 관리도 재사용할 수 있다. Sierra는 모델·프롬프트·지식 자료의 버전을 하나의 배포 단위로 묶고, 실제 대화의 오류를 반복 실행할 테스트로 만든다.[53]53Clay Bavor·Bret Taylor, Sierra, The Agent Development Life Cycle, 2024-06-03, 「Release: Immutable agent snapshots」 및 「Testing: Regression tests for conversations」 절. ↩ sierra.ai 이렇게 하면 문제가 발생한 에이전트가 어떤 조합으로 동작했는지 확인하고 이전 버전으로 되돌리기 쉬워진다. 새 버전을 배포하기 전에 이미 모아 둔 사례를 다시 실행할 수도 있다. 담당자가 바뀌거나 적용 업무가 늘어도 매번 처음부터 검증 절차를 만드는 부담을 줄이는 접근이다.
AWS의 파트너 FDE 프로그램은 구축에 사용한 도구와 판단 근거를 다음 프로젝트에 남긴다. 업무 개념을 정의한 데이터 모델, 평가 체계, AI가 외부 시스템에 연결할 때 쓰는 MCP 서버 등을 재사용할 자산으로 만들고, 구조를 선택한 이유와 평가 기준도 기록한다. 파트너가 이를 보유해 후속 구축에 독립적으로 활용하도록 하는 방식이다.[54]54Chandra Pinapala·Erik Farr·Karthik Sonti, AWS Partner Network Blog, Introducing Forward Deployed Engineering for Partners: Winning the Future of Enterprise AI, 2026-06-30, 「What Makes This Different: The Delivery Harness」 및 「How it Works」 절. ↩ aws.amazon.com 코드만 전달하면 다음 담당자가 왜 그렇게 구현했는지 다시 조사해야 할 수 있다. 적용 조건과 판단 근거까지 남기면 새로운 고객에게 무엇을 재사용하고 무엇을 바꿔야 할지 결정하기 쉬워진다.
현장의 문제를 모델 자체의 개선으로 연결한 시도도 있다. OpenAI의 FDE 조직 책임자 Colin Jarvis는 일본 영업팀의 슬라이드 생성 도구를 만들며 슬라이드를 표현하는 여러 방식을 시험했다고 설명한다. 팀은 모델이 다루기 적합한 표현 방식을 고른 뒤 예시를 만들어 사후학습 팀에 전달했고, 그는 이후 모델 버전에서 슬라이드 생성 결과가 개선되었다고 회고한다.[55]55Colin Jarvis, South Park Commons, The Future of Forward Deployed Engineering | OpenAI, Ramp, Nominal, Dataland, 2026-05-28, 29:37–32:56. 공개된 자막 전사본으로 확인했다. ↩ www.youtube.com 사후학습은 기본 학습을 마친 모델의 수행 능력을 추가 학습으로 개선하는 과정이다. 이 사례에서는 FDE가 현장에서 찾은 작업 방식과 예시를 연구팀에 전달해 모델의 기능을 개선했다.
이 사례들은 고객별로 반복하던 작업을 서로 다른 수준에서 제품으로 옮겼다. 연동과 정책 변경은 설정 기능으로, 배포와 검증은 공통 도구로, 여러 프로젝트에서 쓸 지식은 설계 자료와 평가 체계로 남겼다. FDE가 매번 같은 코드를 작성하고 같은 절차를 수행하던 부분을 제품과 운영 도구가 맡도록 바꾸는 것이 이들이 시도한 확장 방식이다.
주
- 1.Palantir Technologies Inc., 2020년 상장 투자설명서, 2020, 「Business—Overview」 절. 2003년 설립과 미국 정보기관 대상 사업의 시작을 설명한다. ↩www.sec.gov
- 2.Bob McGrew, Y Combinator, The FDE Playbook for AI Startups with Bob McGrew, 2025-09-08, 03:19–07:55. 공개된 자막 전사본으로 확인했다. ↩www.youtube.com
- 3.Palantir, Dev versus Delta: Demystifying engineering roles at Palantir, 2019-04-08, 「Wait, what’s a Delta?」 절. ↩blog.palantir.com
- 4.Leo Mehr, Ramp Builders Blog, Forward Deployed Engineering, 2025-08-05, 「FDE at Ramp」 절. ↩engineering.ramp.com
- 5.Palantir, Dev versus Delta: Demystifying engineering roles at Palantir, 2019-04-08, 「Wait, what’s a Delta?」의 제품 코드 기여 설명 및 「What does the day-to-day of your role look like?—Delta」 절. ↩blog.palantir.com
- 6.Palantir, Dev versus Delta: Demystifying engineering roles at Palantir, 2019-04-08, 「Wait, what’s a Delta?」 절의 제조업 불량률 사례와 고객 목표에 따른 성과 평가 설명. ↩blog.palantir.com
- 7.Palantir, Dev versus Delta: Demystifying engineering roles at Palantir, 2019-04-08, 「What are some examples of skills that are important for your role?—Delta」 절의 문제 분해, 자율적인 학습, 기술적 판단 설명. ↩blog.palantir.com
- 8.Palantir, Dev versus Delta: Demystifying engineering roles at Palantir, 2019-04-08, 「What are some examples of skills that are important for your role?—Delta」 절의 사용자 이해, 비즈니스 전략, 독립적인 판단 설명. 본문의 반품 처리 분석은 설명용 예시다. ↩blog.palantir.com
- 9.Leo Mehr, Ramp Builders Blog, Forward Deployed Engineering, 2025-08-05, 「FDE Principles」의 「Always be scoping」 및 재사용 가능한 기능과 최소 구현 범위 사이의 판단 설명. 본문의 반품 기한 설정은 설명용 예시다. ↩engineering.ramp.com
- 10.Clay Bavor·Bret Taylor, Sierra, The Agent Development Life Cycle, 2024-06-03, 「Quality assurance: Continuous, structured human feedback」 및 「Testing: Regression tests for conversations」 절. 본문의 반품 에이전트 시험 항목과 실패 원인 구분은 설명용 예시다. ↩sierra.ai
- 11.Marc Andrusko, Andreessen Horowitz, The Palantirization of everything, 2026-01-16, 「Not every problem is a “Palantir-grade” problem」 및 「A More Realistic Framework: When Does “Palantirization” Make Sense?」 절. 본문의 고객 선택 기준은 문제의 가치·고객별 경제성·업무의 공통성에 관한 설명을 종합한 것이다. ↩a16z.com
- 12.Bob McGrew, Y Combinator, The FDE Playbook for AI Startups with Bob McGrew, 2025-09-08, 「Why AI Companies Adopt It」 장 후반부의 고객 조직 내 승인과 경영진 지지 설명. 공개된 자막 전사본으로 확인했다. ↩www.youtube.com
- 13.Leo Mehr, Ramp Builders Blog, Forward Deployed Engineering, 2025-08-05, 「Team operating model: map to the customer lifecycle」 및 「FDE Principles—Always be scoping」 절. ↩engineering.ramp.com
- 14.Bob McGrew, Y Combinator, The FDE Playbook for AI Startups with Bob McGrew, 2025-09-08, 「Why AI Companies Adopt It」 장 후반부의 문제 가치·가격·위험 부담 설명 및 「What Success Metrics Look Like」, 36:17부터. 공개된 자막 전사본으로 확인했다. ↩www.youtube.com
- 15.Colin Jarvis, OpenAI, What FDE means at OpenAI, 2026-10-22, 도입부의 「the deployment gap」 정의와 모델 역량·활용 시스템 사이의 격차 설명. ↩openai.com
- 16.OpenAI, OpenAI launches the OpenAI Deployment Company to help businesses build around intelligence, 2026-05-11, 「Building for where frontier AI is headed」 절. 모델을 고객의 데이터·도구·통제 수단·업무 절차와 연결해 일상 업무에서 안정적으로 활용하도록 하는 과정을 설명한다. ↩openai.com
- 17.Clay Bavor·Bret Taylor, Sierra, The Agent Development Life Cycle, 2024-06-03, 도입부, 「Development: Declarative goals and guardrails」, 「Quality assurance: Continuous, structured human feedback」 및 「Testing: Regression tests for conversations」 절. 구매 후 30일 이내 반품 조건은 원문의 예시다. ↩sierra.ai
- 18.PagerDuty, Forward Deployed Engineer (SDEV) - London, England, United Kingdom, 발행일 미표기, 2026-11-14 확인, 회사·직무 소개 및 「Key Responsibilities」 절. 채용 공고에 명시된 업무 범위를 설명한 것이며, 특정 고객 프로젝트의 성과를 뜻하지 않는다. ↩careers.pagerduty.com
- 19.Vinoo Ganesh, AI Engineer, How Forward Deployed Engineering is done at Kepler, AI Engineer World’s Fair 2026, 「Find the decision behind the dashboard」, 05:00–08:27. 요구사항 규모와 구현 시간은 발표자의 회고에 따른다. ↩ai.engineer
- 20.Sunny Rekhi, AI Engineer, How Forward Deployed Engineering is done at Decagon, AI Engineer World’s Fair 2026, 「Use support history to choose what to automate」, 13:44–15:02. ↩github-main-preview.ai.engineer
- 21.Bob McGrew, Y Combinator, The FDE Playbook for AI Startups with Bob McGrew, 2025-09-08, 「Why AI Companies Adopt It」 장, 23:04부터. 공개된 자막 전사본으로 확인했다. ↩www.youtube.com
- 22.Joe Schmidt, Andreessen Horowitz, Trading Margin for Moat: Why the Forward Deployed Engineer Is the Hottest Job in Startups, 2025-06-04, 「The implementation necessity」 절. AI를 업무에 적용하는 구축 작업 자체를 AI로 효율화·자동화할 수 있다는 투자 논지를 설명한다. 고객별 개발 비용의 감소가 사업성을 높인다는 본문의 설명은 이 논지의 경제적 의미를 풀어 쓴 것이다. ↩a16z.com
- 23.Chandra Pinapala·Erik Farr·Karthik Sonti, AWS Partner Network Blog, Introducing Forward Deployed Engineering for Partners: Winning the Future of Enterprise AI, 2026-06-30, 도입부 및 「Why Partners, Why Now」 절. ↩aws.amazon.com
- 24.Anthropic, Anthropic invests $100 million to train 10,000 engineers and tackle the enterprise AI talent gap, 2026-10-02, 도입부 및 「The first program trains 10,000 Frontier Deployed Engineers」 절. ↩www.anthropic.com
- 25.Tim Tully·Joff Redfern·Deedy Das·Derek Xiao, Menlo Ventures, 2026: The State of Enterprise AI, 2026, 「Enterprise AI Reaches Scale」 및 「Methodology」 절, 2026-11-14 확인. 시장 규모는 설문·공시·외부 자료를 조합한 추정치이며 연환산 매출 규모로 표시한다. 과거 수치도 분류 체계에 맞게 재작성했다. ↩menlovc.com
- 26.Accenture, Reinventing what’s possible: FY2025 Annual Report, 2025, p. 5, 「AI Leadership—Yesterday, Today and Tomorrow」. 매출·수주는 고도화된 AI 관련 금액이며 데이터 사업·전통적 AI·서비스 제공 과정에서의 AI 활용을 제외한다. ↩investor.accenture.com
- 27.Palantir Technologies Inc., 2025 Form 10-K, 2026년 제출, 2025 회계연도, Item 7 「Results of Operations」 및 「Cost of Revenue and Gross Profit」. 매출총이익률과 영업이익률은 회사 전체의 GAAP 수치이며 공시의 반올림 비율을 사용했다. ↩www.sec.gov
- 28.Marc Andrusko, Andreessen Horowitz, The Palantirization of everything, 2026-01-16, 「The services trap is real」 및 「A More Realistic Framework: When Does “Palantirization” Make Sense?」 절. ↩a16z.com
- 29.OpenAI, OpenAI launches the OpenAI Deployment Company to help businesses build around intelligence, 2026-05-11, 도입부, 「Accelerating deployment from day one」 및 「Scaling deployment across the economy」 절. ↩openai.com
- 30.OpenAI Deployment Company, The OpenAI Deployment Company to acquire Northslope, 2026-07-08, 도입부 및 「What’s next」 절. 이 발표는 Tomoro를 최근 인수한 회사로 설명하며, Northslope는 거래 종결 조건이 남은 인수 합의 단계로 명시한다. ↩deploy.co
- 31.OpenAI, OpenAI launches the OpenAI Deployment Company to help businesses build around intelligence, 2026-05-11, 「Building for where frontier AI is headed」 및 「Scaling deployment across the economy」 절. ↩openai.com
- 32.Palantir Technologies Inc., 2025 Form 10-K, 2026년 제출, 2025 회계연도, Item 7 「Cost of Revenue」. 운영·유지보수 및 전문 서비스 인력의 보수와 현장 지원 비용을 매출원가에 포함한다. ↩www.sec.gov
- 33.Palantir Technologies UK, Limited, Palantir Platform: Foundry & AIP – Pricing Document, 2024, G-Cloud 14 Framework, 「Implementation and Support Services」, 항목 17–20. 구축·엔지니어링 서비스는 1인·분기당 150,000파운드, 업무별 유지보수는 월 6,000·14,000·20,000파운드로 제시한다. 2024년 공공조달용 공시 가격이다. ↩assets.applytosupply.digitalmarketplace.service.gov.uk
- 34.Rapidflare, Forward Deployed Engineers for Your AI Rollout, 발행일 미표기, 2026-11-14 확인, 도입부와 「Forward Deployed Engineering is not scoped around a project」, 「Frequently asked questions」 절. 모든 고객 계약에 FDE를 포함하고 초기 구축 이후에도 지원하며 별도 전문 서비스 계약을 요구하지 않는다고 명시한다. ↩www.rapidflare.ai
- 35.Katherine Xiao, Decagon, Introducing Agent Development: How Decagon is redefining forward deployment, 2026-06-22, 「Forward deployment as a bottleneck」 및 「How we’re building it: Agent Development」 절. 80%는 회사가 발표한 에이전트당 맞춤 개발 작업의 감소율이다. ↩decagon.ai
- 36.OpenAI, OpenAI launches the OpenAI Deployment Company to help businesses build around intelligence, 2026-05-11, 「Building for where frontier AI is headed」 절의 프로젝트 진행 방식 설명. ↩openai.com
- 37.Sunny Rekhi, AI Engineer, How Forward Deployed Engineering is done at Decagon, AI Engineer World’s Fair 2026, 09:11–10:21 및 12:41–15:02. ↩github-main-preview.ai.engineer
- 38.Clay Bavor·Bret Taylor, Sierra, The Agent Development Life Cycle, 2024-06-03, 「Quality assurance: Continuous, structured human feedback」 및 「Testing: Regression tests for conversations」 절. 본문의 반품 처리 흐름은 설명용 예시다. ↩sierra.ai
- 39.Palantir Technologies Inc., 2025 Form 10-K, 2026년 제출, 2025 회계연도, Item 7 「Palantir Cloud」, 「On-Premises Software」, 「Professional Services」. 소프트웨어 구독과 전문 서비스의 계약 기간이 다를 수 있음을 명시한다. ↩www.sec.gov
- 40.Leo Mehr, Ramp Builders Blog, Forward Deployed Engineering, 2025-08-05, 「Team operating model: map to the customer lifecycle」 절. ↩engineering.ramp.com
- 41.Katherine Xiao, Decagon, Introducing Agent Development: How Decagon is redefining forward deployment, 2026-06-22, 「Forward deployment as systems design」 절. ↩decagon.ai
- 42.Ryan Smith, Decagon, Complete AI customer support setup: Tools, integrations, and launch strategy, 2026-01-10, 「Week 5: Convergence and preparation」 및 「Post-launch: Optimization and expansion」 절. 배포 전 모니터링 도구·관리 화면 교육과 배포 후 모니터링·업무 절차 개선을 설명한다. ↩decagon.ai
- 43.Sunny Rekhi, AI Engineer, How Forward Deployed Engineering is done at Decagon, AI Engineer World’s Fair 2026, 「Make engineering work available through self-service」, 11:17–12:40 및 슬라이드 10 「Pushing work down the funnel」. 엔지니어링·설정·고객 교육의 역할 분담과 Decagon University를 통한 고객의 직접 운영 지원을 설명한다. ↩github-main-preview.ai.engineer
- 44.Kevin Bai, AI Engineer, Forward Deployed Engineering 101, AI Engineer World’s Fair 2026, 00:16부터의 발표자 소개, 04:03–06:30 및 09:29–13:09. ↩github-main-preview.ai.engineer
- 45.Anthropic, Anthropic invests $100 million to train 10,000 engineers and tackle the enterprise AI talent gap, 2026-10-02, 「The first program trains 10,000 Frontier Deployed Engineers」 절. 소프트웨어 엔지니어가 소속 조직의 프로젝트를 수행하며 Anthropic 엔지니어의 지원을 받는 프로그램을 설명한다. ↩www.anthropic.com
- 46.Kevin Bai, AI Engineer, Forward Deployed Engineering 101, AI Engineer World’s Fair 2026, 「Scale the design partnership, not the reinvention」, 07:19–09:28 및 「Let field work inform the platform」, 15:58부터. ↩github-main-preview.ai.engineer
- 47.Palantir, Dev versus Delta: Demystifying engineering roles at Palantir, 2019-04-08, 「What are some examples of skills that are important for your role?—Delta」의 공통 플랫폼과 맞춤 구현 사이 선택 설명 및 「Wait, what’s a Delta?」의 제품팀 협업 설명. ↩blog.palantir.com
- 48.Bob McGrew, Y Combinator, The FDE Playbook for AI Startups with Bob McGrew, 2025-09-08, 「Consulting or Real Software?」 후반부의 제품팀 역할 설명 및 「The Birth of Palantir’s Ontology」, 17:54–23:03. 공개된 자막 전사본으로 확인했다. ↩www.youtube.com
- 49.Kevin Bai, AI Engineer, Forward Deployed Engineering 101, AI Engineer World’s Fair 2026, 07:19–09:28 및 13:10–14:51. ↩github-main-preview.ai.engineer
- 50.Sunny Rekhi, AI Engineer, How Forward Deployed Engineering is done at Decagon, AI Engineer World’s Fair 2026, 11:17–12:40. ↩github-main-preview.ai.engineer
- 51.Katherine Xiao, Decagon, Introducing Agent Development: How Decagon is redefining forward deployment, 2026-06-22, 「How we’re building it: Agent Development」 절. 원문의 측정 대상은 “custom engineering work per agent”다. ↩decagon.ai
- 52.Palantir, Apollo documentation: Introduction, 발행일 미표기, 2026-11-14 확인, 도입부 및 「The Apollo solution」 절. ↩www.palantir.com
- 53.Clay Bavor·Bret Taylor, Sierra, The Agent Development Life Cycle, 2024-06-03, 「Release: Immutable agent snapshots」 및 「Testing: Regression tests for conversations」 절. ↩sierra.ai
- 54.Chandra Pinapala·Erik Farr·Karthik Sonti, AWS Partner Network Blog, Introducing Forward Deployed Engineering for Partners: Winning the Future of Enterprise AI, 2026-06-30, 「What Makes This Different: The Delivery Harness」 및 「How it Works」 절. ↩aws.amazon.com
- 55.Colin Jarvis, South Park Commons, The Future of Forward Deployed Engineering | OpenAI, Ramp, Nominal, Dataland, 2026-05-28, 29:37–32:56. 공개된 자막 전사본으로 확인했다. ↩www.youtube.com