OpenAI beschreibt die Rolle von Deployment-Ingenieuren: vom KI-Pilotprojekt zur wiederholbaren Arbeit

Am 22. Oktober veröffentlichte OpenAI eine Beschreibung der Arbeit von FDE – dem Team für Forward Deployed Engineering, das gemeinsam mit Unternehmenskunden KI an konkrete Abläufe anpasst. Colin Jarvis, der Leiter des Bereichs, erklärt, wie Ingenieure die Arbeit des Kunden kennenlernen, Qualitätskriterien abstimmen und Einzellösungen in wiederverwendbare Komponenten überführen.

So beschreibt das Unternehmen die Lücke zwischen dem Ergebnis eines Modells bei einer Testabfrage und der Fähigkeit eines Systems, eine Aufgabe in einer realen Umgebung zuverlässig auszuführen. Liegt der Engpass beim Produkt oder bei der Integration, überarbeitet das Team die Lösung gemeinsam mit dem Kunden; kann das Modell die Anforderungen der Aufgabe nicht erfüllen, werden OpenAI-Forschende hinzugezogen.

Von der Kundenaufgabe zum messbaren Ergebnis

In einem Beispiel aus der Mitte des Jahres 2025 arbeiteten rund 15 OpenAI-Ingenieure mit einem großen Halbleiterhersteller an mehr als zehn Anwendungsfällen: der Generierung gezielter Tests, der Suche nach Fehlerursachen und der Unterstützung beim Design. Nach Angaben des Unternehmens wurden die Anwendungsfälle innerhalb der ersten drei bis sechs Monate in die Produktion überführt und früh eingesetzt. OpenAI nennt eine Zeitersparnis von etwa 48 Prozent bei der Testgenerierung und eine Verkürzung der Fehlersuche von Wochen auf Stunden.

Diese Kennzahlen beziehen sich auf die von OpenAI beschriebenen Abläufe eines konkreten Kunden. Für die Umsetzung ist vor allem die Methode relevant: Erfolgskriterien frühzeitig mit den Fachleuten abstimmen, reale Fälle sammeln und die Ergebnisse des gesamten Arbeitsablaufs messen – einschließlich der menschlichen Prüfung.

Wiederverwendung statt einmaliger Integrationen

Die ersten Lösungen für den Hersteller erforderten viel individuellen Code. OpenAI berichtet, dass beim Umbau der Anwendungen rund um Codex einzelne Schnittstellen durch gemeinsame Tools, Plugins und Skills ersetzt wurden. Das Unternehmen schätzt die Verringerung des kundenspezifischen Codes für jedes beschriebene Projekt auf etwa 90 Prozent. Im Beispiel aus dem August 2026 dauerte die erste Einführung zwei Monate, während ein zweites Team in nur einem Tag angebunden wurde.

Bei einem eigenen Pilotprojekt ist es sinnvoll, den Aufwand für die erste Einführung getrennt vom Aufwand für die Anbindung der nächsten Abteilung zu erfassen. Lassen sich Konnektoren, Anweisungen und Qualitätsprüfungen wiederverwenden, kann die Übertragung der Lösung weniger individuelle Entwicklungsarbeit erfordern. Die von OpenAI genannten Zeiträume beziehen sich auf ein konkretes Beispiel des Unternehmens und sind kein garantierter Zeitplan für jedes Projekt.

Vom Kundenpilot zum Steuerprodukt

Ein weiteres Beispiel von OpenAI ist Tax AI für die Buchhaltungsfirmen von Crete, das gemeinsam mit Thrive Holdings entwickelt wurde. Nach Angaben des Unternehmens verarbeitete das System während eines Pilotprojekts 7.000 Steuererklärungen, während die Durchsatzkapazität um rund 50 Prozent stieg. Einer der komplexen Anwendungsfälle – Steuererklärungen zu Mietobjekten – erforderte sechs Wochen Entwicklungsarbeit und die Prüfung durch Fachleute, um eine Genauigkeit und Vollständigkeit der Erkennung von 90 Prozent zu erreichen.

OpenAI schreibt, dass die erarbeiteten Vorlagen anschließend dazu beitrugen, Tax AI auf weitere komplexe Steuerpläne auszuweiten. Bei der praktischen Bewertung eines solchen Pilotprojekts sollten nicht nur der Anteil korrekter Ergebnisse, sondern auch der Umfang der manuellen Prüfung, die Bearbeitungsgeschwindigkeit und der Aufwand für die Übertragung auf einen weiteren Dokumententyp berücksichtigt werden.

Wann sollte die Integration angepasst werden – und wann das Modell?

In einem separaten Projekt mit einem großen Telekommunikationsanbieter entwickelte das Team einen Sprachsupport. Nach Angaben von OpenAI lag das Ergebnis bei wichtigen internen Tests, mit denen die Produktionstauglichkeit des Anwendungsfalls bewertet wurde, zunächst bei etwa 60 Prozent. Innerhalb von sechs Monaten stieg es auf 80 Prozent und übertraf anschließend 90 Prozent, nachdem Deployment-Ingenieure, Kunde und Forschungsteam zusammengearbeitet hatten. OpenAI führt die Verbesserung auf Tests zur Spracherkennung, zur Befolgung von Anweisungen und zum Aufruf von Funktionen in Szenarien des Kundenservice zurück.

Ein solcher Prozess hilft festzustellen, wo genau Handlungsbedarf besteht: bei der Integration und der Schnittstelle oder bei der Fähigkeit des Modells, die vorgegebene Funktion auszuführen. OpenAI beschreibt interne Bewertungen und Kundenprojekte des Unternehmens; die Ergebnisse zeigen, wie es die Einführung organisiert, und sind keine allgemeingültige Prognose für andere Kunden.

Was Sie in Ihrem Pilotprojekt prüfen sollten

Halten Sie vor einer Ausweitung der Einführung fest, wie die Aufgabe bisher erledigt wurde, wie viel manuelle Prüfung anfällt und welche Abnahmekriterien gelten. Prüfen Sie das System anhand realer Fälle, einschließlich seltener Fehler, und messen Sie die Zeit bis zu einem akzeptierten Ergebnis, den Anteil der Korrekturen und die Kosten für die Pflege der Integration. Vergleichen Sie bei der Übertragung auf ein anderes Team dieselben Kennzahlen und berechnen Sie den Aufwand für die Anbindung von Datenquellen und die Einrichtung von Zugriffsrechten separat.

Der Bericht von OpenAI bietet eine praktische Orientierung: mit einer messbaren Aufgabe beginnen, die Lösung unter realen Arbeitsbedingungen prüfen und Komponenten so aufbauen, dass der nächste Rollout auf den Ergebnissen des vorherigen aufbauen kann. Genau das verbindet ein einzelnes Pilotprojekt mit einer wiederholbaren Einführung.