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）。

在我们最新的网络研讨会智能体幕后：Admiral 如何借助 AI 智能体处理保险电话中，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工作。

Admiral 的北极星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。

要打造一个能迅速结束对话、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：每位客户、每个渠道，以及每个重要时刻的问题，都能当场解决；或者转交给了解客户、上下文及其待解决问题的人工客服。

核心指标是将首次联系解决率提升至 90%。他们还关注服务是否全天候可用、互动是否简洁，以及 NPS 是否显著提升。

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，团队大幅提高了这一指标。

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，与电话是否升级转接分开衡量，因此有意转交人工绝不会被视为失败。

受监管行业中，“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与现有人工服务一样好，甚至更好。

过去存在于资深客服直觉中的边缘案例知识，如今必须针对每个应用场景进行明确测试。

实际操作中，团队也有意划定范围边界。例如，在进一步了解相关场景的边缘案例期间，脆弱客户和欠款客户仍会被转交人工处理。

鉴于大多数保险监管以结果为导向，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，“如何做到”可以灵活处理。

认同不能靠命令获得

受监管机构不会因为被要求就采用 AI。

Dom 在加入 Admiral 前，曾在麦肯锡多年参与变革管理项目。当被问及会如何向如今想推动采用智能体 AI的同行提出建议时，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项工具。

团队在全公司开展演示和培训活动，包括面向集团排名前 50 的领导者，帮助大家了解智能体 AI。ElevenLabs 与 Dom 组织了一天培训，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“真的……很享受这个过程”。

2）从来不只是技术问题

愿景在于改变损益、客户体验和员工体验。

一旦大家对结果达成共识，技术方案自然会明确。Dom 建议不要从技术入手。

3）尽早建立治理机制

从早期就建立合适的接触点、KPI 和数据，能让决策轻松得多。她认为反面做法是依赖直觉，最后做出“非常精美的产物”，却无人使用，也无法推动任何你关心的指标。

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。

他们会先快速跟进，之后再全面推广。并非在一个领域只做一个应用场景——Dom 认为那会极大拖慢进度——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。她只需知道结清金额，这是一个简单的需求。

传统方式下，要获得这个数字，需要通过 IVR，向人工客服验证身份，等待后端系统完成计算和页面加载，然后在收件箱中等待 PDF。一个只有唯一答案的问题，却要经历 5 分钟流程。

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：

• 身份验证作为独立子智能体，在 workflow 开始时、其他步骤执行前运行。
• 守卫子智能体会检查来电者是否符合与AI 智能体交谈的条件——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。
• 智能体会预先预测性地收集答案，并通过 API 驱动流程工作，无需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。
• 是否成功取决于客户是否完成身份验证并获得结清报价，与升级转接分开追踪。
• 通话结束时，反馈智能体会请客户为体验打 1 到 5 分。未升级转接的通话几乎全都获得 4 分和 5 分。

重要原因：节省时间来自 workflow 由 API 而非页面驱动，并不只是用 AI 代替人工回答。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阶段主动设定的限制，而不是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。她打开网站聊天窗口，遇到的是 Ollie Bot——一种老式树状工具（“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，于是没有得到答案便离开了。

这正是 L’Olivier 希望取代的体验。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激发模型，团队也发现这种做法的效果明显更好。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核真实客户对话，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。
• 改动会部署到分支，并逐步分配流量：1%、2%、5%、10%、25%、50%，然后 100%。在进入线上流量前，需经过模拟测试和人工预览。如果数据不支持这项改动，流量会立即降回零，无需回滚。
• 一次完整的分支周期，从开始到结束只需数小时到一天。不再需要为期 2 周的冲刺和为期 2 周的部署。

重要原因：发布周期从数周缩短到数小时本身就很显著，但更重要的洞察是，语言或许不只是本地化细节——它可能改变模型的推理方式。

任何手册都经不起新市场的检验

不同市场在轮流发言的习惯、对打断的容忍度，以及何为正常对话节奏等方面差异很大。

没有万能方案。Dom 认为，有效的做法是让了解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结对，并将这一组合视为部署单元。

不同市场之间，构建工作本身差异不大，采用情况却不同。Dom 认为，这适用于任何 AI 部署，而不仅仅是客户运营。

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，例如欢迎语、定位说明、IVR 提示等。

跨市场的公平对待

在保险业，脆弱客户识别是一项基础要求，必须适用于每个市场、每种语言和每个渠道。

Admiral 采用多路径检测方式。针对脆弱客户，团队有意让成熟的机器学习模型与生成式 AI 并行运行，而非只信任其中之一——因此无论哪个信号先触发，脆弱客户都能在任何阶段被识别，并获得恰当服务。

即使在将案例交给技术处理之前，这一标准也同样适用。在结清报价智能体中，守卫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。

而且由于客户行为难以预测（例如，有人问 Olivia 怎么做洋葱汤），团队将护栏机制与对意外情况的主动标记结合起来，确保始终了解谁在以何种方式与工具互动。

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集中在“中心”，了解市场、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）。第二部分是由工程师、架构师和交付同事组成的技术团队，确保所有构建内容符合标准，并能与现有体系整合。

在 Dom 看来，未来的 AI 工程师较少需要编写代码，更需要了解生成式 AI 的运作方式、合理组织想法，并利用智能体编程完成交付。

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检验。

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、可行性稍低，因此中央支持可以打通瓶颈。只要具备能力并遵循自上而下的指导方针，辐射端便可开展自下而上的创新。

团队正在制定的未来路线图，围绕一个目标展开：无论是在 IVR、语音智能体、人工客服之间，还是跨渠道，客户都无需重复说明情况；意图、情感和脆弱性信号将在每次交接中传递，而不只是传递文字记录。

观看完整内容

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

观看完整网络研讨会点击这里。