ร้านสะดวกซื้อต้องจัดการเป้าหมายที่ดึงกันคนละทางทุกวัน: สินค้าต้องพร้อมในช่วงมื้ออาหาร อาหารสดทิ้งให้น้อย พนักงานทำงานได้รวดเร็ว และลูกค้าซื้อได้สะดวก ตัวเลขใดตัวเลขหนึ่งดีขึ้นไม่ได้แปลว่าร้านมีผลการดำเนินงานดีขึ้นเสมอไป

สั่งของน้อยลงอาจลดของเสีย แต่ทำให้สินค้าหมดก่อนช่วงเที่ยงสิ้นสุด ลดชั่วโมงแรงงานอาจเพิ่มยอดขายต่อชั่วโมงทำงาน แต่สินค้าที่มาถึงแล้วอาจยังรอขึ้นชั้น การประเมินคุณค่าของ AI จึงต้องดูทั้งตัวชี้วัดและงานที่อยู่เบื้องหลัง

สำหรับร้านสะดวกซื้อ ผมให้ความสำคัญกับการที่โมเดลภาษาช่วยให้ร้านหาสาเหตุได้เร็วขึ้น ทำงานได้ถูกต้อง และสะท้อนการปรับปรุงนั้นในส่วนเกินจากการขายสินค้า นี่คือจุดเริ่มต้นของ AI-Native ในบทความนี้

เริ่มจากระบุว่างานส่วนใดเป็นหน้าที่ของโมเดลภาษา

AI-Native ในที่นี้หมายถึงการจัดงานโดยใช้ความสามารถของโมเดลภาษาในการทำความเข้าใจ โต้ตอบ ให้เหตุผล และใช้เครื่องมือ โมเดลอ่านบันทึกส่งต่องาน ตีความประกาศสำนักงานใหญ่ เรียกดูข้อมูลการดำเนินงาน ถามคำถามที่จำเป็น ช่วยสร้างงาน และดำเนินการต่อจากข้อมูลตอบกลับได้

การพยากรณ์อุปสงค์ ความยืดหยุ่นของราคา และการเพิ่มประสิทธิภาพสินค้าคงคลังยังมีโมเดลและวิธีคำนวณของตนเอง โมเดลภาษาเรียกใช้ความสามารถเหล่านั้นได้ แต่การเพิ่มช่องแชตให้ระบบพยากรณ์ไม่ได้พิสูจน์ว่าผลการดำเนินงานที่ดีขึ้นเกิดจากโมเดลภาษา

สิ่งที่ควรศึกษาเป็นพิเศษคือช่องว่างด้านข้อมูลและการปฏิบัติงานระหว่างขั้นตอน เช่น หมายเหตุการจัดส่งไม่ถูกนำไปใช้ตัดสินใจสั่งสินค้า สินค้าขาดชั้นไม่ได้รับการตรวจสอบทันเวลา หรือประกาศโปรโมชั่นไม่ถูกแปลงเป็นงานที่พนักงานกะนั้นทำได้จริง

การแก้ปัญหาเหล่านี้ต้องเชื่อมโมเดลกับความรู้ที่ใช้ได้ ข้อมูลที่เชื่อถือได้ และเครื่องมือเฉพาะ การคำนวณ กฎราคา บันทึกสต็อก และการตรวจสอบธุรกรรมยังเป็นหน้าที่ของโปรแกรมที่ให้ผลแน่นอนและระบบธุรกิจ แนวปฏิบัติทางเทคนิคยังเน้นให้เลือกการค้นคืนข้อมูล เครื่องมือ และเวิร์กโฟลว์ตามความซับซ้อนของงาน โดยเริ่มจากวิธีง่ายก่อน Anthropic: Building Effective Agents

ไล่จากตัวชี้วัดหลักลงไปถึงการกระทำที่เปลี่ยนแปลงได้

ตัวชี้วัดของร้านสะดวกซื้อสามารถไล่จากผลทางธุรกิจลงไปถึงหน้างานได้ ส่วนเกินที่ร้านสร้างขึ้นขึ้นอยู่กับยอดขาย กำไรขั้นต้นสินค้า ความสูญเสีย และค่าใช้จ่าย ซึ่งได้รับอิทธิพลจากสินค้าพร้อมขาย การสั่งสินค้า การขึ้นชั้น การจัดการสินค้าใกล้หมดอายุ บริการ และการจัดเวลาทำงาน

ควรตรวจสอบคุณค่าของโมเดลตามเส้นทางเดียวกัน: งานหนึ่งทำได้ดีขึ้นหรือไม่ กระบวนการดีขึ้นหรือไม่ และสุดท้ายผลทางธุรกิจดีขึ้นหรือไม่

ตัวชี้วัดหลักปัญหาหน้างานที่ควรตรวจสอบงานที่โมเดลช่วยได้สิ่งที่ควรตรวจสอบก่อน
สินค้าพร้อมขายช่วงมื้ออาหารส่งช้า ขึ้นชั้นช้า สถานะสต็อกไม่ชัดตรวจสอบบันทึกร่วมกันและติดตามสินค้าขาดเวลาที่ใช้คืนสถานะพร้อมขายและความพร้อมขายจริง
ของเสียและส่วนเกินจากอาหารสดสินค้า ล็อต หรือช่วงเวลาขายไม่สอดคล้องกันเชื่อมบันทึกของเสียกับการขาย และติดตามการจัดการที่อนุมัติแล้วยอดขายล็อตเดียวกัน ต้นทุนของเสีย และส่วนเกิน
ประสิทธิภาพแรงงานค้นเอกสาร ถามซ้ำ งานตกหล่นตอนเปลี่ยนกะให้ขั้นตอนที่เหมาะสม จัดและติดตามงานค้างเวลาทำงานรวมการตรวจทานและแก้งาน
ยอดซื้อต่อบิลและธุรกรรมหาสินค้ายาก ใช้เวลาเลือกชุดสินค้าเข้าใจสิ่งที่ลูกค้าต้องการ ค้นสินค้า และเสนอชุดสินค้าการซื้อสำเร็จ เวลาที่ใช้ และส่วนเกินจากสินค้า
ส่วนเกินจากโปรโมชั่นตีความเงื่อนไขต่างกัน ป้ายราคาไม่ตรงระบบชำระเงินแปลงประกาศเป็นงาน ตรวจข้อขัดแย้งและติดตามข้อผิดพลาด ค่าใช้จ่ายที่เกี่ยวข้อง และส่วนเกินสุทธิ

ตัวอย่างเช่น บทความนี้รวมอาหารพร้อมรับประทานและอาหารส่งรายวันไว้ในคำว่า “อาหารสด” แต่การวิเคราะห์ระดับร้านยังต้องแยกตามหมวด อายุสินค้า และล็อต อัตราของเสียรวมที่ลดลงเพราะนมขายมากขึ้นไม่ได้พิสูจน์ว่าของเสียจากข้าวกล่องลดลง

อาหารสด: หาคำตอบให้ “เที่ยงของหมด แต่ค่ำยังทิ้ง”

สมมติผู้จัดการร้านถามว่า “ลูกค้าบอกตลอดว่าข้าวกล่องหมดตอนเที่ยง ทำไมตอนค่ำยังมีของต้องทิ้งมาก?”

สาเหตุอาจเป็นอุปสงค์และอุปทานของสินค้าคนละชนิดไม่ตรงกัน หรือสินค้าชนิดเดียวกันมาถึงช้า หรือรับเข้าแล้วแต่ยังไม่ขึ้นชั้น เหตุผลอาจอยู่ในเสียงส่งต่องาน หมายเหตุจัดส่ง หรือสถานะสต็อก การดูยอดขายรวมคู่กับของเสียรวมยังบอกไม่ได้ว่าควรสั่งเพิ่มหรือลด

เวิร์กโฟลว์ AI-Native ที่ออกแบบเพื่อปัญหานี้อาจเริ่มจากยืนยันร้าน ช่วงเวลา สินค้า และล็อต แล้วเรียกดูบันทึกขาย รับสินค้า และตัดของเสีย พร้อมอ่านการส่งต่องาน ต้องแยกข้อเท็จจริงที่ยืนยันแล้วออกจากข้อสันนิษฐานเรื่องสาเหตุ หากไม่มีบันทึกขึ้นชั้น ให้ถามผู้รับผิดชอบแทนการเขียนข้อคาดเดาเป็นข้อสรุป

หลังตรวจสอบ ระบบช่วยสร้างงานภายในสิทธิ์ที่กำหนดได้ เช่น ตรวจสินค้าหลังร้านที่ขายได้ เติมชั้น ประสานเวลาส่ง หรือเพิ่มสินค้าบางรายการในการทบทวนคำสั่งซื้อครั้งถัดไป ทุกงานต้องมีผู้รับผิดชอบ กำหนดเวลา และหลักฐานการเสร็จงาน จากนั้นตรวจว่าชั้นกลับมามีสินค้าหรือไม่และปัญหาเดิมเกิดซ้ำหรือไม่

โอกาสปรับปรุงอยู่ที่การลดเวลาจากพบข้อผิดปกติไปสู่การจัดการที่ถูกต้อง การเติม รับ และขึ้นชั้นยังทำโดยคนหน้างาน หากข้อจำกัดมาจากกำลังส่งหรือขนาดบรรจุ ผู้รับผิดชอบธุรกิจต้องปรับเงื่อนไขเหล่านั้นด้วย

จึงต้องประเมินสินค้าพร้อมขายช่วงมื้ออาหาร ต้นทุนของเสีย และส่วนเกินจากสินค้าหลังหักของเสียพร้อมกัน ตัวอย่างเพื่อการเรียนรู้ต่อไปนี้อธิบายเหตุผล ตัวเลขทั้งหมดเป็นสมมติฐาน ไม่ใช่เกณฑ์อุตสาหกรรมหรือผลโครงการ

สมมติอัตรากำไรขั้นต้นของอาหารสดที่ขายได้เท่ากับ 40% ต้นทุนของเสียยังไม่รวมอยู่ในต้นทุนสินค้าที่ขาย และค่าใช้จ่ายอื่นคงเดิม อัตราต้นทุนของเสียคำนวณจากต้นทุนซื้อของที่ทิ้งหารด้วยยอดขายอาหารสด

รายการสถานะเดิมA: ยอดขายเท่าเดิม ของเสียน้อยลงB: ของเสียน้อยลง แต่ขายน้อยลง
ยอดขายอาหารสดต่อวัน4,000 หยวน4,000 หยวน3,600 หยวน
กำไรขั้นต้นของสินค้าที่ขาย1,600 หยวน1,600 หยวน1,440 หยวน
อัตราต้นทุนของเสีย5.0%3.5%3.5%
ต้นทุนของเสีย200 หยวน140 หยวน126 หยวน
ส่วนเกินจากสินค้าหลังหักของเสีย1,400 หยวน1,460 หยวน1,314 หยวน

ทั้งสองสถานการณ์ลดอัตราของเสียลง 1.5 จุดเปอร์เซ็นต์ แต่สถานการณ์หนึ่งส่วนเกินเพิ่ม 60 หยวน อีกสถานการณ์ลด 86 หยวน ส่วนเกินในตารางยังไม่หักแรงงาน ค่าเช่า และค่าใช้จ่ายอื่น สำหรับ AI อัตราของเสียที่ลดลงเป็นเพียงผลสังเกตหนึ่ง การวัดคุณค่าทางธุรกิจต้องรวมยอดขายที่เสียไป การลดราคา และต้นทุนปฏิบัติงานด้วย

ประสิทธิภาพแรงงาน: นำการส่งต่องานและความรู้การปฏิบัติงานมาใช้ทุกวัน

ลองดูอีกสถานการณ์สมมติ กะเย็นฝากข้อความว่า “เครื่องดื่มมาถึงแล้วยังไม่แกะ ป้ายราคาสินค้า A ยังไม่เปลี่ยน แจ้งซ่อมอุปกรณ์แล้วยังไม่มีคำตอบ”

โมเดลภาษาแยกภาษาพูดนี้ออกเป็นงานค้างแต่ละเรื่อง ถามให้ชัดเมื่อระบุสิ่งของไม่แน่นอน และส่งงานที่ยังไม่เสร็จให้กะถัดไปได้ ขณะทำงาน พนักงานยังค้นขั้นตอนตามอุปกรณ์ ร้าน และระเบียบฉบับที่ใช้อยู่ได้ หากเงื่อนไขใช้ไม่ได้หรือข้อมูลขัดกัน ให้ส่งต่อผู้รับผิดชอบ

คุณค่าเกิดจากการตกหล่น การค้นหา และการแก้งานที่ลดลง สำหรับพนักงานใหม่ ประเด็นคือทำงานถูกต้องหรือไม่ สำหรับผู้จัดการ คืออธิบายและติดตามซ้ำน้อยลงหรือไม่ สำหรับร้าน คือเวลาที่ได้คืนถูกนำไปขึ้นชั้น บริการลูกค้า และงานอื่นได้หรือไม่

Store Companion ของ Target เป็นตัวอย่างอ้างอิงที่ชัดเจนของการใช้ Generative AI เอกสารสาธารณะอธิบายการถามตอบขั้นตอนร้านและการแนะนำพนักงานใหม่ และเอกสารภายหลังยังกล่าวถึงการใช้งานเครื่องมือนี้ สิ่งนี้แสดงว่ามีองค์กรนำความรู้การปฏิบัติงานเข้าสู่งานแนวหน้าแล้ว แต่ใช้คำนวณไม่ได้ว่าร้านสะดวกซื้อจะลดพนักงานหรือของเสียได้เท่าไร Target: Store Companion, Target: บทความการใช้งานภายหลัง

การประเมินแรงงานต้องครอบคลุมงานทั้งหมด เวลาที่โมเดลตอบเพียงไม่กี่วินาทีต้องบวกเวลาตรวจทาน ลงมือทำ และแก้งานที่อาจเกิดขึ้น เวลาที่ได้คืนกับค่าแรงที่ลดลงเป็นคนละผลลัพธ์และควรบันทึกแยกกัน

ยอดขายและกำไรขั้นต้น: ช่วยพนักงานทำงานและช่วยลูกค้าซื้อสำเร็จ

ในโปรโมชั่น โมเดลภาษาช่วยตีความวันที่ ขอบเขตสินค้า และข้อยกเว้นในประกาศสำนักงานใหญ่ สร้างรายการเตรียมงานของร้าน และตรวจความขัดแย้งระหว่างประกาศ ป้ายราคา และกฎชำระเงินได้ นอกจากนี้ยังจัดข้อมูลจากหน้างานให้ผู้รับผิดชอบเห็นอุปสรรคได้ ควรตรวจว่าข้อผิดพลาดลดลงก่อน แล้วจึงดูส่วนเกินจากกิจกรรม แทนการเปรียบเทียบเพียงความเร็วในการเขียนข้อความ

ก่อนสั่งสินค้าก็มีโอกาสคล้ายกัน ข้อมูลที่ยืนยันแล้ว เช่น โรงเรียนใกล้ร้านหยุดเรียน งานในอาคารสำนักงาน หรือการซ่อมถนน สามารถจัดเป็นคำเตือนบริบทพร้อมวันที่และพื้นที่ผลกระทบ เพื่อช่วยทบทวนสินค้าที่เกี่ยวข้อง แต่จะปรับจำนวนเท่าไรยังต้องมีข้อมูลเชิงปริมาณ ประกาศฉบับเดียวไม่สามารถให้ “ปริมาณสั่งซื้อที่เหมาะที่สุด” ได้

ฝั่งลูกค้า โมเดลช่วยรับโจทย์ เช่น “มื้อกลางวันพกกลับสะดวก ราคาไม่เกิน 25 หยวน” แล้วใช้สินค้า ราคา และสถานะพร้อมขายจริงของร้าน เสนอชุดหรือสินค้าทดแทนจำนวนเล็กน้อย คุณค่าควรสะท้อนในการซื้อที่ง่ายขึ้นและส่วนเกินจากสินค้าที่เกี่ยวข้อง

การซื้อแบบสะดวกต้องให้ความสำคัญกับความเร็ว ลูกค้าที่รู้แล้วว่าจะซื้ออะไรอาจเหมาะกับการค้นหาเร็วมากกว่า หากการสนทนาเพิ่มการรอและการเลิกซื้อ จำนวนแชตที่มากขึ้นก็ไม่ได้แปลว่าธุรกิจดีขึ้น

วัดคุณค่าเพิ่มเติมที่โมเดลภาษาสร้างขึ้น

เมื่อเลือกกรณีแรก ผมแนะนำให้ดูทั้งความเชื่อมโยงกับผลธุรกิจและความพร้อมของข้อมูล ร้านที่มีข้อมูลขายตามเวลา รับสินค้า ของเสีย และส่งต่องาน อาจเริ่มจากข้อผิดปกติอาหารสด หากข้อมูลยังไม่ครบ แต่คู่มือและการควบคุมเวอร์ชันชัดเจน อาจเริ่มจากการแนะนำงานและส่งต่อกะ

ประเมินสามระดับ:

  1. งานเชื่อถือได้หรือไม่ ข้อเท็จจริง กฎที่ใช้ และสิ่งที่งานอ้างถึงถูกต้องหรือไม่ มีงานตกหล่น การกระทำผิด หรืองานซ้ำหรือไม่
  2. กระบวนการดีขึ้นหรือไม่ เวลารวมการตรวจทานและแก้งานลดลงหรือไม่ คืนสถานะสินค้าพร้อมขายเร็วขึ้นหรือไม่ งานเสร็จตามกำหนดหรือไม่
  3. ธุรกิจได้ประโยชน์หรือไม่ ส่วนเกินสินค้า ความพร้อมขาย ค่าใช้จ่ายจริง และเงินสดดีขึ้นหรือไม่ หรือเพียงย้ายต้นทุนไปอีกตำแหน่งหรือขั้นตอน

ต้องแยกผลจากการเชื่อมข้อมูล ซอฟต์แวร์เวิร์กโฟลว์ทั่วไป และโมเดลภาษา หากทำได้ ให้เปรียบเทียบกระบวนการคนเดิม ซอฟต์แวร์ทั่วไปที่เข้าถึงข้อมูลและจัดการงานแบบเดียวกัน และกระบวนการนั้นเมื่อเพิ่มโมเดลภาษา จึงจะรู้ว่าโมเดลเพิ่มคุณค่าเท่าไร

ค่าเครื่องมือ การดูแลข้อมูล การตรวจทาน และการแก้ข้อผิดพลาดต้องอยู่ในการประเมิน การทดลองต้องรวมทั้งการใช้ที่สำเร็จและล้มเหลว หากเงื่อนไขเหมาะสมให้ใช้ร้านที่เปรียบเทียบกันได้หรือทยอยทดลอง เพื่อไม่เหมารวมผลจากฤดูกาล โปรโมชั่น หรือการปรับปรุงอื่นว่าเกิดจาก AI ทั้งหมด

เป้าหมายเริ่มต้นที่เหมาะสมอาจเฉพาะเจาะจงมาก: พบอาหารสดขาดช่วงเที่ยงให้เร็วขึ้น หาสาเหตุให้ไวขึ้น จัดการให้ทันขึ้น และตรวจผลต่อของเสียและส่วนเกิน เมื่อทำงานนี้ได้อย่างต่อเนื่องและเชื่อถือได้ AI-Native จึงมีคุณค่าทางธุรกิจที่ตรวจสอบได้