AI 行业落地 | 第27期：报表半天变5分钟，货等4小时变90秒

AI行业落地 · 2026-10-28 · 九羲科技

一份季度报表，原来要半天；一车货等确认，原来要 4 小时；一张发票卡在入账前，原来要人逐单翻。这期三个现场的共同点不在模型多聪明，而在同一件事：Agent 吃掉的是等待。

本期三个案例，一个来自中国电信的办公 Agent，一个来自北美物流，一个来自保险服务商的财务流程。数字的出处与成色各不相同，文中一一标明，单方宣称不写成已确认事实。

· · ·

一、季度报表从半天压到 5 分钟：中国电信 TeleAgent

1. 背景：办公 Agent 要从“会说”变成“会干”

中国电信的办公 Agent TeleAgent 由旗下 TeleAI 打造，2026 年世界人工智能大会（WAIC）首发，10 月 9 日在 PT Expo China 2026 上宣布：注册用户突破 150 万，日活超过 20 万。而 6 月中旬，这个数字还是 2.7 万。三个半月翻了 50 多倍——注册量当然不等于留存，但日活 20 万这个数，说明它不只被下载，还被用起来了。

它要解决的，是职场里最磨人的那类活：报表、简报、演示文稿。不是不会做，是每次都要跨好几个系统扒数、清洗、制图，时间碎在搬运上。

2. 方案：拖进去，5 分钟拿成稿

用法出乎意料地轻：把文件拖进工作区，说清目标，Agent 自己跑完执行。背后是三层设计。第一层是底座，中国电信自家的星辰多模态大模型（Xingchen）加“五合一”智能云；第二层是成本账，模型路由器（Model Router）把请求分给最划算的模型，再用上下文压缩压延迟和推理成本——Agent 的账要能算过来，才敢放量用；第三层是编排，核心是“行晓辰”Agent 中枢，做多模态意图识别、任务规划和工具编排，口号是“一次构建、全网复用”。

还有两个进企业的关键设计：技能市场已有 5 万多个技能，其中 99% 由终端用户自己搭出来——用户把自己的活儿沉淀成技能，这是平台真正的存量；私有部署版 8 月中旬推出，模型和数据全留在客户本地环境，这才是进大型企业、进国企的门票。

图：TeleAgent 的最小闭环——拖入文件、模型处理、5 分钟成稿。示意图，非实拍。

3. 效果与成色：两个现场数字，一个要拆开看

第一个现场是一位咨询分析师的季度例行任务：过去要从 5 个系统导出 20 多份报表，再花半天清洗、制图；现在上传原始数据、说清目标，5 分钟拿到带交互图表的成稿。第二个现场在中国电信内部：一个区域销售与渠道单元在大促期间，用它把每日跨系统汇总从数小时压到数分钟，报表分发全自动。

厂商还公布了一组试点与重度用户调研：90% 的人说它已成为日常的一部分，79% 说生产力显著提升，35% 说超出预期，净推荐值（NPS）62.9；IDC 的技术评测里它拿了 6.85 分，排全国前三，成本、安全、任务表现都高于行业基准。安全一侧也有具体数字：感知、推理、执行、记忆四层防御环，文件访问走轻量沙箱隔离，通过了中国信通院（CAICT）认证，在奇安信等厂商的 336 个威胁评测场景里通过了 99.7%。

“TeleAgent marks the shift of AI from understanding what is said to getting things done.”
—— 中国电信执行董事、总裁兼首席运营官刘桂清，PT Expo China 2026

成色要说清楚：以上全部来自厂商经 Media OutReach Newswire 发布的官方通稿，不是第三方审计；调研对象是试点与重度用户，天然偏向用得顺手的人；150 万是注册量，日活 20 万才是更实在的刻度。值得抄走的方法点是：先给 Agent 一个能交差的最小闭环——拖入文件就能出成稿，用户不用学新流程，Agent 先在一个点上证明自己，再谈铺开。

· · ·

二、货等确认从 4 小时压到 90 秒：C.H. Robinson 的分工 Agent

1. 背景：一年 3700 万单，确认卡在邮件里

北美物流公司 C.H. Robinson 一年处理约 3700 万单货运。报价、接单、预约这些活，原来大量靠人翻邮件：客户发来需求，等人看到、回过去，装载确认最长要等 4 小时。等的不是算力，是人手。

2. 方案：不造一个全能 Agent，造一支分工小队

它的打法和 TeleAgent 正好互补：不是一个 Agent 包揽一切，而是多个专用 Agent 各干一类活——一个管报价，一个管订单处理，一个管预约，串起来成流水线。生成式 AI 读邮件、处理单据、推进状态，异常再交给人。这种切法的好处是每一步都有明确的成功标准：报价出没出、订单进没进、预约约没约上，不用含糊地谈“智能程度”。

图：C.H. Robinson 的分工 Agent——报价、订单、预约各干一类活。示意图，非实拍。

3. 效果与成色：90 秒是真的，30% 要拆开看

公司披露的量级是：生成式 AI Agent 累计完成 300 多万项货运任务，其中报价 100 多万次、订单处理 100 多万次；5200 多家客户的装载确认缩短到 90 秒以内。公司还表示，生成式 AI 对 2023 至 2024 年生产力提升 30% 起了关键作用。首席战略与创新官 Arun Rajan 的一句话值得记：“那是 300 万件我们的人不用再做的手工任务。”

成色同样要拆：90 秒与任务量是公司披露的运营数字，可信度相对高；但“生产力提升 30%”是公司口径的综合结果，生成式 AI 只是“起了关键作用”的因素之一，不能全算到 Agent 头上；具体模型与系统细节没有公开。值得抄走的方法点是：按任务切分 Agent，一个 Agent 只对一类活负责，串起来才成流水线；以及，物流 Agent 的价值锚点首先是响应时效——它的对手不是别的 AI，是“等邮件的人”。

· · ·

三、发票不推倒重来，异常在入账前拦住：Asurion

1. 背景：卡住的不是发票，是异常

保险科技服务商 Asurion 的财务流程里，真正耗人的不是录入发票，而是异常：信息对不上、规则过不了，单子卡在入账前，等人逐单处理。流程本身没问题，瓶颈只在异常那一环。

2. 方案：Agent 嵌进老流程，只改瓶颈点

它的做法是把一个 Copilot Studio Agent 嵌进已有的发票捕获流程，不换系统、不重搭流程，只让 Agent 在记录进入财务之前处理异常。先在南北美供应商范围跑通，看到结果再扩。这个顺序很关键：Agent 的第一次胜利发生在现有流程里，而不是等新系统上线。

图：Asurion 的做法——原有流程不动，异常 Agent 在过账前拦截。示意图，非实拍。

3. 效果与成色：70% 是真的，基线不能直接比

2026 年 10 月的案例研究披露：上线首周，无触处理率就超过 55%，随后在南北美范围超过 70%。但有两个口径要讲明白：早期的“低于 20%”基线只涉及两个供应商，不是同一批供应商的对比，不能直接算成“从 20% 涨到 70%”；85% 以上目前还是未来目标，不是已达成。值得抄走的方法点是：改一个瓶颈点，不换系统——Agent 落地最稳的起点，是老流程里最疼的那一环，而不是一张新架构图。

· · ·

· · ·