What FDE means at OpenAI

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

OpenAI의 FDE는 고객 현장에서 AI의 ‘배포 격차’를 좁히고, 검증된 해법을 제품과 재사용 가능한 구성요소로 전환하며, 모델의 한계를 Research와 함께 개선하는 조직이다.

📌 핵심 요약

• 2025년 초 설립된 OpenAI FDE 팀은 모델이 할 수 있어 보이는 일과 사람들이 업무에서 안정적으로 활용할 수 있는 일 사이의 ‘배포 격차’를 줄인다. 현재 모델로 해결 가능한 문제는 Product·고객과 반복 가능한 해법으로 만들고, 역량이 부족한 문제는 고객·Research와 함께 개선한다.
• John Deere는 농민에게 개인화된 지원을 확장하기 위해 OpenAI의 APIs를 도입했다. 잡초를 식별해 선택적으로 살포하는 See & Spray는 화학약품 사용량을 최대 70% 줄일 수 있지만, 이러한 이점을 실현하려면 장비 설정·영농 계획·조건 변화에 따른 조정을 지원해야 한다.
• 2025년 중반 약 15명의 FDE가 대형 반도체 고객의 10개 이상 활용 사례를 추진했고, 첫 3~6개월 동안 모두 프로덕션에 도달해 초기 사용자 채택을 얻었다. 성과로 AI 기반 지향성 테스트 생성의 약 48% 시간 절감, 커널 최적화의 성능 개선 중앙값 22%, 수주 걸리던 디버깅의 수시간 단축이 제시됐다.
• Codex 중심의 공통 실행 기반과 skills·plugins로 전환하면서 프로젝트별 맞춤 코드의 약 90%를 제거했다. 2026년 8월 사례에서는 최초 배포에 두 달이 걸렸지만 두 번째 팀으로 확장하는 데는 하루가 걸렸다. OpenAI Presence 역시 실제 고객 배포에서 얻은 구성요소를 제품화했으며, 한 고객은 현재 통화의 절반 이상을 AI로 처리한다.
• Thrive Holdings와 진행한 Tax AI 파일럿은 세금 신고서 7,000건을 처리하고 처리량을 약 50% 높였으며, 임대 부동산 신고 자동화는 6주간의 엔지니어링과 실무자 검토를 거쳐 정밀도·재현율 90%에 도달했다. 별도의 대형 통신 고객 사례에서는 고객 서비스 물량의 약 90%를 차지하는 음성 업무를 다루며 Research와 협력했고, 핵심 평가 성능은 6개월 동안 약 60%에서 80%로 상승했다.

🧩 주요 포인트

1. 성과를 먼저 만들고 반복 가능성을 확보하는 순서: 반도체 고객의 실제 업무 성과를 검증한 뒤 Codex로 구현을 단순화한 사례는 현장 학습이 유지보수와 확장의 출발점이 된다는 관점을 보여준다.
2. 개별 배포에서 공통 제품으로 이어지는 환류: Codex의 skills·plugins와 OpenAI Presence는 고객별 구축 경험을 다음 고객의 출발점을 높이는 구성요소로 전환하며, FDE의 반복 투입 필요성을 줄이는 방향을 지향한다.
3. 제품 개선과 모델 역량 개선의 구분: 재사용으로 해결할 수 있는 배포 격차와 Research가 다뤄야 할 모델 한계를 나눠 접근하되, Tax AI의 정밀도·재현율과 통신 고객의 핵심 평가처럼 실제 업무 기준으로 진전을 확인한다.

🧠 상세 정리

1. FDE의 목적과 배포 격차

글은 Codex가 출시되자 팀원이 지난 몇 달간 구축한 활용 사례를 Codex가 한 번에 해결하면 무엇을 해야 하느냐고 물었던 장면에서 시작한다. 필자는 2025년 초 FDE 팀을 설립한 이유를 모델이 할 수 있어 보이는 일과 사람들이 업무에서 안정적으로 사용할 수 있는 일 사이의 ‘배포 격차’를 줄이기 위해서라고 설명한다. 모델 역량이 활용에 필요한 시스템과 프로세스보다 빠르게 발전했기 때문에, 부족한 부분은 제품일 수도 있고 현실의 변수와 제약을 감당하지 못하는 모델 자체일 수도 있다. FDE는 고객의 어려운 문제를 함께 해결하면서 현재 가능한 일은 Product와 반복 가능한 해법으로 만들고, 불가능한 일은 Research와 개선할 과제로 구체화한다. 각각의 고객 프로젝트가 다음 고객에게 더 나은 출발점을 제공해 같은 종류의 문제에 FDE가 다시 필요하지 않게 된다면, 팀이 제 역할을 한 것이라는 관점이다.

2. John Deere: 기술의 효과를 실제 농업 성과로 연결

약 200년 역사의 농업 기업 John Deere가 직면한 과제는 농민별로 다른 조언과 지원을 대규모로 제공하는 일이었다. 정밀 잡초 방제 기술인 See & Spray는 카메라와 머신러닝으로 잡초를 식별해 밭 전체 대신 필요한 곳에만 살포하며, 화학약품 사용량을 최대 70% 줄일 수 있다. 다만 이 효과를 실현하려면 농민이 기술을 적절히 설정하고 영농 시기를 계획하며 조건 변화에 맞춰 작업 방식을 조정할 수 있어야 한다. John Deere는 OpenAI의 APIs를 도입해 자연어 질문 응답, 맞춤 설정 안내와 권고, 장비 성능이 충분히 발휘되지 않는 상황의 식별, 기술이 제공하는 가치에 대한 설명을 지원했다. 글은 이를 개별 질의응답을 넘어 고객 여정 전반에서 적절한 안내를 제공하고, 장비 활용과 효율성·지속가능성을 높이는 기회로 설명한다.

3. 반도체 사례: 데모보다 프로덕션 성과를 우선

FDE 팀의 핵심 가치는 결과에서 출발하고, 성공에 필요한 일을 수행한 뒤, 규모를 확장하는 순서이며, 인상적인 데모보다 실제 운영에서 책임질 수 있는 해결책을 중시한다. 2025년 중반 약 15명의 FDE는 대형 반도체 고객과 지향성 테스트 생성, 근본 원인 분석과 디버깅, 아키텍처 어시스턴트 등을 포함한 10개 이상의 활용 사례를 추진했다. 반도체 업계에서는 검증이 프로젝트 노력의 약 70%를 차지할 수 있어 개선 기회가 컸지만, 일부 FDE는 입사한 지 며칠밖에 되지 않았고 반도체 경험도 없었다. 이들은 고객 검증팀에 합류해 칩 설계를 공부하고, 유용한 테스트 생성과 칩 고장 진단의 정확성을 확인할 평가를 엔지니어들과 함께 만들었으며, 활용 사례별 맞춤 실행 기반도 구축했다. 첫 3~6개월 동안 모든 활용 사례가 프로덕션에 도달해 초기 사용자 채택을 얻었고, AI 기반 지향성 테스트 생성에서 약 48%의 시간 절감, 커널 최적화에서 성능 개선 중앙값 22%, 수주 걸리던 디버깅을 수시간으로 줄이는 성과가 제시됐다.

4. 도메인 학습과 전문성이 필요한 이유

반도체 고객의 최고하드웨어책임자가 FDE들에게 이전에 칩 설계자로 일했는지 물었다는 일화는, 현장에 필요한 지식을 학습하는 일이 FDE의 책임이라는 설명으로 이어진다. 처음부터 해당 산업을 알아야 하는 것은 아니지만, 코딩 어시스턴트가 소프트웨어 제작 속도를 높일수록 고객의 사업을 이해하는 능력은 더 중요해진다는 주장이다. OpenAI는 이를 위해 제너럴리스트와 도메인 전문가를 섞어 팀을 구성하며, 타당한 판단을 내릴 지식과 기존 방식의 가정을 질문할 호기심을 함께 강조한다. 생명과학에서는 FDE의 과학적 배경이 표적 검증과 우선순위 설정, 유전자 발현 분석, 화학 합성 경로 재구성 같은 전임상 신약 개발 업무를 수행하는 연구자들과 신뢰를 쌓는 데 도움이 된다. 이러한 전문성은 고객의 요구를 이해하는 데 그치지 않고, 해당 작업 흐름을 어떻게 개선할 수 있을지 근거 있는 판단을 제시하게 한다.

5. Codex 전환으로 성공을 반복 가능하게 만들기

초기 작업 흐름은 가치를 입증했지만 다른 팀으로 확장하려면 여전히 맞춤 통합이 많이 필요했으므로, 다음 과제는 성과를 유지하면서 배포와 유지보수를 쉽게 만드는 것이었다. Codex의 역량이 높아지자 한 FDE가 애플리케이션을 Codex 중심으로 다시 구축하는 실험을 했고, 이후 팀은 활용 사례들을 공통 실행 기반으로 옮겼다. 맞춤 애플리케이션은 공통 Codex 구성요소 위의 plugins와 skills가 됐으며, Codex가 인터페이스 역할까지 맡으면서 개별적으로 만들었던 터미널 UI와 CLI도 폐기할 수 있었다. 프로젝트별 맞춤 코드의 약 90%를 제거한 결과 Codex의 중앙 개선을 함께 활용하고, 주요 기능을 AI CoE가 중앙에서 관리하며, 팀 간에 공유하기 쉬워졌다. 다른 팀으로 확장할 때는 커넥터나 MCP 서버를 바꾸고 새로운 평가를 구축하는 방식이 가능해졌으며, 2026년 8월의 한 사례에서는 최초 배포에 두 달이 걸린 반면 두 번째 팀 도입에는 하루가 걸렸다. 필자는 이를 먼저 실제 사용자에게 가치를 제공해 무엇이 유효한지 배운 다음, 개선된 제품으로 맞춤 구현을 대체하면서 검증된 가치를 확장하는 사례로 제시한다.

6. OpenAI Presence: 고객 배포 경험의 제품화

기업용 음성·채팅 에이전트 제품인 OpenAI Presence도 실제 고객 배포에서 출발했다. 작업은 Swarm에서 시작해 Agents API를 거쳐 발전했으며, 현재 한 고객은 통화의 절반 이상을 AI로 처리한다. FDE는 시스템을 프로덕션에 올리는 과정에서 고객별 맞춤 해결책이 필요한 문제와 다른 팀에서도 활용할 수 있는 공통 구성요소를 구분할 수 있었다. 이렇게 얻은 구성요소를 Presence에 포함함으로써 개발자가 기반 인프라를 다시 구축하지 않고도 규제 대상 업무 흐름을 더 쉽게 자동화할 수 있게 했다는 설명이다. 이 사례는 각 배포가 개별 고객의 문제를 해결하는 동시에 제품의 형태를 바꾸고, 다음 고객이 더 나은 출발점에서 구축을 시작하도록 한다는 FDE의 운영 원칙을 보여준다.

7. Tax AI: 실무 검증을 재사용 가능한 패턴으로 전환

Thrive Holdings와의 프로젝트에서는 OpenAI FDE와 연구자들이 엔지니어·회계사들과 함께 Crete 산하 회계법인을 위한 Tax AI를 구축했다. 파일럿 기간에 Tax AI는 세금 신고서 7,000건을 처리했으며 처리량을 약 50% 높였다. 가장 어려운 과제 중 하나였던 임대 부동산 신고 자동화는 정밀도와 재현율 90%에 도달하기까지 6주간의 엔지니어링과 실무자 검토가 필요했다. 이 과정에서 만들어진 재사용 가능한 패턴은 Tax AI를 다른 복잡한 세무 부속 서식으로 확장하기 쉽게 했으며, 개별 난제를 해결한 경험이 다음 적용의 기반이 됐다는 점에서 앞선 제품화 사례들과 연결된다. 팀들은 현재 같은 접근법을 장부 기장, 감사, IT 지원에도 적용하면서 실무자의 피드백과 실제 사용을 통해 개선되는 시스템을 구축하고 있다.

8. 통신 고객: Research와 함께 모델 역량의 한계 개선

글은 더 나은 제품으로 구현을 단순화할 수 있는 경우와 모델 자체가 아직 업무를 수행하지 못하는 경우를 구분하며, 현재 모델이 할 수 있는 일만 구축하면 Research가 다음에 해결해야 할 역량 격차를 발견할 수 없다고 주장한다. 이미 고객 서비스 플랫폼을 함께 개발했던 대형 통신 고객은 이를 음성으로 확장하려 했는데, 음성은 고객 서비스 물량의 약 90%를 차지했고 채팅보다 AI가 상담을 자체 처리하는 데 드는 비용이 높았으며 억양·어조·지연시간·정확도를 프로덕션 수준으로 맞추는 과제도 있었다. 초기 범위 설정 당시 모델은 실제 업무 수행 가능성을 판단하는 핵심 평가에서 약 60%를 기록했고, 고객 서비스 상황의 함수 호출과 지시 이행 능력이 더 필요했다. FDE는 고객에게 한계를 설명하고 Research를 참여시킨 뒤, 고객과 플랫폼 및 모델 요구사항을 구체화했고 Research는 모델 역량을 개선하면서 연속적인 모델 스냅샷으로 진전을 시험했다. 6개월 동안 핵심 평가 성능은 약 60%에서 80%로 상승했으며, 제공된 원문은 이 수치에서 끝나므로 최종 프로덕션 도입이나 남은 격차의 해소 여부는 확인되지 않는다.

🧾 핵심 주장 / 시사점

• FDE의 성공 기준은 맞춤 구현을 계속 유지하는 데 있지 않고, 현장에서 검증한 가치가 제품과 모델에 흡수돼 같은 문제에 대한 FDE의 필요성이 줄어드는 데 있다.
• Codex 전환 사례는 초기 맞춤 구축과 이후 표준화가 순차적으로 연결됨을 보여준다. 먼저 실제 업무에서 유효한 해법을 알아낸 경험이 있어야 구현을 줄이면서도 성과를 유지할 수 있다는 논리다.
• 통신 고객의 평가 성능 상승은 Research와 현장 배포의 협력이 모델 개선으로 이어질 수 있음을 보여주지만, 약 80%라는 결과만으로 최종 운영 적합성이나 문제의 완전한 해결을 단정할 수는 없다.

✅ 액션 아이템

• Codex 전환 사례를 바탕으로 검증된 업무 성과를 유지하면서 맞춤 구현을 skills·plugins로 재사용할 가능성 검토.
• Tax AI의 처리량 약 50% 증가와 정밀도·재현율 90%를 구분해 업무 성과와 정확도 수준 검토.
• 통신 고객의 핵심 평가가 약 60%에서 80%로 상승한 결과를 바탕으로 남은 모델 역량 격차 확인.

❓ 열린 질문

• Codex 전환에서 맞춤 코드 약 90% 제거와 두 번째 팀의 하루 도입을 가능하게 한 조건은 다른 고객에게도 적용될 수 있는가?
• Tax AI의 처리량 약 50% 증가와 임대 부동산 신고의 정밀도·재현율 90%는 적용 범위를 넓혀도 유지될 수 있는가?
• 통신 고객의 핵심 평가 성능 80%는 실제 음성 고객 서비스에 필요한 수준을 충족하는가?