美國最大的線上餐點與零售外送平台 DoorDash 正加速將 AI 代理導入企業內部資料分析，並自行打造名為 Vera 的 AI 資料分析代理，讓員工可以直接以自然語言提問，快速取得公司內部資料的分析結果。DoorDash 表示，目前已有超過 1 萬名員工仰賴公司資料生態系，而 Vera 可以從超過 20 萬個資料集、總規模達 350 PB 的企業資料中搜尋所需資訊。
員工可直接查詢營運數據，DoorDash 部署 Vera 減輕資料團隊負擔
《PYMNTS》提及，員工過去若想知道「為什麼上週加州訂單量下降」，或查詢特定商家的訂單取消情況，通常需要交由資料團隊處理。現在能直接向 Vera 提問，例如新產品上市後的表現、哪些商家可能停用行銷服務，以及過去 90 天 Arby’s 每小時有多少訂單遭取消等。
DoorDash 指出，打造 Vera 的主要挑戰並不是單純讓 AI 生成答案，而是讓 AI 找到正確、可信賴的資料來源。公司過去的資料工具不是集中在單一業務領域，就是涵蓋範圍廣但分析深度不足，原因之一在於企業上游資料來源高度分散。
為驗證 Vera 的能力，DoorDash 以 100 個問題測試 Vera 與一款現成 AI 程式開發代理。兩者使用相同的 AI 模型進行測試，Vera 的通過率達 73%，外部工具則為 48%。DoorDash 表示，外部工具主要問題在於難以判斷應該使用哪些資料表；Vera 則被限制不得存取尚未完成驗證的資料。
DoorDash 同時建立超過 1,900 題的測試題庫，涵蓋銷售、財務、產品及營運等 19 個領域。題目來源包括員工與各業務領域專家，也有部分題目由 AI 根據過去的 Slack 訊息與工作工單產生，之後再由專家審核，並由另一個 AI 模型負責評分。
根據 DoorDash 自行測試結果，Vera 的通過率已從專案初期的 43% 提升至 90%，期間測試題庫還曾兩度擴大至原本的兩倍。DoorDash 表示，更好的 AI 模型確實帶來改善，但更重要的提升來自於重新整理企業資料，讓資料結構更適合 AI 使用。
分三個層級實測 Vera：基礎提問過關，高階決策仍遇瓶頸
Vera 的應用也已延伸至財務領域。DoorDash 引述一名財務總監表示，經過數週測試後，Vera 在處理不同難度的策略性財務問題上已展現良好表現。但 DoorDash 也發現，當 AI 代理面對更複雜的分析任務時，限制仍然明顯。公司將問題分成三個層級，從查詢指標與趨勢，到可能影響資源分配與商業決策的分析，最高層級則涉及因果分析、實驗結果、預測及重大決策。
其中，Vera 在最高難度問題上容易過早停止分析，產出看似合理卻不夠深入的答案。為此，DoorDash 新增規劃機制，要求 Vera 先提出分析計畫，待員工確認後才執行。加入這項機制後，測試結果有所改善，但在 14 道範例題中的通過率仍落在 64% 至 100% 之間，顯示 AI 代理處理複雜分析時仍存在穩定性問題。
這項問題並非 DoorDash 個案。《BigDATAwire》舉例，Collibra 9 月發布的一項調查顯示，雖然近 9 成受訪企業正在部署自主 AI 代理，但過去 12 個月內，已有 76% 的企業在從試點擴大至正式生產環境時遇到關鍵障礙。調查中另有 72% 的 AI 決策者認為，企業 AI 專案未達預期時，根本原因往往可追溯至資料基礎不一致或品質不佳。
Vera 的開發也反映 DoorDash 更廣泛的 AI 布局。除了內部資料分析，公司目前也測試 AI 點餐代理，能在不到 2 分鐘內建立雜貨購物車。不過，DoorDash 執行長 Tony Xu 在第二季財報電話會議上表示，目前來自外部 AI 代理的訂單量仍然偏低。DoorDash 表示，下一階段將持續聚焦於更高難度的分析任務，並進一步驗證 AI 能否不只是加快取得資料答案，也能實際轉化為核心業務指標的改善。
科技的變化總是快得驚人，而我們每天的工作，就是從龐雜的趨勢中理出觀點、提煉出決策者真正需要的洞察。如果你也對 AI 發展充滿熱情，《TechOrange 科技報橘》正在徵內容編輯！
👉了解職缺內容
【推薦閱讀】
◆ Uber 曾 4 個月燒完全年 AI 預算，後來怎麼管住 Agent 成本？
＊本文開放合作夥伴轉載，資料來源：《PYMNTS》、DoorDash、《BigDATAwire》，圖片來源：DoorDash。
