오픈AI, FDE 팀 운영 원칙 공개

오픈AI가 고객사 현장에 엔지니어를 직접 들여보내는 현장 배치 엔지니어링(FDE) 팀의 운영 원칙과 고객 사례를 10월 22일 공개했다. 글을 쓴 콜린 자비스(Colin Jarvis) 오픈AI FDE 총괄은 2025년 초 이 팀을 만들었다고 밝혔다. 그가 내건 목표는 모델이 할 수 있어 보이는 일과 사람들이 실제 업무에 믿고 쓸 수 있는 일 사이의 거리, 이른바 배포 격차를 메우는 것이다. 공개된 사례에는 반도체 검증 테스트 생성 시간 약 48% 단축, 세금 신고 처리량 약 50% 증가, 음성 상담 모델의 핵심 평가 점수 약 60%에서 90% 이상으로 상승 같은 수치가 담겼다.

글은 팀 안에서 나온 질문 하나로 시작한다. 코덱스가 나왔을 때 한 팀원이 자비스에게 "몇 달 동안 만든 사용 사례를 코덱스가 한 번에 해내면 우리는 무엇을 하느냐"고 물었다. 자비스는 "몇 달마다 우리 스스로를 쓸모없게 만든다면 FDE 팀은 제 일을 하고 있는 것"이라고 답했다. 그는 FDE 팀 회의를 열 때마다 첫 슬라이드에 "결과에서 시작하고, 성공에 필요한 일을 다 한 뒤, 규모로 이어 간다"는 핵심 가치를 띄운다고 적었다. 이 문장이 팀의 운영 원칙이다.

첫 사례는 이름을 밝히지 않은 대형 반도체 고객사다. 2025년 중반 FDE 약 15명이 이 회사의 10개 넘는 사용 사례에 붙어 칩 검증 과정을 AI 중심으로 바꿨다. 지시형 테스트 생성, 근본 원인 분석과 디버깅, 아키텍처 보조 도구가 대상이었다. 자비스에 따르면 이 업계에서 검증은 프로젝트 공수의 약 70%를 차지한다. 입사한 지 며칠 안 된 FDE도 있었고 반도체를 다뤄 본 적 없는 사람도 있었다. 이들은 고객사 검증팀에 들어가 남는 시간에 칩 설계를 공부했고, 엔지니어들과 함께 AI가 쓸모 있는 테스트를 만들고 칩 고장을 제대로 진단하는지 재는 평가를 짰다.

첫 3~6개월 안에 모든 사용 사례가 실제 운영 단계에 들어갔다. AI 기반 지시형 테스트 생성으로 시간이 약 48% 줄었고, 커널 최적화로 성능이 중앙값 기준 22% 올랐다. 몇 주 걸리던 디버깅은 몇 시간으로 줄었다. 자비스는 결과를 보고받은 고객사 최고하드웨어책임자가 "여기 오기 전에 칩 설계자로 일했느냐"고 물었다고 전했다.

다음 과제는 같은 성과를 다른 팀에서 되풀이하는 일이었다. 사용 사례마다 맞춤 통합이 많아 옆 팀으로 넓히기 어려웠다. 그사이 코덱스의 능력이 커졌고, 한 FDE가 애플리케이션을 코덱스 중심으로 다시 짜 봤다. 맞춤 애플리케이션은 코덱스 기본 요소 위의 플러그인과 스킬이 됐고, 사용 사례마다 따로 만든 터미널 UI와 CLI는 코덱스 인터페이스로 바뀌었다. 프로젝트마다 맞춤 코드의 약 90%를 걷어 냈다. 새 팀으로 넓힐 때는 커넥터와 MCP 서버를 갈아 끼우고 평가를 새로 만들면 됐다. 2026년 8월 한 사례에서 첫 배포에는 두 달이 걸렸지만 두 번째 팀으로 넓히는 데는 하루가 걸렸다.

다른 고객사도 같은 순서를 밟았다. 200년 된 농업 기업 존 디어는 카메라와 머신러닝으로 잡초만 골라 약제를 뿌려 사용량을 최대 70% 줄이는 See & Spray 기술의 설정과 활용 안내를 오픈AI API로 농부마다 맞춤형으로 제공한다. 기업용 음성·채팅 에이전트 제품 OpenAI Presence는 실제 고객 배포에서 자랐다. Swarm에서 시작해 에이전트 API를 거쳤고, 지금은 한 고객사가 걸려 오는 전화의 절반 넘게를 AI로 처리한다. 스라이브 홀딩스와는 FDE와 연구원들이 엔지니어, 회계사와 함께 크리트(Crete)의 회계법인용 Tax AI를 만들었다. 시범 운영에서 Tax AI는 세금 신고서 7000건을 처리했고 처리량을 약 50% 늘렸다. 임대 부동산 신고 자동화는 정밀도와 재현율 90%에 이르기까지 6주 동안 엔지니어링과 실무자 검토를 거쳤다.

모델이 아직 못 하는 일에서 출발한 사례도 있다. 이름을 밝히지 않은 대형 통신사 고객은 이미 만든 고객 상담 플랫폼을 음성으로 넓히려 했다. 음성은 이 회사 상담 물량의 약 90%를 차지했다. 범위를 잡는 단계에서 오픈AI 모델은 실제 운영 가능 여부를 가르는 핵심 평가에서 약 60%를 받았다. 고객 상담 상황의 함수 호출과 지시 이행이 모자랐다. FDE는 고객과 플랫폼을 만들며 모델이 해내야 할 일을 정의했고, 연구팀은 능력 격차를 메웠다. 6개월 동안 핵심 평가 점수는 약 60%에서 80%, 다시 90% 이상으로 올랐다. 그렇게 나온 음성 모델은 지금 그 고객사와 다른 맞춤 상담 배포, Presence의 관리형 배포를 함께 받친다.

메탈이 확인한 오픈AI 원문에는 반도체 고객사와 통신사 고객사의 이름이 나오지 않고, 48%와 22% 같은 수치를 어떤 기준으로 쟀는지도 적혀 있지 않다. 메탈은 9월 실리콘밸리에서 고객사 현장 배치 엔지니어 채용이 크게 늘었다고 보도한 바 있다. AI 엔지니어의 눈으로 보면 이 글에서 가장 무거운 숫자는 맞춤 코드 90% 삭제다. 사례마다 전문 에이전트 여럿과 맞춤 도구로 짠 구조가 코덱스 하나와 스킬, MCP로 접혔다는 것은 현장 엔지니어링이 남기는 자산이 코드가 아니라 평가와 업무 지식이라는 뜻이다. 자비스는 "대부분의 LLM 개발에는 오컴의 면도날이 통한다"며 "가장 단순한 해법이 최선"이라고 말했다. 모델이 나아질수록 FDE가 남기는 것은 두 갈래다. 다음 고객이 더 쉽게 출발하게 하는 재사용 부품, 그리고 연구팀이 다음에 메울 능력 격차의 목록이다. 자비스는 글을 "더 어려운 문제를 찾으러 가라"는 문장으로 맺었다.