API OpenAI Berlaku bagaimana perusahaan berhasil dengan agen

di dalam Konferensi Konversi 2025 VentureBeatOlivier Godment, kepala produk API Openai, menyajikan pandangan di balik layar tentang bagaimana tim lembaga mengadopsi dan menyebar secara luas.

Dalam episode diskusi selama 20 menit, saya menjadi tuan rumah secara eksklusif dengan tuhan, mantan peneliti tape dan kepala API saat ini membongkar alat-alat pengembang di OpenAi-API API saat ini dan agen SDK dengan menyoroti pola realistis, pertimbangan keamanan, dan contoh-contoh biaya pengadopsi awal seperti kotak dan kotak.

Untuk para pemimpin lembaga yang tidak dapat menghadiri sesi langsung, berikut adalah 8 makanan penting terbaik:

Agen bergerak cepat dari model awal ke produksi

Menurut Unity, 2025 mewakili perubahan nyata dalam bagaimana kecerdasan buatan menyebar secara luas. Dengan kehadiran lebih dari satu juta pengembang aktif setiap bulan mereka sekarang menggunakan platform API Openai di dunia, dan penggunaan simbol khas sebesar 700 % setiap tahun, kecerdasan buatan melampaui percobaan.

“Lima tahun telah berlalu sejak kami sebagian besar diluncurkan GPT-3 … dan pria itu, lima tahun terakhir sangat liar.”

Godmeth menegaskan bahwa permintaan saat ini tidak lagi hanya tentang chatbots. “Kasing penggunaan kecerdasan buatan ditransmisikan dari pertanyaan sederhana dan jawaban untuk penggunaan kasus di mana aplikasi, agen, dapat melakukan sesuatu untuk Anda.”

Pergeseran Openai ini telah mendorong peluncuran dua alat utama yang dihadapi pengembang pada bulan Maret: Respons API Dan Agen SDK.

Kapan menggunakan satu faktor untuk sub -struktur?

Topik utama adalah pilihan arsitektur. Godment mencatat bahwa satu episode tunggal, yang menyelimuti akses penuh ke alat dan konteks dalam satu model, adalah konseptual, tetapi seringkali tidak aktif.

“Membangun satu faktor yang halus dan andal itu sulit. Seperti, itu sangat sulit.”

Dengan lebih banyak alat kompleksitas-lebih, lebih banyak input pengguna, dan lebih banyak logika-sering bergerak menuju struktur normatif dengan sub-agen khusus.

“Praktik yang telah muncul terutama membagi agen menjadi beberapa sub -agensi … Anda akan memisahkan kekhawatiran seperti perangkat lunak.”

Sub -faktor ini seperti peran bekerja dalam tim kecil: agen penyortiran mengklasifikasikan niat, dan agen level berurusan dengan tingkat rutin, sementara yang lain meningkatkan atau menyelesaikan kasus tepi.

Mengapa respons API adalah mengubah langkah

Mode API Godment Responses sebagai pengembangan dasar dalam alat pengembang. Sebelumnya, pengembang mengatur model model secara manual. Sekarang, sinkronisasi ini diperlakukan secara internal.

“Mungkin respons API adalah lapisan abstraksi baru terbesar yang telah kami sajikan sejak GPT-3 sebagian besar.”

Pengembang diizinkan untuk mengekspresikan niat, tidak hanya membentuk aliran model. “Anda tertarik untuk mengembalikan tanggapan yang sangat baik kepada pelanggan … Antarmuka aplikasi respons pada dasarnya menangani episode itu.”

Ini juga termasuk kemampuan terintegrasi untuk memulihkan pengetahuan, mencari di web, dan terhubung ke pekerjaan-kasus yang dibutuhkan oleh lembaga untuk pekerjaan agen dunia nyata.

Observasi dan keamanan di

Keamanan dan kepatuhan adalah pikiran tertinggi. Godment mengutip studi utama yang membuat bahan pokok openai berlaku untuk sektor terorganisir seperti pembiayaan dan perawatan kesehatan:

• Penolakan politik
• Pendaftaran SOC-2
• Dukungan Tempat Tinggal Data

Evaluasi adalah tempat di mana Tuhan melihat kesenjangan terbesar antara tawaran eksperimental dan produksi.

“Membuat keputusan saya adalah bahwa evaluasi model ini kemungkinan besar merupakan leher botol terbesar untuk mengadopsi kecerdasan buatan yang sangat besar.”

OpenAI sekarang termasuk alat pelacakan dan evaluasi dengan API untuk membantu perbedaan untuk menentukan bentuk keberhasilan dan melacak bagaimana kinerja agen dari waktu ke waktu.

“Kecuali jika Anda berinvestasi dalam evaluasi … sangat sulit untuk membangun kepercayaan diri ini, keyakinannya adalah bahwa modelnya akurat dan dapat diandalkan.”

Pengembalian investasi awal terlihat dalam pekerjaan tertentu

Beberapa kasus penggunaan institusi telah mencapai keuntungan yang terukur. Contoh berbagi dari:

• tapeYang menggunakan agen untuk mempercepat perlakuan tagihan, melaporkan “35 % keputusan faktur yang lebih cepat”
• danaYang meluncurkan pembantu pengetahuan yang memungkinkan “Menyortir Tiket Zero Tams”

Kasus penggunaan nilai tinggi lainnya termasuk dukungan pelanggan (termasuk suara), tata kelola internal, dan pembantu pengetahuan untuk pindah dalam dokumen padat.

Apa yang diperlukan untuk meluncurkannya dalam produksi

Ilahi menekankan faktor manusia dalam operasi penerbitan yang sukses.

“Ada sebagian kecil dari orang -orang yang sangat canggih yang, setiap kali mereka melihat masalah dan melihat teknologi, mereka berlari.”

Pahlawan internal ini tidak selalu berasal dari teknik. Yang menyatukan mereka adalah stabilitas.

“Reaksi pertama mereka, bagaimana saya bisa membuatnya bekerja?”

Openai melihat banyak operasi penerbitan awal yang didorong oleh kelompok ini – orang -orang yang telah mendorong penggunaan chatgpt awal di lembaga dan sekarang bereksperimen dengan sistem agen penuh.

Dia juga menunjuk banyak celah yang menghadap: pengalaman lapangan. “Pengetahuan di institusi … tidak terletak pada insinyur. Ini dengan tim OPS.”

Jadikan alat agen dalam jangkauan non -pengembang menjadi tantangan yang ingin ditangani Openai.

Apa yang berikutnya untuk agen lembaga

Dewi menawarkan sekilas peta jalan. Openai secara aktif bekerja di:

• Faktor Multimedia Itu dapat berinteraksi melalui teks, suara, gambar dan data terorganisir
• Memori jangka panjang Untuk mempertahankan pengetahuan melalui sesi
• Kebetulan Untuk mendukung lingkungan teknologi informasi terdistribusi

Ini bukan perubahan radikal, tetapi lapisan berulang yang memperluas apa yang sudah mungkin. “Setelah kami memiliki model, Anda dapat berpikir tidak hanya selama beberapa detik tetapi selama beberapa menit, selama berjam -jam … Anda akan mengaktifkan beberapa kasus penggunaan yang luar biasa.”

Kata Terakhir: Model Berpikir Tersembunyi

Godmeth menutup sesi dengan menegaskan kembali keyakinannya bahwa model-model yang mampu berpikir-bahwa itu dapat tercermin sebelum respons akan menjadi faktor yang memungkinkan yang sebenarnya dari pergeseran jangka panjang.

“Saya masih memiliki keyakinan bahwa kami berada di tingkat GPT-2 atau GPT-3 dari kematangan model-model ini … kami masih menggaruk permukaan pada apa yang dapat dilakukan oleh model berpikir.”

Adapun pembuat keputusan lembaga, pesannya jelas: infrastruktur agen otomatisasi hadir di sini. Yang penting sekarang adalah membangun masalah penggunaan fokus, memungkinkan tim multi -fungsional, dan mempersiapkan pengulangan. Tahap selanjutnya tidak terletak pada menciptakan nilai dalam ilustrasi baru tetapi dalam sistem permanen, membentuk melalui kebutuhan di dunia nyata dan disiplin operasi untuk membuatnya dapat diandalkan.