OpenAI раскрыла работу FDE: 90% кастомного кода ушло в скиллы Codex

OpenAI опубликовала разбор того, как работают её forward deployed engineers (FDE). Команду собрали в начале 2025 года под конкретную проблему: модель формально умеет много, но опереться на неё в рабочем процессе люди пока не могут. Это и есть «deployment gap». Итоги по четырём проектам: от 3–6 месяцев до прода в полупроводниках, +50% пропускной способности у налоговых бухгалтеров, рост голосовой модели с 60% до 90%+ на ключевых evals и около 90% выброшенного кастомного кода после выхода Codex.

Девиз команды звучит так: начни с результата, сделай всё, чтобы получилось, а масштабируй потом. Автор канала AI Product Игорь Акимов замечает, что вендоры хором говорят о сверхумных моделях, а внедрений по вертикалям не хватает. По его оценке, токены сейчас в основном сжигают стартапы за чужой счёт. FDE работают как раз там, где этот разрыв надо закрывать руками.

Чипы, налоги и телеком: четыре кейса с цифрами

• Инжиниринг полупроводников, середина 2025. Около 15 FDE работали над 10+ юзкейсами: генерация тестов, поиск причин сбоев, ассистент по архитектуре. Верификация в отрасли съедает около 70% усилий проекта. Часть инженеров пришла в OpenAI за несколько дней до старта и в чипах не разбиралась. Они сидели с инженерами заказчика, изучали предметную область и вместе строили метрики. За 3–6 месяцев все юзкейсы дошли до прода. Итог: около 48% экономии времени на генерации тестов, медианно 22% прироста производительности на оптимизации ядер, недели отладки превратились в часы.
• Перевод на Codex. Когда Codex подрос, все юзкейсы перенесли на общую обвязку с ним в центре. Кастомные приложения стали плагинами и скиллами, собственные CLI и интерфейсы выкинули. В каждом проекте ушло около 90% кастомного кода. Первое внедрение в одном из кейсов заняло 2 месяца, расширение на вторую команду — 1 день.
• Налоговый AI для бухгалтерских фирм Thrive Holdings. В пилоте обработали 7 000 деклараций, пропускная способность выросла примерно на 50%. Самыми тяжёлыми оказались декларации по сделкам с недвижимостью: 6 недель инженерии и проверок практиками, чтобы выйти на 90% precision и recall.
• Голос для телекома. Голос составляет около 90% обращений в поддержку. Модель выдавала около 60% на ключевых evals, для прода этого мало. Подключили команду Research: за 6 месяцев довели результат до 80%, затем до 90%+. Эта голосовая модель теперь работает и у других клиентов.

Кастомный код живёт полгода

Инженерно самая интересная часть — история с Codex. Проекты строили на самописных приложениях, CLI и интерфейсах: у каждого заказчика свой набор обвязки. Как только платформа научилась брать на себя оркестрацию, всё это превратилось в плагины и скиллы. Разница между 2 месяцами на первое внедрение и 1 днём на расширение показывает, где копится стоимость. Чем меньше уникального кода в проекте, тем дешевле каждый следующий клиент или команда.

Есть и архитектурный сдвиг. По словам Акимова, OpenAI ушла от мультиагентной схемы к одному агенту со скиллами. Ровно это советовала Anthropic. Две крупнейшие лаборатории приходят к одному паттерну: один агент плюс набор подключаемых навыков.

Для экономики токенов вывод прямой. Пока вокруг модели растёт слой самописной логики, растут и расходы на поддержку, и риск, что платформа через полгода сделает то же самое из коробки. В команде это приняли как рабочий принцип: критерий успеха FDE — делать себя ненужными каждые пару месяцев. Когда Codex стал за раз собирать то, что инженеры строили месяцами, вопрос «что делать» получил простой ответ: искать задачу посложнее.

Что забрать интегратору

Долговечных активов три: знание предметной области, датасеты и метрики, выстроенные вместе с экспертами клиента, а также понимание, где модель не вытягивает. Кейс с налогами это подтверждает: 90% precision и recall на сделках с недвижимостью дали не фичи, а шесть недель проверок практиками. Кейс с голосом показывает то же с другой стороны: переход с 60% на 90%+ потребовал привлечь Research. Для продакта и интегратора отсюда следуют практические шаги:

• начинать с evals и метрик, согласованных с экспертами заказчика, а не с интерфейса;
• строить решение на платформенных примитивах (скиллы, плагины), а не на самописных CLI;
• держать один агент со скиллами, пока мультиагентность не доказала необходимость на метриках;
• закладывать, что обвязку придётся переписывать каждые несколько месяцев.

Разработчикам, которые боятся, что Codex заберёт их работу, этот разбор отвечает так: ценность смещается к постановке задач и измерению качества. Именно этим занимались люди, которые за неделю до старта проекта про чипы ничего о чипах не знали.