נתנו פנייה לבינה מלאכותית (AI) בקשה לתמיכה. היא בנתה מחדש את האינטגרציה וסגרה את המעגל.

כיצד קלוד קוד ו-APIANT הפכו באג מבולגן בסנכרון תשלומים מרובים לתיקון מאומת, כאשר רק אדם חותם בסוף.

זה מגיע מ CRMConnect, האינטגרציה המוכנה לשימוש של APIANT ששומרת על סינכרון בין Mindbody ו-HubSpot. היא מטפלת בנתוני הלקוח, בביטול הכפילויות ובמיפוי השדות כך שצוות שיווק יכול לעבוד על סמך פעילות אמיתית במקום על ייצוא מיושן. החלק הספציפי שאנו עוסקים בו כאן הוא החלק שהופך מכירות Mindbody לעסקאות HubSpot, כך שההכנסות נוחתות אוטומטית ב-CRM, עם הסכום הנכון המצורף ללקוח הנכון.

לקוח שילם כ-8,400 דולר בדלפק הקבלה. העסקה במערכת ה-CRM הראתה 400 דולר. שום דבר לא הציג שגיאה, שום דבר לא נראה שבור, ורוב המכירות הסתנכרנו כשורה. העסקה הזו פשוט איבדה בשקט את רוב ערכה איפשהו בין Mindbody ל-HubSpot.

אלו הבאגים מהסוג הגרוע ביותר: אלה שמסתתרים ב-2% מהעסקאות שהן קצת יוצאות דופן. העברנו את הבאג הזה לבינה מלאכותית ונתנו לו להוביל את כל העניין, מהאבחון ועד לתיקון שנבדק ועד לתשובת הלקוח. כך זה הלך.

הכרטיס

מכון כושר בוטיק כתב עם תעלומה קטנה ומעצבנת. רוב המכירות שלהם זרמו מ-Mindbody להאבספוט ללא תקלות. העסקה הזו לא עשתה זאת.

התברר שהאשם היה מכירות ששולמו ביותר מדרך אחת. פיצול תשלום בין יתרת כרטיס וחשבון, והסנכרון הישן קרא מדוח שלא כלל כל תשלום. כך שהעסקה יצאה לפועל עם חלק קטן ממה שהלקוח שילם בפועל.

למה זה בדרך כלל תיקון איטי וכואב

באג כזה בדרך כלל גוזל ימים של זמן הנדסי. מישהו צריך לשחזר את אופן פעולת האינטגרציה, להבין איזה מבין כמה נתיבי סינכרון פגום, לשנות את הלוגיקה מבלי לשבור את הנתיבים שכבר עובדים, ואז לבדוק אותה מול מערכת חיה שקשה באמת לבחון. תוכנת נקודת מכירה לא בדיוק נותנת לך ארגז חול עם כפתור "בצע מכירה מוזרה בתשלום מפוצל".

אז זה נוטה לשבת. הלקוח מחכה. התיקון מסוכן. כולם קצת עצבניים לגבי נגיעה באינטגרציה שעובדת.

העברנו את זה לבינה מלאכותית במקום זאת

נתנו את הכרטיס ל-Claude Code שרץ על APIANT ונתנו לו לעבוד. לא "להציע קטע קוד". הוא באמת עבד: לקרוא את האינטגרציה, להבין אותה, לשנות אותה, לבדוק אותה מול חשבון Mindbody האמיתי ולדווח בחזרה. הנה מה שזה עשה, בלי שאדם יכתוב שורת קוד.

זה מצא את הסיבה האמיתית. היא עקבה אחר הבעיה לשלוש בעיות נפרדות שהסתתרו מאחורי סימפטום אחד: הסנכרון קרא מדוח שהשמיט כמה סוגי תשלום, מכירות מרובות פריטים נספרו באופן שגוי, וכמה מכירות יכלו להתנגש באותו מזהה.

זה בנה מחדש את האינטגרציה כראוי. במקום תיקון מהיר, הוא שיפץ את לוגיקת העסקה לרכיב משותף אחד המשמש הן את הסנכרון המיידי (מופעל ברגע שמתרחשת מכירה) והן את הסנכרון הלילי להחזרת הפערים. אותה לוגיקה, שני טריגרים, אין עוד סחיפה ביניהם. שניהם הועברו למקור נתונים עשיר יותר הכולל למעשה כל תשלום, כולל יתרות חשבון וחברות.

זה הפך את זה למהיר בקנה מידה גדול. זה הוסיף מטמון כך שהמשימה הלילית לא תבצע חיפושים איטיים שוב ושוב על אלפי מכירות קודמות. המעבר הראשון בונה את המטמון; כל מעבר לאחר מכן מדלג על החיפוש היקר.

זה הוסיף את הפרטים שהלקוח רצה. כל עסקה מתעדת כעת את אמצעי התשלום בו נעשה שימוש, כך שהסטודיו יכול לראות במבט חטוף כיצד שולמה המכירה.

לאחר מכן זה נבדק על מערכת אמיתית

זה החלק שעדיין מרגיש קצת כמו מדע בדיוני.

הבינה המלאכותית פתחה את נקודת המכירה של Mindbody בדפדפן וצלצלה למכירות ניסיון. פריט אחד שולם בכיוון אחד. פריט אחד מחולק לשני תשלומים. מספר פריטים בתשלום אחד. מספר פריטים מחולקים לתשלומים. כניסה ללא רישום לקוח. היא לחצה על הקופה כמו חבר צוות.

לאחר מכן, היא צפה בכל מכירה עוברת דרך האינטגרציה וקראה את התוצאות שורה אחר שורה. האם נוצר מספר העסקאות הנכון? האם הסכומים הסתכמו בסך המכירה? האם אמצעי התשלום הופיע? האם הפעלת הסנכרון פעמיים יצרה כפילויות, או שמא היא זיהתה נכון שהיא כבר טיפלה במכירה?

כל הסניפים ביצעו תשלום. הסכומים תאמו. אין כפילויות. אמצעי התשלום הגיעו.

זה תפס את הטעות של עצמו

באמצע הדרך, אחד השינויים שלו הביא לנסיגה קטנה. שדה חדש לא חובר כהלכה, והוא שבר בשקט את יצירת העסקה החדשה.

הבינה המלאכותית שמה לב לכך, משום שקראה את נתוני הביצוע בזמן אמת במקום להניח שהעבודה שלה נכונה. היא מצאה את הסיבה המדויקת, תיקנה את החיווט, ביצעה מחדש את המכירה הכושלת האמיתית, ואישרה שהתיקון הניב את התוצאה הנכונה, תוך תיעוד כל העניין לאורך הדרך.

זה ההבדל בין יצירת קוד לבין בעלות על תוצאה.

זה סגר את המעגל עם הלקוח

כאשר התיקון אומת, הבינה המלאכותית כתבה את התשובה ללקוח בשפה פשוטה: מה קורה, מדוע הסכום נראה שגוי, מה משתנה כעת, והבטחה שמכירות קודמות יתוקנו מעצמן בסנכרון הבא. היא הציגה את ההודעה הזו על גבי הכרטיס, מוכנה לפעולה.

אדם קרא את זה, הסכים ושלח את זה. אדם גם נתן את ההזדמנות הסופית לפרסם את השינוי לייצור. זה בכוונה. הבינה המלאכותית עושה את העבודה הכבדה, המדויקת והבלתי נלאית. אנשים שומרים על ידם על שתי ההחלטות שתמיד צריכות להיות אנושיות: מה שאנחנו אומרים ללקוח, ומה עולה לאוויר.

תיקון אחד, כל לקוח

הנה החלק שחשוב אם אתם בונים אינטגרציות למחייתכם. זה לא היה סקריפט חד פעמי שהורכב על חשבון יחיד. הסנכרון בין Mindbody ל-HubSpot הוא מוצר ממוחשב. אפליקציית APIאינטגרציה אחת, שנבנתה ומתוחזקת במקום אחד, הפועלת על פני כל לקוח שמשתמש בה. לכן, כאשר הבינה המלאכותית בנתה מחדש את לוגיקת העסקה, היא לא תיקנה רק את הסטודיו הזה. היא סגרה את אותו פער תשלום מפוצל עבור כולם באינטגרציה הזו, וכל לקוח חדש יורש את הגרסה המתוקנת מהיום הראשון.

זהו מה שמשלבי מערכות מודלים מבקשים כל הזמן. בנה פתרון פעם אחת, מכור אותו פעמים רבות, ושפר אותו במקום אחד. תיקון כזה מעלה את איכות המוצר עבור כל בסיס ההתקנות בבת אחת, וזה בדיוק מה שהופך אינטגרציה מבוססת מוצר לנכס הכנסה חוזר אמיתי במקום ערימת עבודה מותאמת אישית לכל לקוח שרק הופכת לשברירית יותר ככל שהיא גדלה.

למה APIANT מאפשר את זה

בינה מלאכותית יכולה להפעיל רק את מה שהיא יכולה לראות ולגעת בו. רוב פלטפורמות האינטגרציה הן קופסה שחורה, כך שהבינה המלאכותית תקועה בכתיבת הצעות מבחוץ.

APIANT בנוי הפוך. כל אינטגרציה מורכבת מחלקים שהבינה המלאכותית יכולה לבדוק, לערוך ולהפעיל בפועל: האוטומציות, תת-השגרות המשותפות, מיפויי השדות, היסטוריית הביצועים בזמן אמת, ערכי המטמון. הבינה המלאכותית יכולה לשנות חלק אחד, להפעיל אותו, לקרוא בדיוק מה קרה בכל שלב, ולבצע התאמה. שלבו זאת עם בקרת דפדפן של מערכת המקור, והיא תוכל לבדוק מול המציאות במקום לנחש.

השילוב הזה הוא מה שאפשר לכרטיס מבולגן אחד מהעולם האמיתי להפוך לשיפוץ מלא ומאומת.

הטייק אווי

זו לא הייתה בעיה צעצוע. זו הייתה באג עדין ורב-סיבות באינטגרציה חיה בין שתי מערכות רציניות, מהסוג שבדרך כלל אומר מהנדס עצבני ושבוע איטי.

בינה מלאכותית טיפלה בזה מקצה לקצה. היא אבחנה את הסיבה האמיתית, בנתה מחדש את האינטגרציה בצורה הנכונה, בדקה כל נתיב מול נקודת המכירה האמיתית, זיהתה ותיקנה את השגיאה שלה, וניסחה את תגובת הלקוח. אנשים נכנסו לתמונה רק כדי לאשר את ההודעה ולפרוס אותה.

לשם זה הולך. לא בינה מלאכותית שכותבת קטע קוד בשבילך, אלא בינה מלאכותית שלוקחת בעיה קשה וספציפית ומובילה אותה עד לפתרון עובד ונבדק בפלטפורמה שנבנתה בדיוק בשביל זה. אם יש לך אינטגרציות שכמעט תקינות, או באגים שמופיעים רק ב-2% מהמקרים המוזרים, כך מתחיל להיראות פתרון שלהם.

דברו איתנו על APIANT