Makna Insinyur Penempatan Lapangan di OpenAI
Apa yang kami lakukan, cara kami bekerja, dan cara kami memecahkan masalah tersulit perusahaan untuk menghasilkan dampak nyata.
Oleh: Colin Jarvis, Kepala Rekayasa Penempatan Lapangan di OpenAI
Ketika Codex dirilis, seorang anggota tim bertanya kepada saya, “Apa yang kita lakukan ketika Codex bisa menyelesaikan dalam sekali jalan kasus-kasus penggunaan yang solusinya kita bangun selama beberapa bulan terakhir?”
Pertanyaan itu menyentuh inti peran Insinyur Penempatan Lapangan di OpenAI. Kami bekerja bersama pelanggan untuk memahami masalah tersulit mereka dan membangun solusi yang dapat mereka andalkan. Pelajaran yang kami peroleh membantu membentuk produk kami dan memberi tim Riset masalah konkret untuk dipecahkan.
Itulah kemajuan. Jika setiap beberapa bulan kami berhasil membuat peran kami sendiri tak lagi dibutuhkan, berarti tim Insinyur Penempatan Lapangan kami menjalankan tugasnya dengan baik.
Saya mendirikan tim ini pada awal 2025 untuk mengatasi apa yang kami sebut “kesenjangan penerapan”: jarak antara kemampuan yang tampaknya dimiliki model dan kemampuan yang benar-benar dapat diandalkan orang untuk menyelesaikan pekerjaan.
Kemampuan model berkembang lebih cepat daripada sistem dan proses yang dibutuhkan untuk memanfaatkannya. Terkadang, yang belum tersedia adalah produknya. Terkadang, model berkinerja baik dalam tolok ukur, tetapi tidak mampu menjalankan tugas dengan berbagai variabel dan keterbatasan di dunia nyata.
Kami berfokus pada masalah tersulit pelanggan. Ketika model kami sudah mampu menjalankan tugas, kami bekerja bersama tim Produk dan pelanggan untuk membuat solusinya dapat diterapkan kembali. Ketika kemampuannya belum memadai, kami bekerja bersama pelanggan dan tim Riset untuk merumuskan kesenjangan tersebut dan melakukan perbaikan. Tujuan kami adalah agar setiap kerja sama memberi pelanggan berikutnya titik awal yang lebih baik. Jika kami berhasil meningkatkan kemampuan dasar hingga pelanggan tidak lagi membutuhkan Insinyur Penempatan Lapangan untuk memecahkan jenis masalah yang sama, berarti kami telah menjalankan tugas dengan baik.
Tantangan bagi John Deere, perusahaan pertanian berusia 200 tahun, adalah menyediakan saran yang dipersonalisasi bagi petani dalam skala besar.
Salah satu contohnya adalah See & Spray, teknologi pengendalian gulma presisi yang menggunakan kamera dan pembelajaran mesin untuk mengidentifikasi dan menyemprot gulma, alih-alih menyemprot seluruh lahan, sehingga penggunaan bahan kimia dapat berkurang hingga 70%.
Namun, manfaat tersebut baru dapat terwujud jika petani memahami cara mengonfigurasi teknologinya, merencanakan musim tanam, dan menyesuaikan praktik pertanian saat kondisi berubah.
John Deere menerapkan API OpenAI untuk membantu menyediakan dukungan yang dipersonalisasi dan dapat diperluas skalanya.
AI dapat menjawab pertanyaan petani dalam bahasa alami, memberikan panduan penyiapan dan rekomendasi sesuai kebutuhan, mengenali ketika peralatan mungkin belum bekerja secara optimal, serta membantu petani memahami manfaat yang mereka peroleh dari teknologi tersebut.
Peluangnya tidak terbatas pada satu interaksi: panduan yang relevan dapat diberikan di sepanjang perjalanan pelanggan, membantu petani memanfaatkan peralatan dengan lebih baik sekaligus meningkatkan efisiensi dan keberlanjutan.
Inilah jenis tantangan yang ditangani Insinyur Penempatan Lapangan OpenAI: membantu organisasi mengubah kemampuan AI menjadi sistem yang memberikan manfaat praktis dalam lingkungan nyata yang kompleks.
Namun, masalah-masalah ini sering kali belum jelas batasannya, mungkin belum memiliki acuan kebenaran yang disepakati, dan tidak ada panduan baku untuk mengatasinya. Semua orang ingin membangun sesuatu yang belum pernah ada. Jauh lebih sedikit yang bersedia melakukan segala upaya untuk mewujudkannya.
Menemukan Insinyur Penempatan Lapangan berbakat sambil terus menaikkan standar “cukup baik” menuntut eksperimen dan penerapan tanpa henti.
Di awal setiap sesi tim Insinyur Penempatan Lapangan, saya menampilkan slide dengan satu nilai inti: “Mulailah dari hasil yang ingin dicapai, lakukan yang diperlukan untuk berhasil, lalu perluas skalanya”.
Demo yang mengesankan bisa mendapat banyak sambutan bahkan sebelum ada yang bertanya apakah solusi itu benar-benar bekerja di dunia nyata.
Tugas kami adalah menyelesaikan masalah pelanggan dengan standar yang dapat kami pertanggungjawabkan di lingkungan produksi.
Pada pertengahan 2025, sekitar 15 Insinyur Penempatan Lapangan kami bekerja bersama pelanggan besar di industri semikonduktor untuk menangani lebih dari 10 kasus penggunaan. Tujuannya adalah menjadikan AI sebagai fondasi proses verifikasi mereka, yang mencakup:
Pembuatan pengujian terarah
Analisis akar masalah dan debugging
Asisten arsitektur
Dalam industri ini, verifikasi dapat menyita sekitar 70% dari total upaya pengerjaan proyek. Peluangnya sangat besar, dan ada banyak titik awal yang bisa dipilih.
Sebagian Insinyur Penempatan Lapangan baru bergabung dengan OpenAI beberapa hari sebelumnya dan belum pernah bekerja di industri semikonduktor. Mereka bekerja langsung di dalam tim verifikasi pelanggan, mempelajari desain chip di waktu luang, dan menyusun evaluasi bersama para insinyur untuk menguji apakah AI dapat menghasilkan pengujian yang berguna serta mendiagnosis kegagalan chip dengan benar.
Sambil mempelajari hal-hal tersebut, kami membangun harness khusus untuk setiap kasus penggunaan. Dalam 3–6 bulan pertama, semuanya telah diterapkan di lingkungan produksi dan mulai digunakan oleh pengguna awal. Hasil kerja keras itu terlihat dalam metrik berikut:
Penghematan waktu sekitar 48% melalui pembuatan pengujian terarah berbasis AI.
Peningkatan kinerja median sebesar 22% melalui optimasi kernel.
Debugging yang sebelumnya memakan waktu berminggu-minggu kini selesai dalam hitungan jam
Saat kami memaparkan semua hasil ini, Direktur Perangkat Keras bertanya, “Apakah kalian pernah bekerja sebagai desainer chip sebelum datang ke sini?”
Insinyur Penempatan Lapangan kami tidak harus memahami industrinya sejak hari pertama, tetapi mereka bertanggung jawab untuk mempelajarinya.
Seiring asisten pemrograman mempercepat pengembangan perangkat lunak, pemahaman atas bisnis pelanggan menjadi makin penting. Kami membentuk tim yang memadukan generalis dan pakar bidang tertentu.
Anda memerlukan pengetahuan yang cukup untuk membuat pertimbangan yang tepat, serta rasa ingin tahu yang cukup untuk mempertanyakan asumsi tentang keadaan yang sudah berjalan.
Dalam ilmu hayati, misalnya, latar belakang ilmiah Insinyur Penempatan Lapangan kami membantu mereka meraih kepercayaan peneliti yang mengerjakan penemuan obat praklinis, seperti validasi dan penentuan prioritas target, analisis ekspresi gen, serta rekonstruksi jalur sintesis kimia. Keahlian itu memungkinkan mereka memberi pertimbangan berbasis pengetahuan tentang cara meningkatkan alur kerja tersebut.
Kami telah membuktikan bahwa alur kerja ini dapat memberikan manfaat, tetapi masing-masing masih memerlukan terlalu banyak integrasi khusus untuk diterapkan pada tim lain. Tantangan berikutnya adalah mempertahankan hasil tersebut sambil membuat perangkat lunak lebih mudah diterapkan dan dipelihara.
Saat itu, kemampuan Codex telah berkembang. Seorang Insinyur Penempatan Lapangan mencoba membangun ulang aplikasinya dengan Codex sebagai fondasi, lalu bekerja bersama tim untuk memindahkan kasus-kasus penggunaan ke harness bersama yang berinti Codex.
Aplikasi khusus diubah menjadi plugin dan keterampilan yang dibangun di atas komponen dasar Codex yang sama. Codex juga menjadi antarmukanya, sehingga kami dapat menghentikan penggunaan UI terminal dan CLI terpisah yang sebelumnya kami buat untuk setiap kasus penggunaan.
Kami berhasil menghapus sekitar 90% kode khusus dari setiap proyek. Hal ini mengubah cara kami membangun, memelihara, dan memperluas skala alur kerja tersebut:
Kami dapat memanfaatkan peningkatan Codex yang dilakukan secara terpusat, sehingga mengurangi kode penghubung yang dibutuhkan untuk setiap kasus penggunaan
Fungsi-fungsi utama dikemas sebagai keterampilan dan plugin, sehingga lebih mudah dibagikan antartim dan dikendalikan secara terpusat oleh pusat keunggulan AI (AI CoE). Artinya, memperluas penerapan dari satu tim ke tim berikutnya bisa sesederhana mengganti konektor/server MCP, menyusun evaluasi baru (yang juga sudah kami sediakan keterampilannya), lalu mulai menjalankannya.
Dalam salah satu contoh pada Agustus 2026, penerapan awal memakan waktu dua bulan. Memperluas solusi ke tim kedua hanya memerlukan satu hari. Tim-tim berikutnya dapat mulai menggunakan solusi lebih cepat seiring perluasan skala. Tren ini terus berlanjut: dalam satu kasus penggunaan pada Agustus 2026, tim kedua hanya memerlukan 1 hari, setelah penerapan awal memakan waktu 2 bulan.
Itulah salah satu cara membuat peran kami sendiri tak lagi dibutuhkan. Pekerjaan yang kami lakukan hingga mencapai tahap produksi memperjelas apa yang benar-benar penting. Seiring meningkatnya kualitas produk yang menjadi fondasinya, kami dapat mengganti sebagian besar implementasi khusus kami sambil mempertahankan manfaat yang dihasilkannya.
Inilah mengapa urutannya penting. LLM memungkinkan kami membangun dengan cepat. Manfaatkan kecepatan itu untuk menghadirkan sesuatu yang bernilai bagi pengguna, pelajari apa yang terbukti andal dalam praktik, lalu perluas skala solusi yang berhasil.
Prinsip yang sama berlaku dalam setiap kerja sama.
OpenAI Presence, produk kami untuk agen suara dan obrolan perusahaan, tumbuh dari penerapan pelanggan nyata. Pekerjaan ini dimulai dengan Swarm(terbuka di jendela baru) dan berkembang melalui API Agents, dan saat ini satu pelanggan kini menangani lebih dari setengah panggilannya dengan AI.
Memasukkan penerapan tersebut ke produksi mengajarkan kami masalah mana yang membutuhkan solusi khusus dan blok bangunan mana yang bisa digunakan tim lain. Kami membawa blok-blok bangunan tersebut ke dalam Presence, sehingga memudahkan pengembang mengotomatisasi alur kerja yang diatur tanpa membangun ulang infrastruktur dasarnya. Setiap penerapan membantu membentuk produk dan memberikan titik awal yang lebih baik bagi pelanggan berikutnya.
Dengan Thrive Holdings, Insinyur Penempatan Lapangan dan peneliti OpenAI bekerja bersama insinyur dan akuntan untuk membangun Tax AI untuk firma akuntansi Kreta. Selama uji coba, Tax AI memproses 7.000 pengembalian pajak dan meningkatkan throughput sekitar 50%.
Salah satu tantangan tersulit adalah mengotomatisasi pengembalian properti sewa, yang membutuhkan enam minggu tinjauan teknik dan praktisi untuk mencapai presisi dan recall 90%. Pekerjaan ini menciptakan pola yang dapat digunakan kembali sehingga memudahkan perluasan Tax AI ke jadwal pajak kompleks lainnya.
Tim-tim kini menerapkan pendekatan yang sama dalam pembukuan, audit, dan dukungan TI—membangun sistem yang meningkat kualitasnya melalui umpan balik praktisi dan penggunaan di dunia nyata.
Terkadang produk yang lebih baik memungkinkan kami menyederhanakan apa yang telah kami bangun, tetapi terkadang modelnya sendiri memang belum mampu menjalankan tugas tersebut.
Jika kami hanya membangun hal-hal yang sudah dimungkinkan oleh model saat ini, kami tidak akan menemukan kesenjangan kecerdasan yang perlu diatasi tim Riset selanjutnya. Karena itu, banyak kerja sama penting kami dimulai tepat di batas kemampuan tersebut, dengan pelanggan, Insinyur Penempatan Lapangan, dan tim Riset berkomitmen untuk mengatasinya bersama.
Kami telah mengembangkan platform layanan pelanggan bersama salah satu pelanggan kami, sebuah perusahaan telekomunikasi besar, dan mereka ingin memperluasnya ke layanan suara.
Layanan suara mencakup sekitar 90% dari volume layanan pelanggan mereka. Penanganan kasus-kasus ini secara otomatis lebih mahal dibandingkan chat, sekaligus menghadirkan tantangan teknis baru dalam menangani aksen, nada bicara, serta latensi dan akurasi agar memenuhi standar penggunaan produksi. Keberhasilan mengatasinya akan berdampak besar pada bisnis mereka.
Saat menentukan cakupan proyek, model kami meraih skor sekitar 60% dalam evaluasi utama yang kami gunakan untuk menilai kesiapannya menjalankan tugas di lingkungan produksi. Kami telah mencapai batas kemampuannya. Kemampuan pemanggilan fungsi dan kepatuhan terhadap instruksi dalam skenario layanan pelanggan perlu ditingkatkan.
Kami menjelaskan hal itu kepada pelanggan dan melibatkan tim Riset dalam proyek ini. Insinyur Penempatan Lapangan bekerja bersama pelanggan untuk membangun platform dan menetapkan apa saja yang harus bisa dilakukan model. Tim Riset berupaya mengatasi kesenjangan kemampuan tersebut. Versi model yang dirilis secara bertahap memungkinkan kami menguji kemajuannya terhadap kebutuhan pelanggan.
Dalam enam bulan, kinerja pada evaluasi utama meningkat dari sekitar 60% menjadi 80%, lalu lebih dari 90%, hingga mencapai tingkat yang dibutuhkan untuk penggunaan produksi.
Model suara yang dihasilkan kini mendukung penerapan di pelanggan tersebut, penerapan layanan pelanggan khusus lainnya, serta penerapan terkelola melalui Presence. Masalah yang ditemui dalam bisnis satu pelanggan membantu mengidentifikasi perbaikan yang dapat bermanfaat bagi banyak pelanggan lain.
Setiap pihak berperan penting. Pelanggan berkomitmen untuk menangani masalah yang belum dapat diselesaikan model. Insinyur Penempatan Lapangan terus terlibat langsung untuk merumuskan masalah, membangun platform, dan mengawal kerja sama dari awal hingga akhir. Tim Riset meningkatkan kemampuan dasar model.
Inilah cara lain membuat peran kami tak lagi dibutuhkan: membantu mengubah masalah yang belum bisa diselesaikan model saat ini menjadi kemampuan yang dapat dihadirkan model masa depan. Manfaat pekerjaan kami melampaui waktu yang kami habiskan bersama satu pelanggan.
Saya bergabung dengan OpenAI untuk membantu menjadikan AI berguna dalam pekerjaan sehari-hari. Itulah yang tetap menjadi pedoman tim kami. Saya sering mengatakan kepada tim bahwa dalam sebagian besar pengembangan LLM, prinsip Pisau Occam berlaku—solusi paling sederhana adalah yang terbaik. Di perusahaan yang dikenal lewat riset mutakhirnya, dan di industri yang tercoreng oleh klaim berlebihan, kami ingin membangun solusi yang bekerja secara andal dan dapat diandalkan oleh orang-orang di lapangan.
Tujuannya adalah agar setiap kerja sama menghasilkan perbaikan bagi langkah berikutnya: produk yang lebih mudah diterapkan, model yang mampu menangani tugas lebih sulit, atau berkurangnya pekerjaan khusus untuk pelanggan berikutnya.
Jika Anda memiliki masalah sulit yang ingin diselesaikan, kami akan senang bekerja sama dengan Anda. Jika Anda ingin membantu memecahkan masalah-masalah tersebut, kami mengundang Anda bergabung.
Jadi, apa yang kami lakukan ketika Codex mampu menangani pekerjaan yang solusinya kami bangun selama berbulan-bulan?
Mencari masalah yang lebih sulit.
