Нетехнічний COO будує демо клієнтам у Codex
Proaction робить софт для управління автопарками. COO Колін Кнудсен, без технічної освіти, сам будує 4-6 кастомних демо на місяць у Codex — по 30-45 хвилин замість ~10 годин роботи інженера. Codex бере запис дзвінка, листування й таблиці клієнта та генерує HTML-демо з його реальними авто.
Результат: 40-60 годин інженерного часу економиться щомісяця, а частка угод, що переходять у розробку рішення, зросла на 50-60%. Через плагіни для Gmail, Slack, Linear, GitHub і HubSpot Кнудсен ще закриває 15-20 щоденних задач — це 25-33 години на місяць.
Як саме будується демо за 30–45 хвилин
До Codex у Proaction персоналізовані демо вимагали інженерного часу, якого команді бракувало — засновники пояснювали можливості платформи через розмови й слайди. Кнудсен, не маючи технічної освіти, раніше мусив підключати інженерів, якщо хотів показати клієнту демо. Тепер він робить це сам.
- Після дзвінка з клієнтом Кнудсен направляє Codex до запису розмови в Granola, листування з клієнтом і будь-яких таблиць, які той надіслав
- Codex використовує цей контекст, щоб зібрати HTML-демо-середовище, яке відтворює продукт Proaction і реальний автопарк клієнта — його авто, вантажівки чи техніку
- Під час дзвінка клієнт бачить власні машини, організовані так, як він працює, і одразу вказує, що треба змінити
- Рішення допрацьовують разом із клієнтом прямо на дзвінку, без залучення інженерів
Коли клієнт стає замовником, Кнудсен передає те саме демо інженерам як візуальний референс — це скорочує кількість уточнювальних питань і узгоджень про те, що саме будувати.
Другий приклад: агент, що сам домовляється про ремонт
Окрім демо, Proaction використовує моделі OpenAI і в самому продукті. Коли клієнти надсилають фото пошкоджень авто, ChatGPT-5.6 Sol допомагає визначити, що саме пошкоджено. А на базі GPT-Live-1 компанія, за словами засновників, будує агентів, які мають виконувати більше поточної роботи з управління автопарком, а не лише допомагати її відстежувати — цей напрямок компанія називає Managed Execution Layer.
Один із таких агентів, Marty, розрахований на координацію обслуговування техніки: він спілкується з водієм про проблему, телефонує в сервісні центри, домовляється про ремонт і допомагає узгодити й оплатити кошторис. Команда Proaction втручається тоді, коли роботі потрібен перегляд людиною. Агенти для таких завдань, включно з Marty, працюють на GPT-Live-1 та GPT-6 Astra — здійснюють дзвінки, аналізують документи й зображення, обробляють текст і відповідають у чаті.
Де ще Codex закриває задачі Кнудсена
Через плагіни Codex для Granola, Gmail, Slack, Linear, GitHub і HubSpot Кнудсен збирає контекст по клієнтах і одразу діє на його основі — витягує стенограми дзвінків та історію листування для підготовки фоловапів, створює задачі в Linear, оновлює угоди в HubSpot. Він також налаштував автоматизацію за розкладом, яка переглядає останні дзвінки й готує оновлення для команди продажів.
До цього доводилося перемикатися між вкладками й вручну переносити інформацію з одного інструмента в інший. Орієнтовна логіка запиту, яку описує Кнудсен: Візьми записи останніх дзвінків, онови статуси угод у HubSpot і підготуй короткий апдейт для команди продажів.
Що перевірити, перш ніж покладатися на результат
- Демо має відтворювати реальні можливості продукту, а не вигадані функції — воно будується саме як дзеркало платформи Proaction
- Перед стартом розробки інженери мають отримати готове демо як референс — це прибирає розбіжності про те, що саме будувати
- Для агентів на кшталт Marty людина лишається в контурі там, де потрібне підтвердження — наприклад, узгодження й оплата кошторису
Скільки клієнтів уже користуються агентами на GPT-Live-1 і чи вийшов Managed Execution Layer за межі пілоту, у матеріалі не уточнено.