7 月 2 日，微软宣布推出 Microsoft Frontier Company，投入 25 亿美元，安排 6000 名行业与工程专家与客户共同设计、部署和持续改进 AI 系统。两天前，AWS 宣布投入 10 亿美元建立驻场工程师（FDE）组织。此前两个月，OpenAI 与 TPG 等机构、Anthropic 与 Blackstone 等机构也分别宣布部署业务合作，相关资金规模据报道合计 55 亿美元。
与微软当时对 2026 日历年约 1900 亿美元的整体资本支出指引相比，25 亿美元的规模较小，但用途不同：前者主要增加基础设施等资产，后者帮助客户把 AI 接入实际业务。部署服务可能带来更多持续使用，也需要证明自身成本值得投入。
企业需要工程支持，把模型接入实际业务流程
增加算力与帮助企业使用 AI，是两项相互关联的工作。微软当时仍预计算力供应至少到 2026 年底都受限，因此不能把部署业务解释成训练集群过剩后的补救。它还要解决另一个问题：客户如何把可用模型接入数据、权限和业务流程。
推理支出增长是一个相关背景。Gartner 预测，2026 年推理将占 AI 优化基础设施即服务（IaaS）支出的 55%，到 2029 年超过 65%。Unified AI Hub、AnalyticsWeek 等分析还引用了 2026 年底达到 70-80% 的更高估计，但它与 Gartner 的统计范围未必一致。这些是预测，不能当作年初已经发生的支出比例。
The Register 报道曾并列列出微软过去四个季度约 970 亿美元的基础设施与设备支出，以及约 370 亿美元的 AI 业务年化收入规模。两者相除约为 2.6:1，但这不是投资回报率：前者涉及多年使用的资产及不同业务，后者是某一时点收入速度的年化值，既不是利润，也不是这些资产产生的全部收入。
把 AI 系统部署到业务中，需要工程人员参与。用微软商业业务 CEO Judson Althoff 在官方博客中的话："客户已经远超过了试验阶段……他们现在专注于交付可衡量的业务成果，并展示 AI 投资的回报。"这需要有人理解企业流程、连接数据和系统，并与客户共同验证结果。Frontier Company 的 6000 名专家将承担这类工作。
四家公司采用不同资金和交付安排，争取长期使用需求
四家公司都派工程师参与部署，但资金来源、模型选择和服务交付方式有所不同。
微软承诺投入，并提供多模型选择。 25 亿美元是微软宣布的投入，未披露外部融资安排。Althoff 强调平台"模型多样化"，客户可选择 OpenAI、Anthropic、微软自研或开源模型。6000 名行业与工程专家的实施工作有望带来 Azure 使用需求，但公告未说明所有项目都必须运行在 Azure GPU 实例上。
AWS 由内部组织提供服务，并用智能体加快部署。 AWS 承诺投入 10 亿美元。负责这项业务的副总裁 Francessca Vasquez 称，团队使用智能体辅助构建智能体系统，希望将部分部署从数月缩短到数天。据报道，典型小组约 5-6 人、与客户合作约 45 天；这与部分开发步骤的加速并非同一时间口径。知识图谱、操作手册和架构文档留在客户自己的 AWS 环境中，便于客户接手运维，也会形成持续的平台使用需求。
OpenAI 和 Anthropic 引入外部资本与客户渠道。 据报道，OpenAI Deployment Company 的融资规模为 40 亿美元、估值约 100 亿美元；官方列出的合作方包括 TPG、Brookfield、Bain Capital 等 19 家投资机构、咨询公司和系统集成商。Anthropic 合资企业的 15 亿美元则是相关资金规模，不能直接当作估值，合作方包括 Blackstone、Hellman & Friedman 和高盛。私募机构既能提供资本，也有被投企业的客户关系。两项业务分别围绕 OpenAI 模型和 Claude 构建方案，因此可能增加相关模型与云服务使用，但具体限制还要看客户协议。
这些部署安排都可能带来长期模型和云服务收入，区别在于服务如何收费、客户可以选择哪些模型，以及部署经验能否复用。
系统集成市场规模较大，AI 部署的利润仍待观察
Fortune Business Insights 估计，2026 年全球系统集成市场约为 4818 亿美元，预测 2034 年达到 1.13 万亿美元，年复合增长率 11.3%。这是整个系统集成市场，不能全部算作 AI 部署机会。Accenture 在 2025 财年收入约 700 亿美元、员工近 80 万人，也在扩展 AI 相关服务。
微软的部署网络不止 6000 人。Accenture 已宣布成立专门的微软 FDE 实践团队，EY、KPMG、PwC、Capgemini 也在合作名单中。这些系统集成商拥有数万名工程师，但具体会为 Frontier Company 项目投入多少人，尚未披露。
AI 部署仍需要较多工程人力，服务收入增长未必带来同等程度的利润增长。对微软和 AWS，需要一起计算工程成本、客户付款，以及后续云服务收入，才能判断这项投入是否划算。
微软和 AWS 尚未披露完整收费方案或利润率预期。AWS 公告强调"部署围绕共享目标和业务成果构建，而非按小时计费"，但这一表述还不能说明具体按何种成果收费。服务收入能否覆盖数千名资深工程师的成本，需要实际项目数据。
工程师经验需要沉淀成工具，服务才能更容易复制
驻场工程师模式以 Palantir 的实践为人熟知，2010 年代初已成为其交付方式的重要部分。服务情报机构等客户时，需求和数据难以公开，工程师需要在现场理解问题。公司再把现场经验转为产品功能，逐步减少重复开发；这类方法的形成经历了多年积累。
AI 部署也需要在定制服务与重复使用之间取舍。Emergence Capital 在其分析中指出："AI 模型是金矿，FDE 是挖矿的人——真正的护城河是人驱动的，不是模型驱动的。"熟悉行业的工程师可以形成优势，但扩大服务仍要招聘、培养和管理人员，难以像复制软件那样低成本扩张。
MindStudio 的分析文章也指出："你不能无限雇佣前线部署工程师。FDE 的价值在于他们真正理解模型能力和客户环境——这种专业知识需要时间培养，而且不像软件那样可以规模化。"
AWS 因而强调"用 Agent 加速部署"：如果工具能减少重复工作，每个项目需要的人力和时间就可能下降。AWS 同时说明，Agent 负责"压缩时间线"，工程师仍需验证和指导。能减少多少工作、哪些判断仍依赖人，是成本能否降低的关键。
驻场服务可能增加云端使用，也提高客户迁移成本
数千名行业与工程专家参与企业部署，可能影响客户如何使用模型和选择平台。
过去，企业往往依赖自身 AI 人才决定如何调用模型。微软计划安排的 6000 名专家，能够帮助客户识别任务、连接系统和运行测试，补充内部能力。这可能增加模型使用，但是否持续增长，仍取决于项目能否产生业务价值。
云平台的竞争也会更多涉及交付服务。当多种模型都能满足某项需求时，行业经验、部署速度和维护质量可能影响客户选择；这并不意味着模型能力差异已经不重要。
长期合作也可能增加迁移成本。API 兼容层能减少部分技术适配，但业务知识和信任关系仍需重新建立。例如，一名在客户工厂工作六个月、熟悉其供应链的工程师所掌握的经验，不会随着接口切换自动转移。微软已有的 Fortune 500 客户关系，以及销售、技术顾问和行业专家经验，会成为这支 6000 人团队的基础。
后续看项目能否复制、客户是否续约，以及人力成本是否下降
Frontier Company 需要证明，面向客户的定制工作能够逐步形成可重复的方法，减少对新增人力的依赖，同时带来持续的 AI 服务使用。这既关系到部署业务自身的回报，也可能影响 Azure 的收入。
目前公布的安排包括微软 25 亿美元投入、6000 人规模，以及四家公司在两个月内接连扩展实施业务。资金和人员投入说明它们看重客户部署，但不代表大模型研发竞争已经结束。
未来 12 到 18 个月可作为观察窗口：部署时间是否缩短、方法能否复用、客户是否续约，以及每个项目的人力成本是否下降。这些结果会帮助判断部署业务的回报；不能把它的成败直接等同于微软约 1900 亿美元整体资本支出是否有效。
