Michael JohnsonOpenAI julkaisi 22. lokakuuta kuvauksen FDE-tiimin työstä — forward-deployed engineering -tiimistä, joka mukauttaa tekoälyä yhdessä yritysasiakkaiden kanssa näiden konkreettisiin prosesseihin. Toimintoa johtava Colin Jarvis kertoo, miten insinöörit perehtyvät asiakkaan työhön, sopivat laatukriteereistä ja muuntavat yksittäiset ratkaisut uudelleenkäytettäviksi komponenteiksi.
Näin yhtiö kuvaa eroa mallin testikyselyssä saavuttaman tuloksen ja järjestelmän kyvyn välillä suorittaa tehtävä luotettavasti todellisessa ympäristössä. Kun pullonkaula liittyy tuotteeseen tai integraatioon, tiimi kehittää ratkaisua yhdessä asiakkaan kanssa; jos malli ei selviydy tehtävän vaatimuksista, työhön osallistuvat OpenAI:n tutkijat.
Asiakkaan tehtävästä mitattavaan tulokseen
Yhdessä vuoden 2025 puoliväliin ajoittuvassa esimerkissä noin 15 OpenAI-insinööriä työskenteli suuren puolijohdevalmistajan kanssa yli kymmenen käyttötapauksen parissa. Niihin kuuluivat kohdennettujen testien luominen, vikojen juurisyiden etsiminen ja suunnittelun tukeminen. Yhtiön mukaan käyttötapaukset siirtyivät tuotantoon ja varhaiseen käyttöön ensimmäisten kolmen–kuuden kuukauden aikana. OpenAI ilmoittaa testien luontiin kuluvan ajan säästyneen noin 48 prosenttia ja virheenkorjauksen lyhentyneen viikoista tunteihin.
Nämä luvut koskevat OpenAI:n kuvaamia tietyn asiakkaan prosesseja. Käyttöönoton kannalta tärkeintä on menetelmä: sopia onnistumisen kriteereistä etukäteen käytännön työtä tekevien asiantuntijoiden kanssa, kerätä todellisia tapauksia ja mitata koko työnkulkua, myös ihmisen tekemä tarkistus mukaan lukien.
Uudelleenkäyttö kertaluonteisten integraatioiden sijaan
Valmistajalle alun perin toteutetut ratkaisut vaativat paljon räätälöityä koodia. OpenAI kertoo, että sovellusten uudelleenrakentamisessa Codexin ympärille erilliset käyttöliittymät korvattiin yhteisillä työkaluilla, laajennuksilla ja taidoilla. Yhtiö arvioi räätälöidyn koodin määrän vähentyneen noin 90 prosenttia kussakin kuvaamassaan projektissa. Elokuuta 2026 koskevassa esimerkissä ensimmäinen käyttöönotto kesti kaksi kuukautta, kun taas toisen tiimin liittäminen mukaan vei yhden päivän.
Omassa pilotissa kannattaa laskea erikseen ensimmäisen käyttöönoton ja seuraavan yksikön liittämisen työmäärä. Jos liittimiä, ohjeita ja laaduntarkistuksia voidaan käyttää uudelleen, ratkaisun siirtäminen voi vaatia vähemmän räätälöityä kehitystyötä. OpenAI:n ilmoittamat aikataulut koskevat sen omaa esimerkkiä eivätkä takaa samanlaista etenemisvauhtia kaikissa projekteissa.
Asiakaspilotista verotuotteeksi
Toinen OpenAI:n esimerkki on kirjanpitoyrityksille tarkoitettu Tax AI, jonka yhtiö loi yhdessä Thrive Holdingsin kanssa. Yhtiön mukaan järjestelmä käsitteli pilotin aikana 7 000 veroilmoitusta, ja läpimenokyky kasvoi noin 50 prosenttia. Yksi haastava käyttötapaus koski vuokra-asuntojen veroilmoituksia. Se vaati kuuden viikon insinöörityön ja asiantuntijoiden tarkistuksia, jotta tulokset saavuttivat 90 prosentin tarkkuuden ja kattavuuden tunnistamisessa.
OpenAI kertoo, että kertyneet mallipohjat auttoivat sen jälkeen laajentamaan Tax AI:tä muihin monimutkaisiin veroilmoitusten aikatauluihin. Tällaisen pilotin käytännön arvioinnissa kannattaa huomioida oikeiden tulosten osuuden lisäksi manuaalisen tarkistuksen määrä, käsittelynopeus ja työ, jota ratkaisun siirtäminen seuraavanlaisiin asiakirjoihin vaatii.
Milloin muuttaa integraatiota ja milloin mallia
Toisessa, erillisessä projektissa suuren teleoperaattorin kanssa tiimi kehitti äänituen ratkaisua. OpenAI:n mukaan järjestelmän tulos keskeisissä sisäisissä testeissä oli aluksi noin 60 prosenttia. Testeissä arvioitiin, soveltuiko käyttötapaus tuotantoon. Kuuden kuukauden kuluttua tulos oli noussut 80 prosenttiin ja ylitti myöhemmin 90 prosenttia käyttöönottoinsinöörien, asiakkaan ja tutkimustiimin yhteistyön ansiosta. OpenAI yhdistää parannuksen puheentunnistuksen, ohjeiden noudattamisen ja toimintokutsujen testaamiseen asiakaspalvelutilanteissa.
Tällainen prosessi auttaa selvittämään, missä työtä tarvitaan: integraatiossa ja käyttöliittymässä vai mallin kyvyssä suorittaa sille annettu tehtävä. OpenAI kuvaa omia sisäisiä arviointejaan ja asiakasprojektejaan; tulokset kertovat yhtiön tavasta järjestää käyttöönotto, eivätkä ne ole yleispätevä ennuste muille asiakkaille.
Mitä omassa pilotissa kannattaa tarkistaa
Kirjaa ennen käyttöönoton laajentamista, miten tehtävä hoidetaan lähtötilanteessa, kuinka paljon tarvitaan manuaalista tarkistusta ja mitkä ovat hyväksymiskriteerit. Testaa järjestelmää todellisilla tapauksilla, myös harvinaisilla virhetilanteilla, ja mittaa hyväksytyn tuloksen saavuttamiseen kuluvaa aikaa, korjausten osuutta ja integraation ylläpitokustannuksia. Vertaa samoja mittareita, kun ratkaisu siirretään toiseen tiimiin, ja laske erikseen tietolähteiden liittämiseen ja käyttöoikeuksien määrittämiseen kuluva työ.
OpenAI:n kertomus tarjoaa käytännön lähtökohdan: aloita mitattavasta tehtävästä, testaa ratkaisua todellisissa työolosuhteissa ja rakenna komponentit niin, että seuraava käyttöönotto voi hyödyntää edellisen tuloksia. Näin yksittäinen pilotti voi muuttua toistettavaksi käyttöönotoksi.