Choco تؤتمت توزيع المواد الغذائية بالاعتماد على OpenAI وتضاعف إنتاجية المبيعات

أظهرت Choco كيف تنتقل وكلاء الذكاء الاصطناعي من أدوات مساعدة إلى بنية تحتية حيوية في الأعمال الفعلية. فقد دمجت منصة توزيع المواد الغذائية واجهة OpenAI API في معالجة الطلبات، وهي تقول، بحسب بياناتها الخاصة، إن أكثر من 8,8 مليون طلب يمر عبر نظامها سنويًا الآن، وإن الإدخال اليدوي ينخفض حتى 50%، وإن أقسام المبيعات باتت تعمل بإنتاجية مضاعفة دون توسيع عدد الموظفين.

تعمل Choco في سوق توزيع الأغذية والمشروبات (food & beverage distribution)، وتجمع في نظام واحد المطاعم والموردين والموزّعين. وتفيد الشركة بأنها تخدم أكثر من 21 ألف موزّع و100 ألف مشترٍ في الولايات المتحدة والمملكة المتحدة وأوروبا ودول الخليج العربي.

لم تكن المشكلة الرئيسية مع نمو الأعمال في الواجهات ولا في نظام CRM بحد ذاته، بل في التدفق الفوضوي للطلبات الواردة: فقد كانت تصل عبر البريد الإلكتروني والرسائل النصية والرسائل الصوتية وصور المستندات، وحتى عبر ملاحظات مكتوبة بخط اليد. بعد ذلك كان الموظفون يحوّلون كل ذلك يدويًا إلى طلبات منظَّمة لأنظمة ERP، ما أبطأ التوسع وخلق خطرًا دائمًا لوقوع الأخطاء.

وكما توضح الشركة، لم يكن الجزء الأصعب هو التعرف على النص أو الكلام. فالطبقة الحاسمة هي السياق الضمني: مطابقات SKU الخاصة بكل عميل، ووحدات القياس المعتادة، وأنماط التسليم، وغيرها من التفاصيل التي تبقى عادةً في ذاكرة موظفي مكتب الطلبات (order desk). ولهذا لم تكتفِ Choco بأتمتة الخطوات النمطية، بل راهنت على نظام استدلال (inference) قادر على حسم الغموض لحظة ورود الطلب. وهكذا يجري عمليًا نقل المعرفة التشغيلية من ذاكرة البشر إلى طبقة برمجية متاحة على مدار الساعة طوال أيام الأسبوع، ولا تعتمد على وردية بعينها أو موظف بعينه.

وعلى هذا الأساس أطلقت الشركة OrderAgent، وهو وكيل لمعالجة المدخلات متعددة الوسائط، يستقبل الرسائل البريدية والنصية والصور والمستندات ويحوّلها إلى طلبات جاهزة لأنظمة ERP. وتبعه VoiceAgent القائم على Realtime API، الذي يتيح للعملاء تقديم الطلبات هاتفيًا بزمن استجابة أقل من ثانية، بما في ذلك خارج ساعات العمل.

وبحسب Choco، اختارت الشركة OpenAI بسبب جودة النماذج، ودعمها للوسائط المتعددة، والاستجابات المنظَّمة، والموثوقية في بيئة الإنتاج. من الناحية التقنية، شمل التنفيذ تحويل الكلام إلى نص (speech-to-text) والتضمينات (embeddings) واستدعاء الدوال (function calling)، وأضاف الفريق فوق ذلك منظومته الخاصة لتقييم الجودة: مجموعات بيانات مرجعية، ومراقبة مستمرة، واختبارات A/B. وهذه تفصيلة مهمة: ففي أنظمة كهذه لا يكفي «توصيل LLM»، بل يجب قياس مواضع خطأ النموذج وتغيّر الجودة على الطلبات الحقيقية باستمرار.

تبدو النتائج حالة تشغيل صناعي لا مجرد تجربة. فتؤكد Choco أن أكثر من 200 مليار رمز (token) تمر عبر OpenAI في بيئة الإنتاج، وأن استقبال الطلبات يعمل على مدار الساعة، وأن نسبة الأخطاء تبقى منخفضة مع إمكانية ضبط عتبات الأتمتة. ويحرر خفض الإدخال اليدوي حتى 50% الموظفين من المعالجة الآلية الروتينية وينقلهم إلى مهام أعلى قيمة، فيما يدل تضاعف إنتاجية المبيعات دون توظيف على أن الأثر لا يقتصر على تكاليف التشغيل، بل يمتد إلى الكفاءة التجارية.

كما أن لجانب تجربة المستخدم (UX) أهمية: فلم يضطر العملاء إلى تغيير عاداتهم. فهم لا يزالون يرسلون طلباتهم بالطريقة التي تناسبهم، والنظام هو الذي يتكيّف.

وتبرز Choco بشكل منفصل دروسًا إدارية. الأول: يجب بناء تقييم الجودة منذ اليوم الأول، حتى لو لم يتوفر لدى الفريق سوى 10–20 مثالًا موسومًا. الثاني: تحتاج أنظمة الذكاء الاصطناعي إلى قابلية مراقبة (observability) مستقلة، فالسجلات المعتادة لا تكفي إذا كنت لا ترى مدخلات النموذج ومخرجاته وأسباب حالات الفشل. الثالث: على الشركات أن تتقبل مسبقًا الطبيعة الاحتمالية لـ LLM. فهذه الأنظمة لا تتصرف مثل الشيفرة الحتمية، ولذلك ينبغي تصميم توقعات المستخدمين واتفاقيات مستوى الخدمة (SLA) وسيناريوهات التصعيد بطريقة مختلفة.

وهذه إشارة ناضجة للسوق: فلن يفوز من أضاف روبوت دردشة أسرع من غيره، بل من تعلّم بناء عمليات وكيلية خاضعة للتحكم حول بيانات الأعمال المعقدة.

والخلاصة الرئيسية من حالة Choco بسيطة: يتحول وكلاء الذكاء الاصطناعي إلى طبقة تشغيلية جديدة في قطاعات B2B الرأسية، حيث لا تنبع القيمة من واجهة جميلة، بل من القدرة على تحليل تدفق البيانات الواقعي الفوضوي وتحويله إلى فعل. وإذا توسع هذا النموذج إلى قطاعات أخرى من سلاسل الإمداد (supply chain)، فلن يشهد السوق أتمتة نقطية، بل استبدالًا تدريجيًا لوظائف يدوية كاملة بأنظمة قادرة على الاستماع والقراءة وتوضيح السياق وتنفيذ العمل بنفسها.