OpenAI FDE model: od AI prototipa do ponovljive poslovne primene
OpenAI je predstavio način rada tima Forward Deployed Engineering (FDE), koji je osnovan početkom 2025. da smanji raskorak između sposobnosti AI modela i njihove pouzdane upotrebe u realnim poslovnim procesima. Tim radi neposredno sa korisnicima, proizvodnim i istraživačkim ekipama, a među navedenim rezultatima su oko 48% uštede vremena pri AI generisanju usmerenih testova i uklanjanje približno 90% prilagođenog koda u pojedinim projektima.
Od sposobnosti modela do rada u produkciji
OpenAI ovaj raskorak naziva „deployment gap“. Model može ostvariti dobar rezultat na testu, ali poslovni zadatak uključuje promenljive uslove, postojeće sisteme, radne tokove i zahteve za pouzdanošću. FDE zato najpre polazi od ishoda koji korisnik želi da postigne, a ne od demonstracije tehnologije.
Kada modeli već mogu da obave posao, FDE tim sa korisnikom i produktnim timom nastoji da rešenje učini ponovljivim. Kada sposobnosti modela nisu dovoljne, zajednički rad sa korisnikom i istraživačima služi da precizno odredi nedostatak koji treba otkloniti. Cilj je da naredni korisnik dobije bolju početnu poziciju i da za isti tip problema bude potrebno manje posebnog inženjerskog rada.
Primer kompanije John Deere odnosi se na personalizovanu podršku poljoprivrednicima. Njena tehnologija See & Spray koristi kamere i mašinsko učenje za prepoznavanje i tretiranje korova, umesto prskanja cele površine, uz mogućnost smanjenja upotrebe hemikalija do 70%. John Deere je primenio OpenAI API-je kako bi podršku oko podešavanja opreme, planiranja sezone i korišćenja tehnologije učinio prilagođenijom i skalabilnijom.
Evaluacije, zajednički alati i kraće širenje rešenja
U radu sa velikim korisnikom iz industrije poluprovodnika, oko 15 FDE inženjera je sredinom 2025. radilo na više od deset slučajeva upotrebe: generisanju usmerenih testova, analizi uzroka grešaka i pomoćniku za arhitekturu. Verifikacija može činiti oko 70% napora na projektu u toj industriji, pa su timovi zajedno gradili evaluacije i alate za proveru korisnosti generisanih testova i dijagnostike kvarova.
Tokom prvih tri do šest meseci, svi navedeni slučajevi stigli su do produkcije i rane upotrebe. OpenAI navodi oko 48% uštede vremena kroz AI generisanje usmerenih testova, medijalno poboljšanje performansi kernela od 22% i skraćivanje otklanjanja grešaka sa nedelja na sate.
Kasnije su prilagođene aplikacije preoblikovane u dodatke i veštine zasnovane na zajedničkim Codex komponentama. Codex je postao i interfejs, čime su zasebni terminalski interfejsi i komandne linije za pojedinačne slučajeve mogli da se povuku. OpenAI navodi da je tako uklonjeno približno 90% posebnog koda po projektu. U primeru iz avgusta 2026, početno uvođenje trajalo je dva meseca, dok je proširenje na drugi tim trajalo jedan dan.
Kada problem otkriva ograničenje modela
FDE pristup nije ograničen na pakovanje postojećih mogućnosti. Kod velikog telekomunikacionog korisnika, glasovni kanal je činio oko 90% obima korisničke podrške. Ključne evaluacije su na početku pokazivale rezultat od približno 60%, uz izazove povezane sa akcentima, tonom, kašnjenjem, tačnošću, pozivanjem funkcija i praćenjem instrukcija.
FDE tim je sa korisnikom izgradio platformu i definisao zahteve, dok je istraživački tim radio na unapređenju osnovnih sposobnosti modela. Za šest meseci, rezultat na ključnim evaluacijama porastao je sa oko 60% na 80%, a zatim na više od 90%, što je otvorilo put produkcionoj primeni glasovnog modela i u drugim implementacijama kroz OpenAI Presence.
Za poslovne timove, praktičan zaključak je da AI inicijativu treba vezati za konkretan ishod, meriti je evaluacijama u stvarnom radnom toku i od početka planirati kako će se prilagođeni delovi pretvoriti u komponente koje se mogu održavati i širiti.