OpenAI schickt Ingenieure in Unternehmen und baut aus deren Problemen Modelle. Der Sprachagent eines Telekomkonzerns stieg von 60 auf über 90 %

OpenAI hat beschrieben, wie sein Team für Forward Deployed Engineering arbeitet, also Ingenieure, die direkt beim Kunden sitzen. Das Geschäftsmodell ist eindeutig: Das Unternehmen bekommt ein funktionierendes System, und OpenAI nimmt die schwierigsten Probleme mit, aus denen es Produkte und bessere Modelle macht.

Ein Team, das sich alle paar Monate überflüssig machen soll

Der Text stammt von Colin Jarvis, der das Team leitet und Anfang 2025 gegründet hat. Bei der Prüfung blockierte die Seite openai.com automatisierte Zugriffe, die Fakten stammen daher aus zwei unabhängigen Übernahmen des Volltexts, die in den Zahlen übereinstimmen. Jarvis will die sogenannte Deployment Gap schließen: den Abstand zwischen dem, was ein Modell auf dem Papier kann, und dem, worauf sich Menschen bei der Arbeit verlassen können.

Die meisten Zahlen liefert der Fall eines großen Chipherstellers, den OpenAI nicht nennt. Mitte 2025 arbeiteten dort rund 15 Ingenieure an mehr als zehn Anwendungsfällen in der Chipverifikation. Laut Text beansprucht die Verifikation etwa 70 % des Aufwands eines Chipprojekts. Die Systeme gingen innerhalb von drei bis sechs Monaten in Produktion. OpenAI meldet rund 48 % Zeitersparnis bei der Testgenerierung, einen Leistungsgewinn von 22 % im Median bei der Kernel-Optimierung und Debugging, das von Wochen auf Stunden schrumpfte.

Als Codex ausgereift war, verlegte das Team die Anwendungsfälle auf eine gemeinsame Basis rund um Codex. Laut OpenAI fielen dadurch etwa 90 % des maßgeschneiderten Codes pro Projekt weg. In einem Beispiel aus dem August 2026 dauerte die erste Einführung zwei Monate, die Ausweitung auf ein zweites Team einen Tag. Jarvis fasst es so zusammen: Das Team macht seinen Job gut, wenn es sich alle paar Monate überflüssig macht.

Die Ingenieure lernen beim Kunden, und das Labor nimmt die Lektion mit

Am aufschlussreichsten ist der Fall eines großen Telekomkonzerns. Sprache machte rund 90 % seines Kundenservice aus. OpenAIs Modell kam bei den zentralen Tests anfangs auf etwa 60 %, zu wenig für den Produktivbetrieb. OpenAI sagte das dem Kunden offen und holte die eigene Forschung dazu. Binnen sechs Monaten stieg der Wert auf 80 % und dann auf über 90 %. Das daraus entstandene Sprachmodell bedient heute auch andere Kunden und das Produkt Presence.

Presence selbst, OpenAIs Produkt für Sprach- und Chatagenten, ist aus Kundeneinsätzen über das Projekt Swarm und die Agents API gewachsen. Laut OpenAI wickelt ein Kunde bereits mehr als die Hälfte seiner Anrufe mit KI ab. Mit Thrive Holdings entstand Tax AI für Steuerkanzleien, das im Pilotbetrieb 7000 Steuererklärungen bearbeitete und den Durchsatz um rund 50 % steigerte.

Das Modell erinnert an Palantir, das ein ganzes Unternehmen auf Ingenieuren aufgebaut hat, die bei Kunden sitzen. OpenAI geht einen Schritt weiter: Was die Ingenieure bei einem Kunden lernen, kann im Modell für alle landen. Wettbewerber, die nur eine API verkaufen, bekommen diesen Zustrom harter Probleme aus dem echten Betrieb nicht. Für CTOs und Einkäufer heißt das: Mit dem System kaufen sie eine Beziehung, in der der Anbieter ihre Abläufe besser kennenlernt als irgendwer sonst.

Die Zahlen über die Kunden schreibt der Anbieter selbst

Alle Angaben stammen von OpenAI. Chiphersteller und Telekomkonzern bleiben anonym, und der Text veröffentlicht weder Daten noch Bewertungskriterien, Fehlerquoten oder vollständige Kosten. Zudem hat OpenAI die Fälle selbst ausgewählt, gescheiterte Einführungen bleiben unsichtbar. Vorsicht bei der Grafik zum Benchmark Audio Big Bench, wo die Genauigkeit von 65,6 % auf 92,29 % stieg. Das ist eine andere Messung als der Kundentest des Telekomkonzerns, beide Zahlen sollte man nicht vermengen.

Der Text sagt auch nicht, wer ein solches Team bekommt und was es kostet. Für ein mittelgroßes europäisches Unternehmen ist realistischer Nutzen eher das, was aus diesen Projekten später in Codex oder Presence landet. Offen bleibt auch die Datenfrage. Tests und Erkenntnisse aus einem Kundenprojekt verbessern ein Modell, das OpenAI anschließend weiterverkauft, und die Vertragsbedingungen beschreibt der Text nicht.

Datenklauseln und die Erfahrung weiterer Kunden zeigen, wer den Wert einstreicht

Das erste Signal ist, ob namentlich genannte Kunden die Einsparungen selbst bestätigen, außerhalb des Anbieterblogs. Das zweite sind die Verträge: Wem gehören die Tests, die ein Unternehmen mit OpenAI-Ingenieuren baut, und dürfen sie zur Verbesserung der Modelle dienen?

Beobachten sollte man auch, wie schnell dieselben Muster in Standardprodukten ankommen. Wenn die Ausweitung auf ein weiteres Team wirklich einen Tag statt zwei Monate dauert, müssten das bald auch Kunden merken, die nie ein eigenes Team von OpenAI-Ingenieuren hatten.

Liliths Urteil

Ein Telekomkonzern hat ein halbes Jahr lang einem Sprachmodell beigebracht, mit seinen Kunden zu reden, und die fertige Stimme nimmt jetzt auch bei anderen Firmen den Hörer ab. Wer OpenAI-Ingenieure in seine Abläufe lässt, sollte im Vertrag nachlesen, wem die Lektion gehört.