FDE事例研究【第2回】OpenAI編|Morgan Stanley採用率98%・John Deere農薬70%削減——生成AI導入の実像

前提:OpenAIのFDE組織はどう生まれ、どう拡大したか

OpenAIのFDE機能は、ChatGPT公開と同月の2022年11月に入社したColin Jarvis氏を起点に形作られ、2024年初頭に2名でスタートしたチームは同年末には50名規模の計画に拡大。2025年には東京を含む3大陸8都市に展開されました。さらに2026年5月には、FDEモデルを主軸とする「OpenAI Deployment Company」の設立が報じられ、買収による150名超のエンジニア獲得や外部からの大型投資を伴う、事業としてのスケールフェーズに入っています。

注目すべきは、同社がFDEの投入先を「数千万〜数十億ドル規模の価値がある問題」に意図的に絞っていると説明している点です。FDEは高コストな体制であるため、対象課題の大きさで採算を成立させる——これはPalantirの高ACV戦略と同じ規律です。

事例1:Morgan Stanley——採用率98%を作った「信頼構築の4ヶ月」

OpenAIの初期の代表事例が、金融大手Morgan Stanleyのウェルスマネジメント部門向けAIリサーチシステムです。社内のリサーチレポートを対話的に検索・要約できる仕組みを構築し、最終的にウェルスアドバイザーの98%が利用、リサーチレポートの活用は3倍に増加したと報告されています。

この事例で重要なのは時間の使い方です。RAG(検索拡張生成)の技術パイプライン自体は6〜8週間で完成しましたが、その後さらに約4ヶ月を、パイロット運用・ユーザーフィードバック・回答検証ツールの整備といった「信頼構築」に投じています。規制の厳しい金融ドメインでは、技術的に動くことと現場が信頼して使うことの間に大きな溝があり、FDEの仕事の後半戦はこの溝を埋めることに費やされました。

事例2:John Deere——農薬使用を最大70%削減

農機大手John Deereとの協業は、欧州の1〜2名のFDEによる最初期のエンゲージメントから始まりました。農家ごとにパーソナライズされた散布推奨をAIで自動化するもので、作付けシーズンに間に合わせるという厳しい期限の中、ドメイン専門家と数百件の実例をレビューし、精度を測るカスタム評価システムを構築したうえでスケールさせています。結果として、化学農薬の使用を最大70%削減し、顧客エンゲージメントは6倍になったと報告されています。

• ドメイン専門家との実例レビューを起点にする(数百件の実ケースを人手で確認)
• スケール前にカスタム評価システム(Evals)で精度を定量化する
• 「次の作付けシーズン」というビジネス上の締切から逆算して開発する

事例3:Klarna・T-Mobile——顧客案件からAgents SDKが生まれた

決済企業Klarnaのカスタマーサービス自動化(2023年)では、400を超えるポリシーへの対応でプロンプトの手作業運用が破綻し、FDEチームは意図ごとの評価セットを備えたパラメータ化された指示体系を構築しました。ここで得られたマルチエージェント設計の知見は、OSSフレームワーク「Swarm」として公開され、のちにOpenAIの正式プロダクトであるAgents SDKへと進化します。さらにT-Mobileの案件(Klarnaの10倍複雑とされる規模)で、この設計が拡張に耐えることが実証されました。

これは「FDEの顧客先での発見が自社プロダクトになる」という、FDEモデルの核心的な価値循環のわかりやすい実例です。1社の課題を深く解くことが、結果として全顧客向けのSDKを生みました。OpenAI自身も「最大の失敗は早すぎる一般化。特定顧客の問題を深く解くことがほぼ常に一般化可能な洞察をもたらす」と総括しています。

事例4:半導体・製造業——エンジニアリング業務そのものの変革

欧州の半導体企業との協業(公開情報では社名非公表)は、チップ設計・検証・性能測定にまたがる10のユースケースを扱う同社最大級のプロジェクトで、初期部門で20〜30%の効率化を達成し、全体で50%を目標としています。Codexを基盤にしたバグ調査・トリアージエージェントは、調査から自動修正・プルリクエスト作成まで段階的に進化しています。またアジアの自動車メーカーの事例では、サプライチェーン混乱時の部門横断調整をLLMで支援しつつ、発注最低量やリードタイムなどの業務ルールは決定論的なコードで守る「LLMと決定論の使い分け」アーキテクチャが採用されました。

OpenAI事例に共通する成功パターン

1. 01評価駆動開発:本格開発の前に評価セットを作る。「評価なしにLLMアプリケーションは完成しない」が原則
2. 02信頼構築を工程として計画する:技術完成後の数ヶ月を、パイロット・検証ツール・現場との対話に投じる(Morgan Stanleyの4ヶ月)
3. 03課題の金額規模で案件を選ぶ:数千万ドル規模以上の価値がある問題に絞り、FDE体制の採算を成立させる
4. 04深掘りから一般化する:1社の課題を深く解いた副産物として、プロダクト(Swarm→Agents SDK)や再現可能な手法が生まれる
5. 05LLMと決定論を使い分ける:ビジネスクリティカルなルールは決定論的コードで守り、LLMは確率的な推論が価値を生む場所にだけ使う

MITの調査で「エンタープライズAI導入の95%は失敗する」と報告される中、OpenAIのFDEはまさに「成功する5%」を作る方法論として機能しています。次回(第3回)は、Palantir・OpenAIのような巨大企業ではないSaaSスタートアップがFDEモデルをどう取り入れているかを、Serval・Ironclad・Lookerの事例から解説します。