Choco automatizou distribuição de produtos com OpenAI e duplicou produtividade de vendas

Choco показала, как AI-агенты переходят из разряда вспомогательных инструментов в критическую инфраструктуру реального бизнеса. Платформа для дистрибуции продуктов встроила OpenAI API в обработку заказов и, по собственным данным, теперь ежегодно проводит через систему более 8,8 млн заказов, сокращает ручной ввод до 50% и позволяет отделам продаж работать вдвое продуктивнее без расширения штата. Choco работает на рынке food & beverage distribution и объединяет в одной системе рестораны, поставщиков и дистрибьюторов.

Компания сообщает, что обслуживает более 21 тысячи дистрибьюторов и 100 тысяч покупателей в США, Великобритании, Европе и странах Персидского залива. Главная проблема при росте бизнеса оказалась не в интерфейсах и не в CRM как таковой, а в хаотичном входящем потоке заказов: они приходили по email, в SMS, голосовых сообщениях, фотографиях документов и даже в рукописных записках. Дальше сотрудники вручную переводили все это в структурированные заказы для ERP-систем, что тормозило масштабирование и создавало постоянный риск ошибок.

Как объясняет компания, самая сложная часть была даже не в распознавании текста или речи. Критический слой — это скрытый контекст: индивидуальные соответствия SKU у каждого клиента, привычные единицы измерения, паттерны доставки и прочие детали, которые обычно держатся в голове у сотрудников order desk. Именно поэтому Choco сделала ставку не просто на автоматизацию шаблонных шагов, а на inference-систему, которая может разруливать неоднозначность в момент поступления заказа.

По сути, речь идет о переносе операционного знания из человеческой памяти в программный слой, который доступен 24/7 и не зависит от конкретной смены или сотрудника. На этом фундаменте компания запустила OrderAgent — агент для обработки мультимодальных входов, который принимает письма, SMS, изображения и документы и превращает их в ERP-готовые заказы. Следом появился VoiceAgent на базе Realtime API: он позволяет клиентам оформлять заказы по телефону с задержкой меньше секунды, в том числе вне рабочих часов.

OpenAI, по словам Choco, выбрали из-за качества моделей, мультимодальности, структурированных ответов и надежности в продакшене. Технически внедрение включало speech-to-text, embeddings и function calling, а сверху команда собрала собственный контур оценки качества: эталонные датасеты, непрерывный мониторинг и A/B-тесты. Это важная деталь: в подобных системах недостаточно «подключить LLM», нужно постоянно измерять, где модель ошибается и как меняется качество на реальных заказах.

Результаты выглядят как кейс уже не про эксперимент, а про промышленную эксплуатацию. Choco утверждает, что в продакшене через OpenAI проходит более 200 млрд токенов, прием заказов работает круглосуточно, а доля ошибок удерживается на низком уровне при настраиваемых порогах автоматизации. Снижение ручного ввода до 50% освобождает сотрудников от механической обработки и переводит их в более ценные задачи, а двукратный рост продуктивности продаж без найма показывает, что эффект идет не только в операционные издержки, но и в коммерческую эффективность.

Важен и UX-аспект: клиентам не пришлось менять привычки. Они по-прежнему отправляют заказ тем способом, который им удобен, а адаптируется уже система. Отдельно Choco выделяет управленческие уроки.

Первый — оценку качества нужно строить с первого дня, даже если у команды пока есть только 10–20 размеченных примеров. Второй — AI-системам нужна отдельная наблюдаемость: обычных логов мало, если ты не видишь входы модели, выходы и причины неудачных срабатываний. Третий — бизнесу важно заранее принять вероятностную природу LLM.

Такие системы не ведут себя как детерминированный код, поэтому ожидания пользователей, SLA и сценарии эскалации нужно проектировать иначе. Это довольно зрелый сигнал для рынка: выиграют не те, кто быстрее всех добавил чат-бота, а те, кто научился строить управляемые агентные процессы вокруг сложных бизнес-данных. Главный вывод из кейса Choco простой: AI-агенты становятся новым операционным слоем в вертикальном B2B, где ценность создается не красивым интерфейсом, а способностью разбирать грязный реальный поток данных и превращать его в действие.

Если эта модель масштабируется и в других сегментах supply chain, рынок увидит не точечную автоматизацию, а постепенную замену целых ручных функций системами, которые умеют слушать, читать, уточнять контекст и исполнять работу сами.