عندما صدر Codex، سألني أحدهم في الفريق: «ماذا سنفعل عندما يستطيع Codex ببساطة إنجاز حالات الاستخدام التي قضينا فيها الأشهر القليلة الماضية في بنائها من المحاولة الأولى؟»
هذا السؤال يمس جوهر ما تعنيه FDE في OpenAI. نعمل جنبًا إلى جنب مع العملاء لفهم أصعب مشكلاتهم وبناء حلول يمكنهم الاعتماد عليها. وما نتعلمه يساعد في تشكيل منتجاتنا ويمنح فريق البحث مشكلات ملموسة لحلها.
هذا تقدم. إذا جعلنا أنفسنا متقادمة كل بضعة أشهر، فإن فريق FDE يقوم بعمله على الوجه الأكمل.
أسّست الفريق في أوائل 2025 لسد ما نسميه «فجوة النشر»: المسافة بين ما تبدو النماذج قادرة عليه وما يمكن للناس استخدامها بموثوقية للقيام بعملهم.
لتحركت قدرات النماذج أسرع من الأنظمة والعمليات اللازمة للاستفادة منها. أحيانًا تكون القطعة المفقودة منتجًا. وأحيانًا يؤدي النموذج أداءً جيدًا في اختبار مرجعي لكنه لا يستطيع إنجاز المهمة مع متغيرات وقيود الحياة الواقعية.
نركز على أصعب مشكلات العملاء. حيث تستطيع نماذجنا إنجاز المهمة اليوم، نعمل مع فريق المنتج والعميل لجعل الحل قابلاً للتكرار، وحيث تقصر عن ذلك، نعمل مع العملاء والبحث لتحديد الفجوة وإجراء التحسينات. هدفنا أن يترك كل تعاقُد العميل التالي عند نقطة بداية أفضل—إذا رفعنا الحد الأدنى إلى درجة لا يحتاج فيها عملاؤنا إلى مهندسي FDE لحل هذا النوع من المشكلات في المرة القادمة، فقد أدّينا عملنا على أكمل وجه.
التحدي الذي واجه John Deere، وهي شركة زراعية عمرها 200 عام، هو كيفية توسيع نطاق تقديم المشورة المخصصة للمزارعين.
أحد الأمثلة هو See & Spray، تقنيته الدقيقة لمكافحة الأعشاب الضارة، التي تستخدم الكاميرات وتعلم الآلة لتحديد الأعشاب الضارة ورشها بدلاً من معالجة الحقول بأكملها، بما يقلل استخدام المواد الكيميائية بنسبة تصل إلى 70%.
لكن تحقيق هذه الفوائد يتوقف على معرفة المزارعين بكيفية تهيئة التقنية وتخطيط موسمهم وتعديل ممارساتهم مع تغير الظروف.
نشرت John Deere واجهات برمجة التطبيقات (APIs) من OpenAI للمساعدة في جعل هذا الدعم مخصصًا وقابلًا للتوسع.
يمكن للذكاء الاصطناعي الإجابة عن أسئلة المزارعين بلغة طبيعية، وتقديم إرشادات إعداد وتوصيات مخصصة، وتحديد متى قد لا تكون المعدات تحقق إمكاناتها الكاملة، ومساعدة المزارعين على فهم القيمة التي يحصلون عليها من التقنية.
الفرصة تمتد إلى ما هو أبعد من أي تفاعل منفرد: تقديم إرشادات ذات صلة على مدار رحلة العميل بأكملها، ومساعدة المزارعين على الاستفادة بشكل أفضل من معداتهم مع تحسين الكفاءة والاستدامة.
هذا هو نوع التحديات التي يعمل مهندسو FDE في OpenAI على حلها: مساعدة المؤسسات على الانتقال من قدرات الذكاء الاصطناعي إلى أنظمة توفر قيمة عملية في بيئات واقعية معقدة.
لكن المشكلات غالبًا ما تكون مفتوحة تمامًا، وقد لا توجد حقائق مرجعية راسخة، ولا يوجد دليل إرشادي جاهز. الجميع يريد بناء شيء لم يكن موجودًا من قبل. وعدد أقل من الناس يريد القيام بما يلزم للوصول إلى ذلك.
العثور على مهندسي FDE موهوبين مع رفع خط الأساس لما يُعد «جيدًا بما يكفي» تطلب تجريبًا وتطبيقًا مستمرين.
ابدأ من النتيجة
في بداية كل اجتماع لفريق FDE، أعرض شريحة تحتوي على قيمة جوهرية واحدة: «ابدأ من النتيجة، وافعل ما يلزم للنجاح، ثم اتبع بالتوسع».
يمكن أن يقطع عرض توضيحي مبهر شوطًا طويلاً قبل أن يسأل أحد عما إذا كان يعمل في العالم الحقيقي.
مهمتنا هي حل مشكلة العميل وفق معيار يمكننا الوقوف خلفه في بيئة الإنتاج.
في منتصف 2025، كان لدينا نحو 15 مهندس FDE يعملون مع عميل كبير في صناعة أشباه الموصلات على أكثر من 10 حالات استخدام. كان الطموح جعل عملية التحقق لديهم مدعومة بالذكاء الاصطناعي في جوهرها، بما يغطي:
توليد الاختبارات الموجهة
تحليل الأسباب الجذرية وتصحيح الأخطاء
مساعد معماري
يمكن أن يمثل التحقق نحو 70% من جهد المشروع في هذه الصناعة. كانت الفرصة هائلة، وكانت هناك أماكن كثيرة ممكنة للبدء.
كان بعض خبراء النشر الفني (FDEs) قد انضموا إلى OpenAI قبل أيام قليلة فقط ولم يعملوا قط في مجال أشباه الموصلات. اندمجوا مع فريق التحقق لدى العميل، ودرسوا تصميم الرقائق في أوقات فراغهم، وبنوا تقييمات مع المهندسين لاختبار ما إذا كان الذكاء الاصطناعي قادرًا على توليد اختبارات مفيدة وتشخيص أعطال الرقائق بشكل صحيح.
إلى جانب ذلك التعلم، بنينا أدوات تشغيل مخصصة لحالات الاستخدام الفردية. خلال أول 3-6 أشهر، وصلت جميعها إلى الإنتاج وحصلت على تبنٍّ مبكر من المستخدمين. وكانت المكافأة هي رؤية المقاييس:
~48% من الوقت الموفَّر من خلال توليد الاختبارات الموجهة بالذكاء الاصطناعي.
22% تحسن في الأداء في الوسيط من خلال تحسين النواة (kernel).
أسابيع من التنقيح مضغوطة إلى ساعات
عندما شغّلنا كل ذلك أمامهم، سأل رئيس قسم الأجهزة: «هل عملتم كمصممي شرائح قبل القدوم إلى هنا؟»
لا يُطلب من خبراء النشر الميدانيين لدينا معرفة القطاع من اليوم الأول، لكن من مسؤوليتهم أن يتعلموه.
ومع جعل مساعدي البرمجة تطوير البرمجيات أسرع، يصبح فهم أعمال العميل أكثر أهمية. نحن نبني فرقًا تجمع بين المعمّمين وخبراء المجال.
تحتاج إلى معرفة كافية لإصدار أحكام سليمة، وإلى فضول كافٍ لتمحيص الافتراضات المتعلقة بالوضع الراهن.
في علوم الحياة، على سبيل المثال، تساعد الخلفيات العلمية لخبراء النشر الميدانيين لدينا في كسب ثقة الباحثين العاملين في مهام اكتشاف الأدوية قبل السريرية مثل التحقق من الأهداف وترتيب أولوياتها، وتحليل التعبير الجيني، وإعادة بناء مسارات التخليق الكيميائي. تتيح لهم هذه الخبرة تقديم أحكام مستنيرة حول كيفية تحسين تلك المسارات العملية.
اجعل النجاح قابلًا للتكرار
لقد أثبتنا أن هذه المسارات العملية يمكن أن تحقق قيمة، لكن كل واحد منها كان لا يزال يتطلب قدرًا كبيرًا من التكامل المخصص ليمتد إلى فريق آخر. كان التحدي التالي هو الحفاظ على تلك النتائج مع جعل البرمجيات أسهل في النشر والصيانة.
بحلول ذلك الوقت، كانت Codex قد ازدادت في قدراتها. اختبر أحد خبراء النشر الميدانيين إعادة بناء تطبيقه حولها، ثم عمل مع الفريق على نقل حالات الاستخدام إلى إطار عمل مشترك تكون Codex في جوهره.
تحولت التطبيقات المخصصة إلى إضافات ومهارات مبنية على الأساسيات المشتركة لـ Codex. كما أصبحت Codex هي الواجهة، مما أتاح لنا التخلص من واجهات الأطراف الطرفية وأدوات سطر الأوامر (CLIs) المنفصلة التي كتبناها لحالات استخدام فردية.
تمكنا من إزالة نحو 90% من الشيفرة المخصصة من كل مشروع، وقد غيّر ذلك طريقة بنائنا وصيانتنا وتوسيعنا لهذه المسارات العملية:
كنا نستفيد من التحسينات المركزية على Codex، مما قلّل كمية شيفرة الربط المطلوبة لكل حالة استخدام فردية
تم تجميع الوظائف الأساسية كمهارات وإضافات، مما جعل مشاركتها بيننا أسهل ويسمح بالتحكم فيها مركزيًا من قبل مركز التميز في الذكاء الاصطناعي. وهذا يعني أن الامتداد من فريق إلى فريق آخر قد يكون بسيطًا كاستبدال موصلات/خوادم MCP جديدة، وبناء تقييمات جديدة (كانت لدينا أيضًا مهارة لذلك)، والانطلاق في العمل.
في مثال من أغسطس 2026، استغرق النشر الأولي شهرين. أمّا توسيع الحل إلى فريق ثانٍ فاستغرق يومًا واحدًا. وانضمت الفرق التالية بوتيرة أسرع كلما توسّعنا— وقد استمر هذا الأمر، إذ استغرقت حالة استخدام في أغسطس 2026 يوم 1 للفريق الثاني بعد أن استغرق النشر الأولي 2 شهر.
تلك إحدى صور جعل أنفسنا غير ضروريين. لقد رسّخ العمل الذي أنجزناه للوصول إلى الإنتاج ما هو مهم. وبتحسّن المنتج الأساسي، تمكنا من استبدال جزء كبير من تنفيذنا المخصص مع الحفاظ على القيمة التي كان يقدمها.
لهذا السبب يهم الترتيب. تتيح لنا نماذج اللغة الكبيرة البناء بسرعة. استخدم تلك السرعة لوضع شيء ذي قيمة في أيدي المستخدمين، وتعلّم ما يصمد في الواقع، ثم وسّع ما ينجح.
ينطبق المبدأ نفسه على جميع الأعمال التوافقية.
OpenAI Presence، منتجنا لوكلاء الصوت والدردشة للشركات، نشأ من عمليات نشر حقيقية لدى العملاء. بدأ العمل مع Swarm(يفتح في نافذة جديدة) وتطوّر عبر Agents APIواليوم يتعامل أحد العملاء مع أكثر من نصف مكالماته بواسطة الذكاء الاصطناعي.
علّمنا إدخال تلك الأنظمة إلى الإنتاج أي المشكلات تحتاج إلى حل مخصص وأي كتل بناء يمكن للفرق الأخرى استخدامها. أدخلنا تلك الكتل البنائية إلى Presence، مما يسهّل على المطورين أتمتة المسارات العملية الخاضعة للتنظيم دون إعادة بناء البنية التحتية الأساسية. وساعد كل عملية نشر في تشكيل المنتج ومنح العميل التالي نقطة بداية أفضل.
مع Thrive Holdings، عمل خبراء النشر الميدانيون والباحثون في OpenAI جنبًا إلى جنب مع المهندسين والمحاسبين لبناء Tax AI لشركات المحاسبة التابعة لـ Crete. خلال مرحلته التجريبية، عالج Tax AI عدد 7,000 من الإقرارات الضريبية وزاد الإنتاجية بنحو 50%.
كانت واحدة من أصعب التحديات هي أتمتة إقرارات العقارات المؤجرة، والتي تطلقت ستة أسابيع من العمل الهندسي ومراجعة الممارسين للوصول إلى دقة واسترجاع بنسبة 90%. وأدى هذا العمل إلى إنشاء أنماط قابلة لإعادة الاستخدام سهّلت توسيع Tax AI إلى جداول ضريبية معقدة أخرى.
تطبّق الفرق الآن النهج نفسه على مسك الدفاتر والتدقيق ودعم تكنولوجيا المعلومات—مبنيين أنظمة تتحسن من خلال ملاحظات الممارسين والاستخدام في الواقع الواقعي.
اسدّ فجوات الذكاء فور ظهورها
أحيانًا يتيح لنا منتجٌ أفضل تبسيط ما بنيناه، لكن أحيانًا لا يكون النموذج نفسه قادرًا بعد على إنجاز المهمة.
إذا بنينا فقط ما تجعل نماذج اليوم ممكنًا بالفعل، فلن نكشف عن فجوات الذكاء التي يحتاج فريق Research إلى سدّها بعد ذلك. لذلك تبدأ العديد من تعاملاتنا المهمة عند تلك الحدود، مع التزام العميل وFDE وResearch بالعمل على تجاوزها معًا.
لقد كنّا قد طورّنا بالفعل منصة لخدمة العملاء مع عميل كبير في قطاع الاتصالات، وأرادوا توسيعها لتشمل الصوت.
شكّل الصوت نحو 90% من حجم خدمة العملاء لديهم. كانت هذه الحالات أكثر تكلفة في الاحتواء من المحادثة النصية، وفرضت مجموعة من التحديات التقنية الجديدة في رفع جودة التعامل مع اللهجات والنبرة والزمن المؤجل/الدقة إلى مستوى الإنتاج. إن إنجاز ذلك بشكل صحيح سيُحدث فرقًا كبيرًا في أعمالهم.
أثناء مرحلة تحديد النطاق، حقق نموذجنا نحو 60% في التقييمات الأساسية التي استخدمناها لتقييم ما إذا كان قادرًا على أداء العمل في بيئة الإنتاج. لقد وصلنا إلى حدود قدراته. كان لا بد من تحسين استدعاء الدوال واتباع التعليمات في سيناريوهات خدمة العملاء.
شرحنا ذلك للعميل وأدرجنا فريق الأبحاث في العمل. عمل فريق FDE مع العميل على بناء المنصة وتحديد ما يجب أن يقوم به النموذج. وعمل فريق الأبحاث على سد فجوات القدرات، حيث مكّنتنا لقطات النموذج المتعاقبة من اختبار التقدم مقابل متطلبات العميل.
على مدى ستة أشهر، ارتفع الأداء في التقييمات الأساسية من نحو 60% إلى 80% ثم إلى أكثر من 90%، وصولًا إلى المستويات اللازمة للإنتاج.
نموذج الصوت الناتج يدعم الآن نشر ذلك العميل، ونشرات خدمة العملاء المخصصة الأخرى، والنشرات المُدارة من خلال Presence. سؤال واجهه في عمل أحد العملاء ساعد في تحديد تحسينات يمكن أن تخدم الكثيرين غيرهم.
كل جزء كان مهمًا. التزم العميل بالعمل على مشكلة لم يكن النموذج قادرًا على حلها بعد. بقي فريق FDE قريبًا بما يكفي لصياغة تلك المشكلة وبناء المنصة وقيادة المشاركة من البداية إلى النهاية. وحسّن فريق الأبحاث قدرات النموذج الأساسية.
هذا هو النسخة الأخرى من جعل أنفسنا زائدين عن الحاجة: المساعدة في تحويل مشكلة لا تستطيع نماذج اليوم حلها إلى قدرة تستطيع نماذج المستقبل تقديمها. فالعائد على عملنا يتجاوز الساعات التي نقضيها مع أي عميل واحد.
اذهبوا وابحثوا عن المشكلة الأصعب
انضممت إلى OpenAI للمساعدة في جعل الذكاء الاصطناعي مفيدًا في العمل اليومي للناس. ولا يزال ذلك يوجّه الفريق. كثيرًا ما أقول للفريق إنه في معظم الحالات في تطوير نماذج LLM تنطبق شفرة أوكام—الحل الأبسط هو الأفضل. في شركة تُعرَّف بأبحاثها الرائدة وفي صناعة متأثرة بالمبالغات، نريد بناء أشياء تعمل بشكل موثوق يمكن للعاملين في المجال الاعتماد عليها.
الهدف هو أن تحسّن كل مشاركة ما يأتي بعدها: منتج أسهل في النشر، أو نموذج قادر على التعامل مع مهمة أصعب، أو عمل مخصص أقل للعميل التالي.
إذا كانت لديك مشكلة صعبة تريد حلها، يسعدنا العمل معك. وإذا كنت ترغب في المساعدة في حل تلك المشكلات، يسعدنا أن تنضم إلينا.
إذن، ماذا نفعل عندما يستطيع Codex التعامل مع العمل الذي أمضينا أشهرًا في بنائه؟
اذهبوا وابحثوا عن المشكلة الأصعب.