A Proaction szoftvert fejleszt vállalatok számára, amelyek járműflottákat — személyautóktól teherautókon át építőipari gépekig — működtetnek. Mivel minden flottánál mások a munkafolyamatok, a potenciális ügyfelek számára készített, az ő adataikra szabott bemutatók kulcsfontosságúak az eladásnál. Ezek korábban jelentős mérnöki erőforrást igényeltek, amit a csapat nem engedhetett meg magának; a társalapítók ezért beszélgetésekre és slide‑okra hagyatkoztak a lehetőségek bemutatásához.
A Codex viszont megváltoztatta ezt a munkafolyamatot. Colin Knudsen, a Proaction társalapítója és működtetési igazgatója (COO) elmondta: „Műszaki háttér nélküli személyként korábban be kellett vonnom a mérnököket, ha demót akartam. Most már Codexben magam csinálom.” Colin havonta négy‑hat testreszabott, interaktív demót készít, egy demó elkészítése 30–45 percet vesz igénybe. Colin becslése szerint ez havonta 40–60 óra mérnöki munka megtakarítását jelenti.
Hogyan működik a folyamat
Eladást követően Colin a Codexnek megadja a Granola felvételt, a potenciális ügyféllel folytatott e‑mailváltást és a megosztott táblázatokat. Codex ezeket a kontextusokat felhasználva előállít egy testreszabott HTML demó környezetet, amely tükrözi a Proaction termékét és az ügyfél saját flottáját. A megosztott képernyőn a leendő ügyfél a saját autóit, teherautóit vagy berendezéseit látja, a saját munkamódszereinek megfelelően rendezve; így közösen jelölhetik ki a módosításokat és építhetik fel a megoldást anélkül, hogy a mérnökök bevonására szükség lenne.
Colin szerint a személyre szabott demók hatására az ügyfélkapcsolatból megoldásfejlesztésbe átlépő ügyletek aránya 50–60%-kal nőtt. Ha a mérnökök készítenék ezeket a demókat, egy demó előállítása hozzávetőlegesen 10 órát venne igénybe; havi négy‑hat demó mellett ez ténylegesen 40–60 óra mérnöki munka megtakarítását jelenti.
A testreszabott demó ráadásul a háttérben is időt takarít meg: amikor a potenciális ügyfélből ügyfél lesz, a demó vizuális referenciaanyagként szolgál a mérnököknek, ami csökkenti a kérdések és az egyeztetések számát a fejlesztés során.
Ügyfélmegoldás‑központ és munkafolyamatok
Codex segítségével a Proaction létrehozott egy ügyfélmegoldás‑központot is, ahol a leendő ügyfelek bejelentkezhetnek, végigjárhatják a számukra testreszabott munkafolyamatokat és áttekinthetik az értékesítési anyagokat. Ez lehetővé teszi, hogy az ügyfelek pontosabban megfogalmazzák igényeiket, és a nem mérnöki kollégák is egyértelműbb követelményeket alakítsanak ki — így mire a mérnökök belépnek, már konkrétabb elképzelésük van a megvalósítandóról.
Colin napi szerepköre az értékesítést, az ügyféltámogatást és a termékmenedzsmentet fedheti le. Codexbe beépített pluginokkal — többek között Granola, Gmail, Slack, Linear, GitHub és HubSpot integrációkkal — Colin összegyűjti a vásárlói kontextust és közvetlenül a Codexben végrehajtja a szükséges lépéseket. Hívásátiratokat és e‑mailtörténetet húz be a követések előkészítéséhez, Linear issue‑okat hoz létre, és HubSpot‑lehetőségeket frissít.
Emellett beállított egy ütemezett automatizmust, amely áttekinti a friss hívásokat és értékesítési összefoglalókat készít a csapat számára. Korábban a nagy terhelés miatt sokat kellett váltogatnia a böngészőfülek között és kézzel másolnia adatokat; most elég leírnia, mire van szüksége, és a Codex összegyűjti az információt és végrehajtja a következő lépést. Colin naponta nagyjából 15–20 különböző feladatot végez; úgy becsüli, hogy a Codex havi szinten 25–33 órát takarít meg neki.
OpenAI modellek a platformon: képfeldolgozás és ügynökök
A Proaction a platform több pontján is használ OpenAI modelleket. Amikor ügyfelek járműfotókat töltenek fel hibajelentéssel, a ChatGPT‑5.6 Sol segít azonosítani a sérüléseket. A GPT‑Live‑1 segítségével a Proaction olyan ügynököket fejleszt, amelyek a flottakezelés napi feladatait képesek elvégezni; ezt a réteget a cég Managed Execution Layernek nevezi.
Az ügyfelek speciális ügynököket kérhetnek például útdíjak vagy szervizelés kezelésére, illetve munkafolyamatokat állíthatnak be úgy, hogy a megfelelő ügynök automatikusan lépjen működésbe. Az ügynökök a GPT‑Live‑1 és GPT‑6 Astra modelleket, illetve más OpenAI modelleket használják hanghívások kezdeményezésére, dokumentumok és képek áttekintésére, szövegek elemzésére és csevegésre válaszadásra.
Az egyik ügynök, Marty, kifejezetten a járműkarbantartás koordinálására szolgál: a sofőrrel beszél a problémáról, hérozásokat intéz a szervizekhez, megszervezi a javítást, és segít az árajánlat jóváhagyásában és kifizetésében. A Proaction csapata akkor száll be, ha emberi felülvizsgálatra vagy beavatkozásra van szükség.
GPT‑6 Astra gyorsabb és tömörebb „computer‑use run” futtatásokat tesz lehetővé a Proaction termékcsapatának. Danny O’Halloran, Head of Product, megjegyezte: „Astra számítógép‑használati futásai tömörebbek. GPT‑5.6 Sol esetén ugyanannak a munkának végrehajtása hosszabb futást igényelt.”
Összességében a Codex és a GPT‑6 Astra több időt ad a Proaction számára az értékesítésre és az ügyféltámogatásra, míg a GPT‑Live‑1‑re épülő ügynökök a flottamenedzserek napi terheit csökkentik.
Konkrét számok és hatások
- Humán demók helyett Codex‑alapú demók: 4–6 demó/hónap, 30–45 perc/demó.
- Becslés szerint 40–60 óra mérnöki munka megtakarítása havonta (ha mérnökök készítenék, ~10 óra/demó).
- Az ügyletátmenet (kapcsolat → megoldásfejlesztés) arányának növekedése körülbelül 50–60%.
- Colin napi 15–20 feladatot kezel; Codex használatával 25–33 óra/megtakarítás havonta számára.
A Proaction esete jól szemlélteti, hogyan lehet a generatív modelleket és automatizált ügynököket a sales és termékfejlesztés hatékonyságának növelésére használni anélkül, hogy a mérnöki csapatot folyamatosan leterhelnék.
