以鱼跃医疗数智化转型实践为例——看透AI Agent在用户服务中的应用难点与破局之道

 

本文共 2688 字

预计阅读时间 7 分钟

 

 

01.

AIAgent浪潮下，客户服务行业的机遇与挑战

 

全球客户服务行业正经历从“数字化”向“数智化”的跃迁。据IDC预测，2025年80%的客服交互将由AI驱动，而核心载体正是具备自主决策能力的AI Agent。

 

不过当前主流AI平台能力呈现出了差异化技术路径，各个传统型、制造型企业在面临AI大模型基座的选择上也需要平衡与自身业务特点的适配性。

 

例如：

 

①DeepSeek：强逻辑推理与长文本处理，适合复杂知识库构建的技术知识文档解析、多轮合规咨询等；

 

②ChatGPT：自然语言生成能力突出，对话流畅度高，在生成个性化服务报告、情感化响应中更擅长；

 

③蚂蚁数科Agentar：适合金融行业场景，以及沉淀出高合规要求的场景。

 

这些大模型特点支撑了Agent应用中的基本素质，然而，技术能力≠业务价值，制造型企业应用AI Agent实现业务价值转化中，一般面临着三个问题：

 

①能力断层：通用模型缺乏行业知识（如医疗设备故障代码、产品保修政策），需企业级知识库进行定制，大多数的制造企业在知识内容中的沉淀并非系统化、统一化、结构化，从而无法支持Agent应用中的输出质量；

 

②场景错配：过度追求“全自动化/智能化”而忽视人机协同的断点设计，导致复杂问题转接失效、处理链路增加，造成用户的服务体验损伤；

 

③数据孤岛：客服数据与软硬件产研侧的系统割裂，导致Agent决策缺乏全局视角，无法从单点问题的视角转为问题全局视角去处理。

 

早前国内某车企，在车主服务过程中部署ChatGPT客服后，常规咨询解决率提升至85%，但涉及车辆硬件故障时因未连接车联网数据，导致Agent对于问题类型的误判率从3%增至30%，这个案例中，Agent能力并没有真正在全局视角解决问题，只改变了问题发生的环节，此外，案例中对于Agent的应用边界存在设计流程中的疏忽，背后是对于Agent和人工之间的服务标准界定不清晰。

 

鱼跃在全面AI化的过程里，在面临这些问题前选择了“人机协同”的方向作为核心破局点。

 

02.

人机协同的三大难点与鱼跃医疗的闭环解法

 

难点1：任务切割模糊——AI与人工职责重叠或真空

 

传统模式中，AI处理简单查询后直接转人工，但未定义“何时转”“如何接”。

 

鱼跃通过用户服务数据与服务设计的能力，结合用户意图和用户体验制定人机协同标准和动态分级机制。

 

动态分级机制：会话分析Agent实时评估用户意图（例如情绪波动、意图频次等）将任务划分为：

 

①纯AI层：标准化查询（例如订单状态、保修期限） 由机器人Agent自动响应；

 

②人机共创层：技术故障诊断，由Agent提供备选方案，人工确认执行路径；

 

③纯人工层：软硬件投诉，自动触发应急流程并通知相关重要业务角色；

 

④辅助人工Agent：服务全链路工具内嵌入AI助手，实时推荐话术、调取维修记录、智能创建CASE等。

 

难点2：数据流动僵化——VOC（用户之声）未能驱动企业内部迭代

 

多数企业仅用VOC做服务评分，鱼跃则构建用户之声双向数据闭环：

 

 

正向循环：客服对话经会话分析Agent提取分析（如“血氧仪充电失败”），生成产品缺陷热力图，推动软件团队升级固件，硬件团队改进电池模块设计。

 

反向验证：新设备运行数据回传至服务数据平台，Agent预判用户可能发起的问题（如血氧仪报错），客服主动发起与用户的沟通服务。

 

难点3：实时感知缺失——Agent响应脱离用户情境

 

传统客服需用户反复自证身份/问题，鱼跃引入基于多系统与多层数据联动框架解决：

 

①页面感知：嵌入Agent至用户关键行为页面，捕捉用户行为数据，预测服务需求（如在血氧仪使用指导页面）；

 

②业务流感知：多系统联动，当用户咨询订单时，自动关联物流状态与开票进度；

 

③记忆感知：历史服务记录（如3个月前维修工单）成为新对话上下文。

 

这三点应用对比试验显示，情境感知使用户与客服的对话轮次从3.4轮降至1.2轮，减少用户与客服侧的问题沟通成本。

 

03.

组织进化：传统半制造业AI落地的隐性战场

 

技术易得，组织适配性是转型成功的天花板，为此企业在AI渗透的过程中，优先引入从技术到运营的AI型人才，AI运营人才从企业业务的实际场景中来洞察问题、制定方案、推动技术来支持企业的转型落地。

 

在组织的场景内，鱼跃在AI转型的过程中实施了“三步渗透法”：

 

①人才梯队重构——从“技术真空”到“AI混合编队”

 

补充服务领域的Agent运营关键人才，如：

 

AI训练师：将专业术语转化为Agent可理解的指令集，例如“血氧饱和度异常”=SpO₂<92%+报警历史等，以此来提升Agent应用中的实际解决效率以及数据的高保真和有效性；

 

AI服务设计师：基于用户旅程和服务设计基础，重构人机协作的服务SOP，例如人工接管后AI自动生成会话摘要，摘要在服务后的质量监测、用户画像的补充等。

 

企业贯彻全员认知和意识：

 

非技术部门学习“AI能力边界”，明确人和机的做功范围和协同关键点；

 

关键人才考核纳入“AI驱动采纳率”，驱动业务部门反馈数据，再对AI进行数据训练，助力数据价值闭环。

 

②场景优先级博弈——谨慎“全盘AI化”

 

我们很认同当前需要用AI的能力把所有业务再做一遍，但对于大部分企业来说，重做一遍是小步快跑还是全盘推翻，从头再来？很显然，小步快跑是对于企业打开AI渗透的最稳定的方式，鱼跃在这个问题上也选择了累积小成功，顺势大成功的路径，通过价值和可行性矩阵筛选打开的重构的业务模块。

③新旧系统融合——Agent与老系统的兼容

 

企业内部的SAP/CRM/ERP等系统，将成为AI转型的能力中间层，绝大多数的Agent在调用能力时，需要在已有系统中利用API网关进行联系交互，保障Agent在前台的应用效果，在这个过程中，需要将老旧的数据格式转化为Agent可读结构，并且明确出Agent的协议规则，来统一内部多方多系统之间的信息调用质量。

 

04.

展望与结语

 

传统制造业的AI应用渗透，需以业务痛点为针、数据闭环为线、组织进变为布，方能织就用户服务的未来图景。未来2年，我相信各家企业会持续在多Agent协作、生成式服务的创新、产业链生态开放的方向中前行。

 

对于服务而言，Agent能提供人机协同的本质是服务灵魂的延续，Agent不是替代人工，而是扩展服务能力的边界。

 

在鱼跃的实践中，最具价值的不是咨询服务的快速解决或成本节省，而是当一位乡村家庭医生深夜咨询呼吸机警报时，AI在10秒内推送故障排除视频，并同步通知工程师待命，展露AI技术对人的温度。