OpenAI向前部署工程负责人科林·贾维斯（Colin Jarvis）指出，大多数在企业人工智能领域受阻的公司，瓶颈并非在于等待更先进的模型。他表示，约80%的案例中，问题根源在于部署环节：许多企业尚不清楚如何有效推出、治理人工智能系统，或证明其可信度。
贾维斯领导着OpenAI的向前部署工程师团队（FDEs），该团队深入客户内部，协助将模型投入生产环境。他坦言，个人并未感受到在模型开发速度上进行激烈竞争的压力。
在剩余20%的案例中，客户反馈模型尚无法胜任特定工作。不过，这类能力差距正在缩小且趋于专业化，主要集中在半导体设计等高精尖领域，而非日常办公事务。
向前部署工程师的职责演变
贾维斯介绍，FDE团队最初主要由软件工程师组成，因为基于原始API构建应用意味着需从零编写代码。随着Codex等工具的应用，项目中定制化工作的比例已从约90%降至50%左右。这一变化促使招聘方向转向领域专家，包括前投资银行家、科学家及芯片验证工程师。
每次合作始于为期两天的实地访问。团队要求企业领导人暂时忽略人工智能概念，直指业务中最大的杠杆点，随后针对这些关键点展开工作。
以某半导体公司为例，工程师曾花费80%的时间处理夜间作业产生的错误。OpenAI为此构建了一套系统，能查找根本原因、提出补丁建议，并在工程师审核后自动应用。该系统从单一部门推广至整个企业，预计每年可节省4000万至5000万美元。
其他项目还包括为欧洲制造商开发智能代理，根据自然语言指令迭代汽车零部件设计；以及协助起草临床试验文件，但人类始终掌握最终控制权。
试点项目失败的常见误区
贾维斯指出了两个常见错误：一是企业选择用例仅因其看似适合人工智能，而非因其真正重要；二是企业在某个部门的单一用例取得成功后，仅停留在演示阶段，未能推广开来。
他强调，成功的企业以实际生产使用情况而非概念验证（PoC）来衡量成效。某半导体客户在约18个月后上线了约35个用例，通过建立中央团队扩大规模，并在每个业务部门安置小型工程师小组，实现了全面落地。
贾维斯特别指出，向前部署工程师的收入不与使用量挂钩，其考核标准是项目是否进入生产环境并推动真实指标提升。例如，当OpenAI的嵌入模型导致Klarna搜索服务响应过慢时，他建议该公司改用开源模型。“从OpenAI的角度来看，我们应当始终是临时的。”他说。
关于发展速度与安全的平衡
针对外界关于人工智能发展放缓的压力，贾维斯表示，OpenAI已展示其在安全框架达到极限时暂停开发的意愿。他透露，OpenAI曾在今年9月暂停过一次主要的强化学习训练。
OpenAI于8月18日发布文章，描述了在其最新模型上为期两周的强化学习训练暂停，并指出原计划的最大规模前沿运行仍处于搁置状态。此后，山姆·阿尔特曼表示，OpenAI将自主决定发展步伐，无需等待国会立法。
贾维斯认为，向前部署工程师有助于测试实验室环境中构建的安全框架，在复杂真实企业环境中是否依然有效。
目前，向客户办公室派遣工程师已成为行业趋势。亚马逊云科技（AWS）正投入10亿美元采用相同模式，微软也在7月启动了价值25亿美元的部署业务。