将杂乱订单转化为结构化交易
面向食品和饮料分销商的平台 Choco 表示，它已将 AI 代理深度嵌入仍然高度依赖人工操作的行业订单流程。在一份于 4 月 27 日发布的客户案例研究中，该公司称，OpenAI API 目前每年帮助其处理超过 880 万份订单，同时将人工录单减少 50%，并在不增加员工人数的情况下使销售团队生产力翻倍。
Choco 试图解决的问题在分销行业中非常常见，却很少显得光鲜。订单并不总是以整洁的数字格式到来。它们可能通过电子邮件、短信、语音留言、图片、文档，甚至手写便条送达。随后，人工员工要把这些零散信息转化为结构化的企业资源计划记录。这项工作劳动密集、重复性强，而且依赖上下文知识，而这些知识往往只存在于资深订单处理员工的脑中。
Choco 的论点是，现代语言模型终于足够强大，能够从辅助走向执行。公司表示，其 AI 系统不只是帮助员工阅读和总结输入内容，而是能够将多模态通信转换为可供 ERP 使用的订单，并结合客户特定上下文完成处理。
真正的难点在哪里
这份案例研究之所以引人注目，在于它并未把挑战描述为简单的文本提取。Choco 的工程管理层表示，更难的问题在于隐含上下文：如何映射客户特定的 SKU、单位偏好、配送模式以及历史订货行为。换言之，瓶颈不只是读取信息，而是像有经验的人类操作员那样消除歧义。
这一区别在企业 AI 中很重要。许多工作流程看起来可以自动化，直到边缘情况出现。一家分销商可能收到一条不完整的短信，或一张模糊图片，只有结合此前的客户行为和目录惯例才能理解。Choco 表示，它建立了动态上下文学习基础设施，使系统能够基于客户历史和产品数据来消解输入歧义。
如果这一能力在大规模场景中准确可靠，那它比通用文档解析更有意义。这表明，AI 代理之所以有用，不只是因为它们能阅读非结构化文本，而是因为它们被嵌入到运营上下文之中。
从 OrderAgent 到 VoiceAgent
Choco 表示，先推出了用于处理多模态输入的 OrderAgent，随后又借助 OpenAI 的 Realtime API 扩展到语音场景，推出了名为 VoiceAgent 的系统。这让客户可以在电话中自然下单，延迟低于一秒，即使在营业时间之外也能使用。
商业逻辑很直接。食品分销依赖持续且时效性极强的订货，而许多供应商仍通过碎片化、非正式的沟通渠道运作。一个能够全天候可用、接受语音订单并将其转化为结构化记录的系统，可以减少对排班窗口和人工转录的依赖。
这也反映出企业 AI 部署方式的更大转变。公司不再强迫用户切换到新界面，而是把模型应用到人们已经在使用的渠道上。电子邮件、短信、电话和图片都可以成为机器可读输入，而无需在客户侧彻底重做工作流程。
这为何不只关乎一家公司
AI 采用故事往往聚焦于大型办公室环境中的编程、营销或知识工作。Choco 的案例则更偏运营层面。它处于实体经济之中，餐厅、分销商、供应商和客户经理都依赖及时的订单捕获。这使它成为一个有用范例，说明代理式系统可能比某些面向消费者的 AI 愿景更早创造价值。
该公司表示，其服务对象遍及美国、英国、欧洲和海湾地区，超过 21,000 家分销商和 100,000 名买家。在这样的规模下，减少人工录单不只是节省劳动力的统计数字。它会影响吞吐量、错误率、服务覆盖范围，以及企业在不按比例增加后台人员的情况下扩张的速度。
OpenAI 的案例研究还强调了 Choco 选择其 API 的原因：模型性能、多模态能力、结构化输出，以及大规模生产环境下的可靠性。这些特性在模型成为交易流程一部分而非演示环境时尤为重要。企业需要的不只是一个表达流畅的模型，还需要一个能够持续生成可用输出的模型。
从工作流软件到工作执行
案例研究中更耐人寻味的说法是概念层面的。Choco 将这一转变描述为从工作流软件迈向能够直接执行工作的 AI 系统。这比传统意义上的自动化说法更强，意味着软件正在接手此前由人类判断和上下文记忆完成的任务，而不只是把表单数字化。
不过，我们仍应谨慎解读这类由公司发布的成功故事。原文并未提供独立基准测试、错误率或失败案例。但它确实给出了一幅具体图景，展示 AI 代理在现实行业中如何被定位：不是抽象的副驾驶，而是能够接收杂乱的人类沟通并生成可用于业务的交易记录的运营系统。
如果这一模式扩散开来，最早形成持久 AI 收益的行业，可能正是那些长期以来数字化程度分散的领域。食品分销就是其中之一，而 Choco 正在把自己呈现为一个例证，说明该行业如今已经能够以生产级规模吸收代理式 AI。
本文基于 OpenAI 的报道。阅读原文。