Wayfair 将 OpenAI 模型嵌入核心运营，自动化供应商工单分流与产品属性校验，在百万级商品上修正了数百万标签并提升展示与点击表现；同时通过分阶段信任机制把 AI 从辅助逐步推进到半自动化，大幅提升处理量与响应速度。系统结合定义代理、产品数据和人工抽查以保证质量并与供应商协作确认高风险更改。
背景与目标
- 目标：提升产品属性准确性与供应商支持效率，减少因信息不准导致的退货与客户流失。
- 规模：目录约 3,000 万件商品、数万标签和数万供应商。
技术方案
- 统一模型：放弃为单个标签定制模型，采用单一 OpenAI 模型配合“定义代理”来解释标签语义，做到标签不可知（tag-agnostic）。
- 数据融合：将模型输入与 Wayfair 内部多源产品数据结合，提高分类与校正能力。
目录质量改进
- 产出：在超过 100 万件商品上应用，自动修正了约 250 万个属性标签。
- 扩展速度：新增属性覆盖速度提升约 70 倍。
- 效果验证：A/B 测试显示属性完整性提升后，展示量、点击与页面排名显著上升。
- 质量控制：对高风险或低置信度改动先征询供应商或人工抽样验证；高置信度则自动覆盖并通知供应商。
供应商支持与工单自动化（Wilma）
- 功能：基于 OpenAI 的工单分流、补全上下文、自动与供应商交互并路由到合适团队。
- 协助型到半自治：通过“对齐率”指标评估 AI 建议与人工决定一致性，达到阈值后可把流程从助理模式升级到半自动模式。
- 成效：每月自动化处理约 41,000 张工单，在部分流程中自动化率达 70%，显著缩短周转时间并降低重开率。
风险与治理
- 人机协作：保留人工审查与供应商确认环节以建立信任并控制高风险更改。
- 渐进部署：分阶段放开自动化权限，确保质量与可控性。
业务影响
- 目录端：已修正数百万标签并计划在半年内把影响扩大 4 倍。
- 支持端：提升吞吐、降低人工重复工作、提升供应商满意度与问题解决速度。
Wayfair 的做法展示了把通用大模型与精心设计的数据与审查流程结合，能在大规模电商运营中同时提升效率与数据质量。