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，包括英国、意大利、法国和西班牙。

在最新一期网络研讨会 《Behind the Agent：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 分享了团队如何构建 AI 层来处理如此庞大的业务量，包括架构、测试标准和背后的组织建设。

Admiral 的核心目标是打造保险行业最值得信赖的客户体验。

Admiral 希望打造一种不同类型的客户体验。

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。

他们的最终目标是，让每位客户在每个渠道、每个重要时刻都能当场解决问题；若需转人工，也要由了解客户、上下文和待解决问题的人员接手。

核心指标是将首次联系解决率提升至 90%，同时提供 24/7 服务、简洁的互动体验，以及显著更高的 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速度更快，团队大幅提升了这一指标。

但解决问题才是核心。Admiral 将客户是否真正获得来电所需结果作为独立指标，与通话是否升级分开统计，因此有意转接人工绝不会被算作失败。

监管行业中，“做好”应达到什么标准

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当前人工服务水平，或比人工更好。

我们希望提高验证标准，但不会降低合规标准。

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进行明确测试。

在实际操作中，团队也有意设定了范围边界。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由人工处理。

鉴于大多数保险监管以结果为导向，Dom 的看法很务实：只要客户和企业获得完全符合预期的结果，具体做法可以灵活调整。

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 前曾在麦肯锡负责多年变革管理项目。当被问及会如何建议如今推动智能体 AI 的同行时，她分享了源自那套方法论的 3 条原则。

1）人们会支持自己参与构建的东西

面对质疑，Admiral 的做法是直接让质疑者使用这个工具。

团队在整个组织内开展演示和培训，包括面向集团前 50 位领导者，帮助大家了解智能体 AI。ElevenLabs 和 Dom 举办了一天培训，领导团队，包括集团 CEO Milena Mondini de Focatiis，亲手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 P&L 变化、客户体验变化和员工体验变化。

当大家对结果达成一致后，技术方案自然会找到。Dom 建议不要从技术出发。

3）尽早建立治理机制

从早期就设置合适的沟通节点、KPI 和数据，能让决策轻松得多。她认为，反面做法是依赖直觉，最后做出“非常精美的成果”，却无人使用，也没有推动任何在意的指标。

推广模式同样重要。Admiral 的方法是选择集团中的一个部门，围绕一个主题进行深入试验，再将经验复制到其他地方。

他们会先快速跟进，再全面推广。不是在一个领域只做一个应用场景——Dom 认为这会大幅拖慢进度——而是有意识地避免把同一个轮子重复造 10 次。

演示 1：结清报价（Admiral Money）

场景：一位客户想提前还清贷款。她只需知道结清金额，这是一个很简单的需求。

过去，要获得这个金额，客户需要通过 IVR、由人工客服验证身份、等待后台系统计算和页面加载，然后在收件箱中等待 PDF。一个只有单一答案的问题，却要经历 5 分钟的流程。

Admiral 生成式 AI 集团负责人 Dan Clark 介绍了团队构建的方案。

演示内容：

• 身份验证在 workflow 开始时由独立子智能体执行，其他步骤均在此之后进行
• 哨兵子智能体会检查来电者是否符合与 AI 智能体沟通的条件。脆弱客户和欠款客户会被转入人工优先队列，团队则继续了解更多边缘案例。
• 智能体会提前预测性地收集答案，并通过 API 驱动，而非等待旧系统页面加载。同样的流程，人工约需 5 分钟，智能体约需 2 分半钟
• 成功以客户是否完成身份验证并获得结清报价为目标衡量，与升级转接分开统计
• 通话结束时，反馈智能体会请客户从 1 到 5 分评价体验。未升级的通话几乎全部获得 4 分或 5 分

重要原因：节省时间的关键在于 workflow 由 API 驱动而非页面驱动，并不只是由 AI 代替人工回答。用 Dan 的话说，这主要是为了缩短通话时间，从而改善客户体验。目前的升级转接反映的是团队在学习过程中特意设定的限制，而非智能体无法提供帮助。

演示 2：Olivia（L’Olivier）

场景：一位法国客户对保单有疑问。她在网站打开聊天窗口，遇到的是 Ollie Bot——一款老式树状工具（“按 A 处理这个，按 B 处理那个”）。她的问题既不是选项 A，也不是选项 B，于是没有得到答案便离开了。

这正是 L’Olivier 想要替代的体验。团队基于 ElevenLabs 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，而非从英语翻译而来。Dan 引用了相关研究：使用客户的语言编写提示词会以不同方式激发模型，团队也发现这种方式的效果明显更好。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，发现缺口后进行修复。有些情况下，修复通常在 1 到 2 小时内就会反映到线上智能体中
• 变更会在分支上部署，并逐步分配流量：1%，2%，5%，10%，25%、50%，然后 100%。在任何变更进入线上流量前，都会进行模拟测试和人工预览。如果数据不支持这项变更，流量会立即降至零，无需回滚。
• 完整的分支周期从开始到结束只需数小时到 1 天。不再需要 2 周冲刺和 2 周部署

重要原因：发布周期从数周缩短至数小时本身就很突出，但更重要的发现是，语言可能不只是本地化细节，还可能改变模型的推理方式。

没有任何方法论能原封不动适用于新市场

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

没有万能解法。Dom 认为，有效的方法是让了解提示词和架构的工程师，与能够提供市场背景的当地业务负责人配对，并将这种配对作为部署单元。

不同市场的构建工作本身差别不大，采用情况却不同。Dom 认为，这适用于任何 AI 部署，并不局限于客户运营。

如果客户不信任、不理解它，他们会在对话开始的第 2 秒立刻说：“请转接人工客服。”

因此，团队预计会花更多时间在客户教育上，例如欢迎语、定位和 IVR 提示等，而不是底层模型。

跨市场的公平服务

在保险行业，脆弱性检测是一项基础能力，必须在所有市场、语言和渠道中保持一致。

Admiral 采用多种途径进行检测。对于脆弱性，团队有意让成熟的机器学习模型与生成式 AI 协同运行，而非只依赖其中一种。这样，无论哪个信号先触发，都能在任何阶段识别脆弱客户，并以正确方式提供服务。

即使在技术尚未被信任可处理此类案件前，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将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置的边界。

由于客户的提问难以预测，例如有人问 Olivia 如何做洋葱汤，团队会结合防护措施与对意外情况的主动标记，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”，熟悉市场、客户和员工的本地专家则分布在“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，确保所有构建内容符合标准，并与现有系统整合。

在 Dom 看来，未来的 AI 工程师会更少专注于写代码，更多专注于理解生成式 AI 的运作方式、正确组织想法，并借助智能体编程完成交付。

核心团队之外，流程专家和业务负责人会与产品及技术人才组成小型团队。用她的话说，就是“把他们关在同一个房间里”，一起构建和测试，然后交给真实客户来检验。

我们在麦肯锡时常说，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协商的优先级：这些项目风险更高、价值更高、可行性略低，因此需要中央支持来打通瓶颈。只要具备能力并遵循自上而下的指导原则，辐射端就有空间开展自下而上的创新。

团队正在构建的未来路线图围绕一个目标：无论客户经历 IVR、语音智能体、人工客服还是不同渠道，都无需重复说明。每次转接都应传递意图、情绪和脆弱性信号，而不仅仅是对话记录。

观看完整内容

Admiral 同时重建了验证标准、组织认同和技术栈，以更接近打造保险行业最佳客户体验的目标。

观看完整网络研讨会点击这里。