أتمتت Choco توزيع المنتجات بمساعدة OpenAI وضاعفت إنتاجية المبيعات

أظهرت Choco كيف تنتقل وكلاء الذكاء الاصطناعي من أدوات دعم إلى بنية تحتية حرجة للأعمال التجارية الحقيقية. دمجت منصة توزيع المنتجات واجهة برمجية من OpenAI في معالجة الطلبات، وبحسب بيانات الشركة الخاصة، تعالج الآن أكثر من 8.8 مليون طلب سنويًا، وتقلل إدخال البيانات اليدوي بنسبة 50%، وتمكّن فرق المبيعات من العمل بإنتاجية مضاعفة دون توسيع الكادر. تعمل Choco في سوق توزيع الغذاء والمشروبات وتجمع بين المطاعم والموردين والموزعين في نظام واحد. تقول الشركة أنها تخدم أكثر من 21 ألف موزع و100 ألف عميل عبر الولايات المتحدة والمملكة المتحدة وأوروبا ودول الخليج.

اتضح أن المشكلة الرئيسية مع نمو الأعمال لم تكن في الواجهات أو نظام إدارة العلاقات بالعملاء ذاته، بل في التدفق الفوضوي للطلبات الواردة: كانت تأتي عبر البريد الإلكتروني والرسائل النصية والرسائل الصوتية وصور المستندات وحتى الملاحظات المكتوبة بخط اليد. كان على الموظفين بعد ذلك تحويل كل هذا يدويًا إلى طلبات منظمة لأنظمة التخطيط الموارد، مما أبطأ التوسع وأنشأ خطر مستمر من الأخطاء.

كما تشرح الشركة، كان الجزء الأصعب ليس حتى التعرف على النص أو الكلام. الطبقة الحرجة كانت السياق المخفي: المطابقات الفردية لرموز SKU لكل عميل، وحدات القياس المألوفة، أنماط التسليم والتفاصيل الأخرى التي يحتفظ بها عادة موظفو مكتب الطلبات في ذاكرتهم. لذلك اختارت Choco أن تراهن ليس فقط على أتمتة الخطوات الروتينية، بل على نظام استدلالي يمكنه حل الغموض في اللحظة التي يصل فيها الطلب. فعليًا، يتعلق الأمر بنقل المعرفة التشغيلية من ذاكرة الإنسان إلى طبقة برمجية يمكن الوصول إليها 24/7 وليست تابعة لأي نوبة عمل أو موظف معين.

على أساس هذا الأساس، أطلقت الشركة OrderAgent—وكيل لمعالجة الإدخالات متعددة الأشكال التي تقبل رسائل البريد الإلكتروني والرسائل النصية والصور والمستندات وتحولها إلى طلبات جاهزة للنظام. ثم جاء VoiceAgent المبني على Realtime API: يسمح للعملاء بتقديم الطلبات عبر الهاتف بتأخير أقل من ثانية واحدة، بما في ذلك خارج ساعات العمل.

اختيرت OpenAI، بحسب Choco، لجودة النماذج والقدرة على معالجة أشكال متعددة والاستجابات المنظمة والموثوقية في الإنتاج. من الناحية الفنية، تضمن التطبيق speech-to-text وembeddings وfunction calling، وفوقه بنت الفريق حلقة تقييم جودتها الخاصة: مجموعات بيانات مرجعية ومراقبة مستمرة واختبارات A/B. هذه تفاصيل مهمة: في مثل هذه الأنظمة، لا يكفي "توصيل نموذج لغة كبير"—تحتاج إلى قياس مستمر لمكان فشل النموذج وكيف تتغير الجودة على الطلبات الحقيقية.

تبدو النتائج كحالة ليست تجربة بعد الآن، بل عملية على نطاق صناعي. تؤكد Choco أنه في الإنتاج يمر أكثر من 200 مليار رمز عبر OpenAI، واستقبال الطلبات يعمل على مدار الساعة، ومعدل الخطأ يبقى منخفضًا مع عتبات أتمتة قابلة للتخصيص. يحرر تقليل إدخال البيانات اليدوي إلى 50% الموظفين من المعالجة الآلية ويحولهم إلى مهام ذات قيمة أعلى، والنمو الثنائي في إنتاجية المبيعات بدون توظيف يظهر أن التأثير يتجاوز التكاليف التشغيلية إلى الفعالية التجارية. يهم أيضًا جانب تجربة المستخدم: لم يكن على العملاء تغيير عاداتهم. يقدمون الطلبات بالطريقة التي تناسبهم، والنظام هو الذي يتكيف.

تسلط Choco الضوء على دروس إدارية. الأول—تقييم الجودة يجب أن يبدأ من اليوم الأول، حتى لو كان لدى الفريق فقط 10–20 أمثلة مسماة. الثاني—أنظمة الذكاء الاصطناعي تحتاج إلى قابلية مراقبة منفصلة: السجلات العادية ليست كافية إذا كنت لا ترى مدخلات النموذج والمخرجات وأسباب الفشل. الثالث—يجب على الأعمال أن تقبل مقدمًا الطبيعة الاحتمالية لنماذج اللغة الكبيرة. هذه الأنظمة لا تتصرف مثل الكود الحتمي، لذلك تحتاج توقعات المستخدمين واتفاقيات مستويات الخدمة وسيناريوهات التصعيد إلى التصميم بشكل مختلف.

هذه إشارة نضجة جيدة للسوق: الفائزون لن يكونوا من أضافوا chatbot بأسرع سرعة، بل من تعلموا بناء عمليات وكيل مُدارة حول بيانات تجارية معقدة. الدرس الرئيسي من حالة Choco بسيط: وكلاء الذكاء الاصطناعي يصبحون طبقة تشغيلية جديدة في B2B العمودي، حيث يتم إنشاء القيمة ليس من خلال واجهات جميلة، بل من خلال القدرة على تحليل تدفقات البيانات الحقيقية الفوضوية وتحويلها إلى إجراء.

إذا تطور هذا النموذج عبر قطاعات أخرى في سلسلة التوريد، سيرى السوق ليس أتمتة نقطة، بل استبدال تدريجي للوظائف اليدوية بأكملها بأنظمة تستطيع الاستماع والقراءة وتوضيح السياق وتنفيذ العمل بشكل مستقل.