Wayfair 利用 OpenAI 提升目錄準確度與支援速度

2026 年 3 月 11 日

Wayfair 藉由 OpenAI 提升目錄準確性與支援速度

透過將 OpenAI 模型嵌入供應商支援與目錄系統，Wayfair 提高了數據準確性，並在數百萬件產品中實現了複雜零售工作流的自動化。

Wayfair 作為全球最大的家居用品零售商之一，已將 OpenAI 模型整合至關鍵的內部系統中，以大規模改善供應商支援工作流和產品目錄品質。這項計畫始於 2024 年的小規模價值測試，現已演變為完整的生產系統，減少了手動操作、加速了決策過程，並提升了數百萬件產品的數據品質。

Wayfair 並非將生成式 AI 視為實驗或單點解決方案，而是將 OpenAI 模型嵌入到核心營運工作流中。該公司首先專注於複雜度最高且最需要規模化的領域：路由與解決供應商支援請求，以及在約 3,000 万件商品的目錄中持續改進數萬個產品屬性。

大規模解決目錄品質問題

Wayfair 的目錄團隊管理著涵蓋近千種不同產品類別的數千萬件產品。一致且準確的產品屬性標籤（如顏色、材質、尺寸或特定功能）對於搜尋、推薦和商品陳列至關重要。

Wayfair 目錄商品陳列副總監 Jessica D'Arcy 表示：「我們的數據品質越好，與客戶建立的信任就越深。這至關重要，因為它能賦予購物者做出正確購買決定的能力，直接減少因產品描述不符而導致的退貨等代價高昂的後續問題。」

在引入 OpenAI 之前，標籤的改進主要依賴供應商和客戶告知 Wayfair 哪裡看起來有誤。手動操作無法跟上龐大的數據量。早期針對個別標籤開發的自定義 AI 模型雖然有效，但開發和維護成本高昂。Wayfair 資深機器學習科學家 Carolyn Phillips 表示：「我們最初為個別標籤構建專屬模型，技術上是可行的。但當你面對 47,000 個標籤時，這種方法根本無法擴展。」

構建可重複使用的 AI 架構

為了超越單一模型，Wayfair 建立了一個基於單一 OpenAI 模型的標籤通用系統。一個「定義代理」（definition agent）會吸收網路和內部定義，為每個標籤產生情境意義。Phillips 說：「真正的瓶頸不在於模型性能，而在於定義和編碼每個標籤實際含義所需的人力時間。」 這些情境連同從 Wayfair 數據生態系統中彙整的產品數據，被輸入到一個可以跨產品類別對屬性進行分類的框架中。該團隊現在擴展新屬性模型覆蓋範圍的速度是去年的 70 倍。

該系統目前已在超過 100 萬件產品上投入生產。第一波具有增強屬性的產品上線時間已足夠長，足以衡量提升數據品質對客戶旅程的影響。Phillips 表示：「當你提高屬性的完整性時，這並非抽象的概念。你會在 SEO 和 PLA（產品清單廣告）表現中看到成效，即客戶如何發現產品。」一項受控的 A/B 測試顯示，實驗組的曝光數、點擊數和頁面排名都有實質且顯著的提升。

然而，Wayfair 並非簡單地將修正產品數據的決定權完全交給模型。Phillips 說：「我們的目標是建立信任，讓客戶對所購買的商品充滿信心。」該公司開發了結構化測試，使用手動稽核流程，由員工親自檢查樣本以驗證模型輸出，並與供應商合作驗證更改。現在，當基於數據的信心度很高時，自動化系統會直接覆蓋內容並通知供應商更改。而當未達到高標準或標籤被視為高風險時，Wayfair 會在做出更改前先尋求供應商確認。

利用 Wilma 重新思考供應商支援工作流

Wayfair 與數萬家供應商合作以支持其全面的目錄。為了管理供應商支援請求，Wayfair 的員工過去需要審查每一張傳入的工單，手動識別供應商的需求，並將問題路由至正確的內部負責人——這是一個耗時且容易出錯的過程。Wayfair 供應商支援與營運部門的 Graham Ganssle 表示：「供應商的請求並不簡單。它們涵蓋數百種類型，現實中沒有任何一位員工能精通所有類型。」

Wayfair 在名為 Wilma 的產品中加入了代理（agentic）功能，利用 AI 增強這些工作流。首批投入生產的功能之一是由 OpenAI 模型驅動的工單分流。系統會讀取傳入的請求，補足缺失的情境，並將工單路由至適當的團隊。Wilma 的設計旨在快速部署；它建立在已與 OpenAI API 整合的系統之上，從原型到上線僅用了約一個月。Ganssle 說：「Wilma 為員工提供了槓桿。它閱讀工單、識別意圖、從我們的數據庫中填補情境，必要時聯繫供應商，並將問題引導至正確的方向。」

除了路由，Wayfair 還為特定的解決團隊部署了十幾個代理 AI 流程。例如，更換零件營運團隊的輔助工具（co-pilot）會閱讀複雜的案例歷史，提出下一步建議，並提供草擬回覆供員工審核。這些助手接受過歷史數據培訓，因此能學習在特定情境下成功的處理方式。Ganssle 表示：「模型能以單一員工難以做到的方式，綜合整個旅程的情境。這種更廣泛的視野有助於提高客戶和供應商的滿意度。」

Wayfair 會追蹤 AI 建議與人類員工最終決定的一致頻率——這項指標稱為「一致率」（alignment rate）。在每個團隊中，當一致率持續達到預定門檻時，工作流可以從輔助模式（“co-pilot”）轉向半自主模式（“autopilot”）。這種分階段的方法在推廣過程中建立了信任並確保了品質控制。

跨團隊的可衡量影響

Wayfair 報告了自將 OpenAI 模型整合至內部系統以來可衡量的改進。

在目錄方面，該公司減少了客戶可能看到的錯誤或缺失的產品屬性標籤——在 Wayfair 目錄中超過一百萬件最受關注和購買的產品中，修正了 250 萬個產品標籤。他們預計在未來六個月內將這一影響翻兩番。

在供應商支援方面，分流、輔助和自動駕駛系統透過每月自動化處理 41,000 張工單（在某些工作流中高達 70%），並透過消除員工工作量中的例行手動工作，縮短了週轉時間。這大幅縮短了多個工作流的解決時間，顯著提升了供應商滿意度，並減少了這些工作流中的工單重開率。

模型對工單和供應商意圖提供的更廣泛視野（超越單一員工在螢幕上所能看到的內容），也有助於提升滿意度。

在營運方面，團隊報告：

Wayfair 還在其約 12,000 名員工中部署了 1,200 多個 ChatGPT Enterprise 席位，以支援臨時任務、內部問題解決以及生成式模型的實驗。

與 OpenAI 的長期合作夥伴關係

Wayfair 在投資機器學習以及與 AI 平台和大型語言模型（LLM）供應商合作以推進業務方面有著悠久的歷史。現在，前沿模型的進步，特別是多模態系統，正在擴展其團隊所能構建的內容。這在家居零售領域至關重要，因為產品是視覺化的、具風格性的，且往往是主觀的。

Carolyn Phillips 表示：「我們對現在能處理的問題範圍感到興奮。傳統算法需要嚴格定義的數據集。這些模型讓我們能以以前無法規模化的方式處理模糊性和情境。」

從早期試點到生產服務，Wayfair 與 OpenAI 的關係已發展成為戰略合作夥伴關係，涵蓋模型選擇、部署最佳實踐以及更廣泛的內部採用。Wayfair 技術長 Fiona Tan 表示：「最有價值的是思想夥伴關係。這不僅僅是獲得模型的存取權，而是共同研究新的使用案例並能夠快速行動。」

展望未來，員工對 ChatGPT Enterprise 的需求一直很強勁。Wayfair 的團隊將其視為幫助他們加快行動速度的實用工具。

客戶的期望也在迅速轉變。越來越多的購物者習慣在日常生活中使用 AI，他們開始期待在線上瀏覽、比較和購買時能有類似的功能。

Fiona Tan 說：「在家居領域，客戶往往無法用精確的詞彙描述他們正在尋找的東西。自然語言和多模態系統有助於彌合這一差距。」

對於 Wayfair 的領導者來說，目標仍然是在擴展內部能力的同時增強人類的專業知識。Fiona Tan 總結道：「我們正在為一個 AI 成為購物旅程一部分的世界做準備——無論是在我們的網站上、透過支援，還是透過對話式介面。」

加入工作新紀元

延伸閱讀

API | 2026 年 3 月 6 日

API | 2026 年 3 月 6 日

ChatGPT | 2026 年 3 月 4 日