Im Gespräch mit OpenAIs DeployCo-CTO: Wie die Konzerntochter den globalen B2B-Markt für sich gewinnen will

OpenAI-Deployment-Chef Arnaud Fournier erklärt im Interview, wie DeployCo mit eigenen Ingenieuren KI tief in Konzerne einbauen will. Er spricht über explosives Codex-Wachstum, den Rückkanal von Kundenfeedback in die Modellentwicklung und warum der Preis für KI-Intelligenz seiner Ansicht nach massiv gesunken ist.

Vor zwei Jahren war Arnaud Fournier Mitgründer von OpenAIs Forward-Deployed-Engineering-Team und dort der erste FDE, später leitete er die Funktion für EMEA und globale Branchen. Seit April 2026 ist er CTO der OpenAI Deployment Company, intern DeployCo, die das Unternehmen im Mai im Verbund mit 19 Private-Equity-Häusern sowie globalen Systemintegratoren und Beratungen vorgestellt hat.

Die erste Akquisition der Tochter stammt aus Europa: Mit dem britischen Beratungshaus Tomoro wechseln rund 150 Forward Deployed Engineers und Deployment-Spezialisten zu DeployCo. "Das wird ein globales Unternehmen mit zentraler Leitungspräsenz in Europa", sagt Fournier im Gespräch mit THE DECODER.

Ingenieure beim Kunden, die OpenAIs Forschung mit Praxisproblemen füttern

Die Funktion der FDEs existiere aus zwei Gründen, so Fournier: um Probleme der Kunden zu lösen und um den Stand der Technik sowie die Hürden beim Ausrollen zu verstehen. Ein Modell oder eine API allein bringe noch keinen Nutzen, dieser entstehe erst, wenn die Technik in Geschäftsprozesse eingebettet werde, compliant sei und sich überwachen lasse. "Wenn wir, die Leute, die die Technologie erschaffen, nicht tief bei unseren Kunden eingebettet sind, ist es schwer, das auf die beste Weise zu liefern und die Werkzeuge weiterzuentwickeln." Die Ingenieure säßen daher an der Schnittstelle zwischen Produkt- und Forschungsteam einerseits und den Kunden andererseits. Sie sollen Lernerfahrungen zurück ins Unternehmen tragen und zugleich die jeweils neueste Technik zu den Kunden bringen. Standorte gibt es in Paris, London und München, mit deutschen Firmen arbeite man an gemeinsamen Projekten.

Auf die Frage, wo dabei die Grenze zu Beratungspartnern wie Deloitte verlaufe, verweist Fournier auf das jüngst vorgestellte Frontier-Alliance-Ökosystem mit Accenture, Capgemini, BCG und McKinsey. Diese Häuser hätten in den vergangenen Jahren große KI-Geschäftseinheiten aufgebaut, stünden aber vor demselben Problem wie alle anderen: "Es ist schwer, mit der Technologie Schritt zu halten." Die Partnerschaft mit OpenAIs Ingenieuren solle sicherstellen, dass die Berater ihren Kunden stets den aktuellen Stand der Technik samt der nötigen Werkzeuge und Systeme lieferten. Dass diese Häuser zugleich in DeployCo investierten und Alliance-Partner stellten, wertet Fournier als Beleg für ihr Interesse, das gemeinsam mit OpenAI in die Praxis umzusetzen. Die genaue Arbeitsteilung zwischen OpenAIs eigenen FDEs und den Beratungspartnern, die potenziell um dieselben Mandate konkurrieren, bleibt im Gespräch allerdings unscharf.

Wie der Rückkanal funktioniert

Auf die Frage, ob die Arbeit beim Kunden in das Training künftiger Modelle zurückfließe, antwortet Fournier so: "Wir trainieren nicht auf Kundendaten, es sei denn, jemand bittet uns ausdrücklich darum." In solchen Fällen handle es sich um Forschungspartnerschaften, von denen es nur wenige gebe und die beidseitig durch eine umfangreiche regulatorische Prüfung liefen.

Der eigentliche Rückkanal verläuft laut Fournier über zwei andere Wege. Erstens über Feedback zu Modellschwächen: Stelle ein Team fest, dass etwa Dokumentenverständnis schlecht funktioniere, sei das eine wertvolle Information für die Forschung, die daraufhin Daten beschaffe und nachbessere. So habe sich die für die Großbank BBVA gebaute Lösung von GPT-5.0 zu 5.5 deutlich verbessert. Zweitens über Tooling-Bedarf: Aus dem Bedarf nach Multi-Agent-Orchestrierung sei das Open-Source-Repository Swarm entstanden, das später zum Agent SDK wurde.

Wie diese Beratungsarbeit konkret aussieht, illustriert Fournier am Beispiel von BBVA. Ursprünglich habe die Bank lediglich das Verfassen von Kreditdokumenten automatisieren wollen. OpenAI habe stattdessen vorgeschlagen, das Problem anders anzugehen: Statt einen einmaligen Vorgang schneller zu machen, baue man eine Funktion, die Kreditrisiken laufend bewertet. "Statt einmal im Jahr hast du auf wöchentlicher oder täglicher Basis einen laufenden Blick darauf, wo dein Geschäftspartner sitzt und wie hoch deine Exponierung ist", so Fournier. Bei geopolitischen Ereignissen wie dem Krieg in der Ukraine oder einer Eskalation an der Straße von Hormuz lasse sich dann unmittelbar abschätzen, wie stark das eigene Kreditportfolio betroffen ist. Das Beispiel soll zeigen, dass die FDEs nicht nur bestehende Abläufe beschleunigen, sondern Prozesse neu zuschneiden sollen.

Regulierung für Unternehmen selten ein Hindernis,  Codex wächst rasant

In Europa gilt strenge KI-Regulierung wie der EU AI Act, dazu kommen Datenschutzbedenken. Beides wird oft als Grund genannt, warum Unternehmen hierzulande bei der KI-Einführung zögern. Auf die Frage, ob er das in der Praxis ebenso erlebe, schränkt Fournier seine Aussage zunächst selbst ein: "Ich bin nicht der größte Experte bei regulatorischen Themen, aber ich spreche für das, was ich jeden Tag im Feld sehe." Aus dieser Perspektive verneint er. Die Regulierung sei kaum mehr eine Bremse, vielmehr sei das Momentum bei der KI-Einführung in Unternehmen derzeit enorm. OpenAI habe EU-Datenresidenz und Enterprise Key Management eingeführt, um europäische Firmen zu bedienen. Sobald diese Anforderungen erfüllt seien, drehe sich die Diskussion schnell um konkrete Ergebnisse. Frankreich, Deutschland und Großbritannien gehörten laut Fournier zu den global zehn größten Märkten von OpenAI.

Als Beleg führt er das deutsche Unternehmen Stadler an, einen Hersteller von Abfallsortieranlagen mit mehr als 650 Mitarbeitenden. Laut OpenAIs Fallstudie nutzen dort über 85 Prozent der Belegschaft ChatGPT täglich aktiv.

Die übrigen Zahlen, die OpenAI THE DECODER im Nachgang nannte, zeigen zudem ein deutliches Wachstum von Codex. Das Werkzeug zählt weltweit über vier Millionen wöchentliche Nutzer, ein Fünffaches binnen drei Monaten bei einem monatlichen Wachstum von mehr als 70 Prozent. In Deutschland legte die Zahl der wöchentlich aktiven Codex-Nutzer seit Januar 2026 sogar um mehr als das Siebenfache zu. Deutschland ist laut OpenAI in Europa auch führend bei wöchentlich aktiven Nutzern, weltweit unter den Top fünf, und global jeweils unter den Top drei bei zahlenden Abonnements und bei Entwicklern; bei den wöchentlich aktiven Codex-Nutzern zählt das Land zu den Top-fünf-Märkten.

Auf die Sorge, OpenAI könne mit eigenen Anwendungen und der engen Arbeit in Unternehmen jene Entwickler verdrängen, die ihre Produkte auf OpenAI-Modellen aufbauen, antwortet Fournier mit Optimismus. Es sei "nie eine bessere Zeit" gewesen, etwas zu bauen. Das Ökosystem werde massiv wachsen, OpenAI unterstütze Start-ups und Digital Natives. Die kritische Kehrseite, dass der Plattformbetreiber zunehmend selbst auf Anwendungsebene konkurriert, adressiert er nicht direkt.

Beim Preis widerspricht Fournier, doch sein Spitzenmodell wird teurer

Gerade Werkzeuge wie Codex stehen für eine neue Generation agentischer Systeme, die Aufgaben über viele Schritte hinweg selbstständig abarbeiten und dabei deutlich mehr Rechenleistung verbrauchen als ein einzelner Chat-Aufruf. Mit der wachsenden Verbreitung solcher Anwendungen rückt die Kostenfrage in Unternehmen immer mehr in den Vordergrund, zumal in der Branche zuletzt ein Trend zu höheren API-Gebühren und kreditbasierten Abrechnungen zu beobachten war. Angesprochen auf die höheren Kosten, bietet Fournier eine alternative Perspektive: Der Preis für Intelligenz sei in den vergangenen 18 Monaten um das Hundertfache gesunken, "nicht 100 Prozent, sondern 100x". Verantwortlich seien Effizienzgewinne über die gesamte Kette, von den Chips über deren Zusammenspiel mit den Modellen bis zu den Modellen selbst: Diese würden zunehmend recheneffizienter, und für dasselbe Intelligenzniveau gebe es inzwischen kleinere Modelle.

Konfrontiert mit der Beobachtung, dass GPT-5.5 je nach Eingabelänge 49 bis 92 Prozent mehr kostet als der Vorgänger, verweist Fournier auf Test-Time-Compute: Solche Modelle könnten den Token-Verbrauch erhöhen. Ein komplexes Physikproblem könne Dutzende Stunden Rechenzeit verlangen, eine einfache Mathematikaufgabe nicht. Für ein gleichbleibendes Intelligenzniveau seien die Preise dagegen drastisch gefallen. Teil der Arbeit seines Teams sei es daher auch, Kunden zu erklären, dass sie nicht für jede Aufgabe GPT-5.5 mit hoher Rechenintensität bräuchten.

Auf die zugespitzte Frage, ob das klassische Seat-basierte Lizenzmodell unter dem Rechenhunger agentischer Workflows zerbreche, verlagert Fournier die Antwort auf das Wachstum: Die Nachfrage sei deutlich höher als noch vor drei Monaten, und die Kunden nutzten die Werkzeuge zunehmend intensiver. OpenAI wolle dabei nicht nur die zahlenden Kunden bedienen, sondern breiten Zugang zur Technologie schaffen. Als Beleg führt Fournier an, dass Codex selbst für Gratisnutzer zugänglich bleibe und man die Nutzungslimits kontinuierlich lockere und wieder öffne. Möglich sei das, weil OpenAI vor zwei Jahren begonnen habe, massiv in eigene Recheninfrastruktur zu investieren. Das wertet er als Beleg dafür, wie entschlossen das Unternehmen die Technologie ausrolle.

Sein persönlicher Fokus liege ohnehin nicht auf der Abwägung zwischen Seat und Token, sondern auf dem Wert, den die Kunden aus den Systemen zögen. Die eigentliche Frage, ob Pauschal- und Seat-Modelle bei explodierendem Compute-Verbrauch wirtschaftlich tragfähig bleiben, lässt er damit unbeantwortet. Schon vor seiner Antwort hatte er eingeschränkt: "Meine Rolle ist es gerade, mit unseren Kunden zu arbeiten und Wert für sie zu schaffen. Ich bin also nicht die beste Person, um deine Frage dazu zu beantworten, wie wir über Seat-basierte Modelle und all das denken."

Dass die Kunden jedoch mittlerweile die steigenden Preise und höheren Verbräuche als Problem wahrnehmen, zeigen Gerüchte, dass OpenAI und Anthropic Preissenkungen im API-Segment erwägen sollen, und eine Aussage von OpenAI-CEO Sam Altman, der auf einer Veranstaltung sagte, die Kosten seien für Unternehmen "ein riesiges Problem" geworden.

Beim ROI bleibt Fournier eine belastbare Formel schuldig

Bei dem damit direkt verknüpften Thema Return on Investment räumt Fournier ein, man befinde sich in einer Frühphase. Vieles, was jetzt in Produktion gehe, sei vor sechs bis zwölf Monaten gestartet worden, der volle Nutzen lasse sich also erst mit Verzögerung beziffern. Den zeitlichen Maßstab hält er ohnehin für entscheidend: Seit zwei Jahren führe er Gespräche mit Führungskräften, und damals hätten dieselben Personen noch alles als zu teuer abgetan. Heute seien viele dieser Aufgaben Standard und brächten einen hohen ROI. Entscheidend sei daher nicht der Tokenpreis von heute, sondern wie sich eine Aufgabe über die Zeit entwickle.

Grundsätzlich lasse sich der Nutzen auf zwei Wegen messen, so Fournier: über die Produktivität der Mitarbeitenden und über den nachgelagerten Geschäftseffekt. Als Beispiel nennt er die Partnerschaft mit dem Landmaschinenkonzern John Deere, bei der KI Landwirte dabei unterstütze, weniger Chemikalien auf den Feldern einzusetzen. Das habe nicht nur einen finanziellen ROI, weil die Produkte besser genutzt würden, sondern auch einen ökologischen Effekt.

Eine belastbare Formel, an der Unternehmen den Wert eines KI-Projekts festmachen könnten, liefert Fournier auf Nachfrage allerdings nicht. Diese werde erst von jenen geschrieben, die die Technologie in der Praxis einsetzten.

Sein Rat bleibt entsprechend pragmatisch bis ausweichend: "Hol dir eine Codex-Lizenz für 20 Dollar und fang an." Wer das einmal getan habe, dem werde der Nutzen schnell offensichtlich.

Die offene Rechnung der KI-Transformation

In der Sache beschreibt Fournier in unserem Gespräch eine strategische Verschiebung: Wird Modellleistung billiger und breiter verfügbar, wandert der Wert hin zur Integrationstiefe beim Kunden, zu branchenspezifischen Workflows, zum Rückkanal in Produkt und Forschung und zu einer Bindung, die über bloße API-Nutzung hinausreicht. Die Forward Deployed Engineers sind in dieser Logik kein Service-Beiwerk, sondern der Mechanismus, mit dem OpenAI seine Modelle in die Kernprozesse großer Unternehmen bringt und zugleich lernt, was die nächste Produkt- und Modellgeneration leisten muss.

Auffällig ist auch das Gefälle zwischen der Wucht der erzählten Transformation und ihrer empirischen Reife. Fournier zeichnet das Bild hoher Nutzung, tiefgreifend umgebauter Konzerne und einer Welt, in der binnen zehn Jahren eine große Mehrheit der Firmen KI-gestützt arbeite. Wie tragfähig dieses Bild ist, lässt sich heute aber kaum prüfen: Vieles, was jetzt in Produktion geht, ist erst vor sechs bis zwölf Monaten gestartet, und eine allgemein belastbare Formel für den ROI liefert er nicht.

Diese Lücke zwischen hoher Nutzung und echter Transformation sollen DeployCo und Fournier schließen. Der Vertriebs- und Integrationsapparat wird gerade in großem Stil hochgezogen, weil der Selbstläufer, den die Codex-Wachstumskurven suggerieren, in der Praxis eben keiner ist: Aus steilen Nutzungskurven folgt noch keine funktionierende Enterprise-Transformation. Die drei Punkte, an denen Fournier ausweicht oder nur exemplarisch antwortet, das Abrechnungsmodell, der Wettbewerb mit der eigenen Entwicklerbasis und der nachweisbare ROI, sind nicht zufällig dieselben Fragen, die über die Wirtschaftlichkeit der gesamten KI-Branche entscheiden.