AI 行业落地 | 第18期：放款审单3分钟，HR问答94%自解

AI行业落地 · 2026-10-25 · 九羲科技

一个贷款管理员每周要翻几百页文件：发票、留置权弃权书、验房报告、预算表。另一边，一家大公司的员工问一句“年假还剩几天”，背后也是一套流程。这一期两个案例，都没有先换系统，而是先让智能体在旧系统外面长出一层会干活的外骨骼。

建筑贷款的审单从几天压到平均3分钟，IBM内部的人力问答94%不再转人工。数字都来自当事方自己的披露，读的时候把“厂商说法”和“第三方核实”分开看，结论会更稳。

· · ·

建筑贷款审单：从几天到3分钟，先审计再放手

1. 背景：审单不是缺人，是缺“每张单都查到底”的精力

Built Technologies做建筑贷款平台，贷款管理员审一笔放款（draw），要把一叠文件对上预算：发票金额对不对、留置权弃权书有没有覆盖这笔款、验房报告支不支持宣称的完工比例。以前靠资深管理员一页页看，一笔单子常常要30到45分钟，复杂单子拖上几天，资金就卡在路上。

2. 方案：政策驱动的智能体，包在现有系统外面

Built和MightyBot做的Draw Agent（放款审单智能体）没有重构平台，而是用AI外骨骼（AI exoskeleton）包住现有系统：智能体通过现有接口读文件、写回结果，核心业务逻辑还留在原后端。贷款方用自然语言写清自己的放款政策，智能体按政策逐条执行：抽取文档、按预算行核对、跑合规检查，异常才推给人工。

示意图：文档—政策核对—人工处理异常。本报绘制，非信源实拍。

上线分三步走，不是一步放权：先是审计模式，智能体全量跑、每一步都给人看；再是辅助模式，常规单子自动过、异常单子带证据推给资深管理员；只有准确率在生产数据上站住了，合规单子才进全自动。业务专家每天录短视频反馈真实单子，工程师当天看、隔夜修，这个节奏把最初80%的准确率目标一路推了上去。

3. 效果：快，更重要的是查到了人没查到的东西

2025年7月到10月设计伙伴的数据，厂商披露口径：3家客户上线生产，1家对合规单子已全自动；单笔审单平均3分钟，耗时降约95%；生产准确率99%以上；有的单子放款周期缩短30%到60%。还有一句值得单独拎出来：智能体在已经批过的单子里翻出了人没发现的问题，比如第5页小字里缺了抵押权条款的 builder's risk 保单、地址差一个字母的许可证、跨发票重复的行项。人不是不认真，是几百页的活儿不可能每行都查到底。

“The agent doesn't get tired, doesn't miss the fine print, and checks everything, every time.”
—— Built Technologies，MightyBot案例文

分清一点：95%、99%以上、3分钟这些数都是Built与MightyBot自述的生产数据，未见独立第三方审计。能确认的事实是：这个产品确实进了3家客户的生产环境，分阶段上线的方法写得很具体，值得学的是方法，不是把数字直接抄进自己的报价单。

· · ·

IBM内部HR：94%的常见问题不再进工单

1. 背景：内部服务台是智能体最友好的第一站

IBM自己的AskHR（内部人力智能体）跑在watsonx Orchestrate（IBM的智能体编排平台）上，管的是员工最常问的那类事：开证明信、请年假、查工资条，经理侧还有调薪、组织调整这类流程。一共约80个自动化任务，数据是自己家的，错了的代价也低——这是内部服务台适合先上的原因。

2. 方案：先分类分流，再触发任务

流程不复杂，难在接得全：大模型先把员工一句话分类，分流到福利、薪酬、职业与技能等人力域，再触发对应任务或直接给答复。员工不用先学会找哪个系统，问一句，剩下的由智能体去串。IBM的说法是转向“混合自动化”：常规支持零触达，真正需要人的地方，人还在。

示意图：提问—分流—触发任务或答复。本报绘制，非信源实拍。

3. 效果：工单少了，人没有简单消失

IBM官方案例页披露：常见问题 containment 率94%，即94%的常见问答在智能体内解决；支持工单自2016年以来降75%；2024年一年员工交互超1150万次；过去四年人力团队运营成本降40%，2022到2024年间部分领域任务生产率最高提升约75%。这些是IBM官方披露，不是第三方审计。

另一面也要摆出来：IBM首席执行官曾公开说，自动化掉几百个人力岗位后，公司总雇佣人数反而上升了，因为省下来的精力投向了工程师、市场和销售这类更需要面对人的岗位。智能体吃掉的是重复问答，不是“人”这个整体。对九羲的客户讲这个案例，落点不该是“裁掉服务台”，而是“把人从重复问答里捞出来，去干需要判断和关系的活”。

重做加深：两案再拆一层

Draw Agent：政策写成文字，才是真正的接口

机制可以再拆细一点：文档抽取只是第一步，关键在政策执行链——自然语言政策先变成可逐条核对的检查项，每项留出证据出处，异常按动作归组推给人工，而不是把一堆告警倒给人。外骨骼的含义也在这里：核心业务逻辑留在原后端，Agent只走现有接口读与写，回滚与权限仍由原系统兜底，换系统之前先换工作方式。可抄走的方法点：上线前先列一张放权清单，写清哪类单子可以全自动、哪类必须带证据转人工、准确率跌到多少就自动降回辅助模式；没有这张清单，审计、辅助、全自动三步就只是口号。

数字成色再钉一格：2025年7月到10月设计伙伴的数据，3家客户上线生产、1家对合规单子全自动，平均3分钟、耗时降约95%、生产准确率99%以上、放款周期缩短30%到60%。这些是Built与MightyBot自述，未见独立审计，而且“有的单子”缩短30%到60%，不是全部单子的平均数。原文还说最初目标是80%准确率，后来做到99%以上——这个跨度恰恰说明，基线定低、生产数据反复打磨，比一开始就报高数更可信。下一步要问的，是99%以上的分母里包不包括异常单子，以及已批单子里翻出来的漏项，有多少改写了放款结果。

AskHR：94%自解，剩下6%才是成本所在

机制的关键不在分类本身，而在分类之后的数据边界：员工一句话先分流到福利、薪酬、职业与技能等人力域，再触发对应任务或直接答复，约80个自动化任务串起来的是一套内部权限与数据口径。内部服务台之所以适合先上，是因为数据是自己家的、错了的代价低、问题重复度高。可抄走的方法点：先按问题频率与出错代价画一张二维表，只把高频低风险的问题放进自解，低频高风险的调薪、组织调整先留在人工复核里；自解率每提高一档，都要先看转人工的等待时长有没有跟着变长。

数字也要分时间口径读：常见问题自解率94%，支持工单自2016年以来降75%，2024年员工交互超1150万次，过去四年人力团队运营成本降40%，2022到2024年间部分领域任务生产率最高提升约75%。这些数跨越的年份不同，75%工单下降是十年量级的累计，94%是常见问题的当期口径，两者不能直接拼成一条因果链。IBM官方案例页本身也注明，结果会随客户配置而变化。另一面值得保留：自动化掉几百个人力岗位后总雇佣人数反而上升，说明省下来的人力被投向了工程师、市场与销售——这不是“人被换掉”，而是组织把人力从重复问答挪向了需要判断与关系的岗位。

言外之物：放权不是技术动作，是信任分配

两案共同的结构，是把原来由资深员工凭经验兜底的判断，拆成三样看得见的东西：写下来的政策、留证据的流程、可降级的放权台阶。没有这三样，Agent越快，组织越不敢用；有了这三样，慢一点反而走得远。未言明的约束也在这里：贷款方敢不敢把自己的放款政策写成文字、交给外部平台执行；大公司敢不敢让内部问答先过模型，再进人事系统。动机同样不在纸面上：Built要的是在不推倒客户系统的前提下卖进银行，IBM要的是用自家平台先在自家身上跑通，再对外讲故事。下一步的观察点，是Draw Agent的下一批客户里全自动比例会不会继续上升，以及AskHR在94%之外，那6%转人工的问题有没有出现新的排队与投诉。放权台阶的终点，从来不是全自动，而是组织敢在什么条件下停下来。

【2026-10-26重做注】本节为按新写作标准追加的加深段落，标题、摘要、分类与发布日期未改；原有正文与引用链接未动。

· · ·