Спрос на инженеров, встраивающих ИИ прямо в цепочки поставок, за год вырос в семь раз
Число открытых вакансий forward-deployed engineer – инженеров, которых техкомпании командируют работать внутри организации-клиента, – за год выросло на 729%: с 643 в апреле 2025-го до 5 330 в апреле 2026-го. Anthropic, OpenAI и AWS уже в 2026 году объявили о крупных программах такого рода; AWS выделила $1 млрд, чтобы посадить тысячи своих инженеров прямо в команды заказчиков.
Схема простая: инженер садится внутри компании и строит рабочие ИИ-системы на её реальных данных, процессах и ограничениях – формулирует задачу, пишет код, разворачивает решение и остаётся, пока оно не заработает. Отличие нынешней волны – в том, что именно они собирают. Это агентные системы: агент сам считывает обстановку, выбирает действие, выполняет его и перестраивается при смене условий. Логика решения зашита в самом агенте, а не в заранее прописанных правилах, которые обновляет отдельный специалист.
Директора по цепочкам поставок разрываются между тремя статьями расходов одновременно: поддерживать стареющий корпоративный софт, тестировать новые ИИ-платформы планирования и растить собственную команду под агентов – а таких специалистов мало, и они дорогие. FDE даёт четвёртый путь: ИИ корпоративного уровня, собранный под конкретные процессы инженерами, которые понимают и технологию, и саму логистику. Для большинства подразделений цепочек поставок, у которых своей ИИ-разработки нет, это едва ли не единственный реальный способ развернуть агентный ИИ в масштабе.
Модель удобна и самим поставщикам – что крупным техкомпаниям, что нишевым вендорам. Она позволяет быстро показать результат и закрепить клиента даже тогда, когда агентные возможности ещё сырые. Встроенный инженер приносит поставщику больше, чем конкретный проект: тесные связи с персоналом заказчика, привязку аккаунта и доступ к живым операционным данным, на которых он же и учится.
У схемы есть предшественники – системные интеграторы, внешние разработчики, настройщики готовых продуктов, – а значит, и знакомые риски. Расползание объёма работ и рост первоначальной сметы. Уход ключевых людей на другие проекты. Разрастание портфеля кастомных функций, которые нужно отслеживать, оценивать и вовремя выводить из эксплуатации. Зависимость от внешнего исполнителя глубже, чем закладывали на старте. С этим раньше справлялись чёткими контрактами и правилами управления.
Труднее законтрактовать другое – риск на стыке агентного ИИ и самой модели внедрения. Компания всё дальше отходит от собственной логики принятия решений. Раньше эта логика жила в планировщике, аналитике, закупщике, а потом превращалась в понятные правила внутри систем: точки перезаказа, пороги распределения, приоритет поставщиков, разрешённые виды транспорта. Правила были видимыми и проверяемыми любым, у кого есть доступ.
Агентный ИИ этот слой убирает. Агент сам оценивает условия и выбирает действие, а логика не хранится там, где её контролирует организация, – она рождается из модели, данных и текущих целей бизнеса. Коробочное решение хотя бы строится на общих процессах: его логика задокументирована, обновляется на всей клиентской базе, её можно сверить с коллегами по рынку. FDE собирает агентов под уникальные процессы одной компании – и в этом сразу и ценность, и уязвимость. Сообщества коллег с тем же решением может попросту не оказаться, а инженеры, которые его построили, не в штате и навсегда не останутся. Планировщик и аналитик, когда-то задававшие логику, оказываются от неё в двух шагах.
