Nitin KumarDataberättaren
Registrera dig för att få de senaste insikterna och uppdateringarna inom teknik, AI och dataanalys, datavetenskap och innovationer från Polestar Analytics.
Sammanfatta detta blogginlägg med:
TL;DR:Piloter inom företags-AI dör sällan av dåliga algoritmer. De dör av tusen små friktioner som ingen var tillräckligt nära för att fånga. Framåtriktad utveckling hjälper till att minska gapet genom att placera ingenjörer i arbetet, inte i slutet av en kö. Den här artikeln förklarar vad utveckling är, varför...införande av AI för företagofta misslyckas utan det och vad som verkligen krävs för att göra det rätt.
Det råder en särskild tystnad efter ett misslyckat AI-pilotprojekt. Inte dramatiskt, inga larm, inga obduktioner. Bara ett verktyg som tyst slutar öppnas. En instrumentpanel som ingen längre kontrollerar. En modell som tekniskt sett fortfarande fungerar och som serverar förutsägelser i ett tomrum.
Föreställ dig en modell för dokumentklassificering. Nittiofyra procents noggrannhet i testningen. Alla är nöjda. Någon skriver en bra uppdatering för ledningen.
Sex veckor efter lanseringen har finansteamet i tysthet slutat använda den.
Ingenting gick sönder, precis. Modellen mötte bara ett fakturaformat som ingen hade tränat den på, gjorde ett felaktigt beslut, och någon var tvungen att göra om en dags arbete för hand. Ingen lämnade in en felrapport. De gick bara tillbaka till sina kalkylblad.
Det här är inte en engångshistoria.MIT:s projekt NANDA fann att 95 %av generativa AI-pilotprojekt inom stora organisationer misslyckas med att visa någon mätbar avkastning, inte för att modellerna var svaga utan för att arbetsflödena kring dem var sköra och felaktigt anpassade till hur arbetet sker. Det är mönstret bakom ekonomiteamets tystnad, utbredd över en hel bransch.
Data science-teamet levererar modellen. IT levererar infrastrukturen. Ingen äger de sex veckorna efter lanseringen, när modellen möter en värld den inte riktigt var tränad för. Det är inte en teknisk lucka, det är en ägargap, och traditionell leverans är strukturellt byggd för att missa den: ärenden, sprintar och överlämningar antar alla att personen som byggde saken inte är den person som måste se den misslyckas.
Om man bortser från detaljerna blir det verkligen ett problem med olika kläder: avståndet. Avståndet mellan de människor som bygger AI-system och de människor som lever med vad systemen gör fel. När ett arbetsflödesproblem väl passerar genom en ärendekö och tillbaka är förtroendet som bröts under de första fem minuterna redan borta.
Framåtriktad ingenjörskonst är praxisen att bädda in ingenjörer direkt i en klients värld, deras data, deras arbetsflöden, deras måndagsmorgonna kaos, så att det som byggdes i ett labb överlever kontakten med verkligheten.
Enframåtriktad ingenjörlämnar inte över en modell och går därifrån. De stannar tillräckligt nära för att se den misslyckas första gången, och tillräckligt nära för att fixa den innan någon slutar lita på den. Det är en liten förändring i attityd som förändrar allt nedströms: närhet, inte process, blir det som får systemet att fungera.
Uttrycket lånar från militären, soldater stationerade vid fronten, inte högkvarteret. Palantir tog upp det i mitten av 2000-talet för att beskriva ingenjörer som levde tillsammans med underrättelse- och försvarsteam och byggde programvara där det faktiska arbetet ägde rum istället för att skicka in det från någon annanstans.
De lämnade inte in böter. De tittade, i realtid, på hur teori mötte kaos och förlust.
Den instinkten förblev inte en nischad vana som bara gällde ett företag. I juni 2026 satsade AWS en miljard dollar på en dedikerad enhet för framåtlutad teknik (Forward Deployed Engineering) och skickade tusentals ingenjörer direkt till företagskundernas anläggningar. OpenAI och Anthropic hade redan startat liknande satsningar tidigare samma år. En växande lista av företag med framåtlutad teknik, hyperscalers, frontier labs och specialiserade företag erbjuder nu framåtlutad teknik som en separat affärslinje, inte en tjänst inbäddad i ett större kontrakt. Det som började som ett företags udda anställningsfilosofi har blivit det sätt som branschens största aktörer satsar på att minska driftsättningsklyftan.
Programvara brukade vara förutsägbar. Om det fungerade på tisdagar, så fungerade det på onsdagar. AI erbjuder inte den garantin, den driver, den möter edgefall som ingen förutsåg, den blir tyst mindre exakt allt eftersom världen fortsätter att röra sig. Den instabiliteten är ny och det är just därför en gammal militär instinkt har hittat ett nytt hem.implementering av AI för företag.
Siffrorna visar hur snabbt detta har förändrats.En studie från 2026 av rekryteringsföretaget Christian & Timbersfann att endast 5–10 % av företagen planerade att anställa framåtutplacerade ingenjörer i början av året; vid andra kvartalet hade den siffran stigit till 70 %. Efterfrågan förväntas öka med 2 100 % vid årets slut. Och talangpoolen har inte hunnit ikapp: samma forskning uppskattar antalet ingenjörer i USA med det tillämpade AI-djup som krävs för att pålitligt leverera avkastning på investering (ROI) till cirka 2 000, jämfört med en bredare FDE-marknad på cirka 17 000. Det är en snäv flaskhals för en roll som alla seriösa företag nu vill ha.
Indien rider på samma våg.CIEL HR rapporterade att anställningsefterfrågan för FDE ökade med 130 % jämfört med föregående år., med 52 organisationer som aktivt rekryterar för rollen från och med juli 2026, koncentrerade till Bengaluru, Delhi-NCR och Hyderabad.
En regional detaljhandelskedja lanserade en gång en modell för efterfrågeprognoser strax före en julhelg. Den presterade utmärkt baserat på historiska data. Sedan tömde en lokal cricketfinal tre städer för en kväll, och modellen, som aldrig hade upplevt en liknande efterfrågechock, överbeställde varor som ingen fanns att köpa.
Ett ärendebaserat team skulle ha loggat det, prioriterat det och åtgärdat det i tid för nästa år. Den inbyggda ingenjören för det kontot var i rummet när regionchefen flaggade det, drog upp avvikelsen samma eftermiddag och justerade modellens hantering av lokala händelsetoppar innan nästa omgång beställningar skickades ut. Ingen utanför det butiksklustret visste någonsin att det hade varit ett problem.
Det är hela skillnaden. Inte en smartare modell. Någon tillräckligt nära för att hinna i tid.
Inget av detta är gratis, och det är värt att säga det tydligt.
Seniora ingenjörer som är inbäddade på plats kostar mer än ett centraliserat leveransteam, och den kostnaden minskar inte på samma sätt som offshore-team gör. Det finns också en mindre risk: om den inbäddade ingenjören blir den enda personen som förstår varför systemet fungerar, har klienten inte byggt upp en kapacitet. De har byggt upp ett beroende som försvinner när uppdraget avslutas.
Och närheten har sin egen fälla. Att sitta nära ett teams problem gör det frestande att fortsätta lösa det teamets specifika, skräddarsydda version av problemet på bekostnad av att någonsin bygga något som skalar bortom dem.
Ibland är det ärliga svaret att Forward Deployed Engineering inte alls är rätt val. En stabil miljö med förutsägbara, väl dokumenterade arbetsflöden behöver inte någon inbäddad för att upptäcka avvikelser, det finns inget som avviker. Och om det inte finns någon på klientsidan som kan äga systemet när ingenjören slutar, är all den närheten som producerar dyrt, ounderhållet arbete. Modellen tjänar sin kostnad i röriga, föränderliga miljöer. Det gör den inte i lugna.
Under verktygen och akronymerna handlar framåtriktad ingenjörskonst omanslutningAtt hålla ingenjörer tillräckligt nära arbetet för att de ska kunna se var modeller tvekar, var arbetsflöden går sönder och var användarna i tysthet tappar förtroendet. Ju snabbare avståndet mellan problem och lösning försvinner, desto mer sannolikt är det att AI blir en del av det dagliga arbetet istället för ännu ett övergivet pilotprojekt.
Varje verklig AI-transformation stöter så småningom på samma vägg.företagsstrategi för AIsom behandlar implementering som en eftertanke är bara en upphandlingsstrategi med ett mer spännande namn. Organisationerna som lyckas med detta behandlar sin AI-implementeringsstrategi och sin personalstrategi som samma dokument, inte två team som råkar mötas i en statusuppdatering.
Det är hela satsningen. Inte mer automatisering. Någon som står tillräckligt nära för att göra automatiseringen pålitlig.
Förvänta dig att en premium, senior, inbäddad talang har högre timkostnader än centraliserad leverans, och att den inte skalas ner på samma sätt som offshore-team gör. Avkastningen syns i implementeringsgrad och hastighet till värde, inte i timtaxan.
Om arbetsflödet är stabilt, väl dokumenterat och informationen är ren, då fungerar standardleverans vanligtvis bra. FDE tjänar sin kostnad i röriga, föränderliga miljöer, nya datakällor, skiftande edge-fall, höginsatser från användarnas förtroende, där drift är normen inte undantaget.
Det beror på hur central AI är för din verksamhet och hur mycket proprietär processkunskap som är involverad. Interna team skyddar den kunskapen långsiktigt men det tar tid att bygga upp den. Externa partners agerar snabbare men kräver att medveten kunskapsöverföring är inskriven i uppdraget från dag ett, annars hyr du en kapacitet, inte bygger en.
Tidiga, synliga vinster visar sig vanligtvis inom veckor, inte månader, det är poängen med en tät feedback-slinga. Fullständig implementering och intern kompetensöverföring tar längre tid, och alla partners som lovar något annat underskattar "inlärningsdelen" av arbetet.
Se till att strukturerad kunskapsöverföring är ett mål, inte bara något som händer senare. Detta inkluderar dokumentation, skuggning och en tydlig punkt där arbetet lämnas över. Allt detta bör bestämmas innan projektet startar, inte när det nästan är klart.
Om författaren
Databerättaren
De bästa idéerna kommer inte. De väntar på att du ska vara redo.
Relaterad blogg
Sudha
