Zgłosiliśmy problem do pomocy technicznej sztucznej inteligencji. Odbudowała integrację i zamknęła pętlę.

Jak Claude Code i APIANT przekształcili problematyczny błąd synchronizacji wielu płatności w zweryfikowaną poprawkę, którą człowiek zatwierdził dopiero na samym końcu.

Ten pochodzi z CRMConnect, kompleksowa integracja APIANT, która zapewnia synchronizację Mindbody i HubSpot. Obsługuje dane klientów, deduplikację i mapowanie w terenie, dzięki czemu zespół marketingowy może pracować na podstawie rzeczywistych działań, a nie na nieaktualnych eksportach. Konkretny element, którym się zajmujemy, to ten, który przekształca sprzedaż Mindbody w transakcje w HubSpot, dzięki czemu przychody automatycznie trafiają do CRM, z odpowiednią kwotą przypisaną do odpowiedniego klienta.

Klient zapłacił około 8400 dolarów w recepcji. Transakcja w CRM wskazywała 400 dolarów. Nic nie zgłaszało błędu, nic nie wyglądało na uszkodzone, a większość transakcji synchronizowała się prawidłowo. Ta transakcja po prostu po cichu straciła większość swojej wartości gdzieś pomiędzy Mindbody a HubSpot.

To najgorszy rodzaj błędów: te ukryte w 2% transakcji, które są nieco nietypowe. Oddaliśmy to w ręce sztucznej inteligencji i pozwoliliśmy jej zarządzać wszystkim – od diagnozy, przez przetestowaną poprawkę, po odpowiedź klienta. Oto jak to wyglądało.

Bilet

Studio fitness z butiku zgłosiło się z drobną, irytującą zagadką. Większość ich sprzedaży bez problemu przeszła z Mindbody do HubSpot. Ta jedna transakcja nie.

Winowajcą okazały się transakcje opłacane na więcej niż jeden sposób. Podzielono płatność na kartę i saldo konta, a stara synchronizacja odczytała raport, który nie uwzględniał wszystkich płatności. W rezultacie transakcja została zrealizowana za ułamek tego, co klient faktycznie zapłacił.

Dlaczego jest to zazwyczaj powolna i bolesna naprawa

Błąd tego typu zazwyczaj pochłania dni pracy inżynierów. Ktoś musi zrekonstruować sposób działania integracji, ustalić, która z kilku ścieżek synchronizacji jest wadliwa, zmienić logikę, nie psując już działających ścieżek, a następnie przetestować ją w działającym systemie, który jest naprawdę trudny do podważenia. Oprogramowanie POS nie oferuje raczej piaskownicy z przyciskiem „dokonaj dziwnej sprzedaży z podzieloną płatnością”.

Więc ma tendencję do czekania. Klient czeka. Naprawa jest ryzykowna. Wszyscy są trochę zdenerwowani, dotykając działającej integracji.

Zamiast tego przekazaliśmy to sztucznej inteligencji

Daliśmy Claude'owi kod działający na APIANT i pozwoliliśmy mu działać. Nie „proponować fragmentu kodu”. Działać: przeczytać integrację, zrozumieć ją, zmienić, przetestować na prawdziwym koncie Mindbody i zgłosić. Oto, co się stało, bez konieczności pisania przez człowieka choćby jednej linijki kodu.

Znaleziono prawdziwą przyczynę. Stwierdzono, że problem mógł wynikać z trzech odrębnych kwestii kryjących się za jednym objawem: synchronizacja odczytywała raport, który pomijał niektóre typy płatności, sprzedaż wielu pozycji była błędnie liczona i kilka sprzedaży mogło kolidować z tym samym identyfikatorem.

Integracja została poprawnie odbudowana. Zamiast szybkiej poprawki, przebudowaliśmy logikę transakcji w jeden wspólny komponent, używany zarówno przez natychmiastową synchronizację (aktywowaną w momencie sprzedaży), jak i conocną synchronizację nadrabiającą zaległości. Ta sama logika, dwa wyzwalacze, koniec z dryfowaniem między nimi. Przenieśliśmy oba do bogatszego źródła danych, które faktycznie obejmuje każdą płatność, w tym saldo konta i członkostwa.

Dzięki temu możliwe było szybkie działanie na dużą skalę. Dodano pamięć podręczną, aby codzienne zadanie nie powtarzało powolnych wyszukiwań tysięcy poprzednich transakcji. Pamięć podręczna jest tworzona w pierwszym przebiegu; każdy kolejny przebieg pomija kosztowne wyszukiwanie.

Dodano szczegóły, jakich oczekiwał klient. Każda transakcja będzie teraz rejestrować użytą metodę płatności, dzięki czemu studio będzie mogło na pierwszy rzut oka sprawdzić, w jaki sposób dokonano płatności.

Następnie przetestowano go na prawdziwym systemie

To jest ta część, która nadal wydaje się trochę science fiction.

Sztuczna inteligencja otworzyła w przeglądarce prawdziwy punkt sprzedaży Mindbody i sama uruchomiła sprzedaż testową. Jeden produkt opłacony w jedną stronę. Jeden produkt rozłożony na dwie płatności. Kilka produktów w jednej płatności. Kilka produktów rozłożonych na dwie płatności. Osoba bez rejestracji klienta. Przeszła przez kasę jak pracownik.

Następnie śledził przepływ każdej sprzedaży przez integrację i odczytywał wyniki wiersz po wierszu. Czy utworzono odpowiednią liczbę transakcji? Czy kwoty sumowały się do łącznej kwoty sprzedaży? Czy metoda płatności się pojawiła? Czy dwukrotne uruchomienie synchronizacji spowodowało powstanie duplikatów, czy też system poprawnie rozpoznał, że sprzedaż została już zrealizowana?

Wszystkie oddziały sprawdziły. Kwoty się zgadzały. Żadnych duplikatów. Metody płatności zostały przyjęte.

Złapało swój własny błąd

W pewnym momencie jedna z własnych zmian wprowadziła niewielką regresję. Nowe pole nie zostało poprawnie podłączone, co po cichu przerwało tworzenie nowych umów.

Sztuczna inteligencja to zauważyła, ponieważ zamiast zakładać, że jej działanie jest poprawne, odczytywała dane z rzeczywistego wykonania. Znalazła dokładną przyczynę, naprawiła okablowanie, ponownie przeprowadziła prawdziwą nieudaną sprzedaż i potwierdziła, że poprawka przyniosła właściwy rezultat, dokumentując cały proces.

Na tym polega różnica między generowaniem kodu a posiadaniem wyniku.

Zamknięto pętlę z klientem

Po zweryfikowaniu poprawki, sztuczna inteligencja napisała klientowi odpowiedź w prostym języku: co się dzieje, dlaczego kwota wyglądała nieprawidłowo, co się zmieniło i zapewniła, że poprzednie transakcje zostaną automatycznie skorygowane podczas kolejnej synchronizacji. Umieściła tę wiadomość na zgłoszeniu, gotową do wysłania.

Człowiek przeczytał, zaakceptował i wysłał. Człowiek podjął również ostateczną decyzję o opublikowaniu zmiany w wersji produkcyjnej. To celowe. Sztuczna inteligencja wykonuje ciężką, precyzyjną i niestrudzoną pracę. Ludzie trzymają rękę na dwóch decyzjach, które zawsze powinny być podejmowane przez ludzi: co mówimy klientowi i co zostanie wdrożone.

Jedna poprawka dla każdego klienta

Oto część, która ma znaczenie, jeśli tworzysz integracje zawodowo. To nie był jednorazowy skrypt przyklejony do jednego konta. Synchronizacja Mindbody z HubSpot to produkt. Aplikacja API: jedna integracja, zbudowana i utrzymywana w jednym miejscu, działająca dla każdego klienta, który z niej korzysta. Kiedy więc sztuczna inteligencja przebudowała logikę transakcji, nie tylko naprawiła to jedno studio. Zniwelowała tę samą lukę w płatnościach podzielonych dla wszystkich korzystających z tej integracji, a każdy nowy klient dziedziczy poprawioną wersję od pierwszego dnia.

To jest model, o który wciąż proszą integratorzy systemów. Zbuduj rozwiązanie raz, sprzedaj je wiele razy i udoskonalaj w jednym miejscu. Takie rozwiązanie podnosi jakość produktu dla całej bazy instalacji jednocześnie, co właśnie sprawia, że zintegrowana wersja produktu staje się prawdziwym źródłem cyklicznych przychodów, a nie stertą niestandardowych prac wykonywanych dla każdego klienta, które stają się coraz bardziej kruche wraz z rozwojem.

Dlaczego APIANT to umożliwia

Sztuczna inteligencja może obsługiwać tylko to, co widzi i czego dotyka. Większość platform integracyjnych to czarne skrzynki, więc sztuczna inteligencja musi jedynie generować sugestie z zewnątrz.

APIANT jest zbudowany na odwrót. Każda integracja składa się z elementów, które sztuczna inteligencja może faktycznie analizować, edytować i uruchamiać: automatyzacji, współdzielonych podprogramów, mapowań pól, historii wykonywania na żywo, wartości z pamięci podręcznej. Sztuczna inteligencja może zmienić jeden element, uruchomić go, odczytać dokładnie, co się działo na każdym kroku i dostosować. Połącz to z kontrolą systemu źródłowego przez przeglądarkę, a będzie mógł testować zgodność z rzeczywistością, zamiast zgadywać.

To właśnie ta kombinacja umożliwiła przekształcenie jednego nieuporządkowanego zgłoszenia w kompletny, zweryfikowany projekt refaktoryzacji.

Na wynos

To nie był błahy problem. To był subtelny, wieloprzyczynowy błąd w integracji na żywo dwóch poważnych systemów, taki, który zazwyczaj oznacza nerwowego inżyniera i tydzień bez pracy.

Sztuczna inteligencja zajęła się tym od początku do końca. Zdiagnozowała prawdziwą przyczynę, poprawnie zbudowała integrację, przetestowała każdą ścieżkę w odniesieniu do rzeczywistego punktu sprzedaży, wykryła i naprawiła własny błąd oraz przygotowała odpowiedź dla klienta. Ludzie interweniowali tylko po to, by zatwierdzić wiadomość i ją wdrożyć.

Właśnie do tego zmierzamy. Nie do sztucznej inteligencji, która pisze za Ciebie kawałek kodu, ale do sztucznej inteligencji, która bierze trudny, konkretny problem i doprowadza go do działającego, przetestowanego rozwiązania na platformie stworzonej właśnie do tego celu. Jeśli masz integracje, które są prawie poprawne, lub błędy, które pojawiają się tylko w 2% nietypowych przypadków, to właśnie tak zaczyna wyglądać ich rozwiązywanie.

Porozmawiaj z nami o APIANT