Wayfair OpenAI 統合 ケーススタディ

Wayfair は OpenAI モデルをコア業務フローに統合し、商品カタログの正確性を向上させ、サプライヤーサポートを加速させました。カスタムの単一タグモデルからタグ非依存型 AI アーキテクチャへ移行し、チケット振り分けのためのエージェントフローを導入することで、Wayfair は 250 万件の商品タグを修正し、特定のサプライヤーサポートフローではチケットの最大 70% を自動化しました。

タグ非依存型 AI によるカタログ品質のスケーリング

Wayfair は単一の OpenAI モデルを使用して、約 3000 万点のアイテムにわたる商品属性タグを一貫して管理しています。このシステムは、ほぼ千の製品クラスで使用される 47,000 種類のタグを対象に、構築・維持コストが高すぎた従来のカスタムモデルに取って代わります。

Definition Agent アーキテクチャ

手動でタグをエンコードするボトルネックを排除するため、Wayfair は「definition agent」を実装しました。このエージェントは社内およびウェブ上の定義を取り込み、各タグの文脈的意味を確立します。このコンテキストと集約された商品データを組み合わせることで、フレームワークはさまざまな製品クラスにわたる属性を分類できるようになります。その結果、Wayfair は前年の 70 倍の速度で新しい属性へのモデルカバレッジを拡大しています。

検証とインパクト

Wayfair はデータ整合性を確保するために階層的な検証プロセスを採用しています:

• 高信頼度の更新: 自動システムがコンテンツを直接上書きし、サプライヤーに通知します。
• 高リスクまたは低信頼度のタグ: 変更を適用する前にサプライヤーの確認を求めます。
• 物理的監査: アソシエイトがサンプルを実際に検査し、モデル出力を検証します。

本番環境では、システムは 100 万件以上の製品を処理しました。コントロールされた A/B テストにより、属性の完全性向上がインプレッション、クリック、ページランクの大幅な増加につながることが実証されました。

Wilma によるサプライヤーサポートの効率化

Wayfair は「Wilma」という AI 搭載ツールを開発し、OpenAI モデルを活用してサプライヤーサポートリクエストを管理しています。このシステムは、数百種類に及ぶ問題タイプを抱えるサプライヤーチケットの複雑さに対応します。

チケット振り分けとエージェントフロー

Wilma は、受信リクエストを読み取り、意図を特定し、データベースから不足しているコンテキストを補完し、チケットを適切な内部チームへルーティングすることで、初期振り分けプロセスを自動化します。この振り分けシステムはプロトタイプから本番へ約 1 ヶ月で移行しました。

ルーティングに加えて、Wayfair は特定の解決チーム向けに 12 種類のエージェント AI フローを展開しています。たとえば、Replacement Part Operations チームは、ケース履歴を統合し、人間がレビューできるドラフト回答を提案するコ・パイロットを使用しています。

コ・パイロットからオートパイロットへの移行

Wayfair は「alignment rate」指標を用いてこれらのツールの展開を管理します。この指標は AI 推奨が人間の判断と一致する頻度を測定します。アラインメントが事前に設定した閾値に達した時点で、ワークフローは支援モード（"co‑pilot"）から半自律モード（"autopilot"）へシフトします。

定量的な運用成果

Wayfair は OpenAI モデル統合後、以下の測定可能な改善を報告しています:

• カタログ精度: 最も可視性が高く購入されている 100 万点以上の製品で、250 万件の商品タグが修正されました。Wayfair は今後 6 ヶ月でこのインパクトを 4 倍に拡大する見込みです。
• サポートスループット: 月間 41,000 件のチケットが自動化され、特定のフローでは自動化率が最大 70% に達しています。
• 従業員支援: 約 12,000 人の従業員を対象に、1,200 超の ChatGPT Enterprise シートが導入され、アドホックタスクや社内問題解決に活用されています。

マルチモーダル小売の将来像

Wayfair は、ホームリテールの視覚的・スタイリスティックな特性に対応するマルチモーダルシステムに注力しています。顧客は求めているものを正確に表現できないことが多いため、自然言語とマルチモーダル AI を組み合わせて、顧客の意図と商品探索のギャップを埋めることを目指しています。