Сотрудникам нужны сведения из нескольких систем и правила их расчёта
По данным Oracle, у ChatGPT более 130 000 активных пользователей в компании, а у Codex — более 95 000 пользователей. ИИ помогает им в подборе персонала, разработке и повседневной работе. Для этого нужны внутренние данные и правила, которыми пользуются специалисты. [1]
Рекрутеры тратили дни на исследование рынка труда перед встречами с руководителями. Другим сотрудникам нужны были специалисты, чтобы найти данные и собрать отчёт. Инженеры, отвечающие за надёжность сервисов (SRE), собирали сведения о сбоях и искали подходящие рабочие инструкции. [1]
По данным Oracle, подготовка обзора рынка стала занимать 15–20 минут вместо 2–4 дней
Для подготовки к встрече с руководителем рекрутеру нужен обзор рынка труда. Команда Oracle создала для этой задачи процесс с ChatGPT for Work: по описанию вакансии система изучает похожие должности, сравнивает зарплаты и оценивает доступность кандидатов в нужных регионах. [1]
Раньше сбор этих сведений занимал от двух до четырёх дней. По данным Oracle, теперь рекрутер готовится с помощью инструмента примерно за 15–20 минут. OpenAI сообщает о сокращении времени исследования при подборе персонала на 98%. [1]
Oracle также сообщает, что в процессе используется единый порядок сбора исходных сведений. Руководители получают более сопоставимые данные о рынке независимо от того, какой рекрутер ведёт поиск.
Сбор сведений о рынке занимал несколько дней.
С помощью инструмента рекрутер готовится примерно за 15–20 минут.
OpenAI сообщает о сокращении времени исследования на 98%.
Прежде чем составлять запрос, Codex получает определения бизнес-понятий
Oracle Applications Lab создала внутреннюю онтологию бизнеса — описание понятий, связей между ними и правил работы. По нему Codex определяет, что означает вопрос сотрудника и какие внутренние системы содержат нужные данные. Затем он может составить SQL-запрос — команду для получения сведений из базы данных. [1]
Сотрудник задаёт вопрос или описывает нужный результат обычными словами. Codex — ИИ-инструмент OpenAI — выбирает внутренние системы, получает данные и готовит анализ, отчёт или приложение. [1]
Oracle приводит пример вопроса, ответ на который обычно занимал пару часов. Новый инструмент ответил почти сразу. Сотрудник сравнил результат с прежним ручным расчётом: цифры полностью совпали. Это отдельный пример, а не опубликованный тест всех возможных вопросов.
Для запроса нужно знать и расположение данных, и их деловой смысл
Сначала компания определяет основные понятия
Компания задаёт определения основных понятий: клиента, заказа, сотрудника, возможности продажи. Эти определения помогают модели одинаково понимать сведения из разных систем.
Смысл зависит от связей между объектами
Описание связей показывает, как понятия и записи относятся друг к другу. Без него ИИ пришлось бы выводить эти отношения из названий таблиц.
Правила бизнеса нужны до составления запроса
Правила объясняют, как трактовать вопрос сотрудника, какие данные использовать и какие расчёты к ним применять.
Контекст помогает составить SQL-запрос
Модель сначала определяет, что имеет в виду сотрудник, а затем переводит это в обращения к системам и запросы к данным.
Codex собирает сведения о сбое и находит подходящие инструкции
Инженеры Oracle по надёжности сервисов используют Codex, чтобы собрать сведения о сбое и найти рабочие инструкции. По описанию Oracle, это освобождает им время для технических решений. [1]
По данным Oracle, типичный простой сбой, который раньше устраняли примерно за час, теперь можно устранить за минуты. В публикации нет точного среднего времени и размера выборки, поэтому более точный процент улучшения подтвердить нельзя.
За устройство системы, безопасность и качество отвечают люди
Руководство Oracle подчёркивает, что люди отвечают за проектирование, архитектуру, безопасность, удобство сопровождения и качество результатов. ИИ может выполнять больше работы по реализации, но ответственность за систему остаётся у компании. [1]
Определить понятия → задать вопрос → выбрать источники → получить данные → проверить → использовать результат
До автоматизации отчёта нужно определить понятия и правила расчёта
Прежде чем поручать ИИ запросы к базе, нужно определить, что означают данные и по каким правилам их считать.
В случае Oracle это сделано через онтологию: она объясняет смысл бизнес-понятий отдельно от устройства конкретной базы данных.
Так модель получает основания для выбора источника и расчёта до того, как составит запрос. При этом описание понятий не заменяет проверку полученного ответа.
В остальных процессах роль исходных материалов иная: рекрутеру нужны сведения о рынке, инженеру — сведения о сбоях и рабочие инструкции. Но в обоих случаях человеку предстоит оценить результат.
Для своего проекта можно выбрать один повторяющийся вопрос, описать нужные понятия и расчёты и сверить ответы ИИ с известным результатом.
Шесть вопросов перед запуском агента для корпоративных данных
Какие понятия бизнеса нужно определить, чтобы агент отвечал правильно?
Какие связи между системами продаж (CRM), управления ресурсами (ERP), кадровыми и рабочими системами влияют на смысл запроса?
Какие правила бизнеса должны учитываться при составлении и трактовке запросов?
К каким источникам может обращаться агент и где хранится верное значение каждого поля?
Как сверять ответы с известными отчётами, примерами или прежними результатами?
Кто отвечает за устройство системы, качество данных и использование результата?
ИИ для данных, знаний и рабочих процессов
Сотрудникам всё ещё нужен аналитик, чтобы превратить рабочий вопрос в отчёт?
Разберём повторяющийся вопрос, системы с нужными данными и правила расчётов. Вместе определим понятия, источники и способ проверки ответа, а затем составим порядок автоматизации запросов.
Это независимый разбор Maak.Digital о применении ChatGPT for Work и Codex в Oracle. Основной источник — история клиента OpenAI от 8 октября 2026 года. Maak.Digital не участвовала во внедрении. Сокращение времени исследования при подборе персонала на 98%, 130 000 активных пользователей ChatGPT, более 95 000 пользователей Codex, исходные 2–4 дня исследования, 15–20 минут подготовки и пример сокращения устранения сбоя с часа до минут — результаты, о которых сообщают Oracle и OpenAI. В истории описана онтология Oracle Applications Lab: объекты бизнеса, связи и правила. Полная схема онтологии, устройство проверки запросов и частота ошибок в рабочей системе не раскрыты.