Az OpenAI Forward Deployed Engineering (FDE) csapata azt a távolságot igyekszik áthidalni, amely a modellek látszólagos képességei és azok megbízható, napi használatra alkalmas alkalmazásai között feszül — ezt a rést a csapat "deployment gap"-nek nevezi. A FDE-nek az a feladata, hogy ügyfelekkel együttműködve azonosítsa a legnehezebb, gyakorlati problémákat, megoldásokat építsen, amelyek üzemeltethetők, és visszajelzést adjon a Researchnek a modellek további fejlesztéséhez.
A csapatot Colin Jarvis alapította 2025 elején. Alapértékük: "Kezdd az eredménnyel, tegyél meg mindent a sikerért, majd következzen a skálázás" — vagyis először működő megoldást kell hozni, aztán automatizálni és egyszerűsíteni.
Módszer: együttműködés, beágyazódás, mérés
A FDE-k jellemzően az ügyfél csapatába ágyazódnak, megismerik az iparágat és a konkrét munkafolyamatokat, majd közösen mérik, hogy a modellek valóban hoznak-e gyakorlati értéket. Ha a jelenlegi modellek képesek a feladatra, a FDE a Producttal és az ügyféllel együtt megismételhetővé és üzemeltethetővé teszi a megoldást. Ha nem elegendő a modell, a FDE definiálja a hiányt Research számára, és közösen dolgoznak a képességek javításán.
A cél, hogy minden együttműködés javítsa a következő ügyfél kiindulópontját: ha egy probléma osztályának megoldásához később már nincs szükség FDE-re, akkor a csapat elérte célját.
Konkrét példák és mérhető eredmények
-
John Deere: a mezőgazdasági cég See & Spray nevű precíziós gyomirtó technológiája kamerákat és gépi tanulást használ, hogy a mező teljes kezelését helyett csak a gyomokat permetezze, ezzel akár 70%-kal csökkentve a vegyszerek felhasználását. A kihívás az volt, hogy hogyan lehet személyre szabott, skálázható támogatást adni a gazdáknak a beállításokhoz, szezontervezéshez és gyakorlatok igazításához. OpenAI API-kat telepítettek: természetes nyelvű válaszok, testreszabott beállítási útmutatók, az eszközök teljesítményének jelzése és az ügyfélút mentén nyújtott releváns tanácsok mind hozzájárultak a hatékonyság és fenntarthatóság javításához.
-
Nagyvállalati félvezető ügyfél (középen 2025): 2025 közepén körülbelül 15 FDE dolgozott egy nagy félvezető-ügyfélnél több mint 10 használati eset kapcsán, céljuk az volt, hogy a verifikációs folyamatot AI-native módon támogassák. A verifikáció ebben az iparágban egy projekt összefoglaló munkájának akár ~70%-át is kiteheti, így a lehetőség jelentős volt. A FDE-k beágyazódtak a verifikációs csapatba, tanulmányozták a chiptervezést, közös evalokat építettek, és egyedi harness-eket készítettek az esetekhez. Az első 3–6 hónap alatt mindegyik megoldás elérte a produkciót és a korai felhasználói elfogadást. Mérőszámok:
- ~48% időmegtakarítás AI-alapú irányított tesztgenerálással
- 22% medián teljesítményjavulás kernel-optimalizációval
- Hibakeresési hetek összenyomva órákra
-
Élettudományok: a FDE-k gyakran tudományos háttérrel rendelkeznek, ami segít a kutatókkal való bizalomépítésben preklinikai gyógyszerkutatási feladatoknál (például célpontigazolás, génexpresszió-analízis, kémiai szintézisút visszaállítása). A csapat megmutatta, hogy ezek a munkafolyamatok értéket teremthetnek, ugyanakkor eredetileg túl sok egyedi integrációt igényeltek ahhoz, hogy könnyen átvihetők legyenek más csapatokhoz. Egyes projektet Codex-szel újraépítve körülbelül 90% custom kódot tudtak eltávolítani, és kulcsfunkciókat képességekként (skills) és bővítményekként (plugins) csomagoltak, így megkönnyítve az átemelést.
Példa: egy 2026. augusztusi esetenél a kezdeti telepítés két hónapot vett igénybe; ugyanannak a megoldásnak a második csapatra történő kiterjesztése egy napot igényelt.
-
Thrive Holdings: az OpenAI FDE-k és kutatók könyvelőkkel együttműködve Crete adóirodáinak készítettek Tax AI-t. A pilót során a Tax AI 7 000 adóbevallást dolgozott fel és körülbelül 50%-kal növelte az áteresztőképességet. Az egyik legnehezebb rész a bérbeadással kapcsolatos bevallások automatizálása volt: ennek eléréséhez hat hét mérnöki és gyakorlati felülvizsgálat kellett, hogy elérjék a 90% precizitást és visszahívást. Ezek a megoldások újrahasznosítható mintákat hoztak létre más összetett ütemezések kiterjesztéséhez.
-
Ügyfélszolgálati hangalapú projektek: egy nagy távközlési partnernél a hang az ügyfélszolgálati forgalom körülbelül 90%-át tette ki; a cél a hangalapú megoldás bevezetése volt. A kezdeti modellek a kulcs-evalokon körülbelül 60%-ot értek el, tehát elértük a képességek határát. A FDE a platform felépítését és a követelmények definiálását vállalta, Research pedig a képességek javításán dolgozott. Hat hónap alatt a teljesítmény a kulcs-evalokon körülbelül 60%-ról 80%-ra, majd 90%+ szintekre emelkedett, így elérhetővé téve a produkciós bevezetést. A fejlesztések később más ügyfélszolgálati és Presence-alapú telepítésekhez is hasznosíthatók lettek.
Mi teszi nehézzé a munkát?
A feladatok gyakran nyitottak, nincs egyértelmű ground truth vagy kész recept. A csapatnak képesnek kell lennie új megoldásokat megalkotni, és sokszor olyan dolgokat építeni, amelyek előzőleg nem léteztek. Ezért a FDE-k vegyes csapatokban dolgoznak: generalisták és doménszakértők kombinációjával. A FDE-knek nem kell mindent tudniuk már az első napon, de felelősségük, hogy megtanulják a szükséges szakmai ismereteket, és elég kíváncsiak legyenek ahhoz, hogy megkérdőjelezzék a status quót.
Az iteráció és az „elavulttá tétel” kettőssége
Kétféle módon válunk elavulttá: vagy a termék javul annyit, hogy a korábbi egyedi megoldásokat lecserélhetjük, vagy pedig a kutatás olyan képességnövelést ér el, amely lehetővé teszi a modell számára az eddig emberi segítséget igénylő feladatok elvégzését. Mindkét esetben a FDE munkája hosszabb távú megtérülést hoz: javítja a következő ügyfél kiindulópontját, formálja a terméket és visszajelzést ad a Researchnek.
Záró gondolatok
A FDE-k célja, hogy az AI valódi, megbízható értéket hozzon az emberek munkájába. A folyamat: építs gyorsan, juttass értéket a felhasználókhoz, tanulj a való életből, majd skálázd azt, ami működik. Ha van olyan nehéz problémája, amelyhez partnerre van szüksége, vagy szeretne ilyen problémák megoldásán dolgozni, az OpenAI FDE-k készek együtt dolgozni és új megoldásokat építeni.
