Rekaman rapat adalah aset pengetahuan yang belum dimanfaatkan secara optimal. Rekaman ini sulit ditelusuri, memakan waktu untuk ditinjau kembali, dan tersebar di drive tim yang terpisah, sehingga wawasan berharga sering terlewatkan.
Dalam hackathon satu hari, tim beranggotakan tiga orang membangun Callombia. Callombia adalah platform internal yang otomatis mentranskripsikan, memberi tag, merangkum, dan memotong rekaman panggilan menjadi repositori bergaya YouTube yang dapat ditelusuri dan diakses dari kantor di seluruh dunia.
Solusi yang seluruhnya dibangun dengan Codex ini menggunakan pencarian semantik berbasis embedding OpenAI dan cosine similarity untuk menemukan bagian yang relevan meski kata kunci persisnya tidak digunakan, serta dilengkapi chatbot RAG dan sistem notifikasi.
Pekerjaan yang sebelumnya memerlukan waktu berminggu-minggu selesai dalam tujuh jam. Ini menunjukkan bahwa pengembangan berbasis AI dengan agen coding seperti Codex dapat memangkas drastis siklus pengembangan produk dan menghasilkan nilai bisnis nyata dari hackathon internal.
Jika Anda seperti saya, Anda mungkin jarang punya waktu (atau rentang perhatian) untuk mendengarkan kembali rekaman rapat. Sering kali penyebabnya adalah kita harus mengobrak-abrik drive tim yang berantakan, melewati basa-basi yang kurang bermutu, lalu berusaha benar-benar menyimak sambil sibuk mengirim email dan pesan.
Namun, mungkin tidak harus seperti itu? Mungkinkah kita membangun sesuatu yang mengubah sepenuhnya cara memanfaatkan rekaman rapat? Itulah gagasan di balik proyek Hackathon terbaru kami.
Hanya dalam sehari, 50 anggota tim engineering, delivery, dan operasional kami menangani berbagai masalah dari seluruh bisnis, mulai dari meningkatkan skala operasi perekrutan, menyederhanakan pembuatan SoW, memahami kondisi proyek, membuat prototipe secara langsung, hingga menggali wawasan dari rekaman rapat.
Dalam hackathon berbasis Codex ini, kami membangun Callombia. Callombia adalah YouTube bagi perusahaan kami, yang mengubah setiap panggilan menjadi aset hidup yang dapat ditelusuri. Setiap panggilan otomatis ditranskripsikan, diberi tag, dan dirangkum, lalu dipotong menjadi klip tematik dan dimasukkan ke repositori yang dikelompokkan berdasarkan kanal (klien) dan topik (bidang spesialisasi AI). Dengan demikian, setiap anggota tim di London, Edinburgh, Singapura, dan Australia dapat langsung mengakses bagian panggilan yang mereka butuhkan.
Antarmuka yang familier dan selaras dengan merek memudahkan penemuan konten, sedangkan pencarian semantik (dan tentu saja chatbot AI RAG) membantu orang menemukan persis apa yang mereka cari. Sistem notifikasi juga memungkinkan rekan kami mengikuti topik tertentu dan menerima pemberitahuan saat klip baru yang relevan bagi mereka dirilis.
Namun, hal paling keren dari Callombia bukanlah produknya atau hadiah £2 ribu karena memenangi Hackathon (sedikit pamer), melainkan fakta bahwa kami bisa membangun semuanya hanya dalam tujuh jam dengan dua engineer dan seorang delivery lead. Setahun lalu, ini belum mungkin dilakukan. Kemajuan agen coding telah mempercepat secara drastis seluruh proses pengembangan produk, dan Hackathon ini menjadi ajang uji yang tepat untuk memahami batas-batas kemampuannya yang belum merata. Jadi, bagaimana kami menggunakan Codex?
Alih-alih sekadar menulis banyak persyaratan, kami memulai dengan menyampaikan pandangan bersama kami (sebagai prompt) tentang ruang masalah dan visi Callombia. Dengan sengaja memberikan deskripsi yang tidak terlalu spesifik, kami membiarkan model bekerja dan berpikir kreatif:
Setelah berdiskusi selama 10 menit, kami mengaktifkan Plan Mode untuk mempersempit persyaratan dan menjadi acuan bagi aspek teknis pembangunan. Plan Mode terasa seperti menjawab pertanyaan dari teman menyebalkan yang (untungnya) sudah memikirkan setiap kemungkinan skenario. Setelah menyepakati hal-hal seperti jumlah video, pencarian semantik atau kata kunci, dan arsitektur yang akan digunakan, Codex membuat file markdown yang kemudian menjadi dasar proyek.
Setelah memiliki rencana, langkah berikutnya adalah membangun komponen inti agar Callombia benar-benar berfungsi. Artinya, kami perlu membuat pipeline yang mengubah rekaman panggilan menjadi aset yang dapat ditelusuri:
Mengimpor video dan transkrip,
Membaginya menjadi bagian-bagian yang bermakna,
Memperkaya setiap bagian dengan ringkasan dan tag,
Menyediakannya melalui API yang dapat digunakan frontend.
Ed lebih berfokus mengubah rekaman mentah dan data transkrip menjadi format yang dapat digunakan, sementara Nico lebih berfokus pada lapisan retrieval yang membuat bagian-bagian tersebut mudah ditemukan. Dengan Codex, keduanya dapat menyiapkan model data, skrip ekstraksi, dan infrastruktur backend jauh lebih cepat dibandingkan jika dikerjakan secara manual. Hasilnya jauh melampaui sekadar transkrip yang dilampirkan pada video. Kami mendapatkan momen-momen penting: bagian tentang Tesco, pembaruan strategi, diskusi perekrutan, atau 90 detik tertentu dalam sebuah panggilan yang benar-benar ingin ditonton seseorang.
Lapisan retrieval inilah yang membuat semuanya menjadi sangat menarik. Kami ingin seseorang dapat mengetik sesuatu seperti “financial performance,” “Tesco roadmap,” atau “conversation evals” dan langsung diarahkan ke klip yang paling relevan, meskipun kata-kata persis itu tidak pernah diucapkan. Untuk itu, kami membuat potongan data yang berisi stempel waktu, ringkasan, teks transkrip, dan metadata. Dengan arsitektur yang jelas dan banyak bantuan dari Codex, kami menggabungkan topik, ringkasan, dan transkrip menjadi satu input, lalu menggunakan model text-embedding-3-small dari OpenAI untuk menghasilkan embedding bagi setiap potongan. Kami menyimpan embedding tersebut di database dan menggunakan cosine similarity untuk membandingkan kueri pengguna dengan setiap potongan. Hasilnya adalah lapisan retrieval semantik, bukan sekadar pencarian kata kunci.
Pendekatan ini memberikan akurasi yang sangat baik dan menghadirkan kesan “ajaib” pada produk selama demo hackathon. Pada saat yang sama, kami tahu pendekatan ini tidak akan dapat terus diskalakan jika jumlah video terus bertambah, karena membandingkan setiap kueri dengan setiap potongan pada akhirnya akan terlalu mahal. Langkah berikutnya yang wajar adalah menerapkan strategi retrieval yang lebih efisien, seperti Hierarchical Navigable Small World, untuk mengurangi jumlah perbandingan dan menjaga latensi tetap rendah seiring bertambahnya korpus. Setelah fitur ini berfungsi, Callombia mulai terasa bukan lagi seperti pustaka media, melainkan sebuah sistem pengetahuan.
Seperti pada setiap hackathon yang baik, bagian ini juga perlu diiterasi: batas potongan awal terlalu kasar, beberapa stempel waktu perlu diperketat, sejumlah tag terlalu luas, dan file transkrip serta rekaman tidak selalu selaras dengan rapi. Namun, di situlah nilainya juga terlihat. Codex memungkinkan kami menyempurnakan sistem dengan cepat tanpa terjebak dalam penyiapan dan pengerjaan ulang. Pada akhirnya, kami memiliki backend yang dapat mendukung klip, cuplikan, dan pencarian semantik yang benar-benar berguna. Pada titik itulah Callombia mulai terasa seperti produk nyata, bukan sekadar demo hackathon.
Sementara Ed dan Nico membangun proses ingestion dan lapisan Kecerdasan, saya membangun frontend. Dengan template full-stack kami, saya dapat menyiapkan versi pertama situs dengan cepat tanpa menulis satu baris kode pun. Setelah memintanya membuka situs secara lokal di browser saya, saya memberikan masukan sederhana dalam bentuk poin-poin untuk mengiterasi desain hingga sesuai keinginan.
Setelah berdiskusi bolak-balik selama sekitar satu jam, saya mendapatkan hasil yang cukup memuaskan—semuanya tanpa pengalaman di bidang UI atau desain. Meski hasil akhirnya jelas belum sempurna, versi pertamanya sudah cukup baik untuk membantu orang memahami produk ini.
Untuk memastikan ada hasil pada akhir hari, kami membagi pekerjaan di antara kami. Tentu saja, setelah beberapa jam bekerja secara cukup mandiri, branch lokal kami masing-masing dipenuhi konflik.
Alih-alih menghabiskan waktu yang memang tidak kami miliki untuk menelusuri dan menyelesaikan konflik satu per satu, kami memutuskan membiarkan Codex menangani repositori dan memperbaiki semua konflik sendiri. Meski saat ini kami tidak akan merekomendasikan cara ini untuk pengembangan perangkat lunak kelas enterprise, efektivitasnya dalam lingkungan berisiko rendah sungguh luar biasa dan menghemat banyak waktu kami.
Bagian terakhir hackathon adalah merekam demo Callombia untuk para juri. Secara naluriah kami ingin membuka Loom untuk merekam, tetapi kemudian terpikir bahwa ini bisa menjadi ujian nyata bagi Codex sekaligus tugas yang agak di luar kemampuannya saat ini. Jadi… Kami menulis prompt, memberinya tautan ke situs Callombia, menambahkan rekaman suara saya di platform developer OpenAI, lalu memintanya mengerjakan sisanya.
Percobaan pertama sangat mengesankan—Codex telah menulis naskah demo, merekam layar, menambahkan sulih suara saya, dan pada dasarnya memenuhi arahan. Satu-satunya hal yang belum langsung memuaskan kami adalah sinkronisasi sulih suara dengan rekaman demo, jadi kami memintanya: “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.”
Menanggapi permintaan itu, Codex membagi sulih suara dan rekaman menjadi beberapa bagian yang lebih kecil, lalu menyelesaikan tugas nyaris tanpa cela tepat sebelum pukul 17.30 dan acara bir/piza untuk merayakannya.
Kami tahu Callombia memecahkan masalah yang dihadapi sebagian besar bisnis. Mengikuti setiap panggilan di perusahaan yang berkembang pesat memang sulit, tetapi butir-butir pengetahuan yang dibagikan dalam panggilan tersebut sangat berharga. Sekarang kami hanya perlu menerapkannya ke lingkungan produksi.
Namun, ada pelajaran yang lebih besar tentang menjadi AI-native dan manfaat mengerahkan keahlian engineering serta produk untuk mengatasi masalah bersama. Dengan keluar dari rutinitas kerja, berkolaborasi lintas tim, dan melakukan semuanya dalam lingkungan yang cukup kompetitif, kami menghasilkan sejumlah solusi yang dapat diterapkan ke lingkungan produksi dengan beberapa penyesuaian. Jika dilakukan secara rutin, kami dapat memastikan proses internal kami sama gesitnya dengan solusi yang kami bangun untuk pelanggan.