Mitä asiakaskentässä toimivan ohjelmisto- ja järjestelmäkehittäjän työ tarkoittaa OpenAI:lla
Mitä teemme, miten työskentelemme ja miten ratkaisemme yritysten vaikeimpia ongelmia saadaksemme aikaan todellisia vaikutuksia.
Kirjoittaja: Colin Jarvis, asiakaskentän kehitystyön johtaja, OpenAI
Kun Codex julkaistiin, joku tiimistämme kysyi minulta: ”Mitä teemme, kun Codex voi ratkaista kerralla ne käyttötapaukset, joita olemme rakentaneet viime kuukaudet?”
Tuo kysymys osuu suoraan siihen, mitä asiakaskentässä toimivan ohjelmisto- ja järjestelmäkehittäjän työ OpenAI:lla tarkoittaa. Työskentelemme asiakkaiden rinnalla ymmärtääksemme heidän vaikeimmat ongelmansa ja rakentaaksemme ratkaisuja, joihin he voivat luottaa. Oppimamme auttaa muovaamaan tuotteitamme ja antaa tutkimustiimille konkreettisia ongelmia ratkaistavaksi.
Se on edistystä. Jos teemme itsemme tarpeettomiksi parin kuukauden välein, asiakaskentässä toimivien ohjelmisto- ja järjestelmäkehittäjiemme tiimi tekee työnsä.
Perustin tiimin alkuvuodesta 2025 kuromaan umpeen niin sanottua ”käyttöönoton kuilua”: eroa sen välillä, mihin mallit näyttävät pystyvän ja mitä ihmiset voivat luotettavasti hyödyntää työssään.
Mallien kyvykkyydet ovat kehittyneet nopeammin kuin niiden hyödyntämiseen tarvittavat järjestelmät ja prosessit. Joskus puuttuva palanen on tuote. Joskus malli pärjää hyvin vertailutestissä mutta ei selviydy tehtävästä tosielämän muuttujien ja rajoitteiden keskellä.
Keskitymme asiakkaiden vaikeimpiin ongelmiin. Kun mallimme pystyvät jo hoitamaan tehtävän, teemme ratkaisusta toistettavan yhdessä tuotetiimin ja asiakkaan kanssa. Kun mallien kyvyt eivät riitä, määrittelemme puutteet ja teemme parannuksia yhdessä asiakkaiden ja tutkimustiimin kanssa. Tavoitteenamme on, että jokainen projekti antaa seuraavalle asiakkaalle paremman lähtökohdan. Jos nostamme perustason niin korkeaksi, etteivät asiakkaamme seuraavalla kerralla tarvitse asiakaskentässä toimivia ohjelmisto- ja järjestelmäkehittäjiä tämänkaltaisen ongelman ratkaisemiseen, olemme tehneet työmme hyvin.
200-vuotiaan maatalousalan yrityksen John Deeren haasteena oli tarjota yksilöllistä neuvontaa yhä useammalle viljelijälle.
Yksi esimerkki on See & Spray, yrityksen rikkakasvien täsmätorjuntateknologia. Se tunnistaa ja ruiskuttaa rikkakasvit kameroiden ja koneoppimisen avulla koko pellon käsittelyn sijaan, mikä vähentää kemikaalien käyttöä jopa 70 %.
Näiden hyötyjen toteutuminen edellyttää kuitenkin, että viljelijät osaavat määrittää teknologian asetukset, suunnitella kasvukauden ja mukauttaa toimintatapojaan olosuhteiden muuttuessa.
John Deere otti käyttöön OpenAI:n rajapinnat, jotta tuki olisi yksilöllistä ja skaalautuvaa.
Tekoäly voi vastata viljelijöiden kysymyksiin luonnollisella kielellä, tarjota yksilöllisiä käyttöönotto-ohjeita ja suosituksia, tunnistaa tilanteet, joissa laitteiston koko potentiaali ei ehkä toteudu, sekä auttaa viljelijöitä ymmärtämään teknologiasta saamansa hyödyn.
Mahdollisuudet ulottuvat yksittäisiä vuorovaikutustilanteita pidemmälle: olennaista neuvontaa voidaan tarjota koko asiakaspolun ajan. Näin viljelijät voivat hyödyntää laitteistoaan paremmin ja samalla parantaa tehokkuutta ja kestävyyttä.
Juuri tällaisia haasteita OpenAI:n asiakaskentässä toimivat ohjelmisto- ja järjestelmäkehittäjät ratkaisevat: he auttavat organisaatioita muuttamaan tekoälyn kyvykkyydet järjestelmiksi, jotka tuottavat käytännön hyötyä monimutkaisissa todellisissa toimintaympäristöissä.
Ongelmat ovat kuitenkin usein täysin avoimia, vakiintunutta vertailutotuutta ei välttämättä ole eikä valmista toimintamallia löydy. Kaikki haluavat rakentaa jotain, mitä ei ole koskaan ollut olemassa. Harvempi haluaa tehdä sen, mitä sinne pääseminen vaatii.
Lahjakkaiden asiakaskentässä toimivien ohjelmisto- ja järjestelmäkehittäjien löytäminen samalla, kun nostamme ”riittävän hyvän” rimaa, on vaatinut jatkuvaa kokeilemista ja opitun soveltamista.
Jokaisen asiakaskentässä toimivien ohjelmisto- ja järjestelmäkehittäjien tiimitapaamisen aluksi näytän dian, jossa on yksi ydinarvo: ”Aloita tavoitellusta lopputuloksesta, tee se, mitä onnistuminen vaatii, ja laajenna vasta sitten.”
Vaikuttavalla demolla voi päästä pitkälle ennen kuin kukaan kysyy, toimiiko se käytännössä.
Tehtävämme on ratkaista asiakkaan ongelma niin laadukkaasti, että voimme seistä ratkaisun takana myös tuotantokäytössä.
Vuoden 2025 puolivälissä noin 15 asiakaskentässä toimivaa ohjelmisto- ja järjestelmäkehittäjäämme työskenteli suuren puolijohdealan asiakkaan kanssa yli kymmenen käyttötapauksen parissa. Tavoitteena oli rakentaa asiakkaan varmennusprosessi alusta alkaen tekoälyn varaan. Kokonaisuuteen kuuluivat:
Kohdennettujen testien luominen
Juurisyyanalyysi ja virheenkorjaus
Arkkitehtuuriavustaja
Tällä alalla varmennuksen osuus projektin työmäärästä voi olla noin 70 %. Mahdollisuudet olivat valtavat, ja työlle oli monia mahdollisia aloituskohtia.
Osa asiakaskentässä toimivista ohjelmisto- ja järjestelmäkehittäjistä oli aloittanut OpenAI:lla vain muutamaa päivää aiemmin eikä ollut koskaan työskennellyt puolijohdealalla. He liittyivät osaksi asiakkaan varmennustiimiä, opiskelivat sirujen suunnittelua vapaa-ajallaan ja rakensivat yhdessä insinöörien kanssa arviointitestejä selvittääkseen, pystyikö tekoäly luomaan hyödyllisiä testejä ja tunnistamaan sirujen vikojen syyt oikein.
Oppimisen rinnalla rakensimme käyttötapauskohtaisia arviointikehyksiä. Ensimmäisten 3–6 kuukauden aikana kaikki ratkaisut etenivät tuotantoon ja saivat ensimmäiset käyttäjänsä. Työn tulokset näkyivät mittareissa:
Noin 48 %:n ajansäästö tekoälypohjaisella kohdennettujen testien luomisella.
Suorituskyvyn parannuksen mediaani oli 22 % laskentaytimien optimoinnilla.
Viikkojen virheenkorjaustyö lyheni tunneiksi
Kun esittelimme tulokset, laitteistokehityksestä vastaava johtaja kysyi: ”Työskentelittekö te sirusuunnittelijoina ennen tänne tuloanne?”
Asiakaskentässä toimivien ohjelmisto- ja järjestelmäkehittäjiemme ei tarvitse tuntea toimialaa ensimmäisenä päivänä, mutta heidän vastuullaan on perehtyä siihen.
Kun koodausavustajat nopeuttavat ohjelmistojen rakentamista, asiakkaan liiketoiminnan ymmärtämisestä tulee entistä tärkeämpää. Kokoamme tiimeihin sekä yleisosaajia että toimialan asiantuntijoita.
Tarvitset riittävästi tietoa harkittujen päätösten tekemiseen ja riittävästi uteliaisuutta nykytilaa koskevien oletusten kyseenalaistamiseen.
Esimerkiksi biotieteissä asiakaskentässä toimivien ohjelmisto- ja järjestelmäkehittäjiemme tieteellinen tausta auttaa heitä ansaitsemaan esikliinisen lääketutkimuksen tutkijoiden luottamuksen. Nämä tutkijat työskentelevät muun muassa lääkekohteiden validoinnin ja priorisoinnin, geenien ilmentymisen analysoinnin sekä kemiallisten synteesireittien rekonstruoinnin parissa. Tämän asiantuntemuksen ansiosta he voivat esittää perusteltuja näkemyksiä siitä, miten työnkulkuja voisi parantaa.
Olimme osoittaneet, että nämä työnkulut voivat tuottaa hyötyä, mutta niiden laajentaminen toisen tiimin käyttöön vaati yhä liikaa räätälöityä integraatiotyötä. Seuraava haaste oli säilyttää saavutetut tulokset ja samalla helpottaa ohjelmiston käyttöönottoa ja ylläpitoa.
Siihen mennessä Codexin kyvykkyydet olivat kehittyneet. Yksi asiakaskentässä toimiva ohjelmisto- ja järjestelmäkehittäjä kokeili sovelluksensa rakentamista uudelleen Codexin ympärille. Sen jälkeen hän siirsi yhdessä tiimin kanssa käyttötapaukset yhteiseen arviointikehykseen, jonka ytimessä oli Codex.
Räätälöidyistä sovelluksista tuli laajennuksia ja taitoja, jotka perustuivat yhteisiin Codexin perustoimintoihin. Codexista tuli myös käyttöliittymä, joten pystyimme luopumaan yksittäisiä käyttötapauksia varten kirjoittamistamme erillisistä pääte- ja komentorivikäyttöliittymistä.
Pystyimme poistamaan kustakin projektista noin 90 % räätälöidystä koodista. Tämä muutti tapaamme rakentaa, ylläpitää ja laajentaa näitä työnkulkuja:
Pystyimme hyödyntämään Codexin keskitettyjä parannuksia, mikä vähensi kussakin käyttötapauksessa tarvittavan yhdistävän koodin määrää
Keskeiset toiminnot paketoitiin taidoiksi ja laajennuksiksi, jolloin niitä oli helpompi jakaa tiimien kesken ja tekoälyn osaamiskeskus pystyi hallinnoimaan niitä keskitetysti. Ratkaisun laajentaminen tiimistä toiseen saattoi siis onnistua yksinkertaisesti vaihtamalla käyttöön uudet yhdistimet ja MCP-palvelimet, rakentamalla uudet arviointitestit (mihin meillä oli myös oma taitonsa) ja käynnistämällä käytön.
Yhdessä elokuun 2026 esimerkissä ensimmäinen käyttöönotto kesti kaksi kuukautta. Ratkaisun laajentaminen toisen tiimin käyttöön kesti yhden päivän. Seuraavat tiimit pääsivät alkuun nopeammin toiminnan laajentuessa. Kehitys on jatkunut: eräässä elokuun 2026 käyttötapauksessa toisen tiimin käyttöönotto kesti yhden päivän, kun ensimmäiseen oli mennyt kaksi kuukautta.
Tämä on yksi tapa tehdä itsemme tarpeettomiksi. Tuotantokäyttöön pääsemiseksi tekemämme työ osoitti, mikä oli olennaista. Kun taustalla oleva tuote parani, pystyimme korvaamaan suuren osan räätälöidystä toteutuksestamme ja silti säilyttämään sen tuottaman hyödyn.
Siksi järjestyksellä on merkitystä. Suuret kielimallit mahdollistavat nopean kehitystyön. Hyödynnä tätä nopeutta: anna käyttäjille jotain hyödyllistä, opi, mikä kestää käytännön koetuksen, ja laajenna sitten sitä, mikä toimii.
Sama periaate pätee kaikkiin asiakasprojekteihin.
OpenAI Presence, yritystason ääni- ja chat-agenteille tarkoitettu tuotteemme, syntyi oikeiden asiakkaiden käyttöönotosta. Työ alkoi Swarmilla(avautuu uudessa ikkunassa) ja kehittyi sen myötä.Agents API:n, ja nykyään yksi asiakas käsittelee yli puolet puheluistaan tekoälyn avulla.
Näiden käyttöönottojen saaminen tuotantoon opetti meille, mitkä ongelmat vaativat räätälöityä ratkaisua ja mitä rakennuspalikoita muut tiimit voisivat hyödyntää. Toimme nämä rakennuspalikat Presenceen, mikä helpottaa kehittäjien säänneltyjen työnkulkujen automatisointia ilman, että taustalla olevaa infrastruktuuria tarvitsee rakentaa uudelleen. Jokainen käyttöönotto auttoi muokkaamaan tuotetta ja antoi seuraavalle asiakkaalle paremman lähtökohdan.
Kanssa Thrive Holdings , OpenAI:n FDE:t ja tutkijat työskentelivät insinöörien ja kirjanpitäjien rinnalla rakentaakseen verotuksellista tekoälyä Kreetan tilitoimistoille. Pilottivaiheen aikana Tax AI käsitteli 7 000 veroilmoitusta ja lisäsi läpimenoaikaa noin 50 prosenttia.
Yksi vaikeimmista haasteista oli vuokra-asuntojen palautusten automatisointi, joka vaati kuuden viikon suunnittelun ja ammattilaisten tarkastelun 90 %:n tarkkuuden ja palautuskyvyn saavuttamiseksi. Työssä luotiin uudelleenkäytettäviä malleja, jotka helpottivat verotusaiheen laajentamista muihin monimutkaisiin veroasteikkoihin.
Tiimit soveltavat nyt samaa lähestymistapaa kirjanpitoon, tilintarkastukseen ja IT-tukeen – rakentaen järjestelmiä, jotka paranevat ammattilaisten palautteen ja käytännön käytön kautta.
Joskus parempi tuote auttaa yksinkertaistamaan rakentamaamme ratkaisua, mutta joskus itse malli ei vielä pysty suoriutumaan tehtävästä.
Jos rakennamme vain sitä, minkä nykyiset mallit jo mahdollistavat, emme löydä niitä kyvykkyyden puutteita, jotka tutkimustiimin on seuraavaksi korjattava. Siksi monet tärkeistä asiakasprojekteistamme alkavat juuri näiltä rajoilta. Asiakas, asiakaskentässä toimivat ohjelmisto- ja järjestelmäkehittäjät sekä tutkimustiimi sitoutuvat ylittämään ne yhdessä.
Olimme jo kehittäneet asiakaspalvelualustan suuren televiestintäalan asiakkaan kanssa, ja asiakas halusi laajentaa sen myös puhelinpalveluun.
Puhelujen osuus asiakkaan asiakaspalvelun yhteydenotoista oli noin 90 %. Näiden tapausten hoitaminen ilman ihmisasiakaspalvelijaa oli kalliimpaa kuin chatissa. Lisäksi aksenttien käsittelyn, äänensävyn, viiveen ja tarkkuuden saattaminen tuotantokäytön vaatimalle tasolle toi mukanaan monia uusia teknisiä haasteita. Onnistuminen vaikuttaisi merkittävästi asiakkaan liiketoimintaan.
Kartoitusvaiheessa mallimme sai noin 60 %:n tuloksen keskeisissä arviointitesteissä, joilla selvitimme sen valmiutta tuotantokäyttöön. Olimme saavuttaneet mallin kyvykkyyden rajat. Toiminnon kutsumista ja ohjeiden noudattamista asiakaspalvelutilanteissa oli parannettava.
Kerroimme tästä asiakkaalle ja otimme tutkimustiimin mukaan työhön. Asiakaskentässä toimivat ohjelmisto- ja järjestelmäkehittäjät rakensivat alustan yhdessä asiakkaan kanssa ja määrittelivät, mitä mallin piti pystyä tekemään. Tutkimustiimi työsti kyvykkyyden puutteita, ja mallin peräkkäisten kehitysversioiden avulla pystyimme testaamaan edistymistä suhteessa asiakkaan vaatimuksiin.
Kuudessa kuukaudessa keskeisten arviointitestien tulokset nousivat noin 60 %:sta ensin 80 %:iin ja sitten yli 90 %:iin eli tuotantokäytössä vaaditulle tasolle.
Työn tuloksena syntynyt puhemalli on nyt käytössä kyseisen asiakkaan ratkaisussa, muissa räätälöidyissä asiakaspalveluratkaisuissa sekä Presencen kautta hallinnoiduissa toteutuksissa. Yhden asiakkaan liiketoiminnassa kohdattu ongelma auttoi tunnistamaan parannuksia, joista monet muutkin voisivat hyötyä.
Jokaisella osapuolella oli merkitystä. Asiakas sitoutui työstämään ongelmaa, jota malli ei vielä pystynyt ratkaisemaan. Asiakaskentässä toimivat ohjelmisto- ja järjestelmäkehittäjät pysyivät riittävän lähellä asiakkaan arkea voidakseen määritellä ongelman, rakentaa alustan ja viedä projektin läpi alusta loppuun. Tutkimustiimi paransi taustalla olevan mallin kyvykkyyksiä.
Tämä on toinen tapa tehdä itsemme tarpeettomiksi: autamme muuttamaan ongelman, jota nykyiset mallit eivät pysty ratkaisemaan, tulevien mallien kyvykkyydeksi. Työmme hyöty ulottuu pidemmälle kuin yksittäisen asiakkaan kanssa viettämiimme tunteihin.
Tulin OpenAI:lle auttaakseni tekemään tekoälystä hyödyllistä ihmisten arjen työssä. Se ohjaa tiimiä edelleen. Sanon tiimille usein, että suurten kielimallien kehityksessä pätee useimmiten Occamin partaveitsi: yksinkertaisin ratkaisu on paras. Yrityksessämme korostuu huippututkimus, ja alaamme varjostelee liioittelu. Me haluamme rakentaa luotettavasti toimivia ratkaisuja, joihin käytännön työtä tekevät ihmiset voivat nojata.
Tavoitteena on, että jokainen asiakasprojekti parantaa seuraavan lähtökohtia: tuote on helpompi ottaa käyttöön, malli selviää vaikeammasta tehtävästä tai seuraava asiakas tarvitsee vähemmän räätälöityä työtä.
Jos sinulla on vaikea ongelma, jonka haluat ratkaista, työskentelemme mielellämme kanssasi. Jos haluat auttaa ratkaisemaan näitä ongelmia, tule mukaan tiimiimme.
Mitä siis teemme, kun Codex pystyy hoitamaan työn, jonka toteuttamiseen käytimme kuukausia?
Etsimme seuraavaksi vaikeamman ongelman.
