AI 行业落地 | 第19期：150万用户、3倍部署、3365单自结

AI行业落地 · 2026-10-25 · 九羲科技

一份季报，过去要从5个系统里导出20多张报表，清洗、制图，耗掉半天；现在上传原始数据、说清分析维度，5分钟拿到带图的完整报告。这不是某个演示视频里的流程，是中国电信办公智能体用户讲出来的日常。

这一期三个案例，行业各不相同，问的却是同一个问题：智能体进了生产，到底靠什么站住脚？办公场景靠规模与私有部署，数据层靠先把一百个数据源理成一张可复用的网，保险客服靠把政策、审批与审计钉进每一次自动结案里。数字的出处各不相同，读的时候分开看：厂商公告、委托研究、厂商案例页，成色不一样。

· · ·

办公智能体：150万用户背后，数据没出门

1. 背景：办公的活儿碎，系统又多

中国电信的办公智能体TeleAgent（星辰超级智能体），2026年世界人工智能大会上亮相，面向个人、中小企业与央国企。它的对手不是某一个模型，而是办公现场的老样子：一份报告散在好几个系统里，写周报、做PPT、汇总台账，每一步都要人手动搬运。

2. 方案：自家模型加技能广场，私有部署是一条单独的线

底座是中国电信自研的星辰全模态大模型，配“算力、平台、数据、模型、应用”五位一体的智能云；调用端用自研模型路由按需匹配模型，再用上下文压缩压低延迟与成本。技能广场汇聚5万多个技能，其中99%由用户自己创建——周报、PPT、表格、代码调试、合同风控、行业调研，都是用户在真实办公里长出来的用法。企业版支持多端协同与场景定制；2026年8月中旬又单独推了私有部署版，模型与数据留在客户本地环境里，不出域。安全一侧是感知、推理、执行、记忆四层防护加轻量沙盒，限定文件访问范围，并通过了中国信通院的安全测试。

示意图：用户需求—技能—系统—成稿的链路。本报绘制，非信源实拍。

3. 效果：注册量陡峭爬升，单点效率有具体例子

2026年10月9日，中国电信在北京国际信息通信展上宣布：TeleAgent注册用户突破150万，日活超过20万，而6月中旬注册用户才2.7万。¹这个数字是厂商在展会上的宣布，未见独立审计，读成“规模信号”比读成“效果证明”更稳。同一份公告里的用户调查说，90%的受访试点与重度用户认为它已成为日常工作的一部分，79%提到生产力明显提升，净推荐值62.9——同样是厂商调查口径。中国电信内部一个区域销售与渠道单元，在大型营销活动期间把每天跨系统汇总从几小时压到几分钟，报表分发全自动。咨询分析师那个“半天变5分钟”的例子，讲的也是一回事：省下来的不是模型推理时间，是跨系统搬运与清洗的时间。

放在这个背景里看，值得留意的是两条线并行：SaaS跑规模，私有部署守数据。对数据出不了门的客户来说，后一条线才是能不能进门的条件。

· · ·

数据层：Agent快3倍，先理数据再谈智能

1. 背景：Agent一多，数据接口先乱

Denodo的判断很直接：企业从试点走向成百上千个智能体时，卡住的往往不是模型，而是“能不能稳定拿到活的、口径一致的、有权限控制的数据”。没有统一层，每个Agent都要为每个数据源单独建连接、单独写安全控制，金融、电信、化工、物流这些系统多的行业尤其明显，一个生产Agent可能要碰30到50个系统。

2. 方案：数据只画像一次，各处复用同一份产品

Denodo的AI数据层（AI Data Layer）是一层逻辑数据层：数据不动地方，画像一次，做成有治理的数据产品，供所有有权限的Agent复用；查询直接下推到数据层，先过滤再喂给模型；权限与语义集中管，不再为每个Agent重复搭一套MCP服务器、检索管线与安全控制。换句话说，Agent变多时，新增的不是接口数量，而是复用次数。

示意图：分散数据源—统一数据层—多个Agent。本报绘制，非信源实拍。

3. 效果：委托研究的复合模型，数字要按模型读

2026年10月20日，Denodo公布了研究机构Veqtor8做的《Agentic AI的AI数据层ROI》：按受访企业的平均规模建复合模型，第一年100个Agent、第三年900个Agent、横跨100个数据源，三年算下来投资回报290%，Agent上线速度快3倍，AI运行成本降68%，单任务上下文从约18000个token压到约5760个，集成与治理成本省75%以上。²成色要说清楚：这是Denodo委托的独立研究、基于访谈建的复合财务模型，不是某一家客户经审计的实测账本。能确认的是研究方法与访谈对象范围，不能把290%直接当成自家项目的承诺数。真正可借鉴的是那句判断：Agent的能力上限，常常就是它能合规触达的数据上限。

· · ·

保险客服：3365单，Agent自己结案

1. 背景：保险客服的单子，难在既要快又要合规

沙特保险公司Malath Insurance的客服现场，账单争议、理赔咨询、订阅变更、退款请求混在一起，传统聊天机器人答完一轮还是要转人工，工单平均要经过5到7次交接、24到48小时才结案。Lucidya的Agent瞄准的不是“答得像人”，而是“案子能不能直接结掉”。

2. 方案：先定政策边界，再放手自动执行

Lucidya Agent直接连CRM、工单、账单等系统，读数据、写回更新、触发退款与订阅变更，不用在系统之间手动同步。所有动作先过政策引擎：按业务规则判，超阈值的走审批流，角色权限限定它能动什么，全程留审计轨迹，超出设定范围就转人工，还有一键暂停的开关。实施分三段：第1到4周做意图梳理、数据审计、CRM与ERP接口接入与政策配置；第5到8周先上2到3个意图、带人工监督跑起来；之后再扩意图、逐步松开审批。部署分SaaS、本地、私有云混合三种，客服语言覆盖阿拉伯语与英语，阿拉伯语方言支持17种，这一点在中东市场不是点缀，是能不能听懂客户的前提。

示意图：客户请求—政策引擎—业务系统—结案或转人工。本报绘制，非信源实拍。

3. 效果：五个月的案子数与工时数，来自厂商页面

Lucidya自己页面披露的Malath数据：2025年8月到12月，Agent自主结案3365单，省下约6000个坐席工时，上线第一个月估算投资回报约7倍。³“估算”两个字是原文自带的，厂商页面也没有给出独立审计，跨项目推广时还要看另外两个厂商口径：全部项目18个月内3到8倍回报、服务成本降40%到60%、高频标准化意图的自主解决率最高可达93%。这些数放在一起，意思不是“装上就回本”，而是“意图越标准、量越大，Agent的账越算得过来”。对九羲的客户来说，挑意图的标准，恐怕比挑模型更先动手。

重做加深：三案再拆一层

TeleAgent：机制在路由与压缩的取舍里

模型路由按任务分流、上下文压缩压成本，这一步省的是调用与等待，不是判断。判断仍在技能与数据源头：5万多个技能里99%由用户创建，数量上去了，接下来要回答的是谁来审技能、旧技能何时下线、两个技能算出不同数时以谁为准。没有这套审校，技能广场越热闹，出错的面就越大。可抄走的方法点：先把一个高频跨系统任务写成三件套——输入字段、口径定义、输出格式，再把它放进技能库；没有三件套的技能，先不上生产。

数字再看一格：6月中旬2.7万注册，到10月9日150万，日活超过20万。日活占注册约13%，注册爬升里有多少是展会与渠道带来的新增，多少是留存下来的日常用户，公告没有拆开。私有部署版是8月中旬单独推出的一条线，它的客户数、价格与运维成本也没有随注册数一起公布，所以150万读成规模信号可以，读成企业采购规模就不稳。

Denodo：快3倍的前提是口径先统一

数据层的做法分三步：数据留在原处不动；画像一次，做成带权限与语义的数据产品；查询先在数据层过滤，再把结果喂给模型。单任务上下文从约18000个token压到约5760个，降幅约68%，这与文中AI运行成本降68%对得上，说明成本下降主要来自少喂无用上下文，而不是模型本身变便宜。可抄走的方法点：建Agent之前先做一张口径表，每一列写清来源系统、负责人、刷新频率、权限范围；口径表没签字，Agent先不接生产数据。

成色要再钉一句：290%回报、快3倍、省75%以上，来自Denodo委托Veqtor8按受访企业平均规模建的复合模型，第一年100个Agent、第三年900个Agent、横跨100个数据源。模型里的工时单价、折现与基线成本没有公开，算出来的数只能用来问问题，不能直接写进自家立项书。问厂商时，先要模型输入表，再在自家跑一个小规模对照。

Malath：自结的另一面是错单谁来兜底

政策引擎、审批流、角色权限、审计轨迹、一键暂停，这五件套合起来才是一套控制面：不是让Agent少犯错，而是让错单停得下来、查得到、能回滚。实施分三段——先梳理意图与数据，再上2到3个意图带监督跑，之后才扩意图、松审批——这个顺序本身就是方法点：先收窄意图，再谈放量。可抄走的方法点：上线前先定三条线，单笔金额阈值、自动退款上限、转人工触发条件，写进配置而不是写进口头承诺。

数字也要换算一下再读：2025年8月到12月自主结案3365单，省下约6000个坐席工时，平均每单约1.8小时。原文又说旧流程要经过5到7次交接、24到48小时才结案，那是流转时长，不是人工工时，两者不能直接相减。厂商页面没有公布错结率、退款纠错率与转人工比例，这些才是自结能不能放量的关键数。下一步值得盯的，是阿拉伯语17种方言里哪些意图最容易误读，以及错单出现后暂停开关实际被按下过几次。

言外之物：看不见的成本从明处移到了暗处

三案表面上省的是搬运、接口与交接，暗处新长出来的却是治理活：技能谁来审、口径谁来定、政策谁来改、错单谁来兜底。厂商公告喜欢把前者算成钱，把后者留在括号之外。结构上看，Agent进生产不是把人换掉，而是把原来散在各人身上的判断，收进一张口径表、一套政策引擎、一个审批清单里。谁拥有这张表与这套规则，谁才真正拥有这个Agent。下一步的观察点很具体：TeleAgent的私有部署有没有可核查的企业客户名单，Denodo的复合模型能不能给出输入假设，Malath的自结率在扩意图之后有没有回落。数字会讲故事，治理结构才会决定故事能不能讲下去。

【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。

· · ·