Oracle ускорила разработку с помощью AI, но столкнулась с новыми узкими местами

Oracle последние два года тратит десятки миллиардов долларов на инфраструктуру и услуги, позволяющие другим компаниям запускать и использовать искусственный интеллект. Однако внутри самой корпорации массовое внедрение генеративного AI оказалось гораздо более сложной задачей.

Как пишет Business Insider, сопредседатель Oracle Клей Магуирк признал на внутренней встрече с сотрудниками, что ещё год назад компания не понимала, как заставить генеративный AI действительно приносить пользу всему коллективу.

ChatGPT и Codex резко ускорили разработку

Переломным моментом для Oracle стало широкое внедрение ChatGPT Enterprise и Codex.

По словам руководителей компании, сотрудники, занимающиеся разработкой программного обеспечения, благодаря AI начали писать код значительно быстрее. Однако вместе с этим проявились ограничения других этапов разработки.

Магуирк отметил, что ещё год назад Oracle не удалось понять, каким образом сделать AI настолько же полезным для самой компании, как он уже был для её клиентов.

Изначально Oracle экспериментировала с использованием искусственного интеллекта в службе поддержки клиентов. При этом такие подразделения, как разработка, финансы и продажи, долгое время не применяли AI в масштабах всей компании.

Ситуация начала меняться в апреле и мае 2026 года, когда Oracle стала разворачивать ChatGPT Enterprise и Codex среди сотрудников.

Oracle довела использование AI до 80% сотрудников

Компания пошла дальше простого предоставления доступа к AI-инструментам. Одновременно Oracle разработала внутренние стандарты, требования безопасности и политики использования искусственного интеллекта.

В результате примерно за три месяца доля сотрудников, использующих эти инструменты, достигла 80%.

Однако массовое использование AI быстро поставило перед Oracle вопрос стоимости. По словам директора по информационным технологиям Джея Эванса, компания создала настолько удобный доступ к моделям, что расходы на их использование начали становиться заметной проблемой.

Oracle внедрила внутреннюю систему мониторинга, позволяющую отслеживать, какие модели используют сотрудники и сколько денег компания тратит на их запросы.

Не каждой задаче нужна самая дорогая модель

В Oracle также столкнулись с тем, что сотрудники не всегда выбирали оптимальную модель для конкретной задачи.

Эванс сообщил, что использование OpenAI GPT-6 Astra обходится компании примерно в 2,5 раза дороже некоторых других моделей. При этом далеко не все рабочие задачи требуют максимальной мощности.

Для повседневных операций, по его словам, может использоваться более дешёвая модель Terra.

Таким образом, корпоративное внедрение AI требует от компании не только доступа к современным моделям, но и контроля над тем, какая модель используется для конкретной задачи и сколько это стоит.

AI ускорил написание кода, но не выпуск продуктов

Наиболее заметный эффект Oracle получила в программной разработке.

По словам руководителей компании, раньше разработка определённого объёма кода могла занимать у команды два-три квартала, тогда как с AI разработчик способен создать сопоставимый результат примерно за неделю.

Однако это не означает, что продукты Oracle теперь выпускаются в сотни раз быстрее.

Причина заключается в том, что после ускорения написания кода узкими местами стали другие этапы процесса — тестирование, проверка, развёртывание и управление релизами.

Магуирк отметил, что ускорение непосредственно написания кода не означает автоматического ускорения всех остальных процессов.

Теперь Oracle приходится перестраивать инженерные процессы таким образом, чтобы они соответствовали значительно более высокой скорости генерации кода.

Mythos за две недели нашёл больше проблем, чем Oracle за год

Ещё более показательный пример Oracle получила при работе с системой Anthropic для анализа безопасности кода.

Компания получила ранний доступ к модели Mythos Preview, предназначенной для поиска потенциальных уязвимостей в программном обеспечении.

По словам Эванса, всего за две недели Mythos обнаружила больше потенциальных проблем, чем Oracle находила за целый предыдущий год.

Такая эффективность одновременно создала новую проблему — огромное количество результатов требовало дополнительной проверки.

По оценке Эванса, около 60–70% обнаруженных Mythos проблем оказались ложными срабатываниями.

Поэтому Oracle пришлось разработать дополнительный процесс верификации: сначала инженеры проверяют, действительно ли найденная моделью проблема является уязвимостью, и только после этого компания приступает к её устранению.

AI не убирает узкие места, а переносит их

Опыт Oracle показывает одну из основных проблем масштабного внедрения генеративного AI в крупных компаниях.

Искусственный интеллект способен радикально сократить время выполнения отдельных операций — например, написания кода или анализа программного обеспечения. Но после этого ограничения могут переместиться на следующие этапы рабочего процесса.

Одновременно увеличивается стоимость использования мощных моделей, а автоматическая генерация большого количества результатов требует дополнительных ресурсов для проверки.

В итоге компаниям приходится перестраивать не отдельные рабочие операции, а целые цепочки процессов.

Для Oracle это означает, что задача теперь заключается не только в том, чтобы дать сотрудникам доступ к AI, но и в том, чтобы одновременно контролировать расходы, выбирать подходящие модели и ускорять тестирование, проверку и выпуск готовых продуктов.