Codex در پروآکشن: چهار تا شش دموی سفارشی در ماه
پروآکشن نرم‌افزار مدیریت ناوگان خودرو و ماشین‌آلات ساختمانی می‌سازد. کالین کنودسن، یکی از بنیان‌گذاران این شرکت، حالا با Codex دموهای فروش سفارشی می‌سازد بدون این‌که به کمک مهندسی نیاز داشته باشد؛ همین یک تغییر، عدد مشخصی در نرخ پیشرفت قراردادها ثبت کرده است.
پروآکشن نرم‌افزار مدیریت ناوگان خودرو و ماشین‌آلات ساختمانی می‌سازد. کالین کنودسن، یکی از بنیان‌گذاران این شرکت، حالا با Codex دموهای فروش سفارشی می‌سازد بدون این‌که به کمک مهندسی نیاز داشته باشد؛ همین یک تغییر، عدد مشخصی در نرخ پیشرفت قراردادها ثبت کرده است.
یک دموی فروش که هر بار متفاوت است
وقتی یک شرکت فروش نرم‌افزار مدیریت ناوگان می‌خواهد یک مشتری احتمالی را قانع کند، معمولاً یک دموی عمومی نشانش می‌دهد. پروآکشن این مسیر را کنار گذاشته است. کالین کنودسن با Codex از ضبط تماس‌ها، ایمیل‌های مشتری احتمالی و صفحه‌گسترده‌های به‌اشتراک‌گذاشته‌شده استفاده می‌کند تا محیط دموی HTML را برای هر مشتری خاص شخصی‌سازی کند. نتیجه دمویی است که خودروها و گردش‌کارهای همان مشتری احتمالی را نمایش می‌دهد، نه یک نمونه‌ی عمومی. ساخت هر دمو ۳۰ تا ۴۵ دقیقه طول می‌کشد، در حالی که تولید دموی مشابه توسط مهندسان پروآکشن حدود ۱۰ ساعت زمان می‌برد. کنودسن ماهانه چهار تا شش دموی این‌چنینی می‌سازد و این کار به‌تنهایی تقریباً ۴۰ تا ۶۰ ساعت کار مهندسی را در ماه صرفه‌جویی می‌کند.
عددی که فروش را توضیح می‌دهد
پروآکشن تخمین می‌زند سهم قراردادهایی که از تماس اولیه به مرحله‌ی توسعه‌ی راهکار می‌رسند، با این دموهای سفارشی ۵۰ تا ۶۰ درصد افزایش یافته است. این عدد چیزی بیش از یک بهبود جانبی است؛ نشان می‌دهد وقتی مشتری احتمالی خودروهای خودش را در یک محیط شبیه‌سازی‌شده می‌بیند، تصمیم‌گیری سریع‌تر پیش می‌رود. پروآکشن این ایده را یک قدم جلوتر برده و یک مرکز راهکار مشتری ساخته که در آن مشتریان احتمالی می‌توانند گردش‌کارهای متناسب با خودشان را کاوش کنند و مواد فروش را بررسی کنند. پلاگین‌های Codex همچنین گردش‌کارهای پروآکشن را به Granola، Gmail، Slack، Linear، GitHub و HubSpot متصل کرده‌اند.
از دموی فروش تا عملیات واقعی ناوگان
کاربرد Codex در پروآکشن به مرحله‌ی فروش محدود نمی‌ماند. شرکت مدل‌های OpenAI را در سراسر پلتفرم خودش به کار می‌گیرد؛ ChatGPT-5.6 Sol به شناسایی آسیب در عکس‌های مشکلات خودرو کمک می‌کند، و GPT-Live-1 پایه‌ی ساخت ایجنت‌های عملیات ناوگان است. این ایجنت‌ها بخشی از سیستمی هستند که پروآکشن آن را لایه‌ی اجرای مدیریت‌شده می‌نامد و می‌توانند گردش‌کارهایی از پرداخت عوارض تا سرویس خودرو را انجام دهند؛ از تماس صوتی گرفته تا بررسی سند و عکس، تحلیل متن و پاسخ‌گویی در چت. یکی از این ایجنت‌ها به نام مارتی هماهنگ‌کننده‌ی کارهای تعمیر و نگهداری خودرو است: می‌تواند با راننده درباره‌ی مشکل خودرو صحبت کند، با تعمیرگاه تماس بگیرد، سرویس را ترتیب دهد و در گرفتن تأیید تخمین هزینه و پرداخت کمک کند. در جاهایی که کار به بازبینی یا دخالت انسانی نیاز دارد، پروآکشن همچنان انسان را در چرخه نگه می‌دارد.
چرا این ترکیب برای تیم‌های محصول اهمیت دارد
پروآکشن برای سرعت‌بخشیدن به ساخت تجربه‌های ایجنتی از GPT-6 Astra نیز استفاده می‌کند؛ یعنی همان الگویی که در ساخت دموهای فروش دیده شد، دوباره در ساخت محصول تکرار می‌شود: ابزاری که کار را از دست مهندسی خارج نمی‌کند اما بار تکراری آن را کم می‌کند. کنودسن خودش تخمین می‌زند Codex ماهانه ۲۵ تا ۳۳ ساعت از وقتش را صرفه‌جویی می‌کند، بدون آن‌که پروآکشن جزئیات بیشتری درباره‌ی این که این زمان دقیقاً کجا صرف می‌شود منتشر کرده باشد. برای شرکت‌هایی که با فروش B2B پیچیده و محصول فنی سروکار دارند، این نمونه نشان می‌دهد ابزارهایی مثل Codex می‌توانند نقشی مستقیم در نرخ تبدیل مشتری بازی کنند، نه فقط در سرعت کدنویسی.
مشخصات
- تعداد دمو در ماه: ۴ تا ۶ دمو
- زمان ساخت هر دمو: ۳۰ تا ۴۵ دقیقه
- کار مهندسی صرفه‌جویی‌شده در ماه: ۴۰ تا ۶۰ ساعت
- صرفه‌جویی زمانی ماهانه کالین کنودسن: ۲۵ تا ۳۳ ساعت
- مدل‌های استفاده‌شده: ChatGPT-5.6 Sol، GPT-Live-1، GPT-6 Astra
منابع
- OpenAI - Proaction — OpenAI