Wayfair OpenAI 整合案例研究
Wayfair 已將 OpenAI 模型整合至其核心營運工作流程，以提升產品目錄的準確性並加速供應商支援。透過從客製化的單標籤模型轉向標籤無關的 AI 架構，並部署代理式工作流程進行工單分流，Wayfair 已校正 250 萬個產品標籤，並在某些供應商支援工作流程中自動化高達 70% 的工單。
以標籤無關 AI 擴展目錄品質
Wayfair 使用單一 OpenAI 模型，維持約 3000 萬項商品目錄中一致的產品屬性標籤。此系統取代了先前的客製化模型，後者因需支援近 47,000 個不同標籤且跨近千個產品類別，建置與維護成本過高。
定義代理架構
為了消除手動標籤編碼的瓶頸，Wayfair 實作了「定義代理」。此代理會擷取內部與網路上的定義，以確立每個標籤的語境意義。結合此語境與彙總的產品資料，框架即可在各種產品類別中分類屬性。因此，Wayfair 正以去年 70 倍的速度擴展模型對新屬性的覆蓋範圍。
驗證與影響
Wayfair 採用分層驗證流程以確保資料完整性：
- 高信心更新： 自動化系統直接覆寫內容並通知供應商。
- 高風險或低信心標籤： 系統在套用變更前會尋求供應商確認。
- 實體稽核： 員工實際檢查樣本，以驗證模型輸出。
在正式環境中，該系統已處理超過 100 萬件產品。受控的 A/B 測試顯示，提升屬性完整度可顯著增加曝光、點擊與頁面排名。
以 Wilma 簡化供應商支援
Wayfair 開發了「Wilma」，一款利用 OpenAI 模型的 AI 工具，用於管理供應商支援請求。該系統處理供應商工單的複雜性，涵蓋數百種不同的問題類型。
工單分流與代理流程
Wilma 透過閱讀來件請求、辨識意圖、從資料庫補足缺失的語境，並將工單導向正確的內部團隊，來自動化初始分流流程。此分流系統在約一個月內從原型階段推至正式運作。
除分流外，Wayfair 為特定解決團隊部署了十餘個代理式 AI 流程。例如，備件作業團隊使用一個協助駕駛員，該協助駕駛員會彙整案件歷史並提出草稿回覆供人工審核。
從協助駕駛員到自動駕駛員的轉變
Wayfair 以「對齊率」指標管理這些工具的推廣，該指標追蹤 AI 建議與人工決策相符的頻率。當對齊率達到預設門檻時，工作流程即從輔助（「協助駕駛員」）模式切換至半自動（「自動駕駛員」）模式。
可量化的營運成果
Wayfair 報告了以下在整合 OpenAI 模型後的可衡量改進：
- 目錄準確度： 已校正 250 萬個產品標籤，涵蓋超過百萬件最具可見度與購買量的商品。Wayfair 預計在未來六個月內將此影響提升四倍。
- 支援吞吐量： 每月已有 41,000 件工單自動化，在特定工作流程中自動化率高達 70%。
- 員工賦能： 已為約 12,000 名員工部署超過 1,200 個 ChatGPT Enterprise 座位，用於臨時任務與內部問題解決。
多模態零售的未來方向
Wayfair 正聚焦於多模態系統，以因應居家零售的視覺與風格特性。由於顧客常缺乏精確的詞彙來描述其需求，Wayfair 旨在利用自然語言與多模態 AI，彌合顧客意圖與商品發現之間的鴻溝。