Això forma part de la nostra sèrie en què compartim exemples interns de com OpenAI utilitza la seva pròpia tecnologia i API. Aquestes eines s’utilitzen internament, només a OpenAI, i es comparteixen aquí com a exemples il·lustratius de com la IA d’avantguarda dona suport a casos d’ús dels nostres equips. També compartim els noms de les eines internes per oferir una visió més clara de com la IA d’avantguarda ajuda els nostres equips a fer la feina.
Cada any arriben milions de tiquets de suport. Cadascun conté alguna cosa valuosa: una frustració, una idea, una petició.
Però fins fa poc, aquests senyals eren difícils d’entendre. Els taulers de control apuntaven tendències, però es perdien el perquè. Les anàlisis en profunditat requerien setmanes de feina d’un científic de dades. Un responsable de producte podia voler saber com havia funcionat una nova funcionalitat amb un tipus de públic concret. Però per respondre calia que un científic de dades fes una anàlisi detallada.
La curiositat s’estava racionant.
«El procés exigia una gran experiència tècnica i estava tallant la nostra curiositat», diu Molly Jackman, responsable de dades de negoci.
Vam crear un assistent de recerca per alliberar una curiositat que escala. Combina dos modes d’exploració: taulers de control per detectar patrons i una interfície conversacional per aprofundir. Pots començar amb un gràfic de problemes en tendència i després fer preguntes de seguiment en llenguatge natural.
El vam construir combinant allò que ja funcionava. D’una banda, classificadors i gràfics que estructuraven milions de tiquets en àrees de producte i temes. De l’altra, GPT‑5, que podia resumir tiquets en brut i generar informes flexibles en llenguatge natural. La combinació ens va donar velocitat i profunditat, amb una simplicitat suficient perquè tothom la pogués fer servir.
«Què diuen els clients del sector sanitari sobre les noves integracions?»
«Què està impulsant els tiquets de suport aquest trimestre?»
«Quines funcionalitats principals estan encertant de ple?»
En qüestió de minuts, el sistema retorna un informe que dimensiona el problema, en mostra la prevalença i destaca els punts de fricció. Els responsables ja no han de manllevar capacitat ni consultar taulers estàtics. Qualsevol pot seguir les seves pròpies preguntes allà on el portin. Per als equips de producte, això vol dir iterar més ràpidament sobre comentaris reals: saber què funciona, què no, i extreure coneixements clars per orientar tant els llançaments de producte com els fulls de ruta a llarg termini.
«La màgia és que no has de predefinir les teves preguntes; simplement pots seguir la teva curiositat.»
La velocitat no significa res sense precisió.
Als primers dies, els equips d’operacions feien classificacions manuals i els científics de dades escrivien models personalitzats per comparar-los amb l’assistent. Els resultats coincidien.
Amb el temps, la confiança va créixer. Els responsables van començar a contrastar les conclusions amb allò que ja sentien sobre el terreny i, quan coincidia, hi aprofundien.
Aquest cicle —preguntar, comprovar, confiar— va convertir l’assistent en un hàbit diari per als equips. El que abans requeria una setmana de consultes SQL i classificadors ara passa en uns quants clics.
El retorn es veu a tot arreu.
- Després del llançament de GPT‑5, els equips de producte van tenir temes de feedback en dies, no en setmanes.
- Quan l’adopció empresarial dels connectors es va alentir, l’assistent va identificar ràpidament la causa arrel: un flux d’incorporació amb errors. Els enginyers van poder prioritzar-ne les correccions.
- En la generació d'imatges, va destacar tant la creativitat dels equips de màrqueting que la feien servir per a maquetes com també la fricció dels retards en el renderitzat; dues veritats que van donar forma directament al full de ruta.
Quan el cost de fer una pregunta baixa a minuts, se’n fan més. Afloren més problemes. Els equips es mouen més ràpid.
L’eina no substitueix els científics de dades. Els allibera perquè facin una feina diferent. En lloc d’anàlisis puntuals, tenen més temps per crear classificadors nous i invertir en automatització i eines. Els equips d’operacions ara generen informes de llançament en minuts en lloc de dies, i alliberen capacitat per dedicar més temps als clients. Els equips de producte poden aprendre en temps real dels clients i informar els seus fulls de ruta amb bucles de feedback més ràpids.
Aquesta transformació ha canviat la manera com podem escoltar. En lloc de racionar uns cicles analítics escassos, ara cada equip pot perseguir lliurement les seves preguntes. La curiositat es multiplica. Un responsable de producte detecta un punt de fricció, un responsable de vendes veu el mateix tema als tiquets empresarials i, plegats, creen un camí més ràpid cap a l’acció.
L’esperança és que els clients siguin qui més ho notin. Els problemes es resoldran abans. Les funcionalitats podran evolucionar més a prop de les seves necessitats. El feedback que abans quedava enterrat al backlog ara és central en la manera com construïm.
«Ho veig com a recerca d’UX de client a escala. Si fem aflorar la veu del client d’una manera que canviï de manera proactiva els nostres productes, polítiques i pràctiques, això és l’èxit.»
El que va començar com una eina per analitzar milions de tiquets s’està convertint en part del sistema operatiu de com escoltem. I escoltar bé és com construïm bé.
