我是 KPMG 的前置部署工程师，AI 让我的工作不再局限于写代码

一句话看懂：毕马威（KPMG）前置部署工程师 Justin Johnsen 公开讲述，AI 已把他的工作重心从手写代码转向收集业务上下文与厘清意图，原本数月的交付被压缩到约一个月。这释放出一个信号：企业软件交付的瓶颈正在从编码能力转移到对数据和需求的理解能力。

事件核心：发生了什么

据 Business Insider 2026 年 9 月 20 日报道，Justin Johnsen 在毕马威工作六年，担任前置部署工程师（Forward-Deployed Engineer，FDE）约一年，目前是该公司的首席技术架构师。FDE 的特点是直接进入客户团队、常驻现场，从理解业务需求一直跟到交付可用方案，而不是像传统系统集成商那样收集完需求、写完代码就“甩过墙”。

他描述了一个具体案例：某客户最初只是请他整合多个应用到一套复杂软件系统中，在花了数月梳理需求和上下文后，团队借助 AI 大约一个月就完成了交付。客户随后反过来请他去培训自己的团队，学习这套 AI 与提示词（prompting）实践。他近期交付的另一类应用是风险评分——把衡量客户或合作方风险的多路信号汇集起来，用 AI 进行推理并生成分数，再由独立评审人员参考该分数做判断。

为什么重要

这段访谈的价值不在于又一个大模型演示，而在于它指出了 AI 落地企业场景的真实卡点。Johnsen 明确表示，过去的瓶颈是软件开发与写代码，现在变成了开发前的上下文收集和意图澄清。换句话说，模型本身能力足够，缺的是喂给它的业务信息。这也解释了为什么他观察到越来越多开发工作正往数据层和集成层迁移：企业难题往往在于让 AI 理解数据、把分散在遗留系统和云应用中的信息汇总起来做监控和可视，以及打通彼此无法通信的系统。对做 AI 应用和 API 集成的团队来说，这是一个比“模型跑分”更贴近收入的判断。

对用户/开发者/创作者的影响

对开发者而言，可复用的能力清单正在变化：提示词工程之外，数据聚合、系统对接、把 AI 输出嵌入交付物和业务系统，权重越来越高；纯手写代码的重复劳动被压缩，人更多负责定义问题和做关键决策。对企业采购方而言，FDE 这种驻场协作模式的价值在于知识实时转移——客户拿到的不只是应用，还有可落地的最佳实践、文档和产出物，而不是传统实施后常见的那种“Salesforce 式烂尾”。对内容与知识工作者来说，同样逻辑适用：AI 产出的质量取决于上下文质量，整理信息本身就是核心工作。