Las reuniones grabadas son un recurso de conocimiento poco aprovechado. Son difíciles de buscar, revisarlas lleva tiempo y están aisladas en las unidades de cada equipo, por lo que muchas ideas valiosas pasan inadvertidas.
En un hackatón de un día, un equipo de tres personas creó Callombia. Es una plataforma interna que transcribe, etiqueta, resume y recorta automáticamente las llamadas grabadas para convertirlas en un repositorio con búsquedas, similar a YouTube y accesible desde todas las oficinas del mundo.
La solución, creada íntegramente con Codex, usa búsqueda semántica basada en embeddings de OpenAI y similitud del coseno para mostrar momentos relevantes aunque no se usen palabras clave exactas, además de incorporar un chatbot con RAG y un sistema de notificaciones.
Lo que antes habría llevado semanas se completó en siete horas, lo que demuestra que el desarrollo nativo de IA con agentes de programación como Codex puede acortar drásticamente el ciclo de desarrollo de productos y generar auténtico valor empresarial en hackatones internos.
Si eres como yo, rara vez tienes tiempo (o capacidad de concentración) para volver a escuchar reuniones grabadas. A menudo se debe a que hay que buscar entre unidades de equipo desorganizadas, saltarse conversaciones triviales poco interesantes e intentar escuchar de verdad mientras se envían correos y mensajes.
Pero ¿quizá no tenga que ser así? ¿Y si creáramos algo que transformara por completo las reuniones grabadas? Esa fue la idea detrás de nuestro reciente proyecto de hackatón.
En solo un día, 50 integrantes de nuestros equipos de ingeniería, entrega y operaciones abordaron diversos problemas planteados por toda la empresa: ampliar las operaciones de contratación, agilizar la creación de declaraciones de trabajo, comprender el estado de los proyectos, generar prototipos en vivo y extraer hallazgos de reuniones grabadas.
En este hackatón basado en Codex, creamos Callombia. Callombia es el YouTube de nuestra empresa: convierte cada llamada en un recurso dinámico en el que se pueden hacer búsquedas. Cada llamada se transcribe, etiqueta y resume automáticamente antes de dividirse en clips temáticos y agregarse a un repositorio organizado por canal (clientes) y tema (áreas de especialización en IA). Así, cualquier integrante del equipo en Londres, Edimburgo, Singapur o Australia puede acceder al instante a los momentos de las llamadas que le interesan.
Una interfaz familiar y coherente con la marca facilita descubrir contenido, mientras que la búsqueda semántica (y, por supuesto, un chatbot de IA con RAG) ayuda a encontrar exactamente lo que se busca. Además, un sistema de notificaciones permite que nuestros colegas se suscriban a ciertos temas y reciban avisos cuando se publiquen clips nuevos que puedan interesarles.
Pero lo genial de Callombia no es el producto ni el premio de £2 mil por ganar el hackatón (presumimos un poco), sino haber podido crear todo esto en solo siete horas con dos ingenieros y un líder de entrega. Hace un año, eso no era posible. Las mejoras en los agentes de programación han acelerado enormemente el proceso integral de desarrollo de productos, y este hackatón fue un excelente campo de pruebas para entender sus límites irregulares. Entonces, ¿cómo usamos Codex?
En lugar de limitarnos a redactar muchos requisitos, comenzamos compartiendo nuestra visión colectiva (como prompt) sobre el problema y lo que queríamos lograr con Callombia. Al ser deliberadamente imprecisos, dejamos que el modelo hiciera el trabajo y pensara de forma creativa:
Tras 10 minutos de intercambio, activamos el modo Plan para concretar los requisitos y orientar la parte técnica del desarrollo. El modo Plan se siente como responder las preguntas de ese amigo fastidioso que, para bien, ya pensó en todos los escenarios posibles. Tras acordar aspectos como la cantidad de videos, el uso de búsqueda semántica o por palabras clave y la arquitectura, creó un archivo Markdown que sirvió como base del proyecto a partir de ese momento.
Una vez definido el plan, el siguiente paso fue crear los componentes principales que harían funcionar Callombia. Eso implicaba crear un flujo para convertir llamadas grabadas en recursos consultables:
Incorporar videos y transcripciones,
Dividirlos en momentos relevantes,
Enriquecerlos con resúmenes y etiquetas,
Exponerlos mediante API que pudiera usar el frontend.
Ed se concentró principalmente en convertir las grabaciones originales y los datos de transcripción en un formato utilizable, mientras que Nico trabajó más en la capa de recuperación que permitiría descubrir esos momentos. Con Codex, ambos pudieron crear los modelos de datos, los scripts de extracción y la infraestructura del backend mucho más rápido de lo que habríamos podido hacerlo manualmente. Así obtuvimos mucho más que una transcripción adjunta a un video. Obtuvimos momentos: la sección sobre Tesco, la actualización de estrategia, la conversación sobre contratación o los 90 segundos concretos de una llamada que alguien realmente quiere ver.
Fue en esa capa de recuperación donde todo se volvió especialmente interesante. Queríamos que alguien pudiera escribir algo como “desempeño financiero”, “hoja de ruta de Tesco” o “evaluaciones de conversaciones” y acceder a los clips más relevantes, aunque nunca se hubieran pronunciado esas palabras exactas. Para lograrlo, creamos fragmentos con marcas de tiempo, resúmenes, texto de la transcripción y metadatos. Con una arquitectura clara en mente y mucha ayuda de Codex, combinamos el tema, el resumen y la transcripción en una sola entrada, y usamos el modelo text-embedding-3-small de OpenAI para generar embeddings de cada fragmento. Almacenamos esos embeddings en nuestra base de datos y usamos la similitud del coseno para comparar la consulta del usuario con cada fragmento. Así obtuvimos una capa de recuperación semántica, en lugar de una simple búsqueda por palabras clave.
Esto ofreció una precisión excelente y dio al producto esa sensación de “magia” durante la demostración del hackatón. Al mismo tiempo, sabíamos que este enfoque no podría escalar indefinidamente si la cantidad de videos seguía creciendo, porque comparar cada consulta con todos los fragmentos acabaría siendo demasiado costoso. El siguiente paso natural sería incorporar estrategias de recuperación más eficientes, como Hierarchical Navigable Small World, para reducir la cantidad de comparaciones y mantener una latencia baja a medida que crece el corpus. Cuando esta función comenzó a operar, Callombia empezó a parecerse menos a una biblioteca multimedia y más a un sistema de conocimiento.
Como en todo buen hackatón, esa parte también requirió iteraciones: los límites iniciales de los fragmentos eran demasiado imprecisos, algunas marcas de tiempo necesitaban ajustes, ciertas etiquetas eran demasiado generales y los archivos de transcripción y grabación no siempre coincidían bien. Pero ahí también fue donde se hizo evidente el valor. Codex nos permitió perfeccionar rápidamente el sistema, en lugar de quedarnos atascados en la configuración y el retrabajo. Al final, teníamos un backend capaz de sustentar clips, extractos y una búsqueda semántica verdaderamente útil. Fue entonces cuando Callombia empezó a sentirse como un producto real y no solo como una demostración de hackatón.
Mientras Ed y Nico creaban la capa de incorporación e inteligencia, yo desarrollaba el frontend. Con nuestra plantilla full stack, pude crear rápidamente una primera versión del sitio web sin escribir una sola línea de código. Después de pedirle que abriera el sitio web localmente en mi navegador, le daba comentarios sencillos en viñetas para ajustar el diseño hasta obtener lo que buscaba.
Tras alrededor de una hora de intercambio, tenía algo que me dejaba bastante satisfecho, todo ello sin experiencia en interfaces de usuario ni diseño. Aunque el producto final definitivamente no es perfecto, es una primera versión bastante buena que permite entender el producto.
Para asegurarnos de tener algo al final del día, habíamos dividido el trabajo entre nosotros. Como era de esperar, tras unas horas de trabajo semiindependiente, todos teníamos nuestras propias ramas locales con muchísimos conflictos.
En vez de dedicar el tiempo que no teníamos a revisar y resolver meticulosamente los conflictos, decidimos dar rienda suelta a Codex en los repositorios y dejar que los corrigiera por sí solo. Aunque por ahora no recomendaríamos esto para desarrollar software empresarial, fue increíble comprobar su eficacia en un entorno de bajo riesgo, y nos ahorró muchas horas.
La parte final del hackatón consistía en grabar la demostración de Callombia para los jueces. Aunque por instinto queríamos abrir Loom para hacer la grabación, pensamos que sería una verdadera prueba para Codex y una tarea un poco alejada de sus capacidades actuales. Así que… escribimos un prompt, le dimos un enlace al sitio web de Callombia, agregamos una grabación de mi voz en la plataforma para desarrolladores de OpenAI y le pedimos que hiciera el resto.
El primer intento fue impresionante: había escrito un guion para la demostración, grabado la pantalla, agregado mi voz en off y cumplido prácticamente todo lo solicitado. Lo único que no nos convenció de inmediato fue la sincronización de la voz en off con la grabación, así que le pedimos lo siguiente: “OBLIGATORIO: sincroniza exactamente la voz en off con lo que se muestra en la demostración. Hubo una desincronización (por ejemplo, en la página del chat). Al final, verifica tres veces la sincronización entre la voz en off y la demostración grabada en pantalla. Haz que coincidan por cualquier medio posible”.
En respuesta, Codex dividió la voz en off y la grabación en secciones más pequeñas y ejecutó la tarea casi a la perfección, justo a tiempo para las 5:30 p. m. y para celebrar con cerveza y pizza.
Sabemos que Callombia resuelve un problema que tienen la mayoría de las empresas. Asistir a todas las llamadas de una empresa que crece rápidamente es difícil, pero las valiosas ideas que se comparten en ellas no tienen precio. Ahora solo falta llevarlo a producción.
Pero aquí hay una lección más amplia sobre adoptar la IA desde el diseño y sobre el beneficio de dedicar experiencia en ingeniería y producto a resolver problemas comunes. Al salir de nuestro ciclo de trabajo habitual y colaborar entre equipos en un entorno semicompetitivo, terminamos con varias soluciones que, con algunos ajustes, podrían llevarse a producción. Si lo hacemos con regularidad, podremos garantizar que nuestros procesos internos sean tan eficientes como las soluciones que creamos para los clientes.