चेकआउट डिज़ाइन करते समय AI क्या गलतियाँ करता है (और उन्हें कैसे ठीक करें)

चेकआउट डिज़ाइन करते समय AI एक ऐसी गलती करता है जिसका अनुमान पहले से लगाया जा सकता है: यह डेमो के लिए डिज़ाइन करता है, न कि दस-हज़ारवें लेनदेन के लिए। किसी AI ऐप बिल्डर से चेकआउट के लिए कहें और आपको मिनटों में एक आकर्षक डिज़ाइन मिल जाएगा। साफ-सुथरा कार्ट, व्यवस्थित बटन, एक बेहतरीन पेमेंट स्क्रीन। लेकिन कमियां उन सभी चीजों में होती हैं जिन्हें एक स्क्रीनशॉट नहीं दिखा सकता: जैसे कि फ्लो रिफंड, स्प्लिट पेमेंट, टैक्स नियम, या शनिवार की दोपहर को ग्राहकों की लंबी कतार को कैसे संभालता है।

इसका समाधान बेहतर प्रॉम्प्टिंग नहीं है। बल्कि यह तय करना है कि चेकआउट के किन हिस्सों पर AI का नियंत्रण होना चाहिए, और किन हिस्सों में उसे अपनी मर्जी से बदलाव करने की अनुमति कभी नहीं दी जानी चाहिए। यहाँ बताया गया है कि AI-जनरेटेड चेकआउट वास्तव में कहाँ विफल होते हैं, और प्रत्येक के बारे में क्या किया जाना चाहिए।

AI द्वारा डिज़ाइन किया गया चेकआउट दिखने में सही लेकिन उपयोग में विफल क्यों हो जाता है?

इसके दो कारण हैं। पहला, AI मौजूदा चेकआउट से चेकआउट डिज़ाइन सीखता है, और मौजूदा चेकआउट औसत दर्जे के होते हैं। बेमार्ड इंस्टीट्यूट के अनुसार औसत प्रलेखित ऑनलाइन कार्ट परित्याग दर 70.22% है¹, और यह पाया गया है कि औसत अमेरिकी चेकआउट में 23.48 फॉर्म तत्व दिखाई देते हैं जबकि एक आदर्श फ्लो के लिए केवल 12 से 14 की आवश्यकता होती है¹। औसत पर प्रशिक्षित मॉडल उसी औसत को उसकी गलतियों सहित दोहराता है।

दूसरा, हैप्पी-पाथ बायस। जनरेट किए गए सॉफ़्टवेयर का मूल्यांकन उसी तरह किया जाता है जैसे किसी डेमो का किया जाता है: क्या सामान्य मामला काम कर रहा है? जबकि एक चेकआउट का मूल्यांकन कैश रजिस्टर की तरह किया जाता है: क्या ग्राहक के सामने हर मामला, हर बार सही ढंग से काम करता है? ये दोनों अलग-अलग मानक हैं, और इनके बीच का अंतर तब तक अदृश्य रहता है जब तक कि वास्तविक पैसा लेनदेन से होकर नहीं गुजरता।

AI वास्तव में चेकआउट में क्या गलतियाँ करता है?

पांच विफलताएं बार-बार सामने आती हैं। (उनके पीछे के गहरे बुनियादी ढांचे के अंतर को समझने के लिए, देखें क्या आप Lovable या Replit के साथ एक POS बना सकते हैं? यह सूची स्वयं चेकआउट के बारे में है।)

• पैसों का गणित। जनरेट किया गया कोड नियमित रूप से फ्लोटिंग पॉइंट में मुद्रा की गणना करता है, जिससे डिस्काउंट, टैक्स और स्प्लिट पेमेंट में पैसे का अंतर आ जाता है। इसका लक्षण दिन की समाप्ति पर दिखाई देता है: कुल योग जो आपकी दिन-की-समाप्ति रिपोर्ट से पूरी तरह मेल नहीं खाते।

• टैक्स। AI एक ही दर को हार्ड-कोड कर देता है। वास्तविक सेल्स टैक्स अधिकार क्षेत्र, आइटम के प्रकार, छूट और तारीखों पर निर्भर करता है, और यह आपके कोड को बताए बिना बदल जाता है। टैक्स का अनुमान लगाने वाला चेकआउट वास्तव में चेकआउट नहीं है; यह एक अच्छे इंटरफ़ेस वाली देनदारी है।

• अनहैप्पी पाथ्स। रिफंड, वॉइड, आंशिक भुगतान, मूल्य ओवरराइड, चार्ज के बीच में कनेक्शन टूटना। डेमो में इनका कभी परीक्षण नहीं किया जाता; काउंटरों पर इनका रोजाना सामना होता है। अधिकांश AI-जनरेटेड चेकआउट में ये सुविधाएं होती ही नहीं हैं।

• कैशियर की गति। AI उन ई-कॉमर्स पैटर्न की नकल करता है जो एक ऐसे खरीदार के लिए बनाए गए हैं जो केवल एक बार चेकआउट करता है। एक कैशियर एक शिफ्ट में सैकड़ों बार उसी फ्लो को चलाता है, इसलिए हर अतिरिक्त टैप कतार के समय को बढ़ा देता है। छोटे-छोटे विकल्प भी काउंटर की गतिशीलता को बदल देते हैं; टिप प्रॉम्प्ट कहाँ दिखाई देता है यह अपने आप में एक बड़ा निर्णय है।

• भुगतान। एक पे बटन का मतलब भुगतान नहीं है। व्यक्तिगत रूप से कार्ड स्वीकार करने के लिए एक पेमेंट प्रोसेसर, PCI अनुपालन, और प्रमाणित रीडर हार्डवेयर की आवश्यकता होती है। इनमें से कुछ भी केवल एक प्रॉम्प्ट से जनरेट नहीं किया जा सकता; इसे वास्तव में मौजूद होना चाहिए। पेमेंट इंफ्रास्ट्रक्चर में वास्तव में क्या शामिल है यह अधिकांश लोगों की अपेक्षा से कहीं अधिक विस्तृत है।

आप AI द्वारा डिज़ाइन किए गए चेकआउट को कैसे ठीक करते हैं?

काम को दो भागों में बांटें। AI डिज़ाइन वाले हिस्से में वास्तव में अच्छा है: लेआउट, फ्लो का क्रम, शब्दावली, और स्क्रीन को इस तरह आकार देना कि आपका स्टोर वास्तव में कैसे बिक्री करता है। इसे यह काम करने दें। पैसों वाला हिस्सा (अंकगणित, टैक्स, पेमेंट प्रोसेसिंग, लेनदेन का रिकॉर्ड) ऐसे कॉमर्स इंफ्रास्ट्रक्चर से आना चाहिए जो नियतात्मक हो (यह हर बार एक ही सही उत्तर देता है), न कि प्रति प्रॉम्प्ट तैयार किए गए कोड से।

"इसे टैक्स को सही ढंग से संभालने के लिए प्रॉम्प्ट करें" कहने मात्र से यह समस्या हल नहीं होती, क्योंकि आप केवल देखकर यह नहीं बता सकते कि इसने काम किया या नहीं। कोई भी ध्यान दिए बिना महीनों तक एक चेकआउट प्रति लेनदेन कुछ सेंट गलत हो सकता है। इसलिए इसका समाधान संरचनात्मक है:

• प्रॉम्प्ट करने के बजाय सीमित करें। ऐसे प्लेटफ़ॉर्म का उपयोग करें जहाँ टोटल, टैक्स और टेंडर पहले से निर्मित हों और AI केवल उन्हें व्यवस्थित कर सके, न कि उन्हें फिर से बनाए।

• लॉन्च से पहले अनहैप्पी पाथ्स का परीक्षण करें। एक रिफंड, एक वॉइड, एक स्प्लिट पेमेंट और चार्ज के बीच में कैंसिलेशन चलाकर देखें। यदि इनमें से कोई भी गायब है, तो आपके पास केवल एक डेमो है, चेकआउट नहीं।

• पहले दिन ही रिकंसाइल करें। बिक्री के पहले वास्तविक दिन के बाद अपने चेकआउट के टोटल की तुलना अपने पेमेंट प्रोसेसर के रिकॉर्ड से करें। पैसों का अंतर तुरंत दिखाई दे जाता है।

• वैकल्पिक तरीकों पर नज़र रखें। यदि स्टाफ पहले सप्ताह में ही फ्लो के आसपास कोई वैकल्पिक रास्ता निकाल लेता है, तो डिज़ाइन विफल हो गया है। इसे ठीक करें इससे पहले कि वैकल्पिक तरीके ही सिस्टम बन जाएं।

तो, चेकआउट डिज़ाइन करते समय AI क्या गलतियाँ करता है?

यह तस्वीर तो सही दिखाता है लेकिन प्लंबिंग को गलत कर देता है: हैप्पी-पाथ फ्लो, पैसों का मनगढ़ंत गणित, टैक्स का अनुमान लगाना, और रिफंड, स्प्लिट या कार्ड-प्रेजेंट भुगतानों के लिए कोई समाधान न होना। इनमें से कुछ भी बेहतर प्रॉम्प्ट से ठीक नहीं होता; यह AI को उस इंफ्रास्ट्रक्चर के ऊपर रखने से ठीक होता है जो पहले से ही पैसों को संभालता है। अंगूठे का नियम: AI को फ्लो डिज़ाइन करने दें, उसे कभी भी पैसों के मामले में मनमर्जी न करने दें।

यही विभाजन Final के Build जैसे प्रॉम्प्ट-आधारित बिल्डरों के पीछे का विचार है, जहाँ आप अपनी पसंद के चेकआउट का वर्णन करते हैं और उसके नीचे के टोटल, टैक्स और Final Pay लेनदेन एक ऐसे सिस्टम से आते हैं जो हमेशा सटीक गणना करता है। इसे व्यवहार में देखने के लिए, लगभग दस मिनट में अपना पहला फ्लो बनाएं, या बिजनेस के लिए AI: यह क्या कर सकता है (और क्या नहीं) के साथ इसे विस्तार से समझें।