The Pulse
OpenAI dice che Codex dovrebbe rendere superflui i suoi ingegneri dedicati ai clienti
OpenAI afferma che i suoi ingegneri dedicati ai clienti lavorano con loro per portare i sistemi di IA in produzione e trasformano poi i progetti riusciti in strumenti riutilizzabili. Colin Jarvis, responsabile di Forward Deployed Engineerin
AI.info Team · Scritto con l’IA · verificato ·
OpenAI afferma che i suoi strumenti Codex dovrebbero, prima o poi, rendere superflui alcuni dei sistemi specifici per i clienti realizzati dai suoi ingegneri dedicati a loro. La prospettiva potrebbe sembrare una minaccia per il ruolo del team; Colin Jarvis, che lo guida, la presenta invece come una misura del successo. In un post pubblicato il 22 ottobre 2026, Jarvis descrive un ciclo in cui si lavora direttamente con i clienti, si adatta l’IA a compiti difficili in produzione e si trasforma ciò che funziona in software riutilizzabile.
«Se ci rendiamo superflui ogni due mesi, il nostro team FDE sta facendo il suo lavoro.»
Colin Jarvis, responsabile di Forward Deployed Engineering presso OpenAI
Dai problemi dei clienti ai sistemi riutilizzabili
Jarvis dice di aver fondato il team Forward Deployed Engineering, o FDE, di OpenAI all’inizio del 2025 per colmare quello che l’azienda chiama il «divario nella messa in produzione»: la distanza tra ciò che i modelli sembrano capaci di fare e ciò che le persone possono usare in modo affidabile sul lavoro. Gli ingegneri lavorano a fianco dei clienti per comprendere i vincoli operativi, creare soluzioni per problemi che i prodotti esistenti non riescono a gestire e condividere quanto appreso con i team Product e Research di OpenAI.
L’approccio segue due percorsi. Quando un modello è già in grado di svolgere il compito, FDE lavora per rendere la soluzione replicabile; quando non lo è, il team aiuta a definire ciò che manca e collabora con Research ai miglioramenti. Jarvis afferma che l’obiettivo è offrire al cliente successivo un punto di partenza migliore, anziché lasciarlo permanentemente dipendente da soluzioni ingegneristiche su misura.
Un progetto sui semiconduttori dà la misura dei risultati
Jarvis descrive un progetto avviato a metà del 2025 con un grande cliente del settore dei semiconduttori, di cui non fa il nome. Circa 15 FDE hanno lavorato su oltre 10 casi d’uso, tra cui la generazione di test, il debugging e un assistente per l’architettura. Secondo il post di OpenAI, nel settore la verifica può assorbire circa il 70% del lavoro richiesto da un progetto.
Gli ingegneri hanno creato strumenti di valutazione personalizzati insieme al personale addetto alla verifica del cliente e hanno portato le applicazioni in produzione nell’arco di tre-sei mesi. OpenAI riferisce un risparmio di tempo di circa il 48% grazie alla generazione di test mirati basata sull’IA, un miglioramento mediano delle prestazioni del 22% grazie all’ottimizzazione dei kernel e una riduzione del lavoro di debugging da settimane a ore. Jarvis dice che alcuni membri del team erano entrati in OpenAI solo pochi giorni prima e non avevano esperienza nel settore dei semiconduttori; hanno imparato a conoscerlo lavorando con gli ingegneri del cliente.
Codex riduce il codice personalizzato
Una volta dimostrato il valore di quei flussi di lavoro, il team ha affrontato un problema diverso: ognuno richiedeva troppe integrazioni personalizzate per poter essere diffuso facilmente. Jarvis racconta che un FDE ha ricostruito le applicazioni attorno a Codex, trasferendole su un’infrastruttura condivisa e sostituendo le interfacce terminale separate con plugin e skill basati su Codex.
Secondo OpenAI, questo cambiamento ha eliminato circa il 90% del codice personalizzato da ciascun progetto. In un esempio dell’agosto 2026, la prima messa in produzione ha richiesto due mesi, mentre portare la soluzione a un secondo team ha richiesto un giorno. Jarvis presenta questo passaggio come una prova concreta dello scopo del team: dimostrare che un flusso di lavoro funziona in condizioni impegnative, poi ridurre il lavoro necessario per metterlo nuovamente in produzione.
I limiti dei modelli diventano questioni di ricerca
Le difficoltà di una messa in produzione non si risolvono sempre con una migliore integrazione. Per un grande cliente del settore delle telecomunicazioni, di cui non viene fatto il nome, le interazioni vocali rappresentavano circa il 90% del volume del servizio clienti, ma il modello otteneva un punteggio di circa il 60% nelle valutazioni usate per stabilire se fosse pronto per la messa in produzione. Il lavoro comportava sfide legate, tra le altre cose, agli accenti, al tono, alla latenza e all’accuratezza.
FDE ha collaborato con il cliente per costruire la piattaforma e definire ciò che il modello doveva fare; Research ha lavorato sulle capacità sottostanti. Secondo OpenAI, nell’arco di sei mesi le prestazioni nelle valutazioni chiave sono salite da circa il 60% all’80%, poi oltre il 90%. Il resoconto esplicita il compromesso su cui si basa il team: i suoi ingegneri si occupano di lavori difficili per i clienti, talvolta una tantum, e cercano poi di trasformare quanto appreso in miglioramenti dei prodotti, modelli più capaci o meno lavoro personalizzato per chi viene dopo.