Bedrijfsachtergrond

Favor is een bezorg- en voedselbestelplatform voor dezelfde dag, gevestigd in Austin, Texas. Ze bezorgen voedsel, boodschappen en dagelijkse benodigdheden in Texas via een netwerk van Runners (bezorgchauffeurs). Verworven door H-E-B in 2018, combineert Favor lokale zakelijke partnerschappen met snelle, contactloze bezorging. Leer meer op favordelivery.com.

‍

"We zijn verspreid over de grote staat Texas. We verzorgen de boodschappenbezorgingen van de H-E-B familie, en hebben ook ons eigen bezorgplatform." – Evan McMillan, Fleet Support Team Lead

‍

De Uitdaging

Favor’s Fleet Team is een nichegroep met processen die verschillen van het bredere ondersteuningsteam. Als gevolg daarvan waren de door Guru gegenereerde zoekresultaten gevuld met irrelevante informatie van andere teams, waardoor het voor fleet-agenten moeilijker werd om snel de juiste antwoorden te vinden. Het tijdrovende zoekproces ontmoedigde teamleden om bronnen helemaal te controleren.

‍

"Mensen zeiden soms: 'Guru’s AI werkt niet voor ons,' maar het is eigenlijk dat ze het niet correct gebruikten. Zodra we het verfijnd hadden en de prompt hadden aangepast, veranderde de kwaliteit van de antwoorden volledig." – Evan McMillan

‍

De Oplossing

Favor gebruikte Guru’s Knowledge Agents om een speciale AI-agent te creëren die zich uitsluitend richt op ondersteuning voor het Fleet-team.

1. Evan McMillan, Support Team Lead, customiseerde de prompt van de agent om zich alleen op fleet-gerelateerde inhoud te richten.
2. Hij paste de toon van de agent aan om overeen te komen met Favor’s vriendelijke, benaderbare cultuur.
3. De agent werd geïntegreerd in Slack, waardoor het voor het team gemakkelijker werd om vragen te stellen en in real-time antwoorden te krijgen.

‍

"Zodra we de mogelijkheid kregen om individuele agents te maken, was het echt spannend om de specifieke soort werk waar we mee bezig zijn te kunnen verfijnen. De agent begreep ons bedrijf echt beter en gaf meer gerichte antwoorden." – Evan McMillan

‍

"Het koppelen aan Slack was de game-changer. Ik was aanvankelijk terughoudend om iets automatisch vragen te laten beantwoorden, maar zodra we het uitprobeerden, maakte het het potentieel volledig vrij. Het zien van goede antwoorden in Slack bouwde echt vertrouwen op." – Evan McMillan

De Aanpak

1. Gedefinieerd de bedrijfcontext – Evan gaf gedetailleerde context over het bedrijfsmodel van Favor en de processen van fleetondersteuning, zodat de AI-agent beter kon begrijpen hoe Favor’s klantsegmenten (chauffeurs, klanten en verkopers) samenwerken. Dit hielp de relevantie en nauwkeurigheid van de antwoorden van de agent te verbeteren.

‍

"Uitleggen hoe het bedrijf werkt zodat de AI-agent begrijpt wat Favor is, wat we proberen te doen en hoe onze klantsegmenten samenwerken, hielp echt de kwaliteit van de antwoorden te verbeteren." – Evan McMillan

‍

2. Aangepast de focus van de AI-agent – Aangezien het fleetondersteuningsteam anders opereert dan het bredere ondersteuningsteam, beperkte Evan de bronnen van de agent tot alleen fleetgerelateerde inhoud. Dit elimineerde irrelevante antwoorden van andere teams en stelde de agent in staat om meer nauwkeurige antwoorden te geven.

‍

"Mijn team is gespecialiseerd, dus de standaard AI-agent zou uit bredere bedrijfkennis putten, wat niet altijd relevant was. Het beperken tot alleen fleetgerelateerde bronnen maakte een groot verschil." – Evan McMillan

‍

3. Verfijnde de toon van de agent – Evan stelde de agent in staat om met een meer conversatotionele en ondersteunende toon te reageren, wat in lijn was met de bedrijfscultuur van Favor. Hij positioneerde de agent als een “trainingscoach” om agenten niet alleen met antwoorden te helpen, maar ook om te leren hoe ze situaties moeten aanpakken.
   
   
4. Geïntegreerd met Slack – De agent was ingebed in Slack, waardoor het voor teamleden gemakkelijker werd om vragen te stellen en in real-time antwoorden te ontvangen. Het hebben van de agent binnen een vertrouwde communicatiewijze verhoogde adoptie en betrokkenheid.
   
   
5. Geïterate en verbeterd – Evan volgde verschillende versies van de prompt van de agent in een spreadsheet, zodat hij gemakkelijk kon terugkeren naar eerdere versies en antwoorden in de loop van de tijd kon verfijnen. Hij experimenteerde ook met opmaak-instructies, zoals het duidelijk opsommen van stappen wanneer relevant, om antwoorden actiegerichter te maken.

‍

‍

‍

De uitkomst

✅Verhoogd vertrouwen in het gebruik van Guru—meer teamleden zeggen nu: “Hé, ik vraag me af of dat in Guru staat. Ik vraag de AI-agent snel.”

✅ Verbeterde efficiëntie in het omgaan met fleet-specifieke problemen die niet volgens standaardprocedures verlopen.

‍

"Het is een enorme hulp geweest voor die rare vragen die niet in een standaardproces passen—het bespaart ons veel tijd." – Evan McMillan

‍

✅ Snellere, nauwkeurigere antwoorden—vooral voor niche fleet-gerelateerde vragen.

✅ Hogere betrokkenheid bij Slack-gebaseerde AI-ondersteuning, wat leidt tot betere adoptie en vertrouwen.

‍

"Het zien van goede antwoorden in Slack bouwde echt vertrouwen. Nu stellen mensen meer vragen en vertrouwen op de antwoorden van de agent.” – Evan McMillan