Proaction steigert Umsatz um 60 % und spart über 75 Stunden mit Codex

Am 25. September 2026 veröffentlichte OpenAI eine Kundengeschichte über Proaction, ein Startup für Flottenmanagement-Software. Die Kernzahlen sind einfach. Mit Codex spart Proaction 40 bis 60 Entwicklerstunden pro Monat, die Gründer sparen rund 33 Stunden pro Monat, und der Umsatz stieg nach Unternehmensangaben um 60 %. Proaction sitzt in Nordamerika. Das Unternehmen verkauft Software an Betriebe, die Fahrzeugflotten verwalten, von Pkw und Lkw bis zu Baumaschinen. Es nutzt Codex und die API, und sein Produkt stützt sich auf GPT-Live-1, GPT-6 Astra und ChatGPT-5.6 Sol. Zuerst das Problem. Jede Flotte arbeitet anders: Fahrzeugmix, Abläufe und Gewohnheiten unterscheiden sich von Kunde zu Kunde. Interessenten zu zeigen, wie die Plattform zu ihrem Geschäft passt, ist deshalb ein wesentlicher Teil des Verkaufs. Personalisierte Demos kosten jedoch Entwicklerzeit, und ein junges Unternehmen hat keine Ingenieure übrig. Vor Codex erklärten die Gründer das Mögliche mit Gesprächen und Folien. Colin Knudsen, Mitgründer und COO, ist kein Ingenieur. Jedes Mal, wenn er eine Demo wollte, musste er Entwickler einbinden. Codex hat diesen Ablauf verändert. Nach einem Verkaufsgespräch verweist Colin Codex auf die Granola-Aufnahme, den E-Mail-Verkehr mit dem Interessenten und alle Tabellen, die dieser geteilt hat. Codex nutzt diesen Kontext, um eine HTML-Demoumgebung anzupassen. Die Umgebung bildet das echte Produkt von Proaction nach, ist aber mit der Flotte des Interessenten gefüllt. Wenn Colin seinen Bildschirm teilt, sieht der Interessent seine eigenen Autos, Lkw oder Geräte, geordnet nach seiner Arbeitsweise. Er kann zeigen, was angepasst werden soll, und die Lösung mitgestalten. Nach Colins Worten entwickeln beide Seiten die endgültige Lösung gemeinsam, ganz ohne die Entwicklung.

Nun die Zahlen. Colin baut vier bis sechs angepasste, interaktive Demos pro Monat. Jede dauert 30 bis 45 Minuten. Er schätzt, dass ein Ingenieur für eine vergleichbare Demo etwa 10 Stunden bräuchte. So entfallen jeden Monat 40 bis 60 Stunden Entwicklungsarbeit. Bei der Konversion schätzt er, dass der Anteil der Geschäfte, die vom Erstkontakt in die Lösungsentwicklung statt in die Nurture-Phase übergehen, durch die individuellen Demos um 50 bis 60 % gestiegen ist. Hier ist Vorsicht nötig. Das sind Colins eigene Schätzungen und keine Ergebnisse eines kontrollierten Versuchs. Man sollte sie als Urteil eines erfahrenen Praktikers lesen, nicht als Benchmark. Der Wert der Demo endet nicht mit dem Verkauf. Wird ein Interessent zum Kunden, gibt Colin die angepasste Demo als visuelle Vorlage an die Entwickler. Das verringert Fragen und Abstimmungsschleifen darüber, was gebaut werden soll. Proaction hat mit Codex außerdem ein Kunden-Lösungszentrum gebaut. Interessenten können sich anmelden, auf ihr Geschäft zugeschnittene Workflows erkunden und Vertriebsunterlagen ansehen. So können Kunden besser erklären, was sie brauchen. Kollegen ohne Entwicklerhintergrund können diese Gespräche in klarere Anforderungen übersetzen. Wenn die Entwickler einsteigen, haben sie ein konkretes Bild davon, was zu bauen ist. Der zweite Strang ist Codex als täglicher Arbeitsplatz. Colins Arbeit umfasst Vertrieb, Kundensupport und Produktmanagement. Über Codex-Plugins für Werkzeuge wie Granola, Gmail, Slack, Linear, GitHub und HubSpot führt er den Kundenkontext an einem Ort zusammen und handelt direkt darauf. Er holt Gesprächsprotokolle und E-Mail-Verläufe, um Nachfassaktionen vorzubereiten, legt Linear-Tickets an und aktualisiert HubSpot-Opportunities. Außerdem richtete er eine zeitgesteuerte Automatisierung ein, die aktuelle Gespräche prüft und Vertriebsupdates für das Team vorbereitet. Früher hieß die hohe Arbeitslast, zwischen Tabs zu springen und Informationen von einem Werkzeug ins andere zu kopieren. Heute beschreibt er, was er braucht, und Codex sammelt den Kontext und führt den nächsten Schritt aus. Er schätzt 15 bis 20 verschiedene Aufgaben pro Tag und glaubt, dass Codex ihm 25 bis 33 Stunden im Monat spart.

Der dritte Strang liegt im Produkt. Proaction setzt OpenAI-Modelle auf der ganzen Plattform ein. Wenn Kunden Fotos zu einer Fahrzeugstörungsmeldung einreichen, hilft ChatGPT-5.6 Sol bei der Erkennung von Schäden. Mit GPT-Live-1 baut das Unternehmen Agenten, die mehr von der täglichen Arbeit im Flottenbetrieb übernehmen. Es nennt das seine Managed Execution Layer, die verwaltete Ausführungsschicht. Colin sagt, das Ziel sei, dass Proaction Arbeit für Kunden ausführt, statt ihnen nur beim Verwalten und Verfolgen zu helfen, und dass die Fortschritte bei OpenAI-Sprachmodellen ein wichtiger Grund dafür seien. Kunden können spezialisierte Agenten bitten, Dinge wie Maut oder Wartung zu erledigen, oder Workflows einrichten, die automatisch den passenden Agenten einsetzen. Die Agenten nutzen OpenAI-Modelle, darunter GPT-Live-1 und GPT-6 Astra, um Sprachanrufe zu führen sowie Dokumente und Bilder zu prüfen. Der uns vorliegende Quelltext bricht an dieser Stelle ab, daher beschreiben wir keine weiteren Einzelheiten.

Was ist der Mechanismus? Die Kernidee lautet: Kontext wird zur Schnittstelle. Codex erfindet keine Demo aus dem Nichts. Es wird auf echtes Material verwiesen, etwa Aufnahmen, E-Mails und Tabellen, und erzeugt daraus eine interaktive HTML-Datei. Eine HTML-Demo ist leicht. Sie braucht kein Backend-Deployment und lässt sich während einer Bildschirmfreigabe live ändern. Der Ansatz verbindet Anforderungsaufnahme und Prototyping in einem Gespräch und verkürzt den Weg von den Worten des Kunden zu einem sichtbaren Produkt. Für Unternehmen und Entwickler ergeben sich drei Lehren. Erstens wachsen Nutzer von Coding-Agenten über Ingenieure hinaus. Wenn ein nicht technischer Gründer den Prototyp baut, fließt knappe Entwicklerzeit in echte Produktarbeit. Zweitens entsteht der Wert aus der Integration von Arbeitsabläufen, nicht aus einzelnen Ergebnissen: Plugins verbinden CRM, Ticketsystem, E-Mail und Code-Repository, und gespart werden Wechselkosten. Drittens rücken Sprachagenten Software vom Aufzeichnungssystem zum Ausführungssystem. Das zählt besonders in Branchen, die vom Telefon leben, etwa Flotten, Logistik und Wartung.

Ein wenig Skepsis gehört dazu. Die Gewinne sind überwiegend selbst berichtete Schätzungen eines frühen Unternehmens und eines intensiven Nutzers. Wenn Agenten für Kunden anrufen oder Maut und Wartung abwickeln, entstehen Fragen zu Verantwortung, Fehlerkorrektur, Compliance und Nachvollziehbarkeit. Die Quelle beschreibt nicht, wie Proaction damit umgeht. Auch Demos aus Kundendaten brauchen klare Regeln für Datenzugriff und Datenschutz. Jedes Unternehmen, das dieses Muster übernimmt, muss diese Fragen zuerst beantworten. Mit Blick nach vorn dürften sich ähnliche Muster in andere Branchen ausbreiten. Vertriebsleute bauen maßgeschneiderte Prototypen mit Coding-Agenten, und der Betrieb übergibt wiederkehrende Kontaktarbeit an Sprachagenten. Für OpenAI zeigt die Geschichte Produkte, die zusammenarbeiten: Codex als Arbeitsplatz, API und Sprachmodelle als eingebettete Bausteine. Für Proaction besteht die eigentliche Prüfung darin, ob die Managed Execution Layer unter den unübersichtlichen Bedingungen echter Kunden zuverlässig und nachprüfbar läuft. Gelingt das, verschiebt sich der Wettbewerb in dieser Softwarekategorie von der Zahl der Funktionen zur Menge der tatsächlich erledigten Arbeit.