Företagsbakgrund

Favor är en samma-dag leverans- och matbeställningsplattform baserad i Austin, Texas. De levererar mat, matvaror och vardagliga nödvändigheter över hela Texas genom ett nätverk av Runners (leveransförare). Förvärvades av H-E-B 2018, kombinerar Favor lokala affärspartnerskap med snabb, kontaktfri leverans. Läs mer på favordelivery.com.

‍

“Vi är spridda över hela den stora staten Texas. Vi hanterar H-E-B:s familjeleveranser av livsmedel, och har även vår egen leveransplattform.” – Evan McMillan, Fleet Support Team Lead

‍

Utmaningen

Favor’s Fleet Team är en nischgrupp med processer som skiljer sig från den bredare supportteamet. Som ett resultat var Gurus AI-genererade sökresultat överfulla med irrelevant information från andra team, vilket gjorde det svårare för flottans agenter att snabbt hitta de rätta svaren. Den tidskrävande sökprocessen avskräckte teammedlemmar från att helt kolla resurser.

‍

“Folk skulle ibland säga, ‘Gurus AI fungerar inte för oss,’ men det beror verkligen på att de inte använde det korrekt. När vi finjusterade det och justerade uppmaningen, förändrades kvaliteten på svaren helt.” – Evan McMillan

‍

Lösningen

Favor använde Gurus Knowledge Agents för att skapa en dedikerad AI-agent som helt och hållet fokuserade på support för Fleet-teamet.

1. Evan McMillan, Support Team Lead, anpassade agentens uppmaning för att endast fokusera på flottans relaterade innehåll.
2. Han justerade agentens ton för att matcha Favours vänliga, tillmötesgående kultur.
3. Agenten integrerades i Slack, vilket gjorde det lättare för teamet att ställa frågor och få svar i realtid.

‍

“När vi fick möjligheten att skapa individuella agenter, var det verkligen spännande att kunna fokusera på den specifika typ av arbete som vi gör. Agenten började verkligen förstå vår verksamhet bättre och gav mer fokuserade svar.” – Evan McMillan

‍

“Att koppla det till Slack var avgörande. Jag var tveksam till en början att ha något som svarar på frågor automatiskt, men när vi väl testade det, låste det helt potentialen. Att se bra svar komma in i Slack byggde verkligen förtroende.” – Evan McMillan

Tillvägagångssättet

1. Definierade affärskontexten – Evan gav detaljerad kontext om Favours affärsmodell och flottans supportprocesser så att AI-agenten skulle kunna förstå bättre hur Favours kundsegment (förare, kunder och köpmän) arbetar tillsammans. Detta hjälpte till att förbättra relevansen och noggrannheten i agentens svar.

‍

“Att förklara hur verksamheten fungerar så att AI-agenten kan förstå vad Favor är, vad vi försöker göra, och hur våra kundsegment fungerar tillsammans hjälpte verkligen till att förbättra kvaliteten på svaren.” – Evan McMillan

‍

2. Anpassade AI-agentens fokus – Eftersom flottans supportteam fungerar annorlunda än den bredare supportteamet, smalnade Evan ner agentens källor till endast flottans relaterade innehåll. Detta eliminerade irrelevanta svar från andra team och gjorde det möjligt för agenten att leverera mer precisa svar.

‍

“Mitt team är specialiserat, så den vanliga AI-agenten skulle dra från bredare företagskunskap, vilken inte alltid var relevant. Att begränsa det till endast flottans relaterade källor gjorde en stor skillnad.” – Evan McMillan

‍

3. Förbättrade agentens ton – Evan ställde in agenten att svara med en mer konverserande och stödjande ton, i linje med Favours företagskultur. Han positionerade agenten som en “tränare” för att hjälpa agenter med inte bara svar utan också med hur de ska hantera situationer.
   
   
4. Integrerad med Slack – Agenten integrerades i Slack, vilket gjorde det lättare för teammedlemmar att ställa frågor och få svar i realtid. Att ha agenten inom en välbekant kommunikationskanal ökade adoption och engagemang.
   
   
5. Itererade och förbättrade – Evan spårade olika versioner av agentens uppmaning i ett kalkylblad, vilket gjorde det enkelt för honom att återgå till tidigare versioner och förbättra svar över tid. Han experimenterade också med formateringsinstruktioner, som att klart lista steg när det är relevant, för att göra svaren mer handlingsbara.

‍

‍

‍

Resultatet

✅ Ökad tillit till att använda Guru—fler teammedlemmar säger nu, “Hej, jag undrar om det finns i Guru. Jag frågar AI-agenten snabbt.”

✅Förbättrad effektivitet i hanteringen av flottans specifika frågor som inte följer standardprocedurer.

‍

“Det har varit en stor hjälp för de konstiga frågorna som inte passar in i en standardprocess—det sparar oss mycket tid.” – Evan McMillan

‍

✅ Snabbare, mer exakta svar—speciellt för nischspecifika frågor relaterade till flottan.

✅ Högre engagemang med Slack-baserad AI-support, vilket leder till bättre adoption och förtroende.

‍

“Att se bra svar dyka upp i Slack byggde verkligen förtroende. Nu ställer folk fler frågor och litar på agentens svar.” – Evan McMillan