Michael Johnson22 Ekim'de OpenAI, kurumsal müşterilerle birlikte yapay zekâyı belirli süreçlere uyarlayan forward-deployed engineering ekibinin çalışmalarını anlattı. Birimin yöneticisi Colin Jarvis, mühendislerin müşterinin çalışma biçimini nasıl incelediğini, kalite ölçütlerini nasıl belirlediğini ve tekil çözümleri yeniden kullanılabilir bileşenlere nasıl dönüştürdüğünü açıklıyor.
Şirket bu yaklaşımı, bir modelin deneme amaçlı bir istemde elde ettiği sonuç ile gerçek ortamda bir görevi güvenilir biçimde yerine getirebilmesi arasındaki farkla açıklıyor. Darboğaz ürün veya entegrasyonla ilgiliyse ekip çözümü müşteriyle birlikte geliştiriyor; model görevin gerekliliklerini karşılayamıyorsa OpenAI araştırmacıları da çalışmaya katılıyor.
Müşteri görevinden ölçülebilir sonuca
2025'in ortalarına uzanan örneklerden birinde, yaklaşık 15 OpenAI mühendisi büyük bir yarı iletken üreticisiyle test senaryoları oluşturma, arıza nedenlerini bulma ve tasarıma yardımcı olma gibi ondan fazla kullanım senaryosu üzerinde çalıştı. Şirkete göre bu senaryolar ilk üç ila altı ay içinde üretime ve erken kullanıma geçti. OpenAI, test üretiminde zamandan yaklaşık %48 tasarruf edildiğini ve hata ayıklama süresinin haftalardan saatlere indiğini bildiriyor.
Bu ölçümler, OpenAI'nin belirli bir müşterinin süreçlerine ilişkin aktardığı sonuçlardır. Uygulamada önemli olan yöntemdir: başarı ölçütlerini işi fiilen yapan uzmanlarla önceden belirlemek, gerçek örnekleri toplamak ve insan denetimi dâhil tüm iş akışının sonucunu ölçmek.
Tek seferlik entegrasyonlar yerine yeniden kullanım
Üretici için geliştirilen ilk çözümler çok miktarda özel kod gerektiriyordu. OpenAI, uygulamalar Codex etrafında yeniden yapılandırılırken ayrı arayüzlerin yerini ortak araçların, eklentilerin ve becerilerin aldığını yazıyor. Şirket, anlatılan her projede özel kod miktarının yaklaşık %90 azaldığını tahmin ediyor. Ağustos 2026 tarihli örnekte ilk uygulama iki ay sürerken ikinci ekibin sisteme katılması bir gün aldı.
Kendi pilotunuzda ilk uygulamanın ve sonraki birimlerin sisteme katılmasının gerektirdiği iş gücünü ayrı ayrı hesaplamak faydalı olur. Bağlayıcılar, talimatlar ve kalite kontrolleri yeniden kullanılabiliyorsa çözümü başka bir yere taşımak daha az özel geliştirme gerektirebilir. OpenAI'nin verdiği süreler kendi örneğine aittir; her proje için garanti edilen bir hız değildir.
Müşteri pilotundan vergi ürününe
OpenAI'nin ayrı bir örneği, Thrive Holdings ile birlikte oluşturulan ve muhasebe firmalarına yönelik Tax AI. Şirketin açıklamasına göre sistem pilot sırasında 7.000 vergi beyannamesini işledi ve işlem kapasitesi yaklaşık %50 arttı. Gayrimenkul kira gelirlerine ilişkin beyannameler gibi karmaşık bir senaryo için, tespitlerin doğruluk ve kapsamını %90'a çıkarmak üzere altı haftalık mühendislik çalışması ve uzman incelemesi gerekti.
OpenAI, elde edilen şablonların daha sonra Tax AI'nin diğer karmaşık vergi çizelgelerine genişletilmesine yardımcı olduğunu yazıyor. Böyle bir pilotu değerlendirirken yalnızca doğru sonuçların oranını değil, gereken manuel incelemeyi, işlem hızını ve çözümü bir sonraki belge türüne taşımak için gereken işi de hesaba katmak gerekir.
Entegrasyonu mu, modeli mi değiştirmeli?
Büyük bir telekom operatörüyle yürütülen ayrı bir projede ekip sesli desteği geliştirdi. OpenAI'ye göre, senaryonun üretime uygunluğunu ölçen temel şirket içi testlerde sistem başlangıçta yaklaşık %60 sonuç verdi. Bu oran altı ayda %80'e yükseldi ve ardından uygulama mühendisleri, müşteri ve araştırma ekibinin ortak çalışmasıyla %90'ı aştı. OpenAI, iyileşmeyi müşteri hizmetleri senaryolarında konuşma tanıma, talimatları izleme ve işlev çağırma testleriyle ilişkilendiriyor.
Bu süreç, hangi alanda çalışılması gerektiğini belirlemeye yardımcı olur: entegrasyon ve arayüz mü, yoksa modelin verilen işlevi yerine getirme becerisi mi? OpenAI, şirket içi değerlendirmelerini ve müşteri projelerini anlatıyor; sonuçlar, başka müşteriler için genel bir tahmin sunmaktan ziyade şirketin uygulamayı nasıl organize ettiğini gösteriyor.
Kendi pilotunuzda neleri kontrol etmelisiniz?
Uygulamayı genişletmeden önce görevin mevcut yürütülme biçimini, manuel inceleme miktarını ve kabul ölçütlerini kayda alın. Sistemi nadir görülen hatalar dâhil gerçek örneklerle sınayın; kabul edilen sonuca ulaşma süresini, düzeltme oranını ve entegrasyonu destekleme maliyetini ölçün. Çözümü başka bir ekibe taşırken aynı ölçütleri karşılaştırın; veri kaynaklarını bağlama ve erişimi yapılandırma işini de ayrıca hesaplayın.
OpenAI'nin anlattıkları pratik bir yol gösteriyor: ölçülebilir bir görevle başlayın, çözümü gerçek çalışma koşullarında sınayın ve sonraki uygulamanın önceki çalışmalardan yararlanabilmesi için bileşenleri yeniden kullanılabilir biçimde tasarlayın. Tek bir pilotu tekrarlanabilir bir uygulamaya dönüştüren de budur.