Wie Oracle mit ChatGPT und Codex Tage an Arbeit auf Minuten verkürzt

Am 8. Oktober 2026 hat OpenAI eine Kundenstory über Oracle veröffentlicht, mit dem Titel „How Oracle turns days of work into minutes with ChatGPT and Codex“. Laut dem Text hat Oracle rund 130.000 aktive ChatGPT-Nutzer und mehr als 95.000 aktive Codex-Nutzer. Sie arbeiten in der Talentgewinnung, im Oracle Applications Lab und in der IT-Organisation. Die auffälligste Zahl ist ein Rückgang der Zeit für die Recherche in der Talentgewinnung um 98 %. Die Kernaussage ist einfach. Arbeit, die früher von wenigen Spezialisten abhing und Tage dauerte, kann nun fast jeder in Minuten erledigen. Recruiter sparen sich tagelange Marktrecherche. Fachanwender beschreiben ein gewünschtes Ergebnis, statt einen Bericht zu suchen. Technische Leiter bauen Werkzeuge, für die früher ein ganzes Team Monate brauchte. Ein Vorbehalt gilt für die gesamte Story: Es ist eine vom Anbieter veröffentlichte Fallstudie. Die Zahlen stammen von OpenAI und Oracle, und die Seite erwähnt keine unabhängige Prüfung. Der erste Anwendungsfall ist die Recruiting-Recherche. Das Talent-Acquisition-Team von Oracle hat mit ChatGPT Work ein Werkzeug für Talentmarkt-Intelligenz gebaut. Der Recruiter gibt eine Stellenbeschreibung ein. Das Werkzeug recherchiert vergleichbare Rollen, vergleicht Vergütungen und bewertet den Talentpool an den relevanten Standorten. Recruiter brauchen diese Informationen vor dem Gespräch mit der Führungskraft, und sie zusammenzustellen dauerte früher 2 bis 4 Tage. Jan Ackerman, Senior Vice President und Global Head of Talent Acquisition bei Oracle, sagt, das Team bereite sich nun in etwa 15 bis 20 Minuten vor. Sie beschreibt den Wandel als Sprung „von null auf hundert“. Gleichmäßigkeit ist ebenso wichtig wie Tempo. Früher führten Recruiter die Auftragsaufnahme von Suche zu Suche unterschiedlich durch, sodass die Qualität der Informationen schwankte. Mit dem Werkzeug läuft der Prozess jedes Mal gleich ab. Jede Führungskraft erhält Daten und Erkenntnisse in derselben Qualität, egal mit welchem Recruiter sie zusammenarbeitet. Das zeigt einen zweiten Nutzen: Das Werkzeug macht aus dem Können einer Person einen wiederholbaren Standard. Der zweite Anwendungsfall stammt aus dem Oracle Applications Lab, dem Team, das viele zentrale Geschäftsprozesse von Oracle mitbetreibt. Es hat eine Ontologie der Objekte, Beziehungen und Regeln des Unternehmens aufgebaut. Damit kann Codex eine Geschäftsfrage in einfacher Sprache in eine verlässliche SQL-Abfrage übersetzen. Der Fachanwender beschreibt das gewünschte Ergebnis. Codex entscheidet dann, welche internen Systeme es aufruft, sammelt die Informationen und liefert eine Analyse, einen Bericht oder eine Anwendung zurück.

Der Mechanismus verdient einen genaueren Blick. Eine Ontologie gibt dem Modell eine begrenzte semantische Landkarte. Sie legt fest, welche Tabellen, Felder und Geschäftsregeln gültig sind. Das Modell muss die Datenbankstruktur nicht raten, und das erzeugte SQL lässt sich leichter prüfen. Das ist ein pragmatisches Muster: Zuerst das Modell durch eine deterministische Struktur begrenzen, dann innerhalb dieser Grenzen flexibel arbeiten lassen. In einem Beispiel stellte eine Nutzerin eine Frage, deren Beantwortung normalerweise ein paar Stunden dauerte. Mit dem neuen Werkzeug bekam sie fast sofort eine Antwort. Beim Vergleich mit dem alten manuellen Verfahren stimmten die Zahlen genau überein. Der dritte Anwendungsfall ist die Produktionstechnik. Site Reliability Engineers (SREs) nutzen Codex, um den Kontext eines Vorfalls zu sammeln und automatisch das passende Playbook aufzurufen. Sie verbringen mehr Zeit mit dem Lenken von Entscheidungen und weniger mit der Suche nach Informationen. Richard Lam, Group Vice President des Oracle Applications Lab, sagt: „Ein typischer einfacher Vorfall, der früher eine Stunde bis zur Lösung brauchte, lässt sich jetzt in Minuten bearbeiten.“ Er betont auch, dass nichts davon im Autopilot läuft. Jemand muss weiterhin sicherstellen, dass das zugrunde liegende System richtig gebaut ist. Die Story endet mit drei Führungslehren. Erstens: die richtigen Leitplanken setzen. Systemdesign, Architektur, Sicherheit und die Art, wie Codex den Code strukturiert, bleiben menschliche Verantwortung. Zweitens: Prototypen statt Spezifikationen liefern. Barry Shilmover, Vice President und Technical Advisor des CIO, sagt, er habe seine Idee früher auf Papier festgehalten und lege sie jetzt in einem Prototyp an. Drittens: den Code besitzen. Lam warnt, dass man ohne Zusammenarbeit mit Codex am Ende viel Code habe, der sich nicht warten lasse. Für Unternehmen und Entwickler ergeben sich mehrere Punkte. Der Nutzen von KI verschiebt sich von der Schreibhilfe hin zur Lieferung eines Ergebnisses: Der Nutzer nennt ein Ziel, und das System wählt aus, welche Werkzeuge und Datenquellen es aufruft. Der Einsatz im Unternehmen hängt von Daten-Governance ab, und eine Ontologie oder semantische Schicht ist Voraussetzung für verlässlichen Zugriff auf interne Systeme. Erfolg sollte an Tempo, Gleichmäßigkeit und Richtigkeit gemessen werden, nicht nur an eingesparten Stunden. Dass die Oracle-Nutzerin das neue Ergebnis mit dem alten Verfahren verglich, ist eine einfache und wirksame Kontrolle.

Die Story passt auch in ein größeres Bild. Dieselbe Seite verweist auf weitere OpenAI-Kundengeschichten: NTT DATA Group senkt die Vorfallanalyse mit Codex auf 30 Minuten, Cisco und OpenAI definieren Unternehmens-Engineering mit Codex neu, und Simplex denkt Softwareentwicklung mit Codex neu. Zusammen deuten sie darauf hin, dass Unternehmen Coding-Agenten vom persönlichen Produktivitätswerkzeug zur abteilungsübergreifenden Workflow-Infrastruktur ausbauen. Herausforderungen bleiben. Die Ausgangswerte hinter den Zahlen sind nicht vollständig erklärt. So sagt die Seite nicht, ob „2 bis 4 Tage“ auch Warte- und Abstimmungszeiten enthält. Die Zahlen 130.000 und 95.000 zählen aktive Nutzer, was nicht heißt, dass jeder den gleichen Nutzen hat. Wartbarkeit, Berechtigungsgrenzen und Sicherheitsprüfung gewinnen mit wachsender Nutzung an Gewicht. Lams Hinweis, dass die KI zwar die Werkzeuge baut, die Menschen aber für das Ergebnis verantwortlich bleiben, ist der nützlichste Satz der Story.

Kurz gesagt liefert Oracle ein konkretes, prüfbares Beispiel aus einem Großunternehmen. Es zeigt, wie ChatGPT Work und Codex Spezialwissen in Recruiting, Datenanalyse und Betrieb in schnelle, wiederholbare Abläufe verwandeln. Es beweist nicht, dass jedes Szenario dieselben Gewinne bringt. Teams, die KI im Unternehmen abwägen, bekommen aber ein klares Muster: häufige, teure Spezialaufgaben auswählen, das Modell durch eine strukturierte Datenschicht begrenzen, Menschen für das Ergebnis verantwortlich halten und den Umfang Schritt für Schritt erweitern.