OpenAI에서 FDE의 의미: 포워드 디플로이드 엔지니어링과 배포 격차

OpenAI의 포워드 디플로이드 엔지니어링(FDE) 팀은 "배포 격차"를 해소하기 위해 존재합니다. 이는 모델이 할 수 있는 것처럼 보이는 것과 사람들이 실제로 업무에 안정적으로 사용할 수 있는 것 사이의 거리를 의미하며, 팀은 제품과 모델이 개선됨에 따라 자신들이 불필요해지는 것을 성공의 척도로 삼습니다. 2026-10-22에 게시된 1인칭 게시물에서 팀의 창립자는 John Deere, 대형 반도체 제조업체, 통신 회사, Thrive Holdings와 같은 고객과의 FDE 협업이 어렵고 해결되지 않은 문제를 프로덕션 시스템, 재사용 가능한 Codex 기반 패키지, 그리고 OpenAI Research가 해결해야 할 구체적인 역량 격차로 전환하는 방법을 설명합니다.

OpenAI에서 FDE의 의미, 한 문단으로

OpenAI의 포워드 디플로이드 엔지니어링은 고객과 함께 그들의 가장 어려운 문제를 이해하고 프로덕션에서 의존할 수 있는 솔루션을 구축하는 기능입니다. 팀은 2025년 초에 배포 격차를 해소하기 위해 설립되었습니다. 모델 역량은 이를 실제로 사용하는 데 필요한 시스템과 프로세스보다 빠르게 발전했습니다. 때로는 누락된 부분이 제품이기도 하고, 때로는 모델이 벤치마크에서 좋은 성능을 보이지만 실제 변수와 제약 조건에서는 작업을 수행하지 못할 수도 있습니다. FDE가 배운 것은 OpenAI의 제품에 피드백되고 Research에 해결해야 할 구체적인 문제를 제공합니다.

팀의 명시된 목표는 각 협업이 다음 고객에게 더 나은 출발점을 제공하는 것입니다. 게시물에서 말하듯이: "우리가 다음 번에 고객이 이 유형의 문제를 해결하기 위해 FDE가 필요하지 않을 정도로 기준을 높인다면, 우리는 일을 잘한 것입니다."

OpenAI가 FDE 작업이 쓸모없어져야 한다고 말하는 이유

게시물은 Codex가 출시되었을 때 동료가 던진 질문으로 시작합니다: "우리가 지난 몇 달 동안 구축한 사용 사례를 Codex가 한 번에 해결할 수 있다면 우리는 무엇을 해야 합니까?" 저자의 답변은 이것이 위협이 아니라 진전이라는 것입니다.

우리가 몇 달마다 스스로 쓸모없게 된다면, 우리 FDE 팀은 제 역할을 하고 있는 것입니다.

게시물은 팀이 스스로 쓸모없게 되는 두 가지 뚜렷한 방법을 식별합니다. 첫 번째는 더 나은 제품이 OpenAI가 맞춤 구현을 대체하면서도 제공된 가치를 유지할 수 있게 하는 경우입니다. 두 번째는 FDE가 오늘날의 모델이 해결할 수 없는 문제를 미래 모델이 제공할 수 있는 역량으로 전환하는 데 도움을 주는 경우입니다.

운영 원칙: 결과에서 시작하기

모든 FDE 팀 세션은 하나의 핵심 가치를 담은 슬라이드로 시작합니다: "결과에서 시작하고, 성공하기 위해 필요한 일을 하고, 그 다음에 규모를 확장하십시오." 그 이유는 인상적인 데모가 실제 세계에서 작동하는지 누군가 묻기 전에 큰 효과를 볼 수 있고, 팀의 임무는 고객의 문제를 프로덕션에서 뒷받침할 수 있는 기준으로 해결하는 것이기 때문입니다.

게시물은 이것이 왜 어려운지에 대해 솔직합니다: 문제는 종종 광범위하게 열려 있고, 확립된 기준 진실이 없을 수 있으며, 플레이북이 없습니다. "모든 사람은 존재한 적 없는 것을 구축하고 싶어 합니다. 그러나 그곳에 도달하기 위해 필요한 일을 하려는 사람은 더 적습니다."

사례 연구: 10개 이상의 사용 사례에서 약 15명의 FDE와 함께한 반도체 검증

2025년 중반, 약 15명의 OpenAI FDE가 대형 반도체 고객과 10개 이상의 사용 사례에서 협력하여 고객의 검증 프로세스를 AI 네이티브로 만드는 것을 목표로 했습니다. 검증은 해당 산업에서 프로젝트 노력의 약 70%를 차지할 수 있습니다. 작업은 세 가지 영역을 다루었습니다:

• 지시된 테스트 생성
• 근본 원인 분석 및 디버깅
• 아키텍처 어시스턴트

일부 FDE는 며칠 전에 OpenAI에 합류했고 반도체에서 일한 적이 없었습니다. 그들은 고객의 검증 팀에 파견되어 여가 시간에 칩 설계를 공부하고, 고객의 엔지니어와 함께 AI가 유용한 테스트를 생성하고 칩 오류를 올바르게 진단할 수 있는지 테스트하기 위한 평가를 구축했습니다. 그 학습과 함께 OpenAI는 개별 사용 사례에 대한 맞춤 하네스를 구축했습니다. 처음 3~6개월 동안 모두 프로덕션에 도달하고 초기 사용자 채택을 얻었습니다.

보고된 결과는 다음과 같습니다:

• AI 기반 지시 테스트 생성을 통해 약 48% 시간 절약
• 커널 최적화를 통한 중앙값 성능 22% 향상
• 몇 주간의 디버깅이 몇 시간으로 단축

결과가 재생되었을 때 고객의 최고 하드웨어 책임자는 "여기 오기 전에 칩 설계자로 일했습니까?"라고 물었습니다. 게시물의 결론: "우리 FDE는 첫날 업계를 알 필요는 없지만 배우는 것은 그들의 책임입니다."

도메인 전문성은 선택이 아닌 채용 요건으로 취급됩니다

게시물은 코딩 어시스턴트가 소프트웨어를 더 빠르게 구축할 수 있게 함에 따라 고객의 비즈니스를 이해하는 것이 더욱 중요해진다고 주장합니다. OpenAI는 일반주의자와 도메인 전문가의 혼합으로 FDE 팀을 구성하며, 건전한 판단을 내릴 수 있는 충분한 지식과 현상 유지에 대한 가정에 의문을 제기할 수 있는 충분한 호기심이 필요하다는 논리입니다.

예를 들어 생명 과학에서 FDE의 과학적 배경은 표적 검증 및 우선순위 지정, 유전자 발현 분석, 화학 합성 경로 재구성과 같은 전임상 약물 발견 작업을 하는 연구자들과 신뢰를 쌓는 데 도움이 됩니다. 이러한 전문성은 이러한 워크플로우가 어떻게 개선될 수 있는지에 대한 정보에 입각한 판단을 제공할 수 있게 합니다.

FDE가 Codex, 스킬, MCP로 성공을 반복 가능하게 만든 방법

반도체 워크플로우가 가치를 제공한 후에도 각각은 다른 팀으로 확장하기에는 너무 많은 맞춤 통합이 필요했습니다. 다음 과제는 결과를 유지하면서 소프트웨어를 더 쉽게 배포하고 유지 관리할 수 있게 만드는 것이었습니다.

그 시점에 Codex의 역량이 성장했습니다. 한 FDE는 Codex를 중심으로 애플리케이션을 재구축하는 것을 테스트한 다음 팀과 협력하여 사용 사례를 Codex를 핵심으로 하는 공통 하네스로 옮겼습니다. 맞춤 애플리케이션은 공통 Codex 프리미티브를 기반으로 한 플러그인과 스킬이 되었습니다. Codex는 또한 인터페이스가 되어 OpenAI가 개별 사용 사례를 위해 작성한 별도의 터미널 UI와 CLI를 폐기할 수 있게 했습니다.

팀은 각 프로젝트에서 맞춤 코드의 약 90%를 제거할 수 있었습니다. 게시물에 따르면 이는 워크플로우가 구축, 유지 관리, 확장되는 방식을 세 가지로 변경했습니다:

• Codex에 대한 중앙 집중식 개선으로 각 개별 사용 사례에 필요한 글루 코드의 양이 줄었습니다.
• 주요 기능은 스킬과 플러그인으로 번들되어 공유가 쉬워지고 고객의 AI CoE가 중앙에서 제어할 수 있게 되었습니다. 한 팀에서 다음 팀으로 확장하는 것은 새 커넥터나 MCP 서버를 교체하고, 새로운 평가를 구축하고(이를 위한 스킬도 팀에 있었습니다), 시작하는 것만큼 간단할 수 있습니다.
• 온보딩이 급격히 가속화되었습니다. 2026년 8월 예에서 초기 배포는 2개월이 걸렸지만 두 번째 팀으로 솔루션을 확장하는 데는 하루가 걸렸습니다.

게시물은 이면의 순서 원칙을 요약합니다: "LLM은 우리가 빠르게 구축할 수 있게 합니다. 그 속도를 사용하여 사용자에게 가치 있는 것을 전달하고, 실제로 무엇이 유지되는지 배우고, 작동하는 것을 확장하십시오."

OpenAI Presence는 고객 배포에서 성장했습니다

기업용 음성 및 채팅 에이전트를 위한 OpenAI의 제품인 OpenAI Presence는 실제 고객 배포에서 성장했습니다. 작업은 Swarm에서 시작되어 Agents API를 통해 발전했습니다. 오늘날 한 고객은 전화의 절반 이상을 AI로 처리합니다.

이러한 배포를 프로덕션에 적용하면서 OpenAI는 어떤 문제에 맞춤 솔루션이 필요한지, 어떤 구성 요소를 다른 팀이 사용할 수 있는지 배웠습니다. 이러한 구성 요소는 Presence에 통합되어 개발자가 기본 인프라를 재구축하지 않고도 규제된 워크플로우를 자동화할 수 있게 되었습니다.

사례 연구: Thrive Holdings의 Tax AI가 파일럿에서 7,000건의 신고를 처리했습니다

Thrive Holdings와 함께 OpenAI FDE와 연구원은 엔지니어 및 회계사와 협력하여 크레타의 회계 법인을 위한 Tax AI를 구축했습니다. 파일럿 기간 동안 Tax AI는 7,000건의 세금 신고를 처리하고 처리량을 약 50% 증가시켰습니다.

가장 어려운 과제 중 하나는 임대 부동산 신고를 자동화하는 것이었으며, 90% 정밀도와 재현율에 도달하려면 6주간의 엔지니어링 및 실무자 검토가 필요했습니다. 이 작업은 Tax AI를 다른 복잡한 세금 일정으로 확장하기 쉽게 만드는 재사용 가능한 패턴을 만들었습니다. 팀은 현재 동일한 접근 방식을 회계, 감사, IT 지원에 적용하고 있으며, 실무자 피드백과 실제 사용을 통해 개선되는 시스템을 구축하고 있습니다.

사례 연구: 음성 모델 지능 격차를 약 60%에서 90% 이상으로 좁히기

때로는 더 나은 제품이 FDE가 구축한 것을 단순화할 수 있고, 때로는 모델 자체가 아직 작업을 수행할 수 없습니다. 게시물은 OpenAI가 오늘날의 모델이 이미 가능하게 만든 것만 구축한다면 Research가 다음에 해결해야 할 지능 격차를 발견하지 못할 것이라고 주장합니다. 따라서 많은 중요한 협업은 고객, FDE, Research가 함께 해결하기로 약속한 한계에서 시작됩니다.

대형 통신 고객은 이미 OpenAI로 고객 서비스 플랫폼을 개발했으며 이를 음성으로 확장하려고 했습니다. 음성은 해당 고객의 고객 서비스 볼륨의 약 90%를 차지했으며, 이러한 사례는 채팅보다 처리 비용이 더 많이 들었고, 억양, 톤, 지연 시간/정확도를 프로덕션 수준으로 끌어올리는 새로운 기술적 과제를 가져왔습니다.

범위를 정하는 동안 모델은 프로덕션에서 작업을 수행할 수 있는지 평가하는 데 사용되는 주요 평가에서 약 60%를 기록했습니다. 이는 역량의 한계였습니다. 고객 서비스 시나리오에서 함수 호출과 지시 따르기가 개선되어야 했습니다. OpenAI는 이를 고객에게 설명하고 Research를 작업에 참여시켰습니다: FDE는 고객과 플랫폼을 구축하고 모델이 수행해야 할 작업을 정의했으며, Research는 역량 격차를 해소하는 데 집중했고, 연속적인 모델 스냅샷을 통해 팀이 고객 요구 사항에 대한 진행 상황을 테스트할 수 있었습니다.

6개월에 걸쳐 주요 평가에서 성능은 약 60%에서 80%로, 그 다음 90% 이상으로 상승하여 프로덕션에 필요한 수준에 도달했습니다. 게시물은 또한 Audio Big Bench 정확도가 5개의 모델 스냅샷에서 2024년 12월 65.6%에서 2026년 5월 92.29%로 상승했다고 언급합니다.

결과적으로 생성된 음성 모델은 이제 해당 고객의 배포, 다른 맞춤 고객 서비스 배포, Presence를 통한 관리형 배포를 지원합니다. 한 고객의 비즈니스에서 발생한 문제는 다른 많은 고객에게 도움이 될 수 있는 개선 사항을 식별하는 데 도움이 되었습니다.

FDE 모델이 AI 배포 방식에 시사하는 바

게시물은 어려운 배포에 대한 명확한 역할 분담을 제시합니다: 고객은 모델이 아직 해결할 수 없는 문제를 해결하기 위해 노력하고, FDE는 문제를 구성하고 플랫폼을 구축하며 처음부터 끝까지 협업을 이끌기에 충분히 가까이 있으며, Research는 기본 모델 역량을 개선합니다. 그 작업의 수익은 한 고객과 보낸 시간을 넘어 확장됩니다.

저자의 명시된 엔지니어링 편향은 단순성입니다: "LLM 개발의 대부분의 경우 Occam의 면도날이 적용됩니다. 가장 간단한 솔루션이 최선입니다." 최첨단 연구와 "과장으로 오염된" 업계로 정의된 회사에서 명시된 목표는 안정적으로 작동하고 현장에서 사람들이 의존할 수 있는 것을 구축하는 것입니다.

각 협업의 목표는 다음에 오는 것을 개선하는 것입니다: 배포하기 쉬운 제품, 더 어려운 작업을 처리할 수 있는 모델, 또는 다음 고객을 위한 맞춤 작업 감소. 그리고 게시물을 연 질문에 대한 답은 게시물의 마지막 줄입니다: Codex가 팀이 몇 달 동안 구축한 작업을 처리할 수 있을 때, "더 어려운 문제를 찾으십시오."