OpenAI-இன் உள்நாட்டு தரவு ஏஜென்ட்டுக்குள்

தரவு அமைப்புகள் கற்றுக்கொள்வதற்கும், தயாரிப்புகள் வளர்வதற்கும், நிறுவனங்கள் முடிவுகளை எடுப்பதற்கும் சக்தி அளிக்கிறது. ஆனால் பதில்களை விரைவாகவும், சரியாகவும், சரியான சூழலுடன் பெறுவது பல நேரங்களில் எதிர்பார்த்ததைவிட கடினமாக இருக்கும். OpenAI அளவாக வளரும்போது இந்த செயல்முறையை எளிதாக்க, எங்கள் சொந்த platform மீது ஆராய்ந்து தர்க்கரீதியாக செயல்படும் எங்களுக்கே உரிய தனிப்பயன் in-house AI டேட்டா ஏஜென்டை நாங்கள் உருவாக்கினோம்.

எங்கள் ஏஜென்ட் என்பது தனிப்பயன் உள்நாட்டு-மட்டும் கருவி (வெளிப்புற வழங்கல் அல்ல), OpenAI-யின் தரவு, அனுமதிகள் மற்றும் பணிப்பாய்வுகளை மையமாகக் கொண்டு குறிப்பாக உருவாக்கப்பட்டது. எங்கள் குழுக்களின் அன்றாட வேலையை AI எவ்வாறு ஆதரிக்க முடியும் என்பதற்கான உண்மையான, தாக்கமிக்க உதாரணங்களை வெளிக்கொணர உதவ, அதை எவ்வாறு உருவாக்கினோம் மற்றும் பயன்படுத்துகிறோம் என்பதை நாங்கள் விளக்குகிறோம். அதை உருவாக்கவும் இயக்கவும் நாங்கள் பயன்படுத்திய OpenAI கருவிகள் (Codex, எங்கள் GPT‑5 ஃப்ளாக்ஷிப் மாடல், Evals API⁠(புதிய சாளரத்தில் திறக்கும்), மற்றும் Embeddings API⁠(புதிய சாளரத்தில் திறக்கும்)) உலகெங்கும் உள்ள டெவலப்பர்களுக்கு நாங்கள் கிடைக்கச் செய்யும் அதே கருவிகள்.

எங்கள் data agent ஊழியர்கள் கேள்வியிலிருந்து தெளிவான insight க்கு நாட்கள் அல்ல, நிமிடங்களிலேயே செல்ல உதவுகிறது. இது எங்கள் தரவுக் குழுவால் மட்டுமல்லாமல், அனைத்து செயல்பாடுகளிலும் தரவு மற்றும் நுணுக்கமான பகுப்பாய்வை இழுப்பதற்கான தடையைக் குறைக்கிறது. இன்று, OpenAI-இல் பொறியியல், தரவு அறிவியல், Go-To-Market, நிதி மற்றும் ஆராய்ச்சி துறைகளில் உள்ள குழுக்கள் உயர் தாக்கம் கொண்ட தரவுக் கேள்விகளுக்கு பதிலளிக்க ஏஜென்டை நம்புகின்றன. உதாரணமாக, இயல்பான மொழியின் உள்ளுணர்வான வடிவமைப்பின் மூலம், வெளியீடுகளை எப்படி மதிப்பீடு செய்வது மற்றும் வணிகத்தின் ஆரோக்கியத்தைப் புரிந்துகொள்வது போன்றவற்றுக்கு பதில் அளிக்க இது உதவலாம். Codex-ஆல் இயக்கப்படும் அட்டவணை-நிலை அறிவை தயாரிப்பு மற்றும் நிறுவனச் சூழலுடன் ஏஜென்ட் இணைக்கிறது. அதன் தொடர்ந்து கற்றுக்கொள்ளும் நினைவக அமைப்பு என்பதால், அது ஒவ்வொரு முறையும் மேலும் மேம்படுகிறது.

இந்த பதிவில், எங்களுக்கு ஏன் தனிப்பயன் AI தரவு ஏஜென்ட் தேவைப்பட்டது, அதன் குறியீடு-செறிவூட்டப்பட்ட தரவு சூழல் மற்றும் சுய-கற்றல் ஏன் இவ்வளவு பயனுள்ளதாக இருக்கிறது என்பதையும், நாங்கள் கற்றுக்கொண்ட பாடங்களையும் நாங்கள் பகுப்பாய்வு செய்வோம்.

OpenAI-யின் தரவுத் தளம் Engineering, Product, மற்றும் Research துறைகளில் பணிபுரியும் 3.5k உள்நாட்டு பயனர்களுக்கு சேவை அளிக்கிறது, 600 பெட்டாபைட்கள் அளவிலான தரவை 70k தரவுத்தொகுப்புகளில் பரவலாகக் கொண்டுள்ளது. அந்த அளவில், சரியான அட்டவணையை கண்டுபிடிப்பது பகுப்பாய்வின் மிக நேரம் பிடிக்கும் பகுதிகளில் ஒன்றாக இருக்கலாம்.

ஒரு உள்நாட்டு பயனர் கூறியதுபோல:

“எங்களிடம் மிகவும் ஒத்த பல அட்டவணைகள் உள்ளன, அவை எவ்வாறு வேறுபடுகின்றன மற்றும் எதைப் பயன்படுத்த வேண்டும் என்பதை கண்டுபிடிக்க முயற்சிப்பதில் நான் நிறைய நேரம் செலவிடுகிறேன். சிலவற்றில் வெளியேறிய பயனர்கள் அடங்குவர், சிலவற்றில் அடங்கவில்லை. சிலவற்றில் ஒன்றுடன் ஒன்று தொடர்புடைய புலங்கள் உள்ளன; எது எது என்று சொல்வது கடினம். ”

சரியான அட்டவணைகள் தேர்ந்தெடுக்கப்பட்டிருந்தாலும், சரியான முடிவுகளை உருவாக்குவது சவாலாக இருக்கலாம். பகுப்பாய்வாளர்கள் மாற்றங்கள் மற்றும் வடிகட்டிகள் சரியாகப் பயன்படுத்தப்படுவதை உறுதிப்படுத்த, அட்டவணைத் தரவு மற்றும் அட்டவணை உறவுகள் குறித்து காரணமிட வேண்டும். பொதுவான தோல்வி முறைகள்—பல-க்கு-பல இணைப்புகள், வடிகட்டி தள்ளுதல் பிழைகள், மற்றும் கையாளப்படாத nulls—முடிவுகளை அமைதியாக செல்லாததாக மாற்றக்கூடும். OpenAI இன் அளவிலான செயல்பாடுகளில், பகுப்பாய்வாளர்கள் SQL அர்த்தவியல் அல்லது வினவல் செயல்திறனை சரிசெய்வதில் நேரத்தை செலவிட வேண்டியதில்லை: அவர்களின் கவனம் அளவுகோல்களை வரையறுப்பது, முன்கணிப்புகளை சரிபார்ப்பது, மற்றும் தரவின் அடிப்படையில் முடிவுகளை எடுப்பதில் இருக்க வேண்டும்.

எங்கள் ஏஜென்ட் என்ன, அது சூழலை எவ்வாறு தேர்ந்தெடுக்கிறது, மற்றும் அது எவ்வாறு தன்னைத் தானே மேம்படுத்திக்கொள்கிறது என்பதை நம்மால் அறியலாம்.

எங்கள் ஏஜென்ட் GPT‑5.2 மூலம் இயக்கப்படுகிறது மற்றும் OpenAI-யின் தரவுத் தளத்தில் காரணம் காண வடிவமைக்கப்பட்டுள்ளது. இது ஊழியர்கள் ஏற்கனவே வேலை செய்யும் இடமெல்லாம் கிடைக்கிறது: Slack ஏஜென்ட் ஆக, web இடைமுகம் மூலம், IDEகளுக்குள், MCP வழியாக Codex CLI-இல்⁠(புதிய சாளரத்தில் திறக்கும்), மற்றும் MCP கனெக்டர் மூலம் OpenAI-ன் உள்நாட்டு ChatGPT செயலியில் நேரடியாக⁠(புதிய சாளரத்தில் திறக்கும்).

பயனர்கள் சிக்கலான, திறந்த முடிவில்லாத கேள்விகளை கேட்கலாம், அவை பொதுவாக பல சுற்று கைமுறை ஆராய்ச்சியை தேவைப்படும். சோதனை தரவுத் தொகுப்பைப் பயன்படுத்தும் இந்த எடுத்துக்காட்டு ப்ராம்ப்ட்டை எடுத்துக்கொள்ளுங்கள்: “NYC டாக்ஸி பயணங்களுக்கு, பிக்கப்-இலிருந்து ட்ராப்ஆப் ZIP ஜோடிகளில் எவை மிகவும் நம்பகமற்றவை, வழக்கமான மற்றும் மோசமான-நிலை பயண நேரங்களுக்கு இடையிலான மிகப்பெரிய இடைவெளியுடன், மேலும் அந்த மாறுபாடு எப்போது ஏற்படுகிறது?”

ஏஜென்ட் பகுப்பாய்வை முழுமையாக கையாளுகிறது, கேள்வியைப் புரிந்துகொள்வதிலிருந்து தரவை ஆராய்வது, வினவல்களை இயக்குவது, மற்றும் கண்டுபிடிப்புகளை ஒருங்கிணைப்பது வரை.

ஏஜென்டின் மிகப்பெரிய திறன்களில் ஒன்றாக பிரச்சினைகளை காரணவிளக்கமளித்து தீர்க்கும் திறன் உள்ளது. நிலையான ஸ்கிரிப்ட்டைப் பின்பற்றுவதற்குப் பதிலாக, ஏஜென்ட் தனது முன்னேற்றத்தைத் தானே மதிப்பீடு செய்கிறது. ஒரு இடைநிலை முடிவு தவறாகத் தோன்றினால் (உதாரணமாக, தவறான இணைப்பு அல்லது வடிகட்டல் காரணமாக அதில் பூஜ்ஜிய வரிசைகள் இருந்தால்), ஏஜென்ட் என்ன தவறு நடந்தது என்பதை ஆராய்ந்து, தனது அணுகுமுறையைச் சரிசெய்து, மீண்டும் முயற்சிக்கிறது. இந்த செயல்முறையின் முழுவதும், இது முழு சூழலை தக்கவைத்துக் கொண்டு, படிகளுக்கிடையே கற்றல்களை அடுத்த கட்டங்களுக்கு கொண்டு செல்கிறது. இந்த closed-loop, self-learning செயல்முறை iteration ஐ பயனரிடமிருந்து ஏஜென்டுக்குள் மாற்றுகிறது; இதன் மூலம் கைமுறை பணிப்பாய்வுகளைவிட வேகமான முடிவுகளையும், தொடர்ந்து உயர்தரமான பகுப்பாய்வுகளையும் வழங்க முடிகிறது.

ஏஜென்ட் முழு பகுப்பாய்வு பணிப்பாய்வை உள்ளடக்குகிறது: தரவை கண்டறிதல், SQL இயக்குதல், நோட்புக்குகள் மற்றும் அறிக்கைகளை வெளியிடுதல். இது நிறுவனத்தின் உள்நாட்டு அறிவைப் புரிந்துகொள்கிறது, வெளிப்புற தகவல்களுக்காக இணையத்தில் தேட முடியும், மேலும் கற்றுக்கொண்ட பயன்பாடு மற்றும் நினைவகத்தின் மூலம் காலப்போக்கில் மேம்படுகிறது.

உயர்தர பதில்கள் செறிந்த மற்றும் துல்லியமான சூழல் மீது சார்ந்துள்ளன. சூழல் இல்லாமல், வலுவான மாடல்கள் கூட தவறான முடிவுகளை உருவாக்கலாம், உதாரணமாக, பயனர் எண்ணிக்கைகளை மிகையாக மதிப்பீடு செய்வது அல்லது உள்நாட்டு சொற்களஞ்சியத்தை தவறாகப் புரிந்துகொள்வது.

இந்த தோல்வி முறைகளைத் தவிர்க்க, OpenAI-யின் தரவு மற்றும் நிறுவன அறிவில் அடிப்படையாகக் கொண்ட பல அடுக்குகளான சூழல்களை மையமாகக் கொண்டு ஏஜென்ட் உருவாக்கப்பட்டுள்ளது.

• மெட்டாடேட்டா அடிப்படையாக்கம்: ஏஜென்ட் SQL எழுதுவதற்கு ஸ்கீமா மெட்டாடேட்டா (நெடுவரிசை பெயர்கள் மற்றும் தரவு வகைகள்) மீது நம்பிக்கையுடன் உள்ளது மற்றும் வெவ்வேறு அட்டவணைகள் எப்படி தொடர்புடையவை என்பதற்கான சூழலை வழங்க அட்டவணை வம்சாவளியை (எ.கா., மேல்நிலை மற்றும் கீழ்நிலை அட்டவணை உறவுகள்) பயன்படுத்துகிறது.
• கேள்வி அனுமானம்: வரலாற்றுக் கேள்விகளை உட்கொள்வது, ஏஜென்ட் தனது சொந்த கேள்விகளை எவ்வாறு எழுதுவது மற்றும் எந்த அட்டவணைகள் பொதுவாக ஒன்றாக இணைக்கப்படுகின்றன என்பதைப் புரிந்துகொள்ள உதவுகிறது.

• தேர்ந்தெடுக்கப்பட்ட விளக்கங்கள் அட்டவணைகள் மற்றும் நெடுவரிசைகளுக்காக துறை நிபுணர்களால் வழங்கப்படுகின்றன, அவை நோக்கம், அர்த்தவியல், வணிக அர்த்தம் மற்றும் ஸ்கீமாக்கள் அல்லது முந்தைய கேள்விகளிலிருந்து எளிதில் அனுமானிக்க முடியாத அறியப்பட்ட எச்சரிக்கைகளைப் பதிவு செய்கின்றன.

மெட்டாடேட்டா மட்டும் போதுமானதல்ல. அட்டவணைகளை உண்மையாகவே வேறுபடுத்திப் பார்க்க, அவை எவ்வாறு உருவாக்கப்பட்டன மற்றும் அவை எங்கிருந்து தோன்றின என்பதைக் கற்றுக்கொள்ள வேண்டும்.

• ஒரு அட்டவணையின் குறியீடு-நிலை வரையறையை உருவாக்குவதன் மூலம், ஏஜென்ட் தரவின் உள்ளடக்கத்தை மேலும் ஆழமாகப் புரிந்துகொள்கிறது. 
  • அட்டவணையில் என்ன சேமிக்கப்படுகிறது மற்றும் அது பகுப்பாய்வு நிகழ்விலிருந்து எவ்வாறு பெறப்படுகிறது என்பதிலுள்ள நுணுக்கங்கள் கூடுதல் தகவலை வழங்குகின்றன. உதாரணமாக, இது மதிப்புகளின் தனித்தன்மை, அட்டவணை தரவு எவ்வளவு அடிக்கடி புதுப்பிக்கப்படுகிறது, தரவின் வரம்பு (எ.கா., அட்டவணை சில புலங்களை விலக்கினால், அதற்கு இந்த அளவிலான நுணுக்கம் உள்ளது) போன்றவற்றின் சூழலை வழங்க முடியும்.
• இது SQL-ஐத் தாண்டி Spark, Python, மற்றும் பிற தரவுக் கணினி அமைப்புகளில் அட்டவணை எவ்வாறு பயன்படுத்தப்படுகிறது என்பதை காட்டுவதன் மூலம் மேம்படுத்தப்பட்ட பயன்பாட்டு சூழலை வழங்குகிறது.
• இதன் பொருள், ஏஜென்ட் ஒரே மாதிரியாகத் தோன்றினாலும் முக்கியமான விதங்களில் வேறுபடும் அட்டவணைகளை வேறுபடுத்தி அறிய முடியும். உதாரணமாக, ஒரு அட்டவணையில் முதல்-கட்சியின் ChatGPT போக்குவரத்து மட்டுமே உள்ளதா என்பதை இது கூற முடியும். இந்தச் சூழலும் தானாகவே புதுப்பிக்கப்படுகிறது, எனவே அது கைமுறை பராமரிப்பு இல்லாமல் எப்போதும் புதுப்பித்த நிலையில் இருக்கும்.

• ஏஜென்ட் Slack, Google Docs, மற்றும் Notion ஆகியவற்றை அணுக முடியும், இவை வெளியீடுகள், நம்பகத்தன்மை சம்பவங்கள், உள்நாட்டு குறியீட்டுப் பெயர்கள் மற்றும் கருவிகள், மேலும் முக்கியமான அளவுகோல்களுக்கான அதிகாரப்பூர்வ வரையறைகள் மற்றும் கணக்கீட்டு தர்க்கம் போன்ற முக்கியமான நிறுவனச் சூழலைப் பதிவு செய்கின்றன.
• இந்த ஆவணங்கள் இறக்குமதி செய்யப்படுகின்றன, உட்பொதிக்கப்படுகின்றன, மேலும் மெட்டாடேட்டா மற்றும் அனுமதிகளுடன் சேமிக்கப்படுகின்றன. ஒரு மீட்டெடுப்பு சேவை இயக்க நேரத்தில் அணுகல் கட்டுப்பாடு மற்றும் கேஷிங்கை கையாள்கிறது, இதனால் ஏஜென்ட் இந்த தகவலை திறமையாகவும் பாதுகாப்பாகவும் பெற முடியும்.

• ஏஜென்டுக்கு திருத்தங்கள் வழங்கப்பட்டால் அல்லது குறிப்பிட்ட தரவுக் கேள்விகளின் நுணுக்கங்களை அது கண்டறிந்தால், அடுத்த முறை பயன்படுத்துவதற்காக இந்தக் கற்றல்களைச் சேமிக்க முடியும், இதனால் அது தனது பயனர்களுடன் தொடர்ந்து மேம்பட முடிகிறது.
  • இதன் விளைவாக, எதிர்கால பதில்கள் ஒரே மாதிரியான சிக்கல்களை மீண்டும் மீண்டும் சந்திப்பதை விட மிகவும் துல்லியமான அடிப்படையிலிருந்து தொடங்குகின்றன.
  • நினைவகத்தின் நோக்கம், தரவின் சரியானதன்மையை உறுதிப்படுத்துவதற்குத் தேவையான ஆனால் மற்ற அடுக்குகளிலிருந்து மட்டும் ஊகிக்க முடியாத வெளிப்படையாகத் தெரியாத திருத்தங்கள், வடிகட்டிகள் மற்றும் கட்டுப்பாடுகளை தக்கவைத்து மீண்டும் பயன்படுத்துவதாகும். 
  • உதாரணமாக, ஒரு சந்தர்ப்பத்தில், ஒரு குறிப்பிட்ட பகுப்பாய்வு பரிசோதனைக்கு எவ்வாறு வடிகட்டுவது என்பது ஏஜென்டுக்குத் தெரியவில்லை (இது ஒரு சோதனை வாயிலில் வரையறுக்கப்பட்ட ஒரு குறிப்பிட்ட சரத்துடன் பொருந்துவதை நம்பியிருந்தது). ஸ்ட்ரீம் மேட்ச் செய்யத் தெளிவில்லாமல் முயற்சிப்பதற்குப் பதிலாக, சரியாக வடிகட்ட முடிந்ததை உறுதி செய்வதற்கு நினைவகம் இங்கே மிக முக்கியமானது.
• நீங்கள் ஏஜென்டுக்கு திருத்தம் அளிக்கும்போது அல்லது அது உங்கள் உரையாடலிலிருந்து கற்றலொன்றை கண்டறிந்தால், அடுத்த முறை பயன்படுத்த அந்த நினைவகத்தை சேமிக்க உங்களை ப்ராம்ப்ட் செய்யும்.
  • நினைவுகளை பயனர்கள் கைமுறையாக உருவாக்கவும் திருத்தவும் செய்யலாம்.
  • நினைவுகள் உலகளாவிய மற்றும் தனிப்பட்ட நிலைகளில் வரையறுக்கப்பட்டுள்ளன, மேலும் அவற்றைத் திருத்த ஏஜென்டின் கருவிகள் எளிதாக்குகின்றன.

• ஒரு அட்டவணைக்கு முன் உள்ள தகவல் எதுவும் இல்லாதபோது அல்லது உள்ள தகவல் காலாவதியாக இருக்கும் போது, ஏஜென்ட் தரவுக் களஞ்சியத்திற்கு நேரடி வினவல்களை அனுப்பி, அட்டவணையை நேரடியாக ஆய்வு செய்து வினவலாம். இது ஸ்கீமாக்களை சரிபார்க்க, தரவை நேரடியாகப் புரிந்து, அதற்கேற்ப பதிலளிக்க அனுமதிக்கிறது.
• இந்த ஏஜென்ட் தேவையானபோது warehouse க்கு வெளியே உள்ள விரிவான data context ஐ பெற, (metadata service, Airflow, Spark) போன்ற பிற Data Platform அமைப்புகளுடனும் தொடர்பு கொள்ளும் திறன் கொண்டது.

We run a daily offline pipeline that aggregates table usage, human annotations, and Codex-derived enrichment into a single, normalized representation. This enriched context is then converted into embeddings using the OpenAI embeddings API⁠(புதிய சாளரத்தில் திறக்கும்) and stored for retrieval. At query time, the agent pulls only the most relevant embedded context via retrieval-augmented generation⁠(புதிய சாளரத்தில் திறக்கும்) (RAG) instead of scanning raw metadata or logs. This makes table understanding fast and scalable, even across tens of thousands of tables, while keeping runtime latency predictable and low. Runtime queries are issued to our data warehouse live as needed.

Together, these layers ensure the agent’s reasoning is grounded in OpenAI’s data, code, and institutional knowledge, dramatically reducing errors and improving answer quality.

One-shot answers work when the problem is clear, but most questions aren’t. More often, arriving at the correct result requires back-and-forth refinement and some course correction.

The agent is built to behave like a teammate you can reason with. It’s a conversational, always-on and handles both quick answers and iterative exploration.

It carries over complete context across turns, so users can ask follow-up questions, adjust their intent, or change direction without restating everything. If the agent starts heading down the wrong path, users can interrupt mid-analysis and redirect it, just like working with a human collaborator who listens instead of plowing ahead.

When instructions are unclear or incomplete, the agent proactively asks clarifying questions. If no response is provided, it applies sensible defaults to make progress. For example, if a user asks about business growth with no date range specified, it may assume the last seven or 30 days. These priors allow it to stay responsive and non-blocking while still converging on the right outcome.

The result is an agent that works well both when you know exactly what you want (e.g., “Tell me about this table”) and just as strong when you’re exploring (e.g., “I’m seeing a dip here, can we break this down by customer type and timeframe?”). 

After rollout, we observed that users frequently ran the same analyses for routine repetitive work. To expedite this, the agent's workflows package recurring analyses into reusable instruction sets. Examples include workflows for weekly business reports and table validations. By encoding context and best practices once, workflows streamline repeat analyses and ensure consistent results across users.

Building an always-on, evolving agent means quality can drift just as easily as it can improve. Without a tight feedback loop, regressions are inevitable and invisible. The only way to scale capability without breaking trust is through systematic evaluation.

In this section, we’ll discuss how we leverage OpenAI’s Evals API⁠(புதிய சாளரத்தில் திறக்கும்) to measure and protect the agent’s response quality.

Its Evals are built on curated sets of question-answer pairs. Each question targets an important metric or analytical pattern we care deeply about getting right, paired with a manually authored “golden” SQL query that produces the expected result. For each eval, we send the natural language question to its query-generation endpoint, execute the generated SQL, and compare the output against the result of the expected SQL.

Evaluation doesn’t rely on naive string matching. Generated SQL can differ syntactically while still being correct, and result sets may include extra columns that don’t materially affect the answer. To account for this, we compare both the SQL and the resulting data, and feed these signals into OpenAI’s Evals grader. The grader produces a final score along with an explanation, capturing both correctness and acceptable variation.

These evals are like unit tests that run continuously during development to identify regressions as canaries in production; this allows us to catch issues early and confidently iterate as the agent's capabilities expand.

Our agent plugs directly into OpenAI’s existing security and access-control model. It operates purely as an interface layer, inheriting and enforcing the same permissions and guardrails that govern OpenAI’s data. 

All of the agent’s access is strictly pass-through, meaning users can only query tables they already have permission to access. When access is missing, it flags this or falls back to alternative datasets the user is authorized to use.

Finally, it's built for transparency. Like any system, it can make mistakes. It exposes its reasoning process by summarizing assumptions and execution steps alongside each answer. When queries are executed, it links directly to the underlying results, allowing users to inspect raw data and verify every step of the analysis.

Building our agent from scratch surfaced practical lessons about how agents behave, where they struggle, and what actually makes them reliable at scale.

Early on, we exposed our full tool set to the agent, and quickly ran into problems with overlapping functionality. While this redundancy can be helpful for specific custom cases and is more obvious to a human when manually invoking, it’s confusing to agents. To reduce ambiguity and improve reliability, we restricted and consolidated certain tool calls.

We also discovered that highly prescriptive prompting degraded results. While many questions share a general analytical shape, the details vary enough that rigid instructions often pushed the agent down incorrect paths. By shifting to higher-level guidance and relying on GPT‑5’s reasoning to choose the appropriate execution path, the agent became more robust and produced better results.

Schemas and query history describe a table’s shape and usage, but its true meaning lives in the code that produces it. Pipeline logic captures assumptions, freshness guarantees, and business intent that never surface in SQL or metadata. By crawling the codebase with Codex, our agent understands how datasets are actually constructed and is able to better reason about what each table actually contains. It can answer “what’s in here” and “when can I use it” far more accurately than from warehouse signals alone. 

We’re constantly working to improve our agent by increasing its ability to handle ambiguous questions, improving its reliability and accuracy with stronger validations, and integrating it more deeply into workflows. We believe it should blend naturally into how people already work, instead of functioning like a separate tool.

While our tooling will keep benefiting from underlying improvements in agent reasoning, validation, and self-correction, our team’s mission remains the same: seamlessly deliver fast, trustworthy data analysis across OpenAI’s data ecosystem.