Wayfair mejora catálogo y soporte con OpenAI | Keryc
Wayfair pasó de pruebas pequeñas en 2024 a operar modelos de OpenAI en producción para mejorar la calidad del catálogo y acelerar el soporte a proveedores. ¿El resultado? Menos trabajo manual, decisiones más rápidas y mejor data en millones de productos.
Cómo Wayfair integró OpenAI en operaciones críticas
La compañía no vio la IA como un experimento aislado, sino como parte del flujo operativo central. Empezaron por donde la complejidad y la escala eran mayores: en la clasificación de atributos de producto y en el ruteo de solicitudes de proveedores.
Wayfair gestiona cerca de 30 millones de productos y alrededor de 47,000 etiquetas distintas. Tener atributos consistentes como color, material o tamaño es clave para búsqueda, recomendaciones y merchandising. Antes, la mejora de etiquetas dependía de que proveedores o clientes avisaran de errores; era lento e insuficiente.
Para escalar, dejaron atrás los modelos a la carta por etiqueta y montaron un sistema agnóstico a etiquetas usando un único modelo de OpenAI. Un "definition agent" recopila definiciones públicas e internas para producir el contexto de cada etiqueta. Esa capa de significado, junto con los datos de producto, alimenta un marco que clasifica atributos a través de clases de producto.
Resultados medibles en catálogo
El sistema ya se ejecutó en producción sobre más de 1 millón de productos y corrigió 2.5 millones de etiquetas en los ítems más visibles y comprados. Un experimento A/B mostró aumentos significativos en impresiones, clics y posicionamiento en páginas de búsqueda para los productos tratados.
Además, el equipo está extendiendo la cobertura de atributos a una velocidad 70 veces mayor que hace un año. Lo más importante: cuando la confianza del modelo es alta, los sistemas pueden sobreescribir los datos y notificar al proveedor; cuando no, solicitan confirmación humana.
Soporte a proveedores: triage y flujos agenticos
Históricamente, cada ticket entrante era revisado por un asociado que debía identificar intención y dirigirlo. Eso consumía tiempo y era propenso a errores. Wayfair creó Wilma, una capa con funciones agenticas que mejora ese flujo.
Una de las primeras funciones en producción fue la triage automática: el modelo lee la solicitud, rellena contexto faltante y rutea el ticket al equipo correcto. Wilma pasó de prototipo a vivo en aproximadamente un mes porque se apoyó en una plataforma ya integrada con las APIs de OpenAI.
Además de triage, desplegaron una docena de flujos agenticos para equipos de resolución específicos. Por ejemplo, un copiloto para operaciones de piezas de reemplazo que sintetiza el historial del caso, propone próximos pasos y sugiere borradores de respuesta que revisa un humano.
Control humano, auditoría y confianza
Wayfair no entregó decisiones críticas sin control. Implementaron auditorías prácticas donde asociados inspeccionan muestras físicamente para validar salidas del modelo y trabajan con proveedores para confirmar cambios cuando la etiqueta es de alto riesgo.
Usan una métrica llamada alignment rate para medir cuán seguidas las recomendaciones del modelo coinciden con la decisión final humana. Cuando cada equipo alcanza un umbral establecido, ciertos flujos pueden pasar de modo asistente a semi autónomo. Es una transición gradual que protege la calidad mientras se gana escala.
Impacto operacional y en satisfacción
Los números hablan: en soporte, la triage y los flujos agenticos automatizan 41,000 tickets al mes, con aumentos de hasta 70% en ciertos procesos y reducción de tiempos de respuesta. En catálogo, esperan cuadruplicar el impacto de las correcciones en los próximos seis meses.
Operativamente, los equipos notan:
Enrutamiento y resolución más rápidos
Mayor satisfacción de proveedores
Menos trabajo manual de entrada y clasificación de datos
Cobertura más amplia sin requerir expertos en todas las áreas
Mayor confianza en atributos antes de publicar
Wayfair también desplegó más de 1,200 asientos de ChatGPT Enterprise entre sus 12,000 empleados para tareas ad hoc y experimentación.
Lecciones prácticas y hacia dónde van
La historia de Wayfair muestra que la IA funciona mejor cuando se integra con procesos, controles humanos y validación externa. ¿La clave? No reemplazar a la gente, sino amplificar su capacidad de ver contexto y tomar decisiones con más información.
Los avances en modelos multimodales son relevantes para el retail del hogar porque los productos son visuales y subjetivos. Natural language y capacidades multimodales ayudan a cerrar la brecha entre lo que el cliente busca y cómo lo describe.
Para Wayfair, la asociación con OpenAI fue más que acceso a modelos: fue acompañamiento en selección de modelos, prácticas de despliegue y adopción interna. Eso movió pilotaje lento hacia servicios en producción que ya impactan la experiencia del cliente.
Al final, la apuesta es clara: escalar calidad y velocidad sin perder control humano. ¿No es eso exactamente lo que espera un comprador cuando decide entre dos sillones en línea?
