Oracle recortó un 98 % el análisis de selección. La clave fue el workflow, no el chatbot

Oracle afirma que cuenta con 130.000 usuarios activos de ChatGPT y más de 95.000 de Codex. Redujo el análisis de selección de dos a cuatro días a entre 15 y 20 minutos al conectar un modelo general con datos y procesos concretos de la empresa.

Los equipos de selección redujeron varios días de análisis a 20 minutos

Según un caso de estudio de OpenAI, el equipo de selección utiliza ChatGPT Work para analizar descripciones de puestos, funciones comparables, remuneración y disponibilidad de talento por ubicación. Oracle sostiene que este workflow redujo el tiempo de análisis un 98 %.

Oracle Applications Lab creó una ontología de objetos, relaciones y reglas de la empresa. Codex la utiliza para convertir una petición en lenguaje natural en SQL, consultar los sistemas internos necesarios y devolver un análisis, un informe o una aplicación. En incidentes operativos sencillos, los site reliability engineers habrían reducido cerca de una hora de trabajo a unos minutos.

La página principal de OpenAI quedó bloqueada durante la verificación automatizada. Por ello, las cifras y la descripción de los workflows proceden con cautela de su extracto indexado y de informaciones que citan el caso de estudio, no de una auditoría independiente.

La mejora nace de convertir conocimiento experto en un proceso repetible

El gran número de cuentas es un dato secundario. Oracle incorporó el conocimiento de especialistas a workflows que saben qué datos recuperar, qué reglas seguir y en qué formato devolver el resultado. El modelo deja de depender de una nueva improvisación del usuario en cada consulta.

Para los equipos enterprise, este patrón resulta más útil que una formación general sobre prompts. Primero conviene elegir una tarea limitada y frecuente, definir sus entradas y controles y después colocar ChatGPT o Codex encima. Buena parte de la velocidad procede del contexto preparado.

El proveedor firma el caso y faltan comprobaciones independientes

Los ahorros declarados proceden de Oracle en una publicación de OpenAI. El relato público no detalla cuántos resultados corrigen las personas, cómo se mide la calidad entre equipos ni cuánto costó integrar y mantener la ontología. Oracle también recalca que la arquitectura, la seguridad y el código mantenible siguen bajo responsabilidad humana.

Ese límite importa. Convertir una petición en SQL puede ahorrar tiempo, pero la fiabilidad aún depende de permisos, definiciones de datos, registros y revisión de resultados. Una respuesta rápida con una cifra equivocada solo acelera una mala decisión.

Las correcciones, los incidentes y el coste operativo mostrarán el valor duradero

Las próximas cifras útiles serán la tasa de correcciones humanas, los errores en consultas, el tiempo dedicado a incidentes complejos y el coste total por workflow completado. Hasta entonces conocemos la velocidad de algunos ejemplos, pero desconocemos su economía operativa.

La capacidad de réplica será la segunda prueba. Si más equipos adoptan el mismo patrón sin dedicar meses al modelado manual de datos, Oracle habrá demostrado una disciplina enterprise repetible y no solo unos casos cuidadosamente elegidos.

El veredicto de Lilith

La victoria de Oracle no está en el número de licencias, sino en el responsable de selección que llega a la misma reunión preparado en 20 minutos y no en cuatro días. Falta ver la factura de integración y la pila de correcciones que el caso de estudio dejó fuera de plano.