Michael Johnson10월 22일 OpenAI는 기업 고객과 함께 AI를 구체적인 업무에 맞게 조정하는 포워드 디플로이드 엔지니어링(forward-deployed engineering, FDE) 팀의 업무 방식을 소개했다. 해당 부문 책임자 콜린 자비스는 엔지니어들이 고객의 업무를 살펴보고 품질 기준을 합의하며, 개별 해법을 재사용 가능한 구성 요소로 전환하는 과정을 설명한다.
OpenAI는 테스트 프롬프트에서 모델이 내놓는 결과와 실제 환경에서 시스템이 과제를 안정적으로 수행하는 능력 사이의 간극을 이렇게 설명한다. 병목이 제품이나 통합에 있다면 팀이 고객과 함께 해법을 개선하고, 모델이 과제의 요구사항을 충족하지 못하면 OpenAI 연구진이 작업에 참여한다.
고객 과제에서 측정 가능한 성과까지
2025년 중반의 사례에서 OpenAI 엔지니어 약 15명은 대형 반도체 제조업체와 협력해 10개가 넘는 사용 사례를 다뤘다. 여기에는 타깃 테스트 생성, 오류 원인 파악, 설계 지원이 포함됐다. 회사에 따르면 첫 3~6개월 동안 해당 사례들은 생산 환경에 적용돼 초기 사용 단계에 이르렀다. OpenAI는 테스트 생성 시간이 약 48% 절감됐고 디버깅 기간이 몇 주에서 몇 시간으로 줄었다고 밝혔다.
이 수치는 OpenAI가 설명한 특정 고객의 업무에 해당한다. 도입 과정에서 중요한 것은 그 방법 자체다. 현업 전문가와 성공 기준을 미리 합의하고, 실제 사례를 모으며, 사람의 검토를 포함한 전체 업무 흐름의 성과를 측정해야 한다.
일회성 통합 대신 재사용
제조업체를 위한 초기 해법에는 맞춤형 코드가 많이 필요했다. OpenAI는 Codex를 중심으로 애플리케이션을 재구성하면서 개별 인터페이스를 공통 도구, 플러그인, 스킬로 대체했다고 설명한다. 회사는 소개된 각 프로젝트에서 맞춤형 코드를 약 90% 줄였다고 추산한다. 2026년 8월 사례에서는 첫 도입에 두 달이 걸렸지만 두 번째 팀을 연결하는 데는 하루가 걸렸다.
자체 파일럿을 진행한다면 첫 도입과 다음 부서를 연결하는 데 드는 인력을 각각 계산하는 것이 유용하다. 커넥터, 지침, 품질 검사를 재사용할 수 있다면 해법을 다른 곳으로 옮길 때 필요한 맞춤형 개발이 줄어들 수 있다. OpenAI가 제시한 기간은 특정 사례의 설명이지 모든 프로젝트에서 보장되는 속도는 아니다.
고객 파일럿에서 세무 제품으로
OpenAI가 소개한 또 다른 사례는 Thrive Holdings와 공동으로 회계법인 Crete를 위해 만든 Tax AI다. 회사에 따르면 파일럿 기간에 시스템은 세금 신고서 7,000건을 처리했고 처리 용량은 약 50% 증가했다. 부동산 임대 소득 신고서는 까다로운 사례 중 하나였다. 90%의 정확도와 완전성을 달성하기까지 엔지니어링 작업에 6주가 들었고 전문가 검토도 필요했다.
OpenAI는 이 과정에서 얻은 템플릿이 이후 Tax AI를 다른 복잡한 세무 항목으로 확장하는 데 도움이 됐다고 설명한다. 이런 파일럿을 실무적으로 평가할 때는 정확한 결과의 비율뿐 아니라 수동 검토량, 처리 속도, 다음 유형의 문서에 해법을 적용하는 데 필요한 작업도 고려해야 한다.
통합을 바꿀지, 모델을 바꿀지
대형 통신 사업자와 진행한 별도의 프로젝트에서 팀은 음성 고객 지원을 개발했다. OpenAI에 따르면 생산 환경에 적합한 시나리오인지를 평가하는 주요 내부 테스트에서 초기 성적은 약 60%였다. 6개월 동안 80%까지 올랐고, 이후 도입 엔지니어, 고객사, 연구팀의 공동 작업을 거쳐 90%를 넘었다. OpenAI는 고객 서비스 시나리오에서 음성 인식, 지시 이행, 함수 호출을 테스트한 것이 개선에 기여했다고 설명한다.
이런 과정은 필요한 작업이 통합과 인터페이스에 있는지, 아니면 모델이 지정된 기능을 수행하는 능력에 있는지 파악하는 데 도움이 된다. OpenAI가 설명한 것은 회사 내부 평가와 고객 프로젝트다. 이 성과는 OpenAI의 도입 방식을 보여줄 뿐, 다른 고객에게 적용되는 보편적인 예측치는 아니다.
자체 파일럿에서 확인할 항목
도입을 확대하기 전에 현재 과제 수행 방식, 수동 검토량, 승인 기준을 기록해 두자. 드물게 발생하는 오류를 포함해 실제 사례로 시스템을 테스트하고, 승인 가능한 결과를 얻기까지 걸리는 시간, 수정 비율, 통합 유지 비용을 측정하자. 다른 팀에 적용할 때는 같은 지표를 비교하고 데이터 소스 연결과 접근 권한 설정에 드는 비용도 별도로 계산하자.
OpenAI의 사례가 제시하는 실무적 지침은 측정 가능한 과제에서 시작하고, 실제 업무 조건에서 해법을 검증하며, 다음 도입이 이전 결과를 활용할 수 있도록 구성 요소를 설계하는 것이다. 이것이 개별 파일럿을 반복 가능한 도입으로 이어준다.