Michael Johnsonב־22 באוקטובר פרסמה OpenAI תיאור של עבודת FDE — צוות ההנדסה הפרוסה (forward-deployed engineering), שעובד עם לקוחות עסקיים כדי להתאים בינה מלאכותית לתהליכים מסוימים. קולין ג'רוויס, ראש התחום, מסביר כיצד המהנדסים לומדים את עבודת הלקוח, מתאמים קריטריונים לאיכות והופכים פתרונות נפרדים לרכיבים שאפשר לעשות בהם שימוש חוזר.
כך מתארת החברה את הפער בין ביצועי מודל בתשובת מבחן לבין היכולת של מערכת לבצע משימה באופן אמין בסביבה אמיתית. כאשר צוואר הבקבוק קשור למוצר או לאינטגרציה, הצוות משפר את הפתרון יחד עם הלקוח; אם המודל אינו עומד בדרישות המשימה, חוקרי OpenAI מצטרפים לעבודה.
ממשימת הלקוח לתוצאה מדידה
באחת הדוגמאות, המתייחסת לאמצע 2025, כ־15 מהנדסי OpenAI עבדו עם יצרנית מוליכים למחצה גדולה על יותר מעשרה תרחישים: יצירת בדיקות מכוונות, איתור גורמים לכשלים וסיוע בתכנון. לפי החברה, בתוך שלושה עד שישה חודשים התרחישים הגיעו לשלב הייצור ולשימוש ראשוני. OpenAI מדווחת על חיסכון של כ־48% בזמן יצירת הבדיקות ועל קיצור תהליך ניפוי השגיאות משבועות לשעות.
המדדים האלה מתייחסים לתהליכים שתיארה OpenAI עבור לקוח מסוים. בהטמעה, השיטה עצמה היא שחשובה: לתאם מראש עם אנשי המקצוע את מדדי ההצלחה, לאסוף מקרים אמיתיים ולמדוד את התוצאה של תהליך העבודה כולו, לרבות בדיקה אנושית.
שימוש חוזר במקום אינטגרציות חד־פעמיות
הפתרונות הראשוניים עבור היצרנית דרשו קוד מותאם אישית רב. OpenAI כותבת כי בעת בנייתם מחדש של היישומים סביב Codex, הוחלפו ממשקים נפרדים בכלים משותפים, בתוספים ובמיומנויות. החברה מעריכה שהיקף הקוד המותאם למשתמש צומצם בכ־90% בכל אחד מהפרויקטים המתוארים. בדוגמה מאוגוסט 2026, ההטמעה הראשונה ארכה חודשיים, ואילו חיבור צוות שני ארך יום אחד.
בפיילוט שלכם כדאי למדוד בנפרד את שעות העבודה הנדרשות להטמעה הראשונה ואת אלה הנדרשות לחיבור המחלקה הבאה. אם אפשר להשתמש שוב במחברים, בהוראות ובבדיקות האיכות, העברת הפתרון עשויה לדרוש פחות פיתוח מותאם. לוחות הזמנים של OpenAI מתארים דוגמה מסוימת שלה, ולא קצב מובטח לכל פרויקט.
מפיילוט אצל לקוח למוצר מס
דוגמה נפרדת של OpenAI היא Tax AI, שנוצרה עבור משרדי רואי החשבון Crete בשיתוף עם Thrive Holdings. לפי הודעת החברה, במהלך הפיילוט המערכת עיבדה 7,000 דוחות מס, והתפוקה גדלה בכ־50%. אחד התרחישים המורכבים — דוחות על השכרת נכסים — דרש שישה שבועות של עבודת הנדסה ובדיקת מומחים כדי להגיע ל־90% דיוק ושלמות בזיהוי.
OpenAI כותבת שהתבניות שהתקבלו סייעו לאחר מכן להרחיב את Tax AI ללוחות מס מורכבים אחרים. בהערכה מעשית של פיילוט כזה יש להתחשב לא רק בשיעור התוצאות הנכונות, אלא גם בהיקף הבדיקה הידנית, בזמן העיבוד ובעבודה הנדרשת להעברת הפתרון לסוג המסמכים הבא.
מתי לשנות את האינטגרציה ומתי את המודל
בפרויקט נפרד אחר עם מפעילת תקשורת גדולה, הצוות פיתח תמיכה קולית. לפי נתוני OpenAI, בתרחישי בדיקה פנימיים מרכזיים, שבחנו אם המערכת מתאימה לשימוש בייצור, התוצאה הראשונית הייתה כ־60%. בתוך שישה חודשים היא עלתה ל־80%, ובהמשך חצתה את רף ה־90% בעקבות עבודה משותפת של מהנדסי ההטמעה, הלקוח וצוות המחקר. OpenAI קושרת את השיפור לבדיקות של זיהוי דיבור, ציות להוראות והפעלת פונקציות בתרחישי שירות לקוחות.
תהליך כזה מסייע לזהות היכן בדיוק נדרשת עבודה: באינטגרציה ובממשק, או ביכולת המודל לבצע את הפונקציה שנקבעה. OpenAI מתארת הערכות פנימיות ופרויקטים של לקוחות החברה; התוצאות מדגימות כיצד היא מארגנת הטמעה, ולא מספקות תחזית אוניברסלית ללקוחות אחרים.
מה לבדוק בפיילוט שלכם
לפני הרחבת ההטמעה, תעדו את אופן ביצוע המשימה כיום, את היקף הבדיקה הידנית ואת קריטריוני הקבלה. בדקו את המערכת על מקרים אמיתיים, כולל מקרים נדירים של שגיאות, ומדדו את הזמן עד לקבלת תוצאה מאושרת, את שיעור התיקונים ואת עלות תחזוקת האינטגרציה. בעת העברה לצוות אחר, השוו את אותם מדדים וחשבו בנפרד את עלות חיבור מקורות הנתונים והגדרת ההרשאות.
הדברים של OpenAI מספקים כיוון מעשי: להתחיל במשימה מדידה, לבדוק את הפתרון בתנאי עבודה אמיתיים ולבנות רכיבים כך שההפעלה הבאה תוכל להסתמך על תוצאות קודמתה. כך הופך פיילוט נפרד להטמעה שאפשר לחזור עליה.