Oracle, ChatGPT와 Codex로 며칠 걸리던 업무를 몇 분으로 단축

2026년 10월 8일 OpenAI는 Oracle 도입 사례 「How Oracle turns days of work into minutes with ChatGPT and Codex」를 공개했다. 사례에 따르면 Oracle에는 활성 ChatGPT 사용자가 약 13만 명, 활성 Codex 사용자가 9만 5천 명 이상 있다. 이들은 인재 채용, Oracle Applications Lab, IT 조직 등에서 일한다. 가장 눈에 띄는 수치는 인재 채용 리서치에 걸리는 시간이 98% 줄었다는 점이다. 핵심 주장은 단순하다. 소수의 전문가에게 의존하며 며칠이 걸리던 일을 이제는 일반 직원도 AI의 도움으로 몇 분 만에 끝낼 수 있다. 채용 담당자는 며칠짜리 시장 조사를 건너뛰고, 현업 사용자는 보고서를 찾아 헤매는 대신 원하는 결과를 설명하며, 기술 리더는 예전에는 팀 전체가 몇 달 걸렸을 도구를 만든다. 다만 이것은 공급업체가 공개한 고객 사례라는 점을 염두에 두어야 한다. 수치는 OpenAI와 Oracle의 설명에 근거하며, 독립적인 감사에 대한 언급은 없다. 첫 번째 사례는 채용 리서치다. Oracle의 인재 채용 팀은 ChatGPT Work로 인재 시장 인텔리전스 도구를 만들었다. 채용 담당자가 직무 기술서를 입력하면 도구가 유사한 직무를 조사하고, 보상 수준을 벤치마킹하며, 관련 지역의 인재 풀을 평가한다. 채용 담당자가 채용 관리자와 대화하기 전에 필요한 이 정보는 예전에 정리하는 데 2~4일이 걸렸다. Oracle의 글로벌 인재 채용 총괄이자 수석 부사장인 Jan Ackerman은 이제 약 15~20분이면 준비할 수 있다고 말하며, 이 변화를 「0에서 100으로」라고 표현했다.

속도만큼 일관성도 중요하다. 예전에는 채용 담당자마다, 검색마다 접수 절차가 달라 정보의 품질이 들쭉날쭉했다. 도구를 쓰면 절차가 항상 같다. 어떤 채용 담당자와 일하든 모든 채용 관리자가 같은 품질의 데이터와 통찰을 받는다. 이는 도구가 한 사람의 노하우를 반복 가능한 표준으로 바꾼다는 두 번째 가치를 보여 준다. 두 번째 사례는 Oracle의 핵심 업무 프로세스 여러 개를 운영하는 Oracle Applications Lab에서 나왔다. 이 팀은 회사의 객체, 관계, 규칙을 담은 온톨로지를 구축했다. 덕분에 평이한 말로 던진 업무 질문을 Codex가 신뢰할 수 있는 SQL 쿼리로 바꿀 수 있다. 현업 사용자가 원하는 결과를 설명하면 Codex가 어떤 내부 시스템을 호출할지 판단하고, 정보를 모아 분석, 보고서 또는 애플리케이션으로 돌려준다. 여기서 작동 원리를 눈여겨볼 만하다. 온톨로지는 모델에게 경계가 있는 의미 지도를 준다. 어떤 테이블, 어떤 필드, 어떤 업무 규칙이 유효한지 정의되어 있으므로 모델은 데이터베이스 구조를 추측할 필요가 없고, 생성된 SQL도 검증하기 쉽다. 먼저 결정적인 구조로 모델을 제약하고, 그 범위 안에서 유연하게 움직이게 하는 실용적인 방식이다. 한 사례에서 한 사용자는 보통 몇 시간이 걸릴 질문을 새 도구에 입력했고 거의 즉시 답을 받았다. 기존 수작업 결과와 대조하니 숫자가 정확히 일치했다. 세 번째 사례는 프로덕션 엔지니어링이다. 사이트 신뢰성 엔지니어(SRE)는 Codex로 장애의 관련 맥락을 모으고 알맞은 플레이북을 자동으로 불러온다. 정보를 찾는 데 쓰는 시간이 줄고 의사결정을 이끄는 데 쓰는 시간이 늘어난다. Oracle Applications Lab의 그룹 부사장 Richard Lam은 「예전에는 한 시간이 걸리던 전형적인 단순 장애를 이제는 몇 분 만에 처리할 수 있다」고 말한다. 동시에 이 모든 것이 자동 조종으로 돌아가는 것은 아니며, 기반 시스템이 제대로 만들어졌는지 확인하는 사람이 여전히 필요하다고 강조한다.

사례는 세 가지 리더십 교훈도 제시한다. 첫째, 올바른 가드레일을 두라. 시스템 설계, 아키텍처, 보안, 그리고 Codex가 코드를 어떻게 구성할지는 사람이 책임져야 한다. 둘째, 명세서 대신 프로토타입을 제공하라. CIO의 기술 어드바이저인 Barry Shilmover 부사장은 예전에는 아이디어를 종이에 적었지만 이제는 프로토타입으로 만든다고 말한다. 셋째, 코드를 소유하라. Lam은 Codex와 함께 일하지 않으면 유지보수할 수 없는 코드가 대량으로 쌓인다고 경고한다. 기업과 개발자에게 주는 시사점은 다음과 같다. AI의 가치는 글쓰기 보조에서 결과 중심의 납품으로 옮겨 가고 있다. 사용자가 목표를 말하면 시스템이 어떤 도구와 데이터 원천을 호출할지 정한다. 기업 도입에는 데이터 거버넌스가 필수이며, 온톨로지나 시맨틱 계층은 내부 시스템에 안정적으로 접근하기 위한 전제 조건이다. 성과는 절약한 시간뿐 아니라 속도, 일관성, 정확성으로 측정해야 한다. Oracle 사용자가 새 결과를 기존 절차와 대조한 것은 단순하지만 효과적인 검증 방법이다.

이 사례는 더 넓은 흐름의 일부이기도 하다. 같은 페이지에는 NTT DATA 그룹이 Codex로 장애 분석을 30분으로 줄인 사례, 시스코와 OpenAI가 Codex로 기업 엔지니어링을 새로 정의한 사례, Simplex가 Codex로 소프트웨어 개발을 다시 생각한 사례가 함께 나열되어 있다. 기업들이 코딩 에이전트를 개인 생산성 도구에서 부서 간 워크플로 인프라로 끌어올리고 있음을 시사한다. 과제도 남아 있다. 수치 뒤의 기준선은 충분히 설명되지 않았다. 예를 들어 「2~4일」에 대기와 조율 시간이 포함되는지는 나와 있지 않다. 13만 명과 9만 5천 명은 활성 사용자 수이며, 모두가 같은 이익을 얻는다는 뜻은 아니다. 사용이 늘수록 유지보수성, 권한 경계, 보안 검토도 더 중요해진다. AI가 도구를 만들어도 결과물에 대한 책임은 사람에게 있다는 Lam의 말이 이 사례에서 가장 유용한 한 문장이다. 종합하면 Oracle 사례는 대기업에서 나온 구체적이고 검증 가능한 표본이다. 채용, 데이터 분석, 운영이라는 서로 다른 세 업무에서 ChatGPT Work와 Codex가 전문가의 지식을 빠르고 반복 가능한 워크플로로 바꾸는 모습을 보여 준다. 모든 상황에서 같은 효과가 난다는 증거는 아니지만, 기업용 AI 도입을 검토하는 팀에는 분명한 지침이 된다. 빈도가 높고 비용이 큰 전문 업무를 고르고, 구조화된 데이터 계층으로 모델을 제약하며, 결과에 대한 최종 책임은 사람이 지키고, 범위를 단계적으로 넓히는 것이다.