OpenAI와 Palantir가 사용하는 FDE(Fulfilled Derivative) 접근 방식: 고객의 어려움에서 배우고 좋은 제품을 만들어냅니다. @apoorv03가 OpenAI Forward Deployed Engineering(FDE) 책임자인 콜린 자비스와의 인터뷰에서: 최첨단 AI를 기업에 도입하고 수억 달러, 심지어 수십억 달러의 가치를 창출할 수 있는 기업은 모델 점수가 가장 높은 기업이 아니라 "고통을 견디고 제품을 생산하는 방법"을 가장 잘 이해하는 기업입니다. FDE란 무엇인가요? 간단히 말해서, 일류 핵심 기술 엔지니어를 고객 현장에 직접 파견하여 고객의 비즈니스 전문가와 밤낮으로 함께 작업하고, 고객의 실제적인 고민을 깊이 이해하고, 사용 가능한 솔루션을 개발하기 위해 빠르게 반복하고, 재사용 가능한 부분을 개선하여 더 많은 고객에게 이익이 되는 제품을 만드는 것을 의미합니다. Palantir의 전 CTO인 샤얌 상카르는 다음과 같은 비유를 사용한 것으로 유명합니다. FDE는 "통증을 대사하고 그 생성물을 배출한다"는 의미입니다. OpenAI의 FDE 관행 및 핵심 원칙 1. 진정으로 위험도가 높고 가치가 높은 주요 문제만 공략하십시오. 주변적이거나 사소한 기능들을 다루는 대신, 고객 사업에서 가장 핵심적이고 수익성이 높거나 가장 낭비적인 측면을 직접 공략하십시오. · 예: 모건 스탠리는 GPT-4를 자사의 전체 자산 관리 사업(가장 큰 사업 부문)에 직접 적용했습니다. • 반도체 거대 기업이 전체 가치 사슬에서 가장 큰 낭비 원인을 해결하기 위해 OpenAI를 의뢰했습니다. 2. 신뢰는 기술보다 구축하기 어렵고, 반복은 데모보다 더 중요합니다. 모건 스탠리 사례: 기술 파이프라인은 6~8주 안에 구축할 수 있지만, 재무 설계사들이 고객에게 실제로 적용하기까지는 무려 6개월에 걸쳐 시범 운영, 평가, 그리고 지속적인 반복 작업이 필요했습니다. • 최종 결과: 채택률 98%, 연구 보고서 활용도 3배 증가. 3. Eval을 통해 개발을 주도하세요. 대규모 모델을 기반으로 작성된 코드는 그 효과가 실제로 우수함을 입증하는 엄격한 eval 세트가 없으면 완성된 것으로 간주되지 않습니다. 이러한 평가 세트는 신뢰를 구축하는 기반일 뿐만 아니라, 향후 고객의 내부 팀에 시스템을 원활하게 인계하는 데 중요한 열쇠가 됩니다. 4. "결정론"과 "확률론" 사이의 균형을 명확히 합니다. 대규모 모델이 가장 잘하는 일, 즉 복잡하고 모호하며 의미적으로 의미 있는 시나리오를 처리하도록 합니다. 그러나 100% 정확해야 하는 모든 영역(규정 준수, 금액, 중요한 결정)은 기존의 결정론적 코드로 묶어야 합니다. 야심 찬 FDE CEO에게 가장 중요하고 통찰력 있는 조언은 이것입니다. 자신의 목적을 매우 명확하게 해야 합니다. 완전히 다른 두 가지 플레이 스타일: A. FDE를 서비스업으로 취급하여 수익을 창출(컨설팅 수수료 부과) → 단기적으로는 현금흐름이 양호하나, '하이엔드 컨설팅 회사'로 전락하기 쉽다. B. FDE를 제품화를 위한 "0 대 1" 접근 방식으로 취급 → 단기적으로는 수익이 적을 수 있지만 장기적으로는 고객을 위한 현장 솔루션을 플랫폼 역량으로 전환할 수 있습니다. 콜린은 이런 식으로 실패하는 회사를 너무 많이 봤습니다. 그들은 제품 회사가 되겠다고 말하지만, 대형 고객이 맞춤형 서비스를 위해 돈을 투자하면 그 일을 거부할 수 없고, 결국 전략적 비전을 완전히 상실하게 됩니다. 진정한 규율은 가장 큰 재정적 어려움과 유혹에 직면하더라도 전략적이지 못한 거래에 대해 '아니오'라고 말할 수 있는 용기를 갖는 것입니다. FDE의 궁극적인 목표는 제품을 올바른 자세로 가지고 떠나는 것입니다. • 첫 번째 고객 프로젝트: 아마도 부품의 20%만 재사용 가능했을 겁니다 → 이를 악물고 마무리하세요. • 두 번째-3번째 고객 프로젝트: 재사용률이 50%로 상승합니다. • 더 나아가 → 이 부분을 직접 상품화하여 모든 고객에게 출시합니다. 현재 활발하게 홍보되고 있는 OpenAI의 Agent SDK와 Agent Kit은 다음과 같은 방식으로 만들어졌습니다. 1. Klarna의 맞춤형 프로젝트에서 시작하여 개선해 보세요. 2. T-Mobile과 같은 고객을 대상으로 반복합니다. 3. 마지막으로, 누구나 사용할 수 있는 보편적인 지능형 에이전트 프레임워크가 될 것입니다.
