Vertaald uit het Engelse origineel. De cijfers en bronnen zijn ongewijzigd. Lees het Engelse origineel
Swiggy
Swiggy Instamart gebruikt beeld-AI om terugbetalingsclaims af te handelen en retouren te controleren
Swiggy Instamart gebruikt vision-language-AI om foto's bij klantclaims te controleren en artikelen bij het ophalen van retouren te verifiëren, en vervangt zo de handmatige beoordeling bij duidelijke gevallen. Swiggy meldt dat het percentage onterechte Geen-match-uitkomsten bij de retourcontrole daalde van 60% bij de lancering naar 17%, en dat er per dag meer dan 5000 retourtickets zonder mens worden afgehandeld.
Kerncijfers
Letterlijk overgenomen uit de bronnen. Kopieer elk cijfer met bronvermelding.
60%
naar 23% naar 17%
Percentage onterechte Geen-match-uitkomsten bij retouren, van de lancering tot na geautomatiseerde promptoptimalisatie1
98,5%
Nauwkeurigheid van de Reverse Quality Check (RQC) bij retouren1
>5000
RQC-tickets die elke dag zonder menselijke tussenkomst worden opgelost1
Wat het kostte
Kosten, teamgrootte en doorlooptijd zijn in de bronnen niet openbaar gemaakt.
Het probleem
Swiggy Instamart ontvangt per dag meer dan 40.000 klantclaims over verkeerde, verlopen, beschadigde, slechte of slecht verpakte artikelen. Wanneer regels en fraudemodellen een claim niet op basis van een foto konden beslissen, vergeleek een menselijke medewerker die met de catalogus en besliste. De kosten groeiden mee met het volume, beslissingen waren inconsistent en klanten moesten wachten. Bij retouren moest bezorgpersoneel het artikel bij het ophalen controleren, maar werd het betaald voor snelheid, waardoor de meeste retouren ongecontroleerd werden geaccepteerd.
Wat ze bouwden
Swiggy bouwde twee systemen die vision-language-modellen gebruiken, AI-modellen die zowel beelden als tekst lezen. Het Image Validation Model (IVM) onderzoekt de claimfoto van een klant naast het catalogusbeeld en geeft geldig, ongeldig of onduidelijk terug. De Reverse Quality Check (RQC) vergelijkt de foto's van de bezorger bij het ophalen met de claimfoto's van de klant en geeft match, geen match of onduidelijk terug.
Hoe ze het aanpakten
Elke soort claim heeft zijn eigen handler en prompt, en de klantfoto wordt behandeld als het belangrijkste bewijs. Code, niet het model, regelt de routering, het combineren van meerdere foto's en de eindbeslissing om goed te keuren, af te wijzen of op te schalen. Claims over verlopen artikelen gebruiken parallel twee manieren om data op etiketten te lezen. Als de RQC geen match kan bevestigen, krijgt de bezorger een specifiek bericht en kan de bezorger het opnieuw proberen, tot 2 pogingen, voordat handmatige beoordeling volgt. Als het systeem uitvalt, gaat de claim naar handmatige beoordeling.
Resultaten
Het percentage onterechte Geen-match-uitkomsten van de RQC, dus legitieme retouren die ten onrechte als afwijking werden gemarkeerd, begon op 60%, daalde door promptwerk naar 23% en door geautomatiseerde promptoptimalisatie naar 17%. Swiggy noemt ook meer dan 5000 tickets per dag die zonder menselijke tussenkomst zijn opgelost, een RQC-nauwkeurigheid van 98,5%, een stijging van de klanttevredenheidsscore met 6% en 20.000 minder Image Validation-tickets per week.
Wat u kunt overnemen
Vergelijk kandidaatmodellen op uw eigen gelabelde gevallen, inclusief kosten en snelheid. Houd een menselijke route open voor onduidelijke gevallen. Geef de mensen in het veld precieze feedback in plaats van een algemene foutmelding.
Alle gemelde cijfers
| Maatstaf | Cijfer | Bronvermelding |
|---|---|---|
| Percentage onterechte Geen-match-uitkomsten bij retouren, van de lancering tot na geautomatiseerde promptoptimalisatie | 60% naar 23% naar 17%1 | |
| Nauwkeurigheid van de Reverse Quality Check (RQC) bij retouren | 98,5%1 | |
| RQC-tickets die elke dag zonder menselijke tussenkomst worden opgelost | >50001 | |
| Verandering in de klanttevredenheidsscore | 6% hoger1 | |
| Daling van het wekelijkse aantal Image Validation-tickets | 20.0001 | |
| Dagelijks verwerkte claims | meer dan 40.0001 |
Lessen voor uw project
Geef het model het visuele bewijs en laat de beslissingen in code. Swiggy laat het model foto's beoordelen, terwijl routering, regels en geldbeslissingen deterministisch blijven.
Test meer dan één model op uw eigen productiedata. Swiggy gebruikt een ander model voor het lezen van houdbaarheidsdata dan voor andere soorten claims.
Vertel medewerkers in het veld wat ze moeten verbeteren. Swiggy zegt dat ongeveer 60% van de eerste mislukte matches kwam door slechte foto's, dus specifieke prompts voor een nieuwe poging helpen.
Reken op een slechte start en plan afstemming in. De retourcontrole begon met een percentage onterechte Geen-match-uitkomsten van 60% en werd verbeterd door promptwerk.
Kanttekeningen
- Alle cijfers zijn van Swiggy zelf, uit één blogbericht op de engineeringblog. Geen externe partij bevestigt ze.
- Het bericht noemt zijn resultaten zonder definities. Het zegt niet hoe de RQC-nauwkeurigheid van 98,5% of de verandering van 6% in tevredenheid is gemeten, noch wat de referentieperiode is.
- Het bericht geeft geen lanceringsdatum. Het zegt dat de systemen al meer dan 6 maanden in productie draaien, dus de getoonde implementatiedatum is de datum van het bericht en de werkelijke lancering was eerder.
- Het bericht noemt de gebruikte modellen: Gemini 2.5 Flash voor de meeste soorten claims en retourcontroles, en GPT-4o voor claims over verlopen artikelen. Het vergeleek ook Claude Sonnet 4, dat niet is gekozen.
- De zakelijke impact op fraudeverliezen en voorraadverlies wordt alleen in woorden beschreven, zonder cijfer. Dat ongeveer 10 tot 15% van de geretourneerde bestellingen onjuist of onvolledig is, is een schatting van Swiggy van vóór de lancering.
- Er worden geen kosten, teamgrootte of bouwtijd genoemd.
Bronnen
- Building Production-Scale Visual AI for Claims and Returns at Swiggy Instamart
Swiggy Bytes (Medium) · 2026-06-16 · Bedrijfsblog · medium.com
In eigen woorden samengevat op basis van de bovenstaande bronnen. Een fout gezien? Zie correcties.