Tegese FDE ing OpenAI
Apa sing kita tindakake, cara kita makarya, lan cara kita ngrampungake masalah perusahaan sing paling angel kanggo menehi dampak nyata.
Dening: Colin Jarvis, Kepala Forward Deployed Engineering ing OpenAI
Nalika Codex dirilis, salah siji anggota tim takon marang aku, “Apa sing kudu kita tindakake yen Codex bisa ngrampungake kanthi sepisan wae kasus panggunaan sing wis kita bangun pirang-pirang sasi iki?”
Pitakon kasebut nyentuh inti saka tegese FDE ing OpenAI. Kita kerja bareng karo pelanggan kanggo mangerteni masalah sing paling angel lan mbangun solusi sing bisa diandelake. Apa sing kita sinaoni mbantu mbentuk produk kita lan menehi tim Riset masalah nyata kanggo dirampungake.
Iku sing diarani kemajuan. Yen saben sawetara sasi kita bisa nggawe peran kita dhewe ora dibutuhake maneh, tegese tim FDE kita wis nindakake tugase.
Aku ngedegake tim iki ing awal taun 2025 kanggo nutup apa sing kita sebut “kesenjangan implementasi”: bedane antarane apa sing katon bisa ditindakake model lan apa sing bisa diandelake wong kanggo nindakake pakaryane.
Kemampuan model maju luwih cepet tinimbang sistem lan proses sing dibutuhake kanggo migunakake. Kadhangkala sing durung ana yaiku produke. Kadhangkala model nuduhake kinerja apik ing tolok ukur, nanging ora bisa nindakake tugase nalika ngadhepi variabel lan watesan ing kahanan nyata.
Kita fokus marang masalah pelanggan sing paling angel. Yen model kita wis bisa nindakake tugase saiki, kita kerja bareng karo tim Produk lan pelanggan supaya solusine bisa ditrapake maneh. Yen kemampuane durung nyukupi, kita kerja bareng karo pelanggan lan tim Riset kanggo nemtokake kesenjangane lan ngupaya perbaikan. Tujuan kita yaiku supaya saben kerja sama menehi pelanggan sabanjure dhasar wiwitan sing luwih apik—yen kita bisa ningkatake standar dhasar nganti pelanggan ora butuh FDE maneh kanggo ngrampungake masalah jinis iki ing tembe, tegese kita wis nindakake tugas kanthi becik.
Tantangan kanggo John Deere, perusahaan tetanen sing wis umure 200 taun, yaiku carane menehi saran sing cocog karo kabutuhan saben petani kanthi jangkauan luwih amba.
Salah siji tuladhane yaiku See & Spray, teknologi pengendalian gulma kanthi presisi sing nggunakake kamera lan machine learning kanggo ngenali lan nyemproti gulma, dudu nyemproti kabeh lahan, saengga bisa nyuda panggunaan bahan kimia nganti 70%.
Nanging, supaya mupangat kasebut bisa dirasakake, petani kudu ngerti carane nyetel teknologi, ngrancang mangsa tandur, lan nyetel cara kerjane nalika kahanan owah.
John Deere nggunakake API OpenAI supaya dhukungan kasebut bisa dicocogake karo kabutuhan saben petani lan diwenehake kanthi skala luwih gedhe.
AI bisa mangsuli pitakonane petani nganggo basa saben dina, menehi pandhuan pangaturan lan rekomendasi sing cocog, ngenali nalika peralatan durung bisa digunakake kanthi optimal, lan mbantu petani mangerteni mupangat sing dipikolehi saka teknologi kasebut.
Peluang iki ora winates ing siji interaksi wae: pandhuan sing cocog bisa diwenehake ing saben tahap pengalaman pelanggan, mbantu petani luwih migunakake peralatane kanthi becik, lan uga ningkatake efisiensi lan kelestarian.
Tantangan kaya iki sing diupayakake FDE OpenAI: mbantu organisasi ngowahi kemampuan AI dadi sistem sing menehi mupangat praktis ing kahanan nyata sing rumit.
Nanging masalah kasebut asring durung cetha arahe, bisa uga durung ana fakta acuan sing disepakati, lan ora ana pandhuan baku. Kabeh wong kepengin mbangun bab sing durung tau ana. Nanging luwih sithik sing gelem nindakake apa wae sing dibutuhake kanggo mujudake.
Nggoleki FDE sing duwe bakat nalika terus ngunggahake standar “wis cukup apik” mbutuhake eksperimen lan penerapan tanpa kendhat.
Ing wiwitan saben sesi tim FDE, aku nampilake slide kanthi siji prinsip utama: “Wiwiti saka asil sing dituju, tindakake apa wae sing dibutuhake supaya kasil, banjur gedhekake skalane”.
Demo sing nggumunake bisa entuk akeh dhukungan sadurunge ana sing takon apa pancen bisa digunakake ing kahanan nyata.
Tugas kita yaiku ngrampungake masalah pelanggan kanthi standar sing bisa kita tanggung jawabake ing panggunaan nyata.
Ing tengah taun 2025, watara 15 FDE kita kerja bareng karo pelanggan saka perusahaan semikonduktor gedhe kanggo luwih saka 10 kasus panggunaan. Tujuane yaiku ngrancang proses verifikasi kanthi AI minangka dhasare, sing nyakup:
Nggawe tes kanthi sasaran tartamtu
Analisis panyebab utama lan debugging
Asisten arsitektur
Ing industri iki, verifikasi bisa mbutuhake watara 70% saka total upaya ing sawijining proyek. Peluange gedhe banget, lan ana akeh titik sing bisa dadi wiwitan.
Sawetara FDE lagi gabung karo OpenAI sawetara dina sadurunge lan durung tau makarya ing bidang semikonduktor. Dheweke melu makarya langsung ing tim verifikasi pelanggan, nyinaoni desain chip ing wektu senggang, lan nyusun evaluasi bareng para insinyur kanggo nguji apa AI bisa nggawe tes sing migunani lan kanthi bener diagnosa kegagalan chip.
Sajrone proses sinau kasebut, kita uga mbangun kerangka eksekusi khusus kanggo saben kasus panggunaan. Sajrone 3–6 sasi kapisan, kabeh wis mlebu tahap operasional lan wiwit digunakake dening pangguna awal. Asile katon saka metrik iki:
Ngirit wektu watara 48% kanthi nggawe tes bersasaran tartamtu nganggo AI.
Median paningkatan kinerja tekan 22% liwat optimalisasi kernel.
Debugging sing biyen mbutuhake pirang-pirang minggu dadi mung pirang-pirang jam
Nalika kita nampilake kabeh asil kasebut, Kepala Perangkat Keras takon, “Apa sadurunge teka ing kene, sampeyan kabeh wis tau kerja dadi perancang chip?”
FDE kita ora kudu wis ngerti industrine wiwit dina kapisan, nanging dadi tanggung jawabe kanggo nyinaoni.
Amarga asisten coding ndadekake piranti lunak luwih cepet dibangun, mangerteni bisnise pelanggan dadi saya penting. Kita mbentuk tim kanthi nggabungake wong sing duwe kawruh umum lan ahli ing bidang tartamtu.
Sampeyan butuh kawruh sing cukup kanggo nggawe pertimbangan sing trep, lan rasa kepengin ngerti sing cukup kanggo takon maneh babagan asumsi ing kahanan saiki.
Contone, ing ilmu hayati, latar mburi ilmiah FDE kita mbantu dheweke entuk kapercayan saka peneliti sing nggarap panemuan obat praklinis, kayata validasi lan penentuan prioritas target, analisis ekspresi gen, lan rekonstruksi jalur sintesis kimia. Keahlian kasebut ndadekake dheweke bisa menehi pertimbangan adhedhasar kawruh babagan carane ningkatake alur kerja kasebut.
Kita wis nuduhake yen alur kerja iki bisa menehi mupangat, nanging saben alur isih mbutuhake kakehan integrasi khusus supaya bisa digunakake tim liyane. Tantangan sabanjure yaiku njaga asil kasebut, nanging uga nggawe piranti lunake luwih gampang diterapake lan dirawat.
Nalika iku, kemampuan Codex wis saya maju. Salah siji FDE nyoba mbangun maneh aplikasine kanthi Codex minangka dhasar, banjur kerja bareng karo tim kanggo mindhah kasus panggunaan menyang kerangka eksekusi bebarengan sing intine Codex.
Aplikasi khusus diowahi dadi plugin lan katrampilan sing dibangun ing ndhuwur komponen dhasar Codex sing padha. Codex uga dadi antarmukane, saengga kita bisa mandheg nggunakake UI terminal lan CLI kapisah sing biyen digawe kanggo saben kasus panggunaan.
Kita bisa mbusak watara 90% kode khusus saka saben proyek, lan iki ngowahi cara kita mbangun, ngrumat, lan nggedhekake skala alur kerja iki:
Kita bisa njupuk mupangat saka paningkatan Codex sing dipusatake, saengga nyuda kode penghubung sing dibutuhake kanggo saben kasus panggunaan
Fungsi utama dikemas dadi katrampilan lan plugin, supaya luwih gampang dienggo bareng lan dikendhalekake kanthi terpusat dening AI CoE. Tegese, nggedhekake panggunaan saka siji tim menyang tim liyane bisa segampang ngganti konektor/server MCP anyar, nyusun evaluasi anyar (sing uga wis ana katrampilane), banjur langsung miwiti.
Ing salah siji conto ing Agustus 2026, implementasi wiwitan mbutuhake rong sasi. Ngetrapake solusi kasebut menyang tim kapindho mung mbutuhake sedina. Nalika skalane saya gedhe, tim-tim sabanjure bisa luwih cepet miwiti nggunakake—iki terus lumaku, kanthi salah siji kasus panggunaan ing Agustus 2026 mung mbutuhake 1 dina kanggo tim kapindho, sawise implementasi wiwitan mbutuhake 2 sasi.
Iki salah siji cara supaya peran kita dhewe ora dibutuhake maneh. Pakaryan sing wis kita tindakake nganti tekan panggunaan nyata nuduhake apa sing pancen penting. Nalika produk dhasare saya apik, kita bisa ngganti akeh bagean saka implementasi khusus kita tanpa kelangan mupangat sing diasilake.
Mula urutane iku penting. LLM ngidini kita mbangun kanthi cepet. Gunakake kacepetan kasebut kanggo menehi bab sing migunani marang pangguna, sinau apa sing tetep bisa diandelake ing praktik, banjur gedhekake skala saka sing wis kabukten kasil.
Prinsip sing padha ditrapake ing kabeh kerja sama.
OpenAI Presence, produk kita kanggo agen swara lan obrolan perusahaan, tuwuh saka panyebaran pelanggan nyata. Pakaryan kasebut diwiwiti karo Swarm(mbukak ing jendhela anyar) lan berkembang liwat Agents API, lan saiki siji pelanggan saiki nangani luwih saka separo telpone nganggo AI.
Nglakokake penyebaran kasebut menyang produksi mulang kita masalah endi sing mbutuhake solusi khusus lan blok bangunan endi sing bisa digunakake tim liyane. Kita nggawa blok bangunan kasebut menyang Presence, supaya luwih gampang kanggo para pangembang ngotomatisasi alur kerja sing diatur tanpa mbangun maneh infrastruktur sing ndasari. Saben panggunaan mbantu mbentuk produk lan menehi titik wiwitan sing luwih apik kanggo pelanggan sabanjure.
Kanthi Thrive Holdings , OpenAI FDE, lan peneliti kerja bareng karo insinyur lan akuntan kanggo mbangun Tax AI kanggo perusahaan akuntansi Crete. Sajrone uji coba, Tax AI ngolah 7.000 SPT lan nambah kapasitas pangolahan udakara 50%.
Salah sawijining tantangan paling angel yaiku ngotomatisasi pengembalian properti sewaan, sing mbutuhake enem minggu tinjauan teknik lan praktisi kanggo nggayuh presisi lan penarikan 90%. Pakaryan iki nggawe pola sing bisa digunakake maneh sing nggampangake ngembangake Tax AI menyang jadwal pajak kompleks liyane.
Tim-tim kasebut saiki ngetrapake pendekatan sing padha kanggo pembukuan, audit, lan dhukungan IT—mbangun sistem sing saya apik liwat umpan balik praktisi lan panggunaan ing jagad nyata.
Kadhangkala produk sing luwih apik ndadekake kita bisa nyederhanakake apa sing wis dibangun, nanging kadhangkala modele dhewe durung bisa nindakake tugase.
Yen kita mung mbangun apa sing wis bisa ditindakake model saiki, kita ora bakal nemokake kesenjangan kecerdasan sing sabanjure kudu ditutup dening tim Riset. Mula, akeh kerja sama penting kita diwiwiti ing wates kemampuan kasebut, kanthi pelanggan, FDE, lan tim Riset padha setya ngupaya ngatasi bebarengan.
Kita wis ngembangake platform layanan pelanggan bareng karo pelanggan saka perusahaan telekomunikasi gedhe, lan dheweke kepengin nggedhekake platform kasebut kanggo layanan swara.
Layanan swara nyakup watara 90% saka volume layanan pelanggane. Ngrampungake kasus kasebut tanpa bantuan petugas luwih larang tinimbang liwat chat, lan nggawa maneka tantangan teknis anyar supaya logat, nada, sarta latensi lan akurasi nyukupi standar panggunaan nyata. Yen kasil, iki bakal menehi pengaruh gedhe marang bisnise.
Nalika nemtokake cakupan proyek, model kita entuk skor watara 60% ing evaluasi utama sing digunakake kanggo mriksa apa model kasebut bisa nindakake tugas iki ing panggunaan nyata. Kita wis tekan wates kemampuane. Kemampuan nelpon fungsi lan ngetutake instruksi ing skenario layanan pelanggan perlu ditingkatake.
Kita nerangake bab kasebut marang pelanggan lan ngajak tim Riset melu nggarap. FDE kerja bareng karo pelanggan kanggo mbangun platform lan nemtokake apa wae sing kudu ditindakake model. Tim Riset ngupaya nutup kesenjangan kemampuan kasebut. Saben versi model anyar menehi kita kesempatan kanggo nguji kemajuane adhedhasar kabutuhan pelanggan.
Sajrone nem sasi, kinerja ing evaluasi utama mundhak saka watara 60% dadi 80%, banjur luwih saka 90%, nganti tekan tingkat sing dibutuhake kanggo panggunaan nyata.
Model swara sing kasil dikembangake saiki ndhukung implementasi pelanggan kasebut, implementasi layanan pelanggan khusus liyane, lan implementasi sing dikelola liwat Presence. Masalah sing ditemokake ing bisnise siji pelanggan mbantu ngenali perbaikan sing bisa migunani kanggo akeh pelanggan liyane.
Saben bagean duwe peran penting. Pelanggan setya nggarap masalah sing durung bisa dirampungake model. FDE terus melu kanthi raket kanggo nemtokake masalah kasebut, mbangun platform, lan nglakokake kerja sama saka wiwitan nganti rampung. Tim Riset ningkatake kemampuan model dhasare.
Iki cara liyane supaya peran kita dhewe ora dibutuhake maneh: mbantu ngowahi masalah sing durung bisa dirampungake model saiki dadi kemampuan sing bisa diwenehake model ing mangsa ngarep. Mupangat saka pakaryan kita ora mung winates ing wektu sing kita gunakake karo siji pelanggan.
Aku gabung karo OpenAI kanggo mbantu supaya AI migunani ing pakaryan saben dinane wong-wong. Bab kasebut isih dadi paugerane tim. Aku kerep ngandhani tim yen ing akeh kasus pangembangan LLM, prinsip Pisau Occam ditrapake—solusi sing paling prasaja iku sing paling apik. Ing perusahaan sing misuwur amarga riset mutakhir lan industri sing kebak pratelan muluk-muluk, kita kepengin mbangun bab sing bisa mlaku kanthi ajeg lan diandelake dening wong-wong ing lapangan.
Tujuane yaiku supaya saben kerja sama ndadekake langkah sabanjure luwih apik: produk sing luwih gampang diterapake, model sing bisa nangani tugas luwih angel, utawa pakaryan khusus sing luwih sithik kanggo pelanggan sabanjure.
Yen sampeyan duwe masalah angel sing pengin dirampungake, kita seneng bisa kerja bareng karo sampeyan. Yen sampeyan kepengin mbantu ngrampungake masalah kasebut, kita seneng yen sampeyan gabung karo kita.
Dadi, apa sing kudu kita tindakake nalika Codex bisa nangani pakaryan sing wis kita bangun nganti pirang-pirang sasi?
Golekana masalah sing luwih angel.
