Aufgezeichnete Meetings sind eine zu wenig genutzte Wissensressource. Sie sind schwer zu durchsuchen, ihre erneute Sichtung kostet viel Zeit und sie liegen isoliert auf verschiedenen Teamlaufwerken. Deshalb bleiben wertvolle Erkenntnisse oft unbemerkt.
Bei einem eintägigen Hackathon entwickelte ein dreiköpfiges Team Callombia. Die interne Plattform transkribiert, verschlagwortet und fasst aufgezeichnete Gespräche automatisch zusammen. Zudem erstellt sie daraus thematische Clips und legt sie in einer durchsuchbaren, YouTube-ähnlichen Repository ab, auf die alle internationalen Standorte zugreifen können.
Die vollständig mit Codex entwickelte Lösung nutzt eine semantische Suche auf Basis von OpenAI-Embeddings und Kosinusähnlichkeit. So findet sie relevante Gesprächsmomente auch ohne exakte Schlüsselbegriffe. Ergänzt wird sie durch einen RAG-Chatbot und ein Benachrichtigungssystem.
Was früher Wochen gedauert hätte, war nach sieben Stunden fertig. Das zeigt, wie KI-native Entwicklung mit Coding-Agenten wie Codex den Produktentwicklungszyklus erheblich verkürzen und aus internen Hackathons echten geschäftlichen Mehrwert schaffen kann.
Wenn es dir wie mir geht, hast du nur selten die Zeit oder die nötige Aufmerksamkeit, um aufgezeichnete Meetings noch einmal anzuhören. Das liegt oft daran, dass man ungeordnete Teamlaufwerke durchsuchen, belanglosen Smalltalk überspringen und versuchen muss, wirklich zuzuhören, während man gleichzeitig E-Mails und Nachrichten verschickt.
Aber vielleicht muss das gar nicht so sein? Vielleicht könnten wir etwas entwickeln, das den Umgang mit aufgezeichneten Meetings grundlegend verändert? Diese Überlegung stand hinter unserem jüngsten Hackathon-Projekt.
An nur einem Tag bearbeiteten 50 Personen aus unseren Engineering-, Delivery- und Operations-Teams verschiedene Aufgaben aus dem gesamten Unternehmen: die Skalierung der Personalbeschaffung, eine effizientere Erstellung von Leistungsbeschreibungen, die Beurteilung des Projektstatus, die Live-Erstellung von Prototypen und das Erschließen von Erkenntnissen aus aufgezeichneten Meetings.
Bei diesem Hackathon auf Basis von Codex entwickelten wir Callombia. Callombia ist das YouTube unseres Unternehmens und macht jedes Gespräch zu einer laufend aktualisierten, durchsuchbaren Wissensressource. Jedes Gespräch wird automatisch transkribiert, verschlagwortet und zusammengefasst, anschließend in thematische Clips geschnitten und einer Repository hinzugefügt. Diese ist nach Kanälen (Kundenunternehmen) und Themen (KI-Fachgebieten) gegliedert. So können alle Teammitglieder in London, Edinburgh, Singapur und Australien sofort auf die für sie relevanten Gesprächsmomente zugreifen.
Eine vertraute Benutzeroberfläche im Markenauftritt macht das Entdecken von Inhalten intuitiv. Eine semantische Suche und natürlich ein RAG-KI-Chatbot helfen dabei, genau die gesuchten Informationen zu finden. Dank eines Benachrichtigungssystems können unsere Kolleginnen und Kollegen außerdem bestimmte Themen abonnieren und sich über neue, für sie relevante Clips informieren lassen.
Das Spannende an Callombia ist jedoch weder das Produkt noch das Preisgeld von 2.000 £ für den Hackathon-Sieg, sondern dass wir all das mit zwei Engineers und einem Delivery Lead in nur sieben Stunden entwickeln konnten. Vor einem Jahr wäre das nicht möglich gewesen. Verbesserungen bei Coding-Agenten haben den gesamten Produktentwicklungsprozess erheblich beschleunigt. Dieser Hackathon bot ein ideales Testfeld, um die ungleichmäßigen Grenzen ihrer Fähigkeiten zu verstehen. Wie haben wir Codex also eingesetzt?
Statt einfach eine lange Anforderungsliste zu verfassen, beschrieben wir zunächst in einem Prompt unsere gemeinsame Sicht auf das Problemfeld und unsere Vision für Callombia. Wir blieben bewusst unspezifisch, überließen dem Modell die Arbeit und gaben ihm Raum für kreative Überlegungen:
Nach zehn Minuten Austausch aktivierten wir Plan Mode, um die Anforderungen einzugrenzen und die technische Umsetzung vorzubereiten. Plan Mode fühlt sich an, als würde man die Fragen eines nervigen Freundes beantworten, der hilfreicherweise bereits jedes erdenkliche Szenario durchgespielt hat. Nachdem wir uns unter anderem auf die Anzahl der Videos, eine semantische Suche oder Schlüsselwortsuche und die zu verwendende Architektur geeinigt hatten, erstellte Codex eine Markdown-Datei, die fortan als Grundlage des Projekts diente.
Nachdem der Plan stand, entwickelten wir im nächsten Schritt die Kernkomponenten, die Callombia funktionsfähig machen sollten. Dafür mussten wir eine Verarbeitungskette von aufgezeichneten Gesprächen zu durchsuchbaren Wissensressourcen erstellen:
Videos und Transkripte einlesen,
sie in aussagekräftige Momente unterteilen,
sie mit Zusammenfassungen und Schlagwörtern anreichern,
sie über APIs bereitstellen, auf die das Frontend zugreifen konnte.
Ed konzentrierte sich vor allem darauf, die Rohaufnahmen und Transkriptdaten in ein nutzbares Format zu bringen. Nico arbeitete hauptsächlich an der Abrufschicht, mit der sich die relevanten Momente finden ließen. Mit Codex konnten beide die Datenmodelle, Extraktionsskripte und Backend-Infrastruktur wesentlich schneller aufsetzen, als es manuell möglich gewesen wäre. Das Ergebnis war weit mehr als ein an ein Video angehängtes Transkript. Wir erhielten konkrete Momente: den Abschnitt über Tesco, das Strategie-Update, die Diskussion zur Personalbeschaffung oder genau jene 90 Sekunden eines Gesprächs, die sich jemand tatsächlich ansehen möchte.
Besonders interessant wurde es bei dieser Abrufschicht. Wir wollten, dass jemand Suchanfragen wie “financial performance,” “Tesco roadmap,” oder “conversation evals” eingeben und zu den relevantesten Clips gelangen kann, selbst wenn diese Wörter nie wörtlich gefallen sind. Dafür erstellten wir Abschnitte mit Zeitstempeln, Zusammenfassungen, Transkripttext und Metadaten. Mit einer klaren Architektur und viel Unterstützung durch Codex fassten wir Thema, Zusammenfassung und Transkript zu einer einzigen Eingabe zusammen. Anschließend erzeugten wir mit dem Modell text-embedding-3-small von OpenAI Embeddings für jeden Abschnitt. Wir speicherten diese Embeddings in unserer Datenbank und verglichen jede Suchanfrage per Kosinusähnlichkeit mit allen Abschnitten. So erhielten wir eine semantische Abrufschicht statt einer einfachen Schlüsselwortsuche.
Das lieferte äußerst genaue Ergebnisse und verlieh dem Produkt während der Hackathon-Demo seinen beinahe „magischen“ Eindruck. Gleichzeitig wussten wir, dass dieser Ansatz bei einer stetig wachsenden Videozahl nicht unbegrenzt skalieren würde. Jede Suchanfrage mit jedem Abschnitt zu vergleichen, wäre schließlich zu teuer geworden. Der logische nächste Schritt wären effizientere Abrufstrategien wie Hierarchical Navigable Small World. Sie würden die Zahl der Vergleiche reduzieren und die Latenz auch bei einem wachsenden Korpus niedrig halten. Als diese Funktion einsatzbereit war, wirkte Callombia zunehmend wie ein Wissenssystem und weniger wie eine Mediathek.
Wie bei jedem guten Hackathon waren auch hier mehrere Überarbeitungen nötig: Die ersten Abschnittsgrenzen waren zu ungenau, einige Zeitstempel mussten präzisiert werden, manche Schlagwörter waren zu allgemein und Transkript- und Aufnahmedateien passten nicht immer sauber zusammen. Doch genau dabei zeigte sich auch der Nutzen. Mit Codex konnten wir das System schnell verfeinern, statt bei der Einrichtung und Nacharbeit stecken zu bleiben. Am Ende hatten wir ein Backend, das Clips, Ausschnitte und eine wirklich nützliche semantische Suche unterstützte. Ab diesem Punkt wirkte Callombia wie ein echtes Produkt und nicht mehr nur wie eine Hackathon-Demo.
Während Ed und Nico die Datenaufnahme und die Intelligenzschicht entwickelten, baute ich das Frontend. Mit unserer Full-Stack-Vorlage konnte ich schnell eine erste Version der Website erstellen, ohne eine einzige Zeile Code zu schreiben. Nachdem ich Codex gebeten hatte, die Website lokal in meinem Browser zu öffnen, gab ich einfaches Feedback in Stichpunkten, um das Design schrittweise an meine Vorstellungen anzupassen.
Nach ungefähr einer Stunde Austausch hatte ich ein Ergebnis, mit dem ich ziemlich zufrieden war, und das ganz ohne Erfahrung mit Benutzeroberflächen oder Design. Das Endprodukt ist zwar keineswegs perfekt, aber eine durchaus gute erste Version, die das Produkt verständlich vermittelt.
Damit wir am Ende des Tages ein Ergebnis hatten, teilten wir die Arbeit untereinander auf. Nach einigen Stunden weitgehend unabhängiger Arbeit hatten wir natürlich alle eigene lokale Branches mit zahlreichen Konflikten.
Statt uns die nicht vorhandene Zeit zu nehmen, um die Konflikte sorgfältig durchzugehen und zu beheben, ließen wir Codex auf die Repositories los und die Konflikte selbstständig lösen. Für die Entwicklung unternehmenskritischer Software würden wir das derzeit nicht empfehlen. In einer Umgebung mit geringem Risiko war die Wirksamkeit jedoch beeindruckend und ersparte uns viele Stunden Arbeit.
Zum Abschluss des Hackathons zeichneten wir für die Jury eine Demo von Callombia auf. Instinktiv wollten wir für die Aufnahme Loom öffnen. Dann dachten wir jedoch, dass dies ein echter Test für Codex sein könnte, der etwas außerhalb seiner derzeitigen Fähigkeiten liegt. Also schrieben wir einen Prompt, übergaben einen Link zur Callombia-Website, fügten eine Aufnahme meiner Stimme auf der Entwicklerplattform von OpenAI hinzu und baten Codex, den Rest zu erledigen.
Der erste Versuch war sehr beeindruckend: Codex hatte ein Demo-Skript geschrieben, den Bildschirm aufgezeichnet, meinen gesprochenen Kommentar hinzugefügt und die Vorgaben weitgehend erfüllt. Nur mit der Synchronisierung von Kommentar und Demo-Aufnahme waren wir nicht sofort zufrieden. Deshalb wiesen wir Codex an: “MANDATORY: align the voiceover exactly with what is being shown in the demo. There was misalignment (e.g. on the chat page). Triple check alignment of voiceover and the screen-recorded demo at the end. Match it up through whichever means possible.”
Daraufhin teilte Codex den gesprochenen Kommentar und die Aufnahme in kleinere Abschnitte auf und erledigte die Aufgabe nahezu fehlerfrei, gerade noch rechtzeitig bis 17:30 Uhr, bevor wir mit Bier und Pizza feierten.
Wir wissen, dass Callombia ein Problem löst, das die meisten Unternehmen haben. In einem schnell wachsenden Unternehmen ist es schwierig, an jedem Gespräch teilzunehmen. Die darin vermittelten wertvollen Erkenntnisse sind jedoch von unschätzbarem Wert. Jetzt müssen wir Callombia nur noch in den Produktivbetrieb bringen.
Dahinter steht jedoch eine umfassendere Erkenntnis über KI-natives Arbeiten und den Nutzen, technisches Know-how und Produktkompetenz gezielt für gemeinsame Probleme einzusetzen. Indem wir unseren gewohnten Arbeitsrhythmus verließen und in einem teilweise wettbewerbsorientierten Umfeld teamübergreifend zusammenarbeiteten, entstanden mehrere Lösungen, die sich mit einigen Anpassungen in den Produktivbetrieb überführen ließen. Wenn wir das regelmäßig tun, können wir sicherstellen, dass unsere internen Abläufe ebenso effizient sind wie die Lösungen, die wir für Kundenunternehmen entwickeln.