Čo v OpenAI znamená vývojár pracujúci priamo u zákazníka
Čo robíme, ako pracujeme a ako riešime najťažšie problémy podnikov, aby sme prinášali skutočné výsledky.
Autor: Colin Jarvis, vedúci vývoja priamo u zákazníka v OpenAI
Keď vyšiel Codex, niekto z tímu sa ma spýtal: „Čo urobíme, keď Codex na jeden pokus zvládne prípady použitia, ktoré sme vyvíjali posledných pár mesiacov?“
Táto otázka vystihuje podstatu toho, čo v OpenAI znamená byť vývojárom pracujúcim priamo u zákazníka. Pracujeme bok po boku so zákazníkmi, aby sme pochopili ich najťažšie problémy a vytvorili riešenia, na ktoré sa môžu spoľahnúť. To, čo sa naučíme, pomáha formovať naše produkty a prináša výskumnému tímu konkrétne problémy na riešenie.
To je pokrok. Ak každých pár mesiacov dosiahneme, že nás už netreba, náš tím vývojárov pracujúcich priamo u zákazníka si plní svoju úlohu.
Tím som založil začiatkom roka 2025, aby sme preklenuli to, čo nazývame „medzera v nasadzovaní“: rozdiel medzi tým, čo modely zdanlivo dokážu, a tým, čo ľudia môžu spoľahlivo využívať pri práci.
Schopnosti modelov napredujú rýchlejšie než systémy a procesy potrebné na ich využitie. Niekedy chýba produkt. Inokedy model dosahuje dobré výsledky v benchmarku, no úlohu s premennými a obmedzeniami reálneho sveta nezvládne.
Sústreďujeme sa na najťažšie problémy zákazníkov. Tam, kde naše modely úlohu zvládajú už dnes, spolupracujeme s produktovým tímom a zákazníkom na tom, aby sa riešenie dalo opakovane nasadiť. Tam, kde nestačia, so zákazníkmi a výskumným tímom definujeme nedostatky a pracujeme na zlepšeniach. Naším cieľom je, aby každá spolupráca poskytla ďalšiemu zákazníkovi lepšiu východiskovú pozíciu. Ak základnú úroveň posunieme natoľko, že zákazníci nabudúce na tento typ problému nebudú potrebovať vývojárov pracujúcich priamo u zákazníka, odviedli sme dobrú prácu.
Spoločnosť John Deere, ktorá pôsobí v poľnohospodárstve už 200 rokov, hľadala spôsob, ako poskytovať poradenstvo na mieru väčšiemu počtu farmárov.
Príkladom je See & Spray, jej technológia na presné ničenie buriny. Pomocou kamier a strojového učenia rozpoznáva a postrekuje burinu namiesto ošetrovania celých polí, čím znižuje spotrebu chemických prípravkov až o 70 %.
Tieto výhody však farmári dosiahnu len vtedy, ak vedia technológiu nastaviť, naplánovať sezónu a prispôsobiť svoje postupy meniacim sa podmienkam.
Spoločnosť John Deere nasadila API od OpenAI, aby mohla túto podporu prispôsobiť jednotlivým farmárom a poskytovať ju vo väčšom rozsahu.
AI dokáže odpovedať na otázky farmárov v prirodzenom jazyku, poskytovať návody na nastavenie a odporúčania na mieru, rozpoznať, keď sa nevyužíva plný potenciál zariadenia, a pomôcť farmárom pochopiť, akú hodnotu im technológia prináša.
Možnosti siahajú za hranice jednotlivých interakcií: relevantné poradenstvo počas celého vzťahu so zákazníkom môže farmárom pomôcť lepšie využívať ich zariadenia a zároveň zvýšiť efektivitu a udržateľnosť.
Práve takéto výzvy riešia vývojári OpenAI pracujúci priamo u zákazníka: pomáhajú organizáciám premeniť schopnosti AI na systémy, ktoré prinášajú praktickú hodnotu v zložitých podmienkach reálnej prevádzky.
Problémy však často nemajú jasné hranice, nemusí existovať overený správny výsledok a nie je k dispozícii žiadny osvedčený postup. Každý chce vytvoriť niečo, čo ešte nikdy neexistovalo. Menej ľudí je ochotných urobiť všetko potrebné, aby sa to podarilo.
Hľadanie talentovaných vývojárov pracujúcich priamo u zákazníka a súčasné zvyšovanie latky toho, čo je „dosť dobré“, si vyžadovalo neustále experimentovanie a overovanie v praxi.
Na začiatku každého stretnutia tímu vývojárov pracujúcich priamo u zákazníka premietnem snímku s jednou základnou hodnotou: „Začnite výsledkom, urobte všetko potrebné na dosiahnutie úspechu a potom riešenie rozšírte.“
Pôsobivá ukážka môže dlho žať úspech, kým sa niekto spýta, či funguje aj v reálnom svete.
Našou úlohou je vyriešiť problém zákazníka na úrovni, za ktorou si môžeme stáť aj v produkčnej prevádzke.
V polovici roka 2025 spolupracovalo približne 15 našich vývojárov pracujúcich priamo u zákazníka s veľkou polovodičovou spoločnosťou na viac než 10 prípadoch použitia. Cieľom bolo postaviť ich proces verifikácie od základu na AI, a to v týchto oblastiach:
Generovanie cielených testov
Analýza prvotných príčin a ladenie
Asistent pre návrh architektúry
Verifikácia môže v tomto odvetví tvoriť približne 70 % práce na projekte. Potenciál bol obrovský a možností, kde začať, bolo veľa.
Niektorí vývojári pracujúci priamo u zákazníka nastúpili do OpenAI len niekoľko dní predtým a s polovodičmi nikdy nepracovali. Začlenili sa do zákazníkovho verifikačného tímu, vo voľnom čase študovali návrh čipov a spolu s inžiniermi vytvárali hodnotiace testy, aby overili, či AI dokáže generovať užitočné testy a správne diagnostikovať poruchy čipov.
Popri tomto učení sme pre jednotlivé prípady použitia vytvárali vlastné harnessy. Počas prvých 3 až 6 mesiacov sa všetky dostali do produkčnej prevádzky a začali ich používať prví používatelia. Odmenou boli výsledné čísla:
Približne 48 % ušetreného času vďaka generovaniu cielených testov pomocou AI.
Medián zlepšenia výkonu o 22 % vďaka optimalizácii kernelov.
Týždne ladenia skrátené na hodiny
Keď sme tieto výsledky prezentovali, riaditeľ pre hardvér sa spýtal: „Pracovali ste ako návrhári čipov už predtým, než ste sem prišli?“
Naši vývojári pracujúci priamo u zákazníka nemusia poznať odvetvie od prvého dňa, no je ich povinnosťou spoznať ho.
Keďže asistenti na programovanie urýchľujú tvorbu softvéru, porozumieť podnikaniu zákazníka je ešte dôležitejšie. Budujeme tímy, ktoré spájajú ľudí so širokým záberom a odborníkov na konkrétne oblasti.
Potrebujete dostatok vedomostí na správny úsudok a dostatok zvedavosti na spochybnenie zaužívaných predstáv o súčasnom stave.
Napríklad v biologických vedách pomáha vedecké zázemie našim vývojárom pracujúcim priamo u zákazníka získať dôveru výskumníkov, ktorí sa venujú predklinickému objavovaniu liečiv, napríklad validácii a prioritizácii cieľov, analýze génovej expresie či rekonštrukcii ciest chemickej syntézy. Tieto odborné znalosti im umožňujú kvalifikovane posúdiť, ako by sa dané pracovné postupy dali zlepšiť.
Ukázali sme, že tieto pracovné postupy dokážu prinášať hodnotu, no rozšírenie každého z nich na ďalší tím si stále vyžadovalo priveľa integrácií na mieru. Ďalšou výzvou bolo zachovať tieto výsledky a zároveň zjednodušiť nasadzovanie a údržbu softvéru.
Medzitým sa schopnosti Codex rozšírili. Jeden vývojár pracujúci priamo u zákazníka skúsil na Codex nanovo postaviť ich aplikáciu. Potom s tímom presunul jednotlivé prípady použitia na spoločný harness s Codex v jadre.
Z aplikácií na mieru sa stali doplnky a zručnosti postavené na spoločných základných prvkoch Codex. Codex sa stal aj rozhraním, takže sme mohli vyradiť samostatné terminálové používateľské rozhrania a rozhrania príkazového riadka, ktoré sme vytvorili pre jednotlivé prípady použitia.
Z každého projektu sme mohli odstrániť približne 90 % kódu vytvoreného na mieru. Zmenilo to spôsob, akým sme tieto pracovné postupy vytvárali, udržiavali a rozširovali:
Mohli sme využívať centrálne zlepšenia Codex a znížiť množstvo prepájacieho kódu potrebného pre jednotlivé prípady použitia
Kľúčové funkcie sme zoskupili do zručností a doplnkov, aby sa dali jednoduchšie zdieľať medzi tímami a centrálne spravovať centrom excelentnosti pre AI. Rozšírenie riešenia z jedného tímu na ďalší tak mohlo byť len otázkou výmeny konektorov či serverov MCP, vytvorenia nových hodnotiacich testov (na čo sme tiež mali zručnosť) a spustenia.
V jednom prípade z augusta 2026 trvalo prvé nasadenie dva mesiace. Rozšírenie riešenia na druhý tím trvalo jeden deň. S rozširovaním riešenia sa ďalšie tímy zapájali čoraz rýchlejšie. Tento trend pokračoval: v jednom prípade použitia z augusta 2026 trvalo nasadenie v druhom tíme 1 deň, kým prvé nasadenie zabralo 2 mesiace.
To je jeden zo spôsobov, ako dosiahnuť, aby nás už nebolo treba. Práca na uvedení riešenia do produkčnej prevádzky ukázala, na čom záleží. Keď sa základný produkt zlepšil, mohli sme nahradiť veľkú časť implementácie na mieru a pritom zachovať hodnotu, ktorú prinášala.
Preto záleží na poradí krokov. LLM nám umožňujú vyvíjať rýchlo. Využite túto rýchlosť, aby ste používateľom dali do rúk niečo hodnotné, zistili, čo obstojí v praxi, a potom rozšírili to, čo funguje.
Rovnaký princíp platí pri každej spolupráci.
OpenAI Presence, náš produkt pre podnikových hlasových a chatovacích agentov, vznikol na základe reálnych nasadení u zákazníkov. Práca sa začala so Swarmom(otvorí sa v novom okne) a pokračovala vývojom API agentov a dnes už jeden zo zákazníkov vybavuje viac ako polovicu svojich hovorov pomocou AI.
Uvedenie týchto riešení do produkčného prostredia nás naučilo, ktoré problémy si vyžadujú riešenie na mieru a ktoré komponenty môžu využiť aj iné tímy. Tieto komponenty sme začlenili do produktu Presence, čím sme vývojárom uľahčili automatizáciu regulovaných pracovných postupov bez nutnosti prestavby základnej infraštruktúry. Každé nasadenie pomohlo formovať produkt a poskytlo ďalšiemu zákazníkovi lepší východiskový bod.
V spolupráci so Thrive Holdings spoločnosťou Thrive Holdings vyvinuli vývojári pracujúci priamo u zákazníkov a výskumníci z OpenAI spolu s ďalšími vývojármi a účtovníkmi riešenie Tax AI pre sieť účtovníckych firiem združených v platforme Crete. Počas pilotného projektu Tax AI spracovala 7 000 daňových priznaní a zvýšila priepustnosť približne o 50 %.
Jednou z najťažších výziev bola automatizácia spracovania daňových priznaní týkajúcich sa prenájmu nehnuteľností, čo si vyžadovalo šesť týždňov vývojárskej práce a kontroly odborníkmi na dosiahnutie 90 % presnosti a úplnosti. Táto práca vytvorila opakovane použiteľné vzory, ktoré uľahčili rozšírenie riešenia Tax AI na ďalšie zložité prílohy daňových priznaní.
Tímy teraz uplatňujú rovnaký prístup pri vedení účtovníctva, audite a IT podpore – budujú systémy, ktoré sa zlepšujú vďaka spätnej väzbe od odborníkov a používaniu v praxi.
Niekedy nám lepší produkt umožní zjednodušiť to, čo sme vytvorili. Inokedy však samotný model ešte danú úlohu nezvláda.
Ak budeme vytvárať len to, čo dnešné modely už umožňujú, neodhalíme nedostatky v ich schopnostiach, ktoré musí výskumný tím odstrániť ako ďalšie. Preto sa mnohé naše dôležité spolupráce začínajú práve na týchto hraniciach. Zákazník, vývojári pracujúci priamo u zákazníka a výskumný tím sa ich spoločne zaväzujú prekonať.
S veľkým zákazníkom z oblasti telekomunikácií sme už vyvinuli platformu zákazníckej podpory a zákazník ju chcel rozšíriť o hlasovú komunikáciu.
Hlasové hovory tvorili približne 90 % všetkých interakcií so zákazníckou podporou. Vybaviť tieto prípady bez zásahu človeka bolo nákladnejšie než pri chate. Prinášali aj množstvo nových technických výziev: zvládnuť prízvuky, tón, latenciu a presnosť na úrovni potrebnej pre produkčnú prevádzku. Úspešné riešenie by malo zásadný prínos pre ich podnikanie.
Pri vymedzovaní rozsahu projektu dosahoval náš model približne 60 % v kľúčových hodnotiacich testoch, ktorými sme posudzovali, či zvládne túto úlohu v produkčnej prevádzke. Narazili sme na hranice jeho schopností. Bolo potrebné zlepšiť volanie funkcie a dodržiavanie pokynov v situáciách zákazníckej podpory.
Vysvetlili sme to zákazníkovi a do práce sme zapojili výskumný tím. Vývojári pracujúci priamo u zákazníka s ním vybudovali platformu a definovali, čo musí model zvládnuť. Výskumný tím pracoval na odstraňovaní nedostatkov v schopnostiach modelu. Jeho priebežné verzie nám umožňovali overovať pokrok voči požiadavkám zákazníka.
Za šesť mesiacov sa výsledky v kľúčových hodnotiacich testoch zlepšili z približne 60 % na 80 % a potom na viac než 90 %, čím dosiahli úroveň potrebnú pre produkčnú prevádzku.
Výsledný hlasový model dnes podporuje nasadenie u tohto zákazníka, ďalšie riešenia zákazníckej podpory na mieru aj spravované nasadenia prostredníctvom Presence. Problém z praxe jedného zákazníka pomohol odhaliť zlepšenia, ktoré môžu poslúžiť mnohým ďalším.
Každá časť bola dôležitá. Zákazník sa zaviazal pracovať na probléme, ktorý model ešte nedokázal vyriešiť. Vývojári pracujúci priamo u zákazníka s ním zostali v úzkom kontakte, aby mohli problém jasne vymedziť, vybudovať platformu a viesť spoluprácu od začiatku do konca. Výskumný tím zlepšil schopnosti samotného modelu.
Toto je druhý spôsob, ako dosiahnuť, aby nás už nebolo treba: pomôcť premeniť problém, ktorý dnešné modely nedokážu vyriešiť, na schopnosť, ktorú budúce modely budú mať. Prínos našej práce siaha ďalej než k hodinám, ktoré strávime s jedným zákazníkom.
Do OpenAI som nastúpil, aby som pomohol urobiť AI užitočnou pri každodennej práci ľudí. Týmto sa náš tím riadi dodnes. Tímu často hovorím, že vo väčšine prípadov vývoja LLM platí Occamova britva: najjednoduchšie riešenie je najlepšie. Vo firme, ktorú charakterizuje špičkový výskum, a v odvetví, ktorému škodia prehnané tvrdenia, chceme vytvárať veci, ktoré spoľahlivo fungujú a na ktoré sa ľudia v praxi môžu spoľahnúť.
Cieľom je, aby každá spolupráca zlepšila to, čo príde po nej: produkt, ktorý sa ľahšie nasadzuje, model, ktorý zvládne náročnejšiu úlohu, alebo menej práce na mieru pre ďalšieho zákazníka.
Ak máte náročný problém, ktorý chcete vyriešiť, radi s vami budeme spolupracovať. Ak chcete takéto problémy pomáhať riešiť, radi vás privítame v tíme.
Čo teda urobíme, keď Codex zvládne to, čo sme celé mesiace vyvíjali?
Nájdeme si náročnejší problém.
