Расширяем возможности команд по быстрому получению аналитических выводов в OpenAI
Это часть нашей серии материалов, в которых мы на внутренних примерах рассказываем о том, как OpenAI использует собственные технологии и API. Эти инструменты применяются внутри компании — исключительно в OpenAI, — и публикуются здесь в качестве наглядных примеров того, как передовой ИИ помогает решать задачи в самых разных наших командах. Мы также делимся внутренними названиями инструментов, чтобы дать более четкое представление о том, как передовой ИИ помогает нашим командам выполнять работу.
Среди шума и хаоса
Ежегодно поступают миллионы запросов в службу поддержки. Каждый из них содержит нечто ценное: разочарование, идею или просьбу.
Но до недавнего времени эти сигналы было трудно понять. Дашборды давали намеки на тренды, но упускали ответ на вопрос «почему?». Углубленный анализ требовал недель работы дата-саентиста. Руководитель продукта мог захотеть узнать, как новая функция была воспринята определенной аудиторией. Однако для получения ответа дата-саентисту требовалось проводить детальное исследование.
Любопытство приходилось ограничивать.
«Этот процесс требовал глубокой технической экспертизы, и он подавлял наше любопытство», — говорит Молли Джекман (Molly Jackman), руководитель отдела бизнес-аналитики (Head of Business Data).
Новый способ задавать вопросы
Мы создали исследовательского помощника, который раскрывает потенциал любопытства в масштабируемом формате. Он сочетает в себе два режима исследования: дашборды для поиска закономерностей и диалоговый интерфейс для более глубокого погружения. Вы можете начать с графика актуальных проблем, а затем задавать уточняющие вопросы на обычном языке.
Мы создали его, объединив то, что уже работало. С одной стороны, классификаторы и диаграммы, которые структурировали миллионы обращений по продуктовым направлениям и темам. С другой стороны, GPT‑5, способный суммировать исходные тикеты и генерировать гибкие отчеты на обычном языке. Эта комбинация обеспечила нам скорость и глубину, которые были достаточно простыми для использования кем угодно.
«Что клиенты из сферы здравоохранения говорят о новых интеграциях?»
«Что является причиной роста числа обращений в поддержку в этом квартале?»
«Какие ключевые функции бьют точно в цель?»
За считанные минуты система выдает отчет, оценивающий масштаб проблемы, показывающий ее распространенность и выделяющие болевые точки. Руководителям больше не нужно привлекать сторонние ресурсы или просматривать статические дашборды. Любой человек может следовать за своими собственными вопросами туда, куда они ведут. Для продуктовых команд это означает более быстрый цикл доработки на основе реальных отзывов — понимание того, что работает, а что нет, и формирование четких выводов для руководства при запуске продуктов и составлении долгосрочных дорожных карт.
«Вся магия в том, что вам не нужно заранее определять свои вопросы, вы можете просто следовать за своим любопытством».
Обеспечение надежности
Скорость не имеет значения без точности.
На ранних этапах операционные команды выполняли классификацию вручную, а специалисты по работе с данными писали кастомные модели для сравнения с результатами работы помощника. Результаты совпали.
Со временем уверенность росла. Руководители начали перекрестно проверять полученные выводы с тем, что они уже слышали «на местах», и когда данные сходились, они начинали опираться на них еще сильнее.
Этот цикл — вопрос, проверка, доверие — превратил ассистента в повседневную привычку для команд. То, на что раньше уходила неделя написания SQL-запросов и настройки классификаторов, теперь делается за несколько кликов.
От обращений к поворотным моментам
Результат заметен во всем.
- После запуска GPT‑5 продуктовые команды получили темы отзывов за считанные дни, а не недели.
- Когда темпы внедрения коннекторов корпоративными клиентами замедлились, ассистент быстро выявил первопричину: неудачный процесс онбординга. Инженеры смогли расставить приоритеты для устранения проблемы.
- В сфере генерации изображений он выделил как креативность маркетинговых команд, использовавших ее для макетов, так и проблему задержек при рендеринге — два фактора, которые напрямую повлияли на формирование дорожной карты.
Когда стоимость постановки вопроса снижается до нескольких минут, вопросов начинают задавать больше. Всплывает больше проблем. Команды двигаются быстрее.
Накапливающийся эффект любопытства
Этот инструмент не заменяет дата-саентистов. Он высвобождает их время для других задач. Вместо разовых аналитических отчетов у них появляется больше времени на создание новых классификаторов и инвестиции в автоматизацию и инструменты. Операционные команды теперь создают отчеты о запусках за минуты, а не за дни, что высвобождает ресурсы для более плотной работы с клиентами. Продуктовые команды могут в реальном времени получать информацию от пользователей, используя более быстрые циклы обратной связи для корректировки своих дорожных карт.
Операционная модель будущего
Эта трансформация изменила то, как мы умеем слушать. Вместо того чтобы ограничивать дефицитные аналитические ресурсы, теперь каждая команда может свободно задавать вопросы. Любопытство начинает работать по принципу сложного процента. Лидер продуктового направления замечает болевую точку, руководитель отдела продаж видит ту же тенденцию в запросах корпоративных клиентов, и вместе они находят более быстрый путь к действию.
Мы надеемся, что клиенты почувствуют это сильнее всего. Проблемы будут решаться быстрее. Функционал продуктов будет развиваться в тесном соответствии с их потребностями. Обратная связь, которая раньше пылилась в бэклоге, теперь лежит в основе того, как мы создаем продукты.
«Я рассматриваю это как UX-исследования клиентов в масштабе. Если мы транслируем голос клиента так, что это проактивно меняет наши продукты, политику и практики — это и есть успех».
То, что начиналось как инструмент для разбора миллионов обращений, становится частью операционной системы для того, как мы умеем слушать. А умение слушать — это залог того, что мы создаем качественные продукты.
Готовы заставить ChatGPT работать в вашем бизнесе?
Полный текст статьи читайте на OpenAI
