Zillow เปิดเผยกลยุทธ์ AI เพื่อเพิ่ม ROI ด้วยการวัดผลก่อนพัฒนา

Zillow ผู้ให้บริการเทคโนโลยีอสังหาริมทรัพย์ระดับโลกได้เปิดเผยแนวทางการสร้างสถาปัตยกรรม AI ที่สามารถติดตามบริบทของลูกค้าได้ตลอดเส้นทางซื้อ‑ขายที่อาจกินเวลาหลายเดือนหรือหลายปี ในงาน VB Transform 2026 Toby Roberts รองประธานวิศวกรรมของ Zillow และ Arvind Jain ผู้ก่อตั้งและซีอีโอของ Glean ได้นำเสนอว่าการทำ ROI จาก AI ต้องเริ่มจากการวัดผลก่อนที่จะพัฒนาระบบจริง

Overview

Zillow มีส่วนร่วมในธุรกรรมอสังหาริมทรัพย์ประมาณ **80 % ของสหรัฐฯ ต่อปี และใช้เทคโนโลยี AI มานานกว่าการเปิดตัว ChatGPT แม้ข้อมูลดิบจะพร้อมใช้งานแล้ว ความท้าทายหลักคือการสร้าง “ชั้นบรรจบริบท” (context layer) ที่สามารถติดตามสถานะของลูกค้าเมื่อเปลี่ยนช่องทางติดต่อ เช่น จากแอปมือถือไปยังเอเจนต์เงินกู้หรือผู้ให้บริการอสังหาริมทรัพย์ Roberts กล่าวว่าการทำให้ข้อมูล “คงอยู่” ตลอดการเดินทางเป็นสิ่งที่สำคัญยิ่งกว่าเพียงการเก็บรวบรวมข้อมูล

Architecture & Data Strategy

Zillow เริ่มต้นด้วยการสร้าง data mesh ที่มาพร้อมกับเส้นสายของข้อมูล (data lineage) ชัดเจนและโครงสร้างการกำกับดูแลที่ผูกกับสิทธิ์และตัวตนของผู้ใช้ การจัดทำพื้นฐานนี้ถูกอธิบายว่า “ไม่ใช่ปัญหาที่ยาก” ตาม Roberts อย่างไรก็ตาม เมื่อทีมต้องการให้ AI จำตำแหน่งของลูกค้าในแต่ละขั้นตอน ปัญหาใหม่ก็ปรากฏขึ้น: ระบบจำเป็นต้องเก็บบริบทอย่างต่อเนื่องโดยไม่มีการสูญเสียข้อมูลระหว่างหน้าต่างต่าง ๆ

Context Layer Design

เพื่อแก้ไขปัญหานี้ Zillow เลือกพัฒนาชั้นบรรจบริบทของตนเองแทนที่จะพึ่งพา API แชทภายนอก Roberts ระบุว่าเมื่อมองภาพรวมของการทำธุรกรรมจริง ไม่ใช่แค่ “การสนทนาเดียว” ทำให้ทีมสรุปว่าการสร้างโซลูชันเฉพาะเป็นทางเลือกที่เหมาะสม ระบบนี้สามารถรับรู้ได้ว่าผู้ใช้กำลังอยู่ในขั้นตอนใดของกระบวนการและส่งต่อข้อมูลไปยังหน้าจอหรือช่องทางถัดไปโดยไม่มีความหน่วง

Integration with Glean

Zillow ใช้โมเดลย่อยที่ผ่านการปรับแต่งเฉพาะงาน (task‑specific fine‑tuned models) จำนวนมาก แทนที่จะใช้โมเดลขนาดใหญ่เดียว ระบบเหล่านี้ทำงานร่วมกับ Glean ผ่าน “Glean MCP gateway” ทำให้สามารถรวมการเชื่อมต่อของฝ่ายต่าง ๆ เช่น การเงิน กฎหมาย และการตลาดได้ในที่เดียว Roberts กล่าวว่า Zillow มี หลายพัน ตัวเอเย่นต์ Glean อยู่ในสภาพแวดล้อมการผลิต โดยทำหน้าที่จัดการงานซ้ำ ๆ มากกว่าหลายหมื่นครั้งทั่วองค์กร

• Model routing: ส่งงานส่วนใหญ่ไปยังโมเดลขนาดเล็กที่มีต้นทุนต่ำกว่า
• Precomputed context: ลดการใช้ token ในการสร้างบริบทใหม่จากศูนย์

ตาม Jain การนำวิธีนี้มาใช้สามารถลดการใช้ token ได้ถึง ครึ่งหนึ่ง เมื่อเทียบกับการใช้โมเดลใหญ่เช่น Claude

Enterprise Takeaways

การที่ Zillow สามารถอ้างอิงการเพิ่มขึ้นของโค้ดที่ส่งออกมาจาก AI ถึง 40 % นั้นเกิดจากการตั้งค่ามาตรฐานวัดผล (DORA metrics) ไว้ก่อนเริ่มใช้งาน AI ไม่ได้เป็นเพียงการวัดหลังการเปิดตัว อีกหนึ่งบทเรียนสำคัญคือการ รวมศูนย์บริบท** หนึ่งครั้งเดียวเพื่อหลีกเลี่ยงการทำซ้ำของทีมต่าง ๆ ซึ่ง Glean ช่วยลดต้นทุนแฝงที่หลายองค์กรมักละเลย นอกจากนี้ แม้ระบบจะมีความเข้าใจเรื่องสิทธิ์ (permission inheritance) แต่ Zillow ยังเพิ่มกฎระเบียบและการตรวจสอบความสอดคล้องเพิ่มเติมสำหรับข้อมูลที่ต้องการการปฏิบัติตามข้อกำหนดอย่างเคร่งครัด

Summary

Zillow เน้นสร้างชั้นบรรจบริบทภายในเพื่อให้ AI รองรับลูกค้าได้ตลอดเส้นทางซื้อ‑ขายและใช้ Glean เพื่อรวมศูนย์การเชื่อมต่อและลดค่าใช้จ่าย การวางมาตรฐาน DORA ก่อนทำ AI ช่วยให้บริษัทอ้างอิง ROI ได้ชัดเจน ผู้ประกอบการอื่น ๆ สามารถเรียนรู้จากแนวคิดนี้เพื่อเพิ่มประสิทธิภาพของระบบ AI ภายในองค์กร.