Wayfair и OpenAI: точность каталога и скорость поддержки
Как Wayfair автоматизировал 41 000 тикетов в месяц и исправил 2,5 млн тегов товаров с помощью моделей OpenAI.
Wayfair и OpenAI: как ИИ навёл порядок в каталоге из 30 миллионов товаров
Компания Wayfair — один из крупнейших в мире онлайн-ретейлеров товаров для дома — превратила эксперименты с генеративным ИИ в промышленную систему, которая работает каждый день. То, что начиналось как тестирование гипотез в небольших пилотах в 2024 году, превратилось в полноценную производственную систему, сокращающую ручной труд, ускоряющую принятие решений и улучшающую качество данных по миллионам товаров.
Результаты говорят сами за себя:
| Метрика | Результат |
|---|---|
| Исправленных тегов товаров | 2 500 000 |
| Автоматически обрабатываемых тикетов поставщиков в месяц | 41 000 |
| Развёрнутых мест ChatGPT Enterprise | 1 200 |
| Автоматизация в отдельных воркфлоу | до 70% |
Проблема: ручные процессы не успевали за масштабом
Команда каталогизации Wayfair управляет десятками миллионов товаров в почти тысяче различных товарных классов. Точные теги атрибутов — такие как цвет, материал, размер или отдельные характеристики — критически важны для поиска, рекомендаций и мерчандайзинга.
Около 47 000 атрибутов описывают детали вроде цвета, материала и габаритов. Именно от этих данных зависит, как товар отображается в результатах поиска и рекомендациях. До внедрения ИИ исправление ошибочных карточек товаров зависело преимущественно от того, заметят ли проблему сами поставщики или покупатели. Ручная проверка не справлялась с каталогом такого размера.
Ситуация с поддержкой поставщиков была не лучше. Поставщики присылали запросы по сотням типов проблем, и ни один специалист не мог разобраться во всём их многообразии.
Решение: ИИ в ядре операционных процессов
Вместо того чтобы относиться к генеративному ИИ как к эксперименту или точечному решению, Wayfair встроил модели OpenAI в ключевые операционные воркфлоу. Компания сосредоточилась прежде всего там, где сложность и потребность в масштабировании были наибольшими: маршрутизация и разрешение запросов поставщиков, а также улучшение десятков тысяч атрибутов товаров по каталогу из примерно 30 миллионов позиций.
Направление 1: Качество товарного каталога
До появления OpenAI у Wayfair уже были собственные узкоспециализированные модели — по одной на каждый тип тега. Это работало, но не масштабировалось. У компании было около 30 миллионов товаров и прежде использовались отдельные модели для каждого тега. Это технически работало, но не давало результата при необходимости управлять 47 000 тегами. Поэтому Wayfair заменил подход «одна модель — один тег» на переиспользуемую, тег-агностическую архитектуру на базе единой модели OpenAI плюс внутренние определения и контекст товара.
Система работает как независимый контролёр качества: она проверяет карточки товаров по описанию того, что каждый атрибут должен означать, а затем выявляет или исправляет ошибки. Например, если кофейный столик обозначен как ореховый, но фото и описание указывают на сосну — система это обнаруживает.
«Исправленные карточки товаров стали получать больше кликов и занимать более высокие позиции в поиске» — данные OpenAI по результатам тестирования.
Wayfair расширил охват новых атрибутов в 70 раз быстрее по сравнению с годом ранее. Это принципиальный сдвиг: вместо того чтобы месяцами обучать специализированную модель под каждый новый тип атрибута, теперь достаточно описать логику — и единая модель берётся за работу.
Направление 2: Автоматизация поддержки поставщиков
Система Wayfair, называемая Wilma, читает входящие тикеты, заполняет недостающий контекст и маршрутизирует задачи в нужную команду.
Особенно интересен подход к внедрению — постепенный переход от помощника к автопилоту:
graph LR
A[Тикет поставщика] --> B[Wilma читает и анализирует]
B --> C[Заполнение контекста]
C --> D{Режим работы}
D -->|Co-pilot| E[Рекомендация → Решение агента]
D -->|Autopilot| F[Автоматическое решение]
E --> G[Измерение alignment rate]
G -->|Порог достигнут| D
F --> H[Закрытый тикет]
Wayfair отслеживает, как часто рекомендации ИИ совпадают с итоговым решением специалиста — этот показатель называется «alignment rate» (уровень согласованности). Когда в рамках конкретной команды согласованность стабильно достигает заранее определённого порога, воркфлоу может перейти из вспомогательного режима («co-pilot») в полуавтономный («autopilot»). Такой поэтапный подход формирует доверие и обеспечивает контроль качества в ходе внедрения.
В поддержке поставщиков системы триажа, co-pilot и autopilot увеличили пропускную способность за счёт автоматизации 41 000 тикетов в месяц (до 70% в отдельных воркфлоу) и сократили время обработки, убрав рутинную ручную работу из нагрузки специалистов. Это существенно сокращает время до решения по нескольким воркфлоу, значительно повышает удовлетворённость поставщиков и снижает количество повторных обращений.
ChatGPT Enterprise: ИИ для всей компании
Помимо двух основных систем, Wayfair сделал ставку на широкое распространение ИИ-инструментов среди сотрудников. Компания развернула более 1 200 мест ChatGPT Enterprise в рамках примерно 12 000 сотрудников для поддержки ситуативных задач, внутреннего решения проблем и экспериментов с генеративными моделями.
Это около 10% от всего штата — достаточно высокий показатель проникновения для корпоративного инструмента, который требует осознанного использования.
Почему это важнее, чем кажется
Wayfair также открыл свои данные о товарах для сторонних ИИ-инструментов, которые покупатели используют для поиска и сравнения. Такие инструменты, включая ChatGPT, могут напрямую обращаться к товарному фиду ретейлера, чтобы отвечать на вопросы о покупках. Это означает, что карточки товаров, исправленные внутренней системой Wayfair, будут точнее отображаться и тогда, когда покупатель спрашивает ИИ-ассистента о рекомендациях.
Подход Wayfair отражает более широкий сдвиг в том, как ретейлеры применяют ИИ: очистка товарных данных и оптимизация бэк-офисных процессов — а не просто добавление чат-ботов для покупателей.
Итог: от эксперимента к операционной системе
Wayfair демонстрирует один из наиболее показательных кейсов ретейл-ИИ 2026 года: лучшие данные каталога, более быстрая поддержка поставщиков и поэтапная операционная модель, построенная на доверии, а не на демонстрационных показах.
Ключевые уроки, которые применимы к любому бизнесу с большим объёмом товарных данных или входящих запросов:
- Начинайте с узких мест — Wayfair выбрал именно те процессы, где масштаб и сложность были наибольшими.
- Единая универсальная модель вместо множества специализированных — это масштабируется в 70 раз быстрее.
- Поэтапный переход: co-pilot → autopilot на основе измеримых метрик качества.
- Измеряйте alignment rate — доверие к системе должно быть заработано, а не декларировано.
- Открытые данные усиливают эффект — точный каталог работает и внутри, и во внешних ИИ-ассистентах.
Переход от бесчисленных узкоспециализированных моделей к единой архитектуре на базе OpenAI — это сигнал для всей отрасли: эпоха кастомных моделей под каждую микрозадачу заканчивается.