
FDEの需要を読み解く~AIエージェントに「会社での仕事のやり方」を教えるのは誰か~
最近、Eugen Alpeza さんの「The FDE boom is a product gap」という記事を読みました。X に公開された長文で、題を訳すと「FDE ブームはプロダクトギャップである」です。
FDE(Forward Deployed Engineer)は、顧客の現場に入り込んで、自社のソフトウェアを顧客の課題に合わせて組み上げる技術者です。記事は、この職種の採用が増えている状態を、まだ無い製品の代わりに人を雇って穴を埋めている状態として説明しています。
私が面白いと思ったのは、AIエージェントに会社のやり方を教える仕事を、技術者ではなく業務の担当者にやらせる、という提案です。
この記事では、元記事を読んでいなくても追えるように、エージェントに何が欠けているかから始めます。そのあと、担当者の判断を手順書に変えて更新し続ける仕組みと、測定できる仕組みを作ります。
エージェントは、会社で何が正しい対応かを知りません

AIエージェントは、言語モデルが手順とツールの使い方を自分で決めながら仕事を進めるシステムです。モデルが賢くても、「この会社では、この注文を通してよいか」という判断は、誰かが教えないと分かりません。
元記事は、エージェントを業務に使おうとする企業が、どこも同じ問題に当たると書いています。エージェントは会社の運用を知らず、運用を知っている担当者には、それをエージェントに教える簡単な手段がありません。
ここで出てくるのが FDE です。Palantir では FDE を社内で「Delta」と呼び、製品を作る開発者が「一つの機能を多くの顧客に」作るのに対し、Delta は「一つの顧客に多くの機能を」届けると説明しています。
Pragmatic Engineer の解説は、2025年に入ってから AI の導入を背景に、この職種の採用が大きく増えたと書いています。
元記事の著者は、のちに共同創業者となる Yannis さんとともに、Palantir で AI 分野の FDE の仕事を率いていました。記事は、自分たちが担当者とエージェントのあいだで橋渡しをする役割をしていた、という立場から書かれています。
FDE・記録の連結・再学習では、手順の更新方法が担当者に残らない

元記事は、よく取られる方法を二つ挙げ、近道として思いつくファインチューニングにも触れます。難しいのは「担当者の判断をエージェントが従える形にし、業務の変化に合わせて保つ」ところだ、というのが元記事の主張です。
一つ目は FDE です。担当者が FDE に説明し、FDE がエージェント向けの指示に書き直します。
業務が変わるたびに技術者が間に入るので、元記事は、この形は規模を広げられないと書いています。
二つ目はコンテキストグラフで、会社の記録や意思決定をつないで、エージェントが過去の経験を参照できるようにする考え方です。Foundation Capital は、例外がどう認められ、誰が何を承認したかという「決定の痕跡(decision trace)」の蓄積として説明しています。
ただ、過去の記録には、正しい対応と誤りが区別されずに残っています。元記事は、履歴をつなぐだけで足りるなら FDE の需要はここまで無いはずだ、と指摘します。
三つ目は、自社の履歴でモデルを追加学習させるファインチューニングです。元記事は、履歴の中の人が正しく動いていた保証が無いので悪い習慣も学ぶこと、仕入れ先や地域や方針が変わるたびに学習し直す必要があることを理由に挙げます。
元記事の議論をもとに、この記事の側で「得意なこと」と「残る課題」の二つの軸で並べると、次のようになります。
FDE が翻訳する
得意なこと:現場の判断を聞き取って、エージェント向けの指示にする
残る課題:業務が変わるたびに、技術者が間に入る
コンテキストグラフ
得意なこと:過去の記録と決定をつないで参照できる
残る課題:記録の中の誤りと、正当な例外を区別できない
ファインチューニング
得意なこと:履歴からふるまいを学ばせる
残る課題:悪い習慣も学ぶ。変更のたびに学習し直す
渡せる手順書を育てる
得意なこと:担当者が読み、直し、承認できる
残る課題:更新の手順を、日々の運用に組み込む必要がある
元記事の言葉では、担当者に手順書の保守は頼めても、モデルからふるまいをファインチューニングで取り除く作業は頼めません。
では、なぜ今この方法が現実的なのでしょうか。元記事は、新人でも使えるきめ細やかな手順書を最新に保つ作業は、これまで重すぎてほとんどの組織が手を付けられなかったと書きます。
AIエージェントは、何千件もの案件を読んで規則の候補を挙げ、矛盾を見つけ、担当者に提案できます。手順書を作って保つ費用が下がり、渡せる手順をエージェントが大量に実行できるので、手順書を持つ見返りも大きくなった、というのが元記事の見立てです。
ContextOps は、エスカレーションを次の案件の手順にフィードバックする

元記事は、この運用を続ける取り組みを ContextOps と呼びます。業務の証拠と担当者の判断を、テスト済みで渡せる指示に変え、業務の変化に合わせて保守し続けることです。
効果が最も大きいのは、同じ種類の仕事を繰り返す業務だと元記事は書いています。例に挙がっているのは、機器の依頼、インシデント、請求、カスタマーサポートです。
案件が届くと、エージェントが当てはまる手順を探し、ツールを使って処理します。手順が案件に対応していないとき、エージェントは担当者にエスカレーション(人に引き継ぐこと)します。
元記事が「学習の循環」と呼ぶ流れは、次の四つです。
手順が対応していない案件を、エージェントが担当者にエスカレーションする
担当者が案件を解決し、判断の理由を記録する
似た案件がたまると、エージェントが手順の更新案を、裏付けの事例と矛盾する事例つきで出す
担当者が、どの判断を常設の指示にするかを決めて承認し、テストしてから展開する
役割の分け方も、元記事ははっきり書いています。
業務の担当者:指示の中身に責任を持つ
AI:指示の組み立てと更新を手伝う
エンジニアリング:指示を実行するシステムを保守する
循環の効果を測る物差しとして、元記事は「実行可能カバレッジ(executable coverage)」を提案します。ある業務の案件のうち、最新で承認済みの手順だけを使い、誰かが判断を補わなくてもエージェントが正しく処理できる割合です。
更新された手順は、その手順を使うすべてのエージェントの実行可能カバレッジを広げます。元記事は、この状態を「企業が学習の循環を、外部に依存せず自社で持つ」と表現しています。
通信会社の例では、電圧ルールの例外を二種類に分けて手順書にした

どれを止め、どれを公式手順に加えるか は、担当者にしか決められない。
元記事の著者は Palantir 時代、大手の通信会社から、数百億ドル規模のサプライチェーン支出の背後にあるデータを預かりました。依頼は、業務のあるべき運用から外れた機器の発注を、自動のチェックで見つけることでした。
ある機器群では、特定の電圧の製品は、ほとんどの場合に交換されていました。ただし、毎回ではありませんでした。
著者たちがこの傾向を業務の担当者に見せると、担当者は電圧のルールが実在することを確かめ、外れた発注の理由を説明しました。外れた発注は二種類に分かれました。
誤り:手順どおりに発注しなかった。手順があることを知らなかった場合が多い
正当な例外:書かれた手順に入っていなかった、地域ごとの正当な要件
元記事は、この発注履歴がすでにコンテキストグラフだったと書いています。誤りも正当な例外も区別なく記録されていたので、傾向を見つけることは FDE にもできても、どれを止め、どれを公式の手順に加えるかは担当者にしか決められませんでした。
元記事は、同じ案件をエージェントで進めた場合も描いています。エージェントが発注履歴から電圧の傾向を見つけ、規則の案が裏付けの事例と合わない事例として報告します。
担当者は電圧のルールを確かめ、誤りの群を規則違反、地域の群を正当な例外と仕分けて、理由を一行書き足して承認します。できた手順書には、一般の規則、地域の例外、人の判断が要る場面が入り、代表的な案件で試してから展開されます。
この形なら、担当者は手順書を書き直すたびに FDE に訳してもらわなくても、自分で運用の指示を変更できます。
手順書は、コードと同じようにバージョンと承認で管理

元記事は、学習の循環で生まれた知識を、ソフトウェアのチームがコードを扱うのと同じように扱うべきだと述べています。エージェントの指示には持ち主とバージョンがあり、変更案には証拠が付き、レビューとテストを経て展開され、元に戻せて、どのバージョンが判断したかをあとから確かめられる、という扱いです。
ソフトウェア開発では、GitHub のプルリクエストのレビューのように、変更を提案し、レビューする人が承認するか修正を求めてから取り込む流れが一般的です。元記事も GitHub を手本に挙げています。
ただし、担当者が承認に使う材料はコードの差分とは違います。一つの規則が何百件もの案件と多くの人の判断から生成されるなら、担当者には、規則にマッチする事例、矛盾する事例、一度きりの例外を提示する必要があります。
この「判断の記録」を持つ仕組みは、周辺の技術にもあります。Neo4j の解説は、コンテキストグラフの一部として、エージェントが証拠から行動に至った経路、ツール呼び出し、結果を記録するレイヤーを説明しています。
手順書をエージェントに渡す形式も、すでにあります。Anthropic の Agent Skills は、SKILL.md というファイルに手順の知識を書き、依頼がスキルの説明に合ったときだけ、エージェントがその本文を読み込む仕組みです。
Authoring Agent Skills(arXiv)は、スキルをソフトウェアの成果物として扱い、決まった入出力のテストの代わりに、ふるまいの評価で確かめるべきだと論じています。手順書をコードのように保守する考え方と、向きが同じです。
Anthropic の Building Effective AI Agents は、エージェントの計画の手順を明示して見せる透明性を、設計の原則の一つに挙げています。担当者が承認できるのは、エージェントが何を根拠に何を提案したかが見えるときです。
元記事の著者は Edra の共同創業者で(Sequoia Capital の紹介記事)、記事の最後で、担当者向けの GitHub にあたる製品を作っていると書いています。
実行可能カバレッジや学習の循環は、特定の製品を使わなくても、自分の業務に当てはめて考えられます。
参考書籍・情報
本記事をより理解するための概念マップスライドを作成しているので、ご参考までにご覧ください。
現場の暗黙知を組織の形式知にする SECI モデルの原典で、担当者の判断を手順に変える発想の土台になる。
社員の経験や判断基準を AI に組み込み、チームで使う具体策を扱う本で、手順書を育てる運用の考え方に近い。
エージェントの開発に加えて、LLMOps や評価による品質改善まで扱う入門書で、手順のテストと運用の実装面を補う。
【最後に】 まずは代表的な100件で、実行可能カバレッジを測定
元記事は、最初の質問として「あなたの業務の実行可能カバレッジはいくつか」を挙げています。機器の依頼から代表的な100件を取り出し、基準を満たす件数を数えるのが出発点だ、という提案です。
自身の業務で試すなら、次の順で進められます。
□ エージェントに任せたい繰り返しの業務を一つ選ぶ
□ その業務の代表的な案件を、100件ほど抜き出す
□ 1件ずつ、今の手順書だけで、誰かの判断を補わずに処理できるかを担当者と判定する
□ 処理できなかった案件に、手順書に書かれていない判断を一行でメモする
□ メモが重なる判断を一つ選び、短い手順にして担当者に承認してもらう
元記事は、エージェントに任せたい業務でこの数(実行可能カバレッジ)が答えられないなら、運用のどこまでがエージェントに使える形で書かれているかが、まだ分かっていない状態だとしています。
ここで紹介した進め方は、元記事の考え方を小さく当てはめたものです。私が自身の業務で使うならこうするという案になります。
参考情報
The FDE boom is a product gap(Eugen Alpeza):この記事の起点。FDE の需要を、担当者の判断を手順書に育てる製品の空白として読む議論を確かめるため。
Dev versus Delta: Demystifying engineering roles at Palantir(Palantir Blog):FDE(Delta)と製品の開発者の違いを、Palantir 自身の説明で知るため。
A Day in the Life of a Palantir Forward Deployed Software Engineer(Palantir Blog):FDE が顧客の現場で日々どんな作業をしているかの具体像を見るため。
What are Forward Deployed Engineers, and why are they so in demand?(The Pragmatic Engineer):AI の導入を背景に FDE の採用が増えた経緯を、第三者の解説で知るため。
AI's trillion-dollar opportunity: Context graphs(Foundation Capital):コンテキストグラフと「決定の痕跡」の考え方を知るため。
What is a context graph?(Neo4j):エージェントの判断の経路を記録するレイヤーを、技術の面から見るため。
Pull request reviews(GitHub Docs):提案、レビュー、承認、修正依頼という変更管理の基本の形を確かめるため。
Agent Skills(Claude Platform Docs):手順の知識をファイルに書き、必要なときだけエージェントに読ませる形式を知るため。
Authoring Agent Skills: A Software-Engineering Approach(arXiv):エージェント向けの手順書を、ソフトウェア工学の原則で書いて保つ考え方を学ぶため。
Building Effective AI Agents(Anthropic):エージェント設計の基本原則と、計画を見せる透明性の考え方を押さえるため。
Partnering with Edra: Context for Agents at Scale(Sequoia Capital):著者の経歴と、Edra が作ろうとしているものを、投資家の説明で確かめるため。
関連記事