网络研讨会回顾：Admiral 如何通过 AI 智能体处理保险来电

Admiral 每年在全球以多种语言处理数百万次客户互动（覆盖英国、意大利、法国和西班牙等地）。

在我们最新的线上研讨会 智能体幕后：Admiral 如何通过 AI 智能体处理保险来电 中，Admiral 生成式 AI 集团负责人 Dominika Kampa 介绍了团队如何构建 AI 层来应对这一规模，包括架构、测试标准及背后的组织协作。

Admiral 的核心目标是打造保险业最值得信赖的客户体验

Admiral 的目标是打造一种全新的客户体验。

要打造一个能快速结束对话、却没有真正解决客户问题的智能体并不难。

他们最终希望每位客户在每个渠道、每个关键时刻都能当场解决问题；若需转人工，也应由了解客户、背景和待解决问题的人员接手。

他们的首要指标是达到 90% 的首次联系解决率，同时还追踪 24/7 服务可用性、交互简洁度和显著提升的 NPS。

自助解决率是次要指标。在首个语音应用场景中，随着客户发现智能体响应更快，团队大幅提升了这一指标。

但解决率才是核心。Admiral 将客户是否真正获得来电所需结果作为独立指标，与是否升级转接分开统计，因此有意转交人工绝不会被视为失败。

受监管行业中，“好”的标准是什么

Admiral 对上线标准要求很高。他们希望智能体解决方案在上线前至少达到，甚至超越现有人工服务水平。

我们要提高验证标准，但不能降低合规标准。

过去依赖资深客服直觉处理的边缘案例知识，如今必须针对每个应用场景明确测试。

在实践中，团队也有意识地划定范围。例如，在进一步了解该场景的边缘案例期间，脆弱客户和欠款客户仍会转接人工处理。

鉴于大多数保险监管都以结果为导向，Dom 的观点很务实：只要客户和企业获得的结果完全符合预期，“如何”实现可以灵活处理。

认同不是靠命令获得的

受监管的组织不会因为被要求就采用 AI。

Dom 在加入 Admiral 前，曾在麦肯锡从事多年变革管理项目。当被问及如今会如何向同行阐述采用 智能体 AI 的理由时，她分享了该方法论中的三项原则。

1）人们会支持自己参与打造的东西

面对质疑，Admiral 的做法是让质疑者直接使用这套工具。

团队在整个组织内举办演示和培训活动，包括面向集团前 50 位领导者，以消除大家对智能体 AI 的陌生感。ElevenLabs 与 Dom 举办了一天培训，领导团队（包括集团 CEO Milena Mondini de Focatiis）从零开始构建智能体。用 Dom 的话说，他们“确实……很享受这个过程”。

2）从来不只是技术问题

愿景涵盖损益变化、客户体验变化和员工体验变化。

一旦大家就结果达成一致，技术方案自然会明确。Dom 建议不要从技术开始。

3）尽早建立治理机制

从早期就具备合适的触点、KPI 和数据，能让决策轻松得多。她认为反面做法是依赖直觉，最终做出“一个很好看的产物”，却没人使用，也没有改善任何在意的指标。

推广模式同样重要。Admiral 的做法是选择集团中的一个部门，就一个主题深入试验，再将经验复制到其他地方。

他们先快速跟进，再全面推广。不是在某个领域只做一个应用场景——Dom 说那会大幅拖慢进度——而是有意识地避免十次重复造轮子。

演示 1：结清报价（Admiral Money）

场景：一位客户想提前还清贷款。需求很简单，她只需要知道结清金额。

过去，要得到这个数字，客户得通过 IVR 层层操作，由人工客服验证身份，等待后端系统计算和页面加载，然后留意收件箱中的 PDF。一个只有单一答案的问题，却要走 5 分钟流程。

Admiral 生成式 AI 集团负责人 Dan Clark 介绍了团队的成果。

演示内容：

• 身份验证在 workflow 开始时由独立子智能体完成，其他操作执行前就会进行。
• 哨兵子智能体会检查来电者是否适合与 AI 智能体交谈。脆弱客户和欠款客户会转入人工优先队列，同时团队继续了解更多边缘案例。
• 智能体会预先预测并收集所需答案，通过 API 驱动处理，而非等待旧系统页面加载。人工处理约需 5 分钟的同一流程，智能体约 2 分半钟即可完成。
• 成功与否取决于客户是否完成身份验证并获得结清报价，与升级转接分开统计。
• 通话结束时，反馈智能体会请客户以 1 到 5 分评价体验。未升级转接的通话几乎全部获得 4 分和 5 分。

重要意义：节省时间源于 workflow 由 API 而非页面驱动，并不只是因为由 AI 而非人工回答。正如 Dan 所说，这主要是为了缩短通话时间，从而改善客户体验。当前的升级转接反映了团队在学习期间主动设定的边界，并非智能体未能提供帮助。

演示 2：Olivia（L’Olivier）

场景：一位法国客户对保单有疑问。她打开网站聊天窗口，遇到的是 Ollie Bot——一种传统的树状工具（“按 A 选这个，按 B 选那个”）。她的问题既不是选项 A，也不是选项 B，于是没有得到答案就离开了。

这正是 L’Olivier 想要替代的体验。团队在 ElevenLabs 上构建了知识库智能体 Olivia，目前已在网站上线。

演示内容：

• 系统提示词、首条消息、workflow 和子智能体均直接用法语编写，并非从英语翻译而来。Dan 引用研究指出，用客户的语言编写提示词会以不同方式调动模型，团队也发现这样效果明显更好。Olivia 会自动检测，并在需要时用英语回复。
• 团队会根据知识库审查真实客户对话以发现缺口，修复内容通常在 1 到 2 小时内反映到线上智能体中。
• 变更会在分支上逐步分配流量——1%，2%，5%，10%，25%、50%，再到 100%。在进入线上流量前，均会进行模拟测试和人工预览。如果数据不支持这项变更，流量会立即归零，无需回滚。
• 完整的分支周期从开始到结束只需几小时到 1 天。不再需要为期两周的冲刺和两周的部署。

重要意义：发布周期从数周缩短到数小时本身就很显著，但更重要的发现是，语言或许不只是本地化细节——它可能会改变模型的推理方式。

没有任何手册能原封不动适用于新市场

不同市场在轮流发言的习惯、对打断的容忍度，以及正常对话节奏的定义上差异很大。

没有一劳永逸的办法。Dom 认为，有效的方法是让熟悉提示词和架构的工程师，与能将市场背景具体化的当地业务负责人搭档，并将这一搭档视为部署单元。

不同市场的构建工作本身差异不大，采用情况却不同。Dom 认为，任何 AI 部署都是如此，并不只限于客户运营。

如果客户不信任它、不理解它，他们会立刻（在对话开始后的第 2 秒）说：“请把我转接给人工客服”

因此，团队预计会在客户教育上投入比底层模型更多的时间，包括欢迎语、定位说明、IVR 消息等。

跨市场的公平服务

在保险业，脆弱性检测是一项基础能力，必须在每个市场、每种语言和每个渠道中保持一致。

Admiral 采取多路径检测方法。针对脆弱性，团队有意让成熟的机器学习模型与生成式 AI 协同运行，而非单独依赖其中任何一个。这样，无论哪个信号先触发，都能在任何阶段识别出脆弱客户，并以合适方式提供服务。

即使技术尚未被信任可处理具体案件，这一标准也依然适用。在结清报价智能体中，哨兵子智能体会筛查每位来电者，脆弱客户或欠款客户会直接进入人工优先队列——这是团队在了解更多边缘案例期间有意设定的边界。

由于客户的提问难以预测（例如，有人曾问 Olivia 如何做洋葱汤），团队会将护栏与对意外情况的主动标记相结合，以便始终了解谁在如何使用这些工具。

智能体背后的团队

Admiral 采用中心辐射模式：集团层面的专业能力位于“中心”，了解市场、客户和员工的本地专家位于“辐射端”。

卓越中心分为两部分。第一部分负责价值实现，涵盖战略、路线图、产品设计和结果测试（包括 A/B 测试）。第二部分由工程师、架构师和交付同事组成，确保所有构建成果符合标准，并与现有体系其余部分集成。

Dom 认为，未来的 AI 工程师将更少专注于写代码，而更多专注于理解生成式 AI 的工作原理、合理组织思路，并利用智能体编程交付成果。

围绕核心团队，流程专家和业务负责人会与产品和技术人才组成小型团队。用她的话说，就是“把他们关在一个房间里”，共同构建和测试，然后交给真实客户来找问题。

我们过去在麦肯锡常说，技术每投入 1 英镑，流程再设计要投入 3 英镑，变革管理要投入 5 英镑。

Admiral 如何确定路线图优先级

中心辐射模式在这里同样发挥作用。集团为大型项目设定不可妥协的优先级——这些项目风险更高、价值更高、可行性略低，因此中央支持可帮助打通瓶颈。只要具备能力并遵循自上而下的指导原则，辐射端可自主开展自下而上的创新。

团队正在制定的未来路线图，围绕着让客户永远无需重复信息这一目标：无论经历 IVR、语音智能体、人工客服还是不同渠道，每次交接都能传递意图、情绪和脆弱性信号，而不只是传递文字记录。

观看完整活动

Admiral 同步重建了验证标准、组织认同和技术栈，更接近于打造保险业最佳客户体验的目标。

观看完整线上研讨会点击此处。