Michael JohnsonLe 22 octobre, OpenAI a publié une présentation du travail des FDE, l’équipe d’ingénierie de déploiement qui adapte l’IA à des processus spécifiques en collaboration avec des clients professionnels. Colin Jarvis, responsable de cette activité, explique comment les ingénieurs étudient le travail du client, conviennent de critères de qualité et transforment des solutions ponctuelles en composants réutilisables.
L’entreprise décrit ainsi l’écart entre le résultat d’un modèle à une requête de test et la capacité d’un système à exécuter une tâche de façon fiable dans un environnement réel. Lorsque le principal obstacle tient au produit ou à l’intégration, l’équipe affine la solution avec le client ; si le modèle ne répond pas aux exigences de la tâche, des chercheurs d’OpenAI se joignent au travail.
De la tâche du client à un résultat mesurable
Dans l’un des exemples, qui remonte au milieu de l’année 2025, une quinzaine d’ingénieurs d’OpenAI ont travaillé avec un grand fabricant de semi-conducteurs sur plus de dix cas d’usage : génération de tests ciblés, recherche des causes de défaillance et aide à la conception. Selon l’entreprise, ces cas sont passés en production et ont commencé à être utilisés au cours des trois à six premiers mois. OpenAI fait état d’un gain de temps d’environ 48 % pour la génération des tests et d’une réduction du débogage, passé de plusieurs semaines à quelques heures.
Ces chiffres concernent les processus décrits par OpenAI pour un client donné. La méthode, elle, est pertinente pour un déploiement : convenir à l’avance des critères de réussite avec les spécialistes qui exécutent le travail, rassembler des cas réels et mesurer le résultat de l’ensemble du flux de travail, vérification humaine comprise.
Réutiliser plutôt que multiplier les intégrations ponctuelles
Les premières solutions pour le fabricant nécessitaient beaucoup de code personnalisé. OpenAI indique qu’en réorganisant les applications autour de Codex, des interfaces spécifiques ont été remplacées par des outils, des plug-ins et des compétences communs. Pour chacun des projets décrits, l’entreprise estime que la quantité de code personnalisé a diminué d’environ 90 %. Dans un exemple datant d’août 2026, le premier déploiement a pris deux mois, tandis que le raccordement d’une deuxième équipe n’a nécessité qu’une journée.
Pour un projet pilote interne, il est utile de comptabiliser séparément les efforts consacrés au premier déploiement et à l’intégration de l’équipe suivante. Si les connecteurs, les consignes et les contrôles qualité peuvent être réutilisés, le transfert de la solution peut exiger moins de développement spécifique. Les délais cités par OpenAI décrivent un cas précis de l’entreprise ; ils ne garantissent pas le même rythme pour tous les projets.
Du pilote client à un produit fiscal
Un autre exemple présenté par OpenAI est Tax AI, destiné aux cabinets comptables de Crete et créé en collaboration avec Thrive Holdings. Selon l’entreprise, le système a traité 7 000 déclarations fiscales durant le pilote et la capacité de traitement a augmenté d’environ 50 %. Un cas complexe, celui des déclarations de revenus locatifs, a nécessité six semaines de travail d’ingénierie et une vérification par des spécialistes pour atteindre 90 % de précision et d’exhaustivité dans la détection.
OpenAI indique que les modèles obtenus ont ensuite contribué à étendre Tax AI à d’autres tableaux fiscaux complexes. Pour évaluer un tel pilote, il faut considérer non seulement la proportion de résultats corrects, mais aussi le volume de vérifications manuelles, la vitesse de traitement et le travail nécessaire pour adapter la solution au type de documents suivant.
Quand modifier l’intégration et quand changer de modèle
Dans un autre projet distinct mené avec un grand opérateur télécom, l’équipe a développé un service d’assistance vocale. D’après OpenAI, le résultat initial était d’environ 60 % lors de tests internes clés évaluant l’aptitude du système à passer en production. Il est monté à 80 % en six mois, puis a dépassé 90 % après une collaboration entre les ingénieurs de déploiement, le client et l’équipe de recherche. OpenAI attribue cette amélioration aux tests de reconnaissance vocale, de respect des consignes et d’appel de fonctions dans des scénarios de service client.
Ce processus permet de déterminer où concentrer les efforts : sur l’intégration et l’interface, ou sur la capacité du modèle à remplir la fonction demandée. OpenAI décrit ses évaluations internes et ses projets clients ; ces résultats montrent comment l’entreprise organise les déploiements, sans constituer une prévision universelle pour d’autres clients.
Points à vérifier dans votre projet pilote
Avant d’étendre un déploiement, consignez la méthode actuelle d’exécution de la tâche, le volume de vérifications manuelles et les critères d’acceptation. Testez le système sur des cas réels, y compris des erreurs rares, et mesurez le temps nécessaire pour obtenir un résultat accepté, la proportion de corrections et le coût de maintenance de l’intégration. Lors du transfert à une autre équipe, comparez les mêmes indicateurs et comptabilisez séparément le raccordement des sources de données et la configuration des accès.
Le récit d’OpenAI offre un repère pratique : commencer par une tâche mesurable, évaluer la solution dans des conditions de travail réelles et construire des composants permettant au déploiement suivant de s’appuyer sur le précédent. C’est ce qui relie un pilote ponctuel à un déploiement reproductible.