OpenAI explica o que faz a equipe de Forward Deployed Engineering (FDE)

A OpenAI descreve o FDE como uma equipe que trabalha ao lado de clientes corporativos nos problemas mais difíceis e devolve o aprendizado para Produto e Pesquisa. O autor diz que fundou a equipe no início de 2025 para fechar o deployment gap: a distância entre o que os modelos parecem capazes de fazer e o que as pessoas conseguem usar com confiabilidade. O texto separa dois caminhos. Onde o modelo já resolve, o time torna a solução repetível com Produto. Onde não resolve, define a lacuna com o cliente e a Pesquisa.

Os números do texto dão a medida. Num cliente de semicondutores, cerca de 15 FDEs atuaram em mais de 10 casos de uso, todos em produção em 3 a 6 meses, com cerca de 48% de tempo economizado na geração de testes dirigidos e 22% de melhoria mediana de desempenho em otimização de kernel. Ao migrar os casos para um harness comum com o Codex no centro, a equipe removeu cerca de 90% do código customizado de cada projeto. Em um caso de agosto de 2026, a implantação inicial levou dois meses e a extensão para um segundo time, um dia. Num cliente de telecomunicações, o desempenho nos evals-chave de voz subiu de cerca de 60% para 90%+ em seis meses, com a Pesquisa fechando as lacunas do modelo. A John Deere, por sua vez, usou as APIs da OpenAI para escalar suporte personalizado ao See & Spray.

A cobertura anterior tratava o FDE em termos gerais. Em 22 de maio de 2026, o CEVIU publicou "Engenheiro de Implantação Direta 101: O Papel Mais Quente em Tecnologia", e em 25 de fevereiro de 2026, "Você Quer Contratar um Engenheiro de Implantação Direta: Como Saber Se Precisa de Um e Como Acertar na Função". Em 3 de julho de 2026, o texto "Como o Cursor está escalando agentes de IA no ambiente corporativo" mostrou a visão de outra empresa. Agora a OpenAI traz a própria versão do papel, com casos e métricas concretas. Em 23 de fevereiro de 2026, o CEVIU também cobriu "Como a Equipe Codex da OpenAI Opera e Otimiza a Engenharia com IA", e o Codex reaparece aqui como base comum dos projetos dos FDEs.

Para quem opera IA em empresas, a leitura é que o gargalo costuma estar na integração, não no modelo. O padrão descrito (entrar em produção com código sob medida, aprender o que importa e depois trocar por primitivos do produto) sugere medir esforço de customização como métrica de maturidade. Os números vêm da própria OpenAI, então vale tratá-los como relato do fornecedor.