Wayfair OpenAI 集成案例研究
Wayfair 已将 OpenAI 模型集成到其核心运营工作流中，以提升产品目录的准确性并加快供应商支持。通过从定制的单标签模型转向标签无关的 AI 架构，并部署用于工单分流的代理工作流，Wayfair 已纠正了 250 万个产品标签，并在某些供应商支持工作流中实现了最高 70% 的工单自动化。
使用标签无关 AI 扩展目录质量
Wayfair 使用单一的 OpenAI 模型，在约 3000 万商品的目录中保持一致的产品属性标签。该系统取代了之前的定制模型，这些模型因需要为近千个产品类别中使用的 47,000 种不同标签而构建和维护成本过高。
定义代理架构
为消除手动标签编码的瓶颈，Wayfair 实施了“定义代理”。该代理摄取内部和网络上的定义，以确定每个标签的上下文含义。将这些上下文与聚合的产品数据相结合，使框架能够在各类产品中对属性进行分类。因此，Wayfair 正以去年 70 倍的速度扩展模型对新属性的覆盖范围。
验证与影响
Wayfair 采用分层验证流程以确保数据完整性：
- 高置信度更新： 自动系统直接覆盖内容并通知供应商。
- 高风险或低置信度标签： 系统在应用更改前寻求供应商确认。
- 实物审计： 员工对样本进行实地检查，以验证模型输出。
在生产环境中，该系统已处理超过 100 万件商品。受控的 A/B 测试表明，提升属性完整度显著增加了曝光量、点击量和页面排名。
使用 Wilma 简化供应商支持
Wayfair 开发了 “Wilma”，这是一款利用 OpenAI 模型管理供应商支持请求的 AI 驱动工具。该系统应对了供应商工单的复杂性，涉及数百种不同的问题类型。
工单分流与代理工作流
Wilma 通过读取来件请求、识别意图、从数据库填补缺失上下文，并将工单路由至相应内部团队，实现了初始分流的自动化。该分流系统大约在一个月内从原型阶段进入生产。
除路由外，Wayfair 为特定解决团队部署了十余个代理 AI 工作流。例如，备件运营团队使用一个协同驾驶员，它会综合案例历史并提出草稿回复供人工审阅。
从协同驾驶员到自动驾驶员的转变
Wayfair 使用“对齐率”指标来管理这些工具的推广，该指标记录 AI 推荐与人工决策匹配的频率。一旦对齐率达到预设阈值，工作流便从辅助（“协同驾驶员”）模式切换为半自主（“自动驾驶员”）模式。
可量化的运营成果
Wayfair 报告了以下在集成 OpenAI 模型后实现的可衡量改进：
- 目录准确性： 在超过一百万最受关注和最畅销的商品中纠正了 250 万个产品标签。Wayfair 预计在未来六个月内将此影响扩大四倍。
- 支持吞吐量： 每月已有 41,000 条工单实现自动化，在特定工作流中自动化率最高可达 70%。
- 员工赋能： 已为约 12,000 名员工部署了超过 1,200 个 ChatGPT Enterprise 账户，用于临时任务和内部问题解决。
多模态零售的未来方向
Wayfair 正专注于多模态系统，以应对家居零售的视觉和风格特性。由于客户常常缺乏精确的术语来描述其需求，Wayfair 旨在利用自然语言和多模态 AI 弥合客户意图与产品发现之间的鸿沟。