Comment Oracle réduit des jours de travail à quelques minutes avec ChatGPT et Codex

Le 8 octobre 2026, OpenAI a publié une étude de cas sur Oracle, intitulée « How Oracle turns days of work into minutes with ChatGPT and Codex ». Selon ce document, Oracle compte environ 130 000 utilisateurs actifs de ChatGPT et plus de 95 000 utilisateurs actifs de Codex. Ils travaillent dans l'acquisition de talents, à l'Oracle Applications Lab et dans l'organisation informatique. Le chiffre phare est une baisse de 98 % du temps nécessaire à la recherche en acquisition de talents. L'idée centrale est simple. Un travail qui dépendait d'un petit groupe de spécialistes et demandait des jours peut désormais être fait par presque n'importe qui en quelques minutes. Les recruteurs évitent des jours d'étude de marché. Les utilisateurs métier décrivent un résultat au lieu de chercher un rapport. Les responsables techniques construisent des outils qui demandaient autrefois une équipe entière pendant des mois. Une réserve s'applique à tout le texte : il s'agit d'une étude de cas publiée par un fournisseur. Les chiffres viennent d'OpenAI et d'Oracle, et la page ne mentionne aucun audit indépendant.

Le premier cas d'usage est la recherche pour le recrutement. L'équipe d'acquisition de talents d'Oracle a utilisé ChatGPT Work pour créer un outil d'intelligence du marché des talents. Le recruteur fournit une description de poste. L'outil étudie des postes comparables, compare les rémunérations et évalue le vivier de talents dans les lieux concernés. Les recruteurs ont besoin de ces informations avant d'échanger avec le responsable du recrutement, et il fallait auparavant 2 à 4 jours pour les réunir. Jan Ackerman, vice-présidente senior et responsable mondiale de l'acquisition de talents chez Oracle, explique que l'équipe se prépare maintenant en 15 à 20 minutes environ. Elle décrit le changement comme un passage « de zéro à cent ».

La cohérence compte autant que la vitesse. Les recruteurs menaient auparavant l'étape de cadrage de façon différente d'une recherche à l'autre, ce qui rendait la qualité de l'information inégale. Avec l'outil, le processus est identique à chaque fois. Chaque responsable du recrutement reçoit des données et des analyses de même qualité, quel que soit le recruteur. On voit ici une seconde valeur : l'outil transforme le savoir-faire d'une personne en norme reproductible. Le deuxième cas d'usage vient de l'Oracle Applications Lab, l'équipe qui aide à faire fonctionner de nombreux processus métier centraux d'Oracle. Elle a construit une ontologie des objets, des relations et des règles de l'entreprise. Grâce à elle, Codex peut transformer une question métier posée en langage courant en requête SQL fiable. L'utilisateur décrit le résultat voulu. Codex décide alors quels systèmes internes appeler, rassemble les informations et renvoie une analyse, un rapport ou une application.

Le mécanisme mérite un examen. Une ontologie donne au modèle une carte sémantique bornée. Elle définit quelles tables, quels champs et quelles règles métier sont valides. Le modèle n'a pas à deviner la structure de la base, et le SQL produit est plus facile à contrôler. C'est un schéma pragmatique : contraindre d'abord le modèle par une structure déterministe, puis le laisser souple à l'intérieur de ces limites. Dans un exemple, une utilisatrice posait une question qui demandait normalement quelques heures. Avec le nouvel outil, elle a obtenu une réponse presque immédiatement. En comparant avec l'ancien processus manuel, elle a constaté que les chiffres correspondaient exactement. Le troisième cas d'usage concerne l'ingénierie de production. Les ingénieurs de fiabilité des sites (SRE) utilisent Codex pour rassembler le contexte d'un incident et ouvrir automatiquement le bon playbook. Ils passent plus de temps à guider les décisions et moins à chercher des informations. Richard Lam, vice-président de groupe de l'Oracle Applications Lab, déclare : « Un incident simple typique, qui demandait une heure, peut maintenant être traité en quelques minutes. » Il précise aussi que rien ne fonctionne en pilotage automatique. Quelqu'un doit toujours s'assurer que le système sous-jacent est bien construit. L'étude se termine par trois leçons de management. Première leçon : poser les bons garde-fous. La conception du système, l'architecture, la sécurité et la façon dont Codex structure le code restent des responsabilités humaines. Deuxième leçon : fournir des prototypes plutôt que des spécifications. Barry Shilmover, vice-président et conseiller technique du directeur informatique, dit qu'il couchait autrefois ses idées sur le papier et qu'il les met désormais dans un prototype. Troisième leçon : rester propriétaire du code. Lam avertit que, sans travailler aux côtés de Codex, on se retrouve avec beaucoup de code impossible à maintenir.

Pour les entreprises et les développeurs, plusieurs points ressortent. La valeur de l'IA passe de l'aide à la rédaction à la livraison d'un résultat : l'utilisateur énonce un objectif, et le système choisit les outils et les sources de données à appeler. Le déploiement en entreprise dépend de la gouvernance des données, et une ontologie ou une couche sémantique est un préalable à un accès fiable aux systèmes internes. Le succès doit se mesurer par la vitesse, la cohérence et l'exactitude, pas seulement par les heures économisées. La comparaison ligne à ligne entre l'ancien et le nouveau résultat, faite par l'utilisatrice d'Oracle, est un contrôle simple et efficace. Cette étude s'inscrit aussi dans une tendance plus large. La même page renvoie vers d'autres témoignages clients d'OpenAI : NTT DATA Group ramène l'analyse d'incident à 30 minutes avec Codex, Cisco et OpenAI redéfinissent l'ingénierie en entreprise avec Codex, et Simplex repense le développement logiciel avec Codex. Ensemble, ces cas suggèrent que les entreprises font passer les agents de programmation du statut d'outil de productivité personnelle à celui d'infrastructure de flux de travail entre services. Des défis demeurent. Les références de base derrière les chiffres ne sont pas entièrement expliquées. Par exemple, la page ne dit pas si « 2 à 4 jours » inclut les temps d'attente et de coordination. Les chiffres de 130 000 et de 95 000 comptent des utilisateurs actifs, ce qui ne signifie pas que chacun en tire le même bénéfice. La maintenabilité, les limites de droits d'accès et la revue de sécurité gagnent aussi en importance à mesure que l'usage s'étend. Le rappel de Lam, selon lequel l'IA construit les outils mais les personnes restent responsables du résultat, est la phrase la plus utile du document.

En résumé, Oracle offre un exemple concret et vérifiable venu d'une grande entreprise. Il montre comment ChatGPT Work et Codex transforment le savoir spécialisé en flux de travail rapides et reproductibles, en recrutement, en analyse de données et en exploitation. Il ne prouve pas que chaque situation donnera les mêmes gains. Il offre toutefois aux équipes qui évaluent l'IA en entreprise un schéma clair : choisir des tâches de spécialistes fréquentes et coûteuses, contraindre le modèle par une couche de données structurée, garder les personnes responsables du résultat, puis élargir le périmètre étape par étape.