OpenAI mobilise ses FDE pour combler le fossé du déploiement

OpenAI structure son équipe d’ingénierie déployée, appelée FDE, autour des problèmes les plus difficiles rencontrés par ses clients. Colin Jarvis, responsable de cette équipe, l’a fondée au début de 2025. L’objectif consiste à réduire le « deployment gap », soit l’écart entre les capacités apparentes des modèles et leur utilisation fiable au travail. Les FDE travaillent avec les clients, les équipes produit et la recherche. Ils rendent les solutions reproductibles lorsque les modèles peuvent déjà accomplir la tâche. Ils identifient aussi les limites qui nécessitent une amélioration du modèle. OpenAI explique cette démarche dans son article consacré aux FDE, publié le 22 octobre 2026.

Le principe affiché consiste à commencer par le résultat, à faire le nécessaire pour réussir, puis à standardiser. OpenAI veut que chaque mission améliore le point de départ du client suivant. Cette logique peut conduire l’équipe FDE à supprimer son propre travail après quelques mois. Selon Colin Jarvis, cette obsolescence volontaire indique que l’équipe a réussi. Les modèles progressent plus vite que les systèmes et les processus nécessaires à leur adoption. Un produit peut donc manquer, même lorsque le modèle semble performant sur un benchmark. Les FDE testent alors les usages avec des contraintes réelles, des évaluations adaptées et des exigences de production.

Les FDE industrialisent des usages

John Deere illustre cette méthode dans l’agriculture. Son système See & Spray utilise des caméras et l’apprentissage automatique pour identifier les mauvaises herbes. Cette technologie peut réduire l’usage de produits chimiques jusqu’à 70 %. L’entreprise a déployé les API d’OpenAI pour personnaliser l’accompagnement des agriculteurs. Le système peut répondre aux questions, guider la configuration et formuler des recommandations adaptées. Il peut aussi repérer une utilisation insuffisante des équipements et expliquer la valeur obtenue. Dans l’industrie des semi-conducteurs, environ 15 FDE travaillaient avec un grand client sur plus de 10 usages à la mi-2025. Ces usages couvraient la génération de tests, le diagnostic et l’architecture.

Les résultats industriels ont guidé la standardisation des solutions. La vérification représentait environ 70 % de l’effort d’un projet dans cette industrie. Après trois à six mois, les usages concernés sont entrés en production et ont enregistré leurs premières utilisations. La génération de tests dirigés par IA a permis environ 48 % de temps gagné. L’optimisation de noyaux a produit une amélioration médiane de performance de 22 %. OpenAI a ensuite reconstruit ces applications autour de Codex. Les applications spécifiques sont devenues des modules et des compétences fondés sur des composants communs. Cette évolution a supprimé environ 90 % du code personnalisé de chaque projet.

Codex réduit le coût d’extension

Le déploiement s’accélère lorsque les composants deviennent réutilisables. En août 2026, une première mise en production a demandé deux mois. L’extension à une deuxième équipe a demandé une journée. Les équipes suivantes ont ensuite été intégrées plus rapidement. OpenAI décrit aussi la progression de Presence, son produit destiné aux agents vocaux et conversationnels en entreprise. Ce produit provient de déploiements clients commencés avec Swarm, puis poursuivis avec l’Agents API. Un client traite désormais plus de la moitié de ses appels avec l’IA. Les déploiements ont permis d’identifier les composants nécessaires à l’automatisation de processus réglementés.

Thrive Holdings a appliqué une démarche comparable avec Tax AI, développé avec des ingénieurs et des comptables pour les cabinets Crete. Pendant son pilote, l’outil a traité 7 000 déclarations fiscales et augmenté le débit d’environ 50 %. L’automatisation des déclarations de biens locatifs a nécessité six semaines d’ingénierie et de revue par des praticiens. Elle a atteint 90 % de précision et de rappel. Les équipes appliquent maintenant cette approche à la tenue comptable, à l’audit et au support informatique. Dans un autre projet, une entreprise de télécommunications voulait étendre son service client à la voix. La voix représentait environ 90 % du volume de service client.

La recherche intervient lorsque le modèle ne suffit pas encore. Pour le projet vocal, les évaluations initiales atteignaient environ 60 % sur les critères de production. Les difficultés concernaient notamment l’appel de fonctions et le respect des instructions. Les FDE ont défini la plateforme et les exigences avec le client. Les équipes de recherche ont ensuite amélioré les capacités du modèle. En six mois, les évaluations sont passées d’environ 60 % à 80 %, puis à plus de 90 %. Le modèle vocal obtenu sert désormais ce client, d’autres déploiements de service client et les déploiements gérés via Presence. OpenAI présente cette boucle comme une manière de transformer une limite actuelle en capacité réutilisable.