一言で言うと
ホームグッズ小売大手のWayfairは、OpenAIのモデルを使って、膨大な商品情報を整理し直し、「この商品は何か」を社内で一貫して把握しやすくしました。その結果、検索や広告に使う商品データの精度が上がっただけでなく、サプライヤーからの問い合わせについても、どの商品に関する話で、どの部署が対応すべきかを素早く判断しやすくなりました。これは、生成AIが単なる実験ではなく、企業の運営で実際に手間やミスを減らす道具として使えることを示す事例です。
何が起きているのか
Wayfairが向き合っていたのは、数千万点の商品をまたぐカタログ管理の煩雑さでした。同社では約1,000の製品クラスにわたり、色、素材、サイズといった属性情報をそろえる必要がありましたが、以前はサプライヤーや顧客からの指摘を頼りに手作業で直す場面が多く、量の大きさに対応しきれていませんでした。商品情報がそろっていないと、検索や広告だけでなく、問い合わせが来たときに「そもそもどの商品の、どんな問題なのか」を社内で素早く特定しにくくなります。そこで2024年初頭から、OpenAIのモデルを内部システムに組み込み、商品データの整備とサプライヤー対応の流れを見直し始めました。
以前の問題は、商品ごとに属性の付け方がばらつきやすく、しかも製品クラスごとに基準が少しずつ異なるため、手作業では全体をそろえきれなかったことです。たとえば同じような商品でも、ある商品には「木製」と書かれているのに、別の商品では素材欄が空欄になっている、といった揺れが起きやすく、検索や広告配信の精度を下げる原因になっていました。
そこでWayfairは、単一のOpenAIモデルを基盤とした「タグに依存しない」システムを構築しました。ここでいう「タグに依存しない」とは、既存のタグ名をそのまま信じるのではなく、商品説明、ウェブ情報、社内ルールをもとに、その商品をどんな項目で整理すべきかを決め直す、という意味です。まず「定義エージェント」が、たとえば家具なら「素材」「色」「サイズ」のように、そのカテゴリを整理するための項目表を作ります。次に各商品について、その項目表に沿って何が当てはまるかを本文や説明文から読み取り、空欄を埋めたり表記の揺れをそろえたりしながら、属性情報を付け直します。つまり、AIが勝手に商品を作り変えたのではなく、商品をそろったものさしで見直し、社内で同じ基準で扱えるようにした、ということです。
結果として、この仕組みはすでに100万点以上の製品で稼働し、250万件の製品タグを修正しています。A/Bテストでは、属性情報がより漏れなく整ったことで、検索エンジン最適化（SEO: Search Engine Optimization）や有料広告（PLA: Product Listing Ad）のパフォーマンス、具体的には表示回数、クリック数、ページランクが向上したとされています。
サプライヤー対応でも、以前は問い合わせ内容を人が読み、どの商品についての話なのか、何が問題なのか、どの担当チームに回すべきかを一つずつ確認する必要がありました。案件が複雑になるほど、過去のやり取りや不足情報の確認に時間がかかり、対応の遅れや振り分けミスが起きやすかったと考えられます。
これに対してWayfairは、Wilmaと名付けられたシステムにAIエージェント機能を導入しました。この仕組みは、入ってきた問い合わせチケットを読み、不足している文脈を補いながら、まず適切なチームに振り分けます。さらに、複雑な案件では過去の履歴を踏まえて次に取るべき対応や返信のたたき台まで提案します。
Wayfairは、AIの提案と人間の最終判断がどれだけ一致するかを「アライメント率」として追跡し、この一致率が十分に高まった領域から、人が横で支える「アシストモード」から、より自動化の進んだ「オートパイロット」モードへ段階的に進めています。これにより、月間41,000件のチケット処理を自動化し、一部の業務では処理能力が最大70%向上し、解決までの時間も短縮したとされています。
AI業界の文脈では
このWayfairの事例は、生成AIが特定の「点」の課題解決に留まらず、企業の「線」としての基幹業務プロセス全体に深く組み込まれることで、大きな変化をもたらしうることを示しています。特に、膨大な非構造化データ（製品説明、顧客問い合わせなど）を扱う小売業において、大規模言語モデル（LLM: Large Language Model）の文脈理解能力が、データ品質の向上とオペレーションの効率化に直結することが明らかになりました。
また、AIの導入が単なる自動化に終わらず、人間とAIが協調する「ヒューマン・イン・ザ・ループ」の設計が成功の鍵を握ることを強調しています。Wayfairが採用した段階的な導入（コパイロットからオートパイロットへ）と、人間による検証プロセスは、AIの信頼性を確保し、組織全体での受け入れを促進するためのベストプラクティスと言えます。これは、AIがもたらす変化を管理し、リスクを低減しながら導入を進める上での重要な指針となります。
私の見立て
Wayfairの事例から分かるのは、生成AIが一部の作業を楽にするだけでなく、まず商品情報をきちんと整え、そのうえで問い合わせ対応までつなげることで、業務全体を立て直せるということです。特に、「何を売っているのか」を社内で正確に把握できるようになると、その後の検索、広告、問い合わせ対応まで一気に良くなる点は、多くの企業に共通する学びだと言えます。
この考え方は、医療分野にも応用しやすいです。たとえば、電子カルテの入力支援、患者からの問い合わせ対応、医療機器の保守サポートのように、情報量が多く、関係者も多い業務では同じ発想が使えます。AIを入れるときは、単に人手を減らすことだけでなく、情報の整い方を良くし、判断の精度や利用者の体験をどう高めるかまで含めて考えることが大切です。
→ 何が変わるか: 複雑なデータ管理と顧客対応が求められる業界において、AIが業務効率化と顧客満足度向上を両立させる標準的なアプローチとなるでしょう。
→ 何をすべきか: 自社のコア業務におけるデータ品質の課題と、顧客・サプライヤーとのコミュニケーションにおける非効率な点を特定し、AIによる解決策の導入可能性を具体的に検討すべきです。