Ted Taylor, aki a félvezetőiparban töltött 25 év után vált a vendéglátásba, ma három, Schlotzsky’s és Cinnabon közösen üzemeltetett gyorséttermet vezet Új-Mexikóban. Az üzletmenet napi feladatai — például menüárak meghatározása, műszakok tervezése, készpénz-egyeztetések és beszerzések kezelése — sok háttérmunkát igényelnek. Ezekben a munkafolyamatokban kezdett el OpenAI-alapú eszközöket, köztük ChatGPT Worköt használni.
Mit gyorsított meg és mennyivel?
- A menüárak újraszámítása (repricing) ideje drámaian csökkent: korábban öt napot vett igénybe, most 1–2 órára rövidült — ez körülbelül 95%-os csökkenés.
- A havi készpénz-egyeztetés ideje három óráról 5–10 percre csökkent, miután a bolti készpénzmozgásokat és a banki befizetéseket feltöltötte és elemezte ChatGPT Work.
- Minden bérszámfejtési ciklusnál mintegy négy óra manuális munka takarítható meg azzal, hogy ChatGPT Work összegzi a béradatokat.
Ezek mellett Ted azt becsüli, hogy a jobb műszaktervezés révén az órabéres munkaerőköltség a forgalom százalékában 1–2 százalékponttal mérsékelhető mindhárom üzletében, ami évente hozzávetőlegesen 50 000–100 000 dollár extra szabad cash flow-t jelenthet. Ezt a forrást például béremelésekre, bónuszokra, beruházásokra vagy profitkivétre lehet fordítani.
Hogyan használja a ChatGPT Worköt árképzésre?
A menüárak évenkénti felülvizsgálata összetett: receptköltségek, termékek népszerűsége, helyi versenytársak árai, adagonkénti méretek és a helyben fogyasztott vs. kiszállítási rendelések eltérő gazdaságtana mind számít. Ted először ChatGPT Worköt használta a helyi versenytársak árai, adagmennyiségek és relatív minőség alapján kialakított árcélok és stratégiák kutatására. Ezután a rendszernek feltöltötte az egyes menüelemek listáját a jelenlegi helyben és kiszállítási árakkal, és megadta, mennyivel szeretné növelni az árakat összességében, illetve mely tételeknél legyen nagyobb vagy kisebb emelés.
Ha részletesebb elemzést akar, hozzáadja az egyes tételek eladási múltját és a beszállítói árakat; a ChatGPT Work ezekből becslést adhat az áremelések értékesítési hatásairól és optimalizálhatja az árakat a költségalapú célok köré. A visszaadott anyag egy munkalap, amely javasolt helyben és kiszállítási árakat tartalmaz, valamint a változtatásokat összekapcsolja egy teljes árstratégiával — ügyfélmegtartást, ár-„sokkok” minimalizálását és kiegészítők pozícionálását figyelembe véve.
Ted elmondása szerint az első alkalommal, amikor ChatGPT Worköt használta, párhuzamosan manuális elemzést is futtatott: „ChatGPT Work mélyebb helyi összehasonlítást végzett, és segített elkerülni olyan áremeléseket, amelyek bizonyos tételeket versenyképtelenné tettek volna.” Ezt követően azonnal áttért arra, hogy a ChatGPT ajánlatait használja kiinduló javaslatként.
Munkaerő- és műszaktervezés, valamint költségellenőrzés
Két fő módon alkalmazza a rendszert a munkaerőköltségek kezelésére: egyrészt elemzi, hogyan alakul a munkaidő a három étteremben, másrészt teszteltetett egy új módszert a heti műszakok összeállítására.
Munkaerő-elemzésnél Ted read-only hozzáférést adott eladási és munkaidő-adatokhoz. Az elemzés összeveti a tervezett, költségvetett és tényleges órákat az előrejelzéssel és a tényleges forgalommal, visszamenőleg 12 hétre, így figyelembe veszi azokat az üzleteket, amelyek rendre felül- vagy alulteljesítenek. A riport jelzi a túlórákat, a hosszabbra nyúló műszakokat és a lefedetlenségi hiányosságokat, illetve azt, hogy mit kellene a menedzsernek áttekinteni.
Műszaktervezésnél Ted feltöltötte a dolgozói névjegyzéket szerepekkel, képzettséggel, elérhetőséggel és bérrel, valamint az üzlet különböző forgalmi szintjeihez szükséges personális igényekkel. A ChatGPT Work javaslatot készített a teljes heti beosztásra; a menedzser átnézi, szükség szerint módosít, majd feltölti a vállalat ütemező rendszerébe. A közös tesztelés során kiderült, hogy kezdetben hiányoztak szabályok például a csúcsidőszakoknál történő plusz munkaerő-bevonásra; ezeket a szabályokat beépítették, majd a rendszer ennek megfelelően finomított.
Napi működés és egyéb használati esetek
Ted a ChatGPT Worköt HR-politikák kidolgozására, készpénz-egyeztetésre és ellátási/karbantartási kérések kezelésére is használja. Például amikor Új-Mexikó megkövetelte, hogy az éttermek írásos eljárást tartsanak testi folyadékokkal kapcsolatos incidensek esetére, Ted körülbelül 30 másodperc alatt kapott egy vázlatot ChatGPT-től. Egy belső közösségi média szabályzat vázlatát szintén a rendszer készítette el, amelyet egy külső HR-cég átnézett és nem javasolt módosítást.
A havi készpénzegyeztetést úgy végzi, hogy feltölti az egyes boltok készpénzforgalmi adatait és bankszámlakivonatait; a ChatGPT Work összeveti a tranzakciókat és a befizetéseket. A korábbi három óra helyett ez most 5–10 perc, és a bérszámfejtésnél is havi szinten körülbelül négy órát spórol.
Emellett létrehozott egy webes portált is, ahol a dolgozók beszerzési vagy javítási igényeket jelezhetnek; a portál e-mailes értesítést küld, és nyomon követi az igény státuszát.
Módszer és kockázatkezelés
Ted módszere pragmatikus: ugyanazokat az adatokat és irányelveket adja a ChatGPT-nek, amelyeket maga is használna döntéshozatalkor, majd összehasonlítja az AI kimenetét a saját megoldásával. Ahogy növekszik a bizalom az eredményekben, fokozatosan bővíti a rendszer használatát, de mindig átnézi és felülvizsgálja a javaslatokat, mielőtt bevezeti őket.
Miért számít ez más kisvállalkozásoknak?
A példa mutatja, hogy egy kis létszámú, gyorséttermi hálózat tulajdonosa hogyan alkalmazhat nyelvi modellel dolgozó eszközt a rutinszerű, adatigényes feladatok gyorsítására. A megtakarított órákon túl a rendszer lehetővé teszi olyan elemzések elvégzését is, amelyeket egyébként kihagynának az időhiány miatt, így több energiát fordíthatnak a vendégekre, a személyzetre és az üzlet fejlesztésére.
