Як Lowe’s масштабує retail expertise через Mylow і OpenAI

Home improvement — складний retail domain: customer приходить не з SKU, а з задачею «повісити полицю», «перефарбувати дитячу» або «замінити кран». Для відповіді потрібні project decomposition, product knowledge, compatibility, локальна availability і часто пояснення installation sequence.

Lowe’s розділила surface на customer advisor Mylow і associate companion. Це важливий production pattern: один intelligence layer може мати різні authority, UX і evidence requirements для shopper та працівника магазину. Копіювати однаковий chatbot на всі канали — дешевше тільки до першої серйозної помилки.

Trigger: customer project question online або associate question у store aisle. Input: natural-language intent, product/catalog data, how-to knowledge, local availability, compatibility attributes, location/zip context і, де потрібно, conversation history. Voice — окремий interaction mode, а не магічно «той самий текст, тільки голосом».

AI stage: intent decomposition, retrieval, product/project reasoning, clarification, recommendation ranking і explanation. Output: step plan, candidate products/materials, links/how-to content, location/availability answer та next question. Price, stock і transactional state повинні підтягуватися з authoritative commerce systems на момент відповіді.

• Customer trigger → project/problem, не обов’язково SKU.
• Associate trigger → customer question у магазині, часто voice-first.
• AI → intent + grounded retrieval + recommendation/explanation.
• Output → actionable project guidance із current product/inventory evidence.

Retail assistant може радити primer до фарби або sandpaper до drywall job, але не повинен вигадувати structural, electrical, gas або safety-critical instructions. Для ризикових категорій потрібні domain policies: warning, narrower scope, source citation або handoff до qualified associate/professional.

Так само recommendation не має права винайти stock, delivery date, price або compatibility. Ці поля — typed tool results із timestamps. Якщо inventory service unavailable, система повинна сказати, що не може підтвердити availability, а не творчо компенсувати відсутність API.

Для online Mylow людина вибирає, що купувати й чи слідувати guidance. У store Mylow Companion associate додає physical context і професійне судження. Для policy/model changes human owners мають затверджувати risk slices, fallback і promoted configuration.

OpenAI case окремо підкреслює business sponsorship: AI initiatives мають executive/business sponsor. Це сильний anti-demo pattern — product owner відповідає за business outcome, а не лише за те, що модель красиво відповідає на showcase prompts.

Failure suite повинен включати renamed/discontinued SKUs, local out-of-stock, conflicting dimensions, cross-category ambiguity, incomplete project context, multilingual/voice transcription noise, prohibited products, age/region constraints і safety-critical scenarios.

Для low-confidence compatibility assistant просить clarifying dimension/model number або escalates. Для unknown write/transaction після timeout — authoritative cart/order state читається до retry. Інакше «зручний shopping agent» легко перетворюється на генератор duplicate cart mutations.

Offline dataset має відтворювати реальні project intents: beginner questions, vague requests, multi-step jobs, compatibility traps, local availability, seasonal use, Spanish/English variants і adversarial product text. Graders оцінюють grounding, completeness, unsupported claims, safety, recommendation relevance, required attachments і correct abstention.

Online KPI: verified answer rate, successful product discovery, clarification rate, unsafe recommendation rate, inventory mismatch, escalation quality, associate override/correction і cost per verified assisted interaction. Conversion може бути business KPI, але без quality/safety slices вона стимулює дуже переконливого продавця нісенітниць.

Store assistant — high-frequency surface з burst traffic, voice і strict latency expectations. Full cost включає ASR/voice, model inference, retrieval, catalog/index freshness, inventory tools, observability, feedback moderation, eval replay і associate time на exceptions.

Кешувати можна stable how-to knowledge, але не local stock/price як довгоживучий truth. Model routing може відправляти прості product-location queries на дешевший path, а складні multi-step project questions — на stronger reasoning model; eligibility і safety policy виконуються перед routing.

1) Вибрати одну категорію з хорошими product attributes. 2) Побудувати authoritative catalog/inventory tools. 3) Додати project-intent taxonomy. 4) Запустити read-only associate copilot. 5) Зібрати correction/eval corpus. 6) Відкрити customer surface з risk-tier policy. 7) Додати voice і масштабувати категорії тільки після stable freshness/safety metrics.

Підходить retail, distribution, auto parts, industrial supply і commerce із великим каталогом та консультаційним продажем. Не підходить продукту без нормалізованих attributes, current stock API і owner-а, який може визначити, які рекомендації є неприйнятними.