Wayfair melhora a precisão do catálogo e o suporte com OpenAI

A Wayfair, uma das maiores varejistas de artigos para casa do mundo, integrou modelos da OpenAI a sistemas internos críticos para aprimorar, em escala, os fluxos de suporte a fornecedores e a qualidade do catálogo de produtos. O que começou, em 2024, como testes de valor em lançamentos de pequena escala evoluiu para um sistema completo em produção que reduz o trabalho manual, acelera a tomada de decisão e melhora a qualidade dos dados em milhões de produtos.

Em vez de tratar a IA generativa como experimento ou solução pontual, a Wayfair incorporou modelos da OpenAI a fluxos operacionais centrais. A empresa focou primeiro onde a complexidade e a necessidade de escala eram maiores: encaminhar e resolver solicitações de suporte a fornecedores e melhorar, de forma consistente, dezenas de milhares de atributos de produtos em um catálogo de cerca de 30 milhões de itens.

A equipe de catálogo da Wayfair gerencia dezenas de milhões de produtos em quase mil classes diferentes de produto. Tags de atributos de produtos consistentes e precisas — como cor, material, tamanho ou características específicas — são essenciais para busca, recomendações e merchandising.    

"Quanto melhor a qualidade dos nossos dados, mais confiança construímos com o cliente. Isso é essencial porque ajuda os consumidores a tomar as decisões certas de compra, reduzindo diretamente problemas caros mais adiante, como devoluções por produtos descritos incorretamente", disse Jessica D'Arcy, diretora associada de merchandising de catálogo da Wayfair. 

Antes da OpenAI, as melhorias na marcação dependiam principalmente de fornecedores e clientes para avisar à Wayfair quando algo parecia errado. O trabalho manual não dava conta do volume.  Os primeiros modelos de IA personalizados para tags individuais eram eficazes, mas se mostraram caros para criar e manter. "Começamos construindo modelos sob medida para tags individuais e, tecnicamente, funcionava", disse Carolyn Phillips, cientista de machine learning (staff) da Wayfair. "Mas, quando você tem 47.000 tags, essa abordagem simplesmente não escala."

Para ir além de modelos pontuais, a Wayfair criou um sistema agnóstico a tags, construído sobre um único modelo da OpenAI. Um "agente de definição" ingere a web e definições internas para produzir o significado contextual de cada tag. "O verdadeiro gargalo não era o desempenho do modelo", disse Phillips. "Era o tempo humano necessário para definir e codificar o que cada tag realmente significava." Esse contexto, junto de dados de produtos agregados em todo o ecossistema de dados da Wayfair, alimenta um framework capaz de classificar atributos entre classes de produto. Agora, a equipe está expandindo a cobertura do modelo para novos atributos a uma taxa 70× maior do que há apenas um ano.

O sistema já rodou em produção em mais de 1 milhão de produtos. E a primeira leva de produtos com atributos aprimorados já está no ar há tempo suficiente para medir o impacto da melhoria da qualidade dos dados na jornada do cliente.  "Quando você melhora a completude de atributos, não é algo abstrato. Você vê isso aparecer no desempenho de SEO e PLA — em como os clientes descobrem produtos", disse Phillips. Um teste A/B controlado mostrou um aumento substancial e significativo em impressões, cliques e posição no ranking no grupo de tratamento.

No entanto, a Wayfair não simplesmente delegou ao modelo as decisões de correção dos dados dos produtos. "Nosso objetivo é construir confiança para que os clientes tenham total certeza do que estão comprando", disse Phillips. A empresa desenvolveu testes estruturados usando um processo de auditoria prática, no qual colaboradores inspecionam amostras fisicamente para validar a saída do modelo, e trabalhou com fornecedores para validar as mudanças. Agora, quando a confiança baseada em dados é alta, sistemas automatizados sobrescrevem o conteúdo diretamente e notificam o fornecedor sobre a alteração. E, quando um padrão elevado não é atingido ou a tag é considerada de alto risco, a Wayfair primeiro busca a confirmação do fornecedor antes de fazer a alteração.

A Wayfair trabalha com dezenas de milhares de fornecedores para apoiar seu catálogo abrangente. Para gerenciar solicitações de suporte a fornecedores, historicamente os colaboradores da Wayfair revisavam cada chamado recebido, identificavam manualmente o que os fornecedores tentavam fazer e encaminhavam os problemas ao responsável interno correto — um processo demorado e sujeito a erros. "As solicitações dos fornecedores não são simples", disse Graham Ganssle, de suporte a fornecedores e operações na Wayfair. "Elas abrangem centenas de tipos de problema, e nenhum colaborador consegue dominar tudo isso de forma realista."

A Wayfair adicionou recursos de IA com agentes a um produto chamado Wilma para ampliar esses fluxos de trabalho com IA. Um dos primeiros recursos em produção é a triagem de chamados, impulsionada por um modelo da OpenAI. O sistema lê as solicitações recebidas, preenche o contexto que falta e encaminha os chamados para a equipe apropriada. O Wilma foi projetado para ser implementado rapidamente; construído sobre um sistema já integrado às APIs da OpenAI, ele passou de protótipo a produção em aproximadamente um mês. "O Wilma amplia a capacidade dos colaboradores", disse Ganssle. "Ele lê o chamado, identifica a intenção, preenche o contexto a partir dos nossos bancos de dados, volta a contatar os fornecedores, se necessário, e direciona o problema para o caminho certo."

Além do encaminhamento, a Wayfair implantou uma dúzia de fluxos de IA com agentes para equipes específicas de resolução. Por exemplo, um co-pilot para a equipe de Operações de Peças de Reposição lê históricos de casos complexos, propõe próximos passos e sugere respostas em rascunho, que colaboradores humanos revisam. Esses assistentes são treinados com dados históricos para aprender como é o sucesso no contexto. "Os modelos conseguem sintetizar o contexto ao longo de toda a jornada de um jeito que é difícil para um único colaborador fazer", disse Ganssle. "Essa visão mais ampla contribui para maior satisfação de clientes e fornecedores."

A Wayfair acompanha com que frequência as recomendações da IA coincidem com a decisão final do atendente humano — uma métrica chamada "taxa de alinhamento". Dentro de cada equipe, quando a taxa de alinhamento atinge consistentemente um limite predeterminado, os fluxos de trabalho podem passar do modo assistivo ("co-pilot") para modos semiautônomos ("autopilot"). Essa abordagem em etapas cria confiança e garante controles de qualidade durante a implementação.

A Wayfair relata melhorias mensuráveis desde que integrou modelos da OpenAI a sistemas internos.

No catálogo, a empresa reduziu o número de tags de atributos de produtos incorretas ou ausentes que um cliente poderia ver — tendo corrigido 2,5M de tags de produtos em mais de um milhão dos produtos mais vistos e comprados no catálogo da Wayfair. Eles esperam quadruplicar esse impacto nos próximos seis meses.

No suporte a fornecedores, sistemas de triagem, co-pilot e auto-pilot aumentaram a produtividade ao automatizar 41.000 chamados por mês (até 70% em alguns fluxos de trabalho) e reduzir tempos de resposta ao remover trabalho manual rotineiro das cargas de trabalho dos colaboradores. Isso reduz drasticamente o tempo de resolução em diversos fluxos de trabalho, aumenta significativamente a satisfação dos fornecedores e diminui a reabertura de chamados nesses fluxos.

A visão mais ampla que os modelos oferecem sobre os chamados e a intenção dos fornecedores — além do que um único colaborador consegue ver em uma tela — contribuiu para esse aumento de satisfação.

Operacionalmente, as equipes relatam:

• Encaminhamento e resolução mais rápidos de chamados complexos de fornecedores
• Maior satisfação dos fornecedores
• Menos trabalho manual de entrada e classificação de dados
• Cobertura mais ampla de problemas sem exigir expertise em centenas de tópicos
• Maior confiança nos atributos do catálogo antes da publicação.

A Wayfair também implantou mais de 1.200 licenças do ChatGPT Enterprise em sua força de trabalho de aproximadamente 12.000 pessoas para apoiar tarefas ad hoc, resolução de problemas internos e experimentação com modelos generativos.

A Wayfair tem uma longa história de investimento em machine learning e de colaboração com plataformas de IA e provedores de LLMs para impulsionar seu negócio. Agora, avanços em modelos de fronteira, especialmente sistemas multimodais, estão ampliando o que suas equipes conseguem construir. Isso importa no varejo de artigos para casa, em que os produtos são visuais, têm estilo e muitas vezes são subjetivos.

"Estamos empolgados com o escopo dos problemas que agora conseguimos enfrentar", disse Carolyn Phillips. "Algoritmos tradicionais exigem conjuntos de dados bem definidos. Esses modelos nos permitem lidar com ambiguidade e contexto de um jeito que antes não era escalável." 

Daqui para frente, a demanda dos colaboradores pelo ChatGPT Enterprise tem sido forte. As equipes da Wayfair veem a ferramenta como algo prático que ajuda a avançar mais rápido.

As expectativas dos clientes também estão mudando rapidamente. Cada vez mais compradores se sentem confortáveis usando IA no dia a dia e começam a esperar capacidades semelhantes quando navegam, comparam e compram online.

"Em casa, os clientes muitas vezes não têm as palavras exatas para o que estão procurando", disse Fiona Tan. "A linguagem natural e sistemas multimodais ajudam a preencher essa lacuna."

Para os líderes da Wayfair, o objetivo continua sendo ampliar o conhecimento especializado humano enquanto escalam a capacidade interna. "Estamos construindo para um mundo em que a IA faz parte da jornada de compra — seja no nosso site, no suporte ou por interfaces conversacionais", concluiu Fiona Tan.