AI 行业落地 | 第33期：工厂一万个智能体，医疗电话不再排队

AI行业落地 · 2026-10-30 · 九羲科技

早间版写了三个故事：智能体走出问答框，钻进企业真正的系统，才发现考验它的不是聪明，而是系统之间那些没写进文档的规矩。

午间这篇接上这个话题。只不过地点换了——一个在 TCL 华星的面板产线，一个在美国一家医疗服务公司的电话机房。跑的路子不一样，算账的方式却惊人地像：都先找边界清晰、反馈极快的活开刀，都把"人在回路"钉在关键位置，都不打算替换现有系统。

· · ·

小模型干现场：TCL华星的一万个智能体

1. 背景：面板工艺按微米计，人工检查赶不上

面板产线上的工艺波动，是以微米计的。一两微米的偏差，产品表现就可能不对。而发现异常，过去靠的是人工班次检查——一个班 12 小时，异常可能在七八个小时后才被发现，等暴露的时候，已经攒成了一批异常货。

这是 TCL 华星推 AI 巡检的起因。项目推动人、数字化转型中心中心长佘必海，把账算得很具体：过去华星某工厂一年小异常事件有 400 多起，现在只剩几十起，少了接近一个数量级。LCD 良率部分产线已经突破 98%，行业平均是 95%—96%，他们现在冲刺的目标是 99%。

2. 方案：两万小模型、一万多智能体，分层干活

值得细看的是它的搭法。产线上的判片、检查、修补，过去都是人；现在是图像识别小模型（Visual Inspection Model）加现场智能体（Field Agent）接手，一个班只留少数人维护 AI 模型。两万个图像识别小模型、一万多个智能体——数量听起来吓人，但每个都只管一小片事。

制造环节的 ADC 自动缺陷分类和 ADR 自动缺陷修补，已经跑成"检测—判定—修复"闭环，缺陷判断准确率 95%。美的荆州工厂走的是另一条路：一个"工厂大脑"统一调度，14 个智能体覆盖 38 个核心生产场景，注塑机节拍一延迟，调度智能体分流工单、物流智能体重规划路线，排产响应速度提升约 90%，多场景平均提效超 80%。

"小模型干现场、大模型做参谋、智能体当传令官"——分层架构匹配工业制造的严苛约束，将成为长期主流路线。
—— 资深人工智能专家郭涛（经证券时报报道）

这套分工背后有两道安全设计。TCL 科技高级副总裁、华星 CEO 赵军把工业 AI 落地的卡点归为四条：模型可靠性、工业数据飞轮建设、智能体工程能力、领域专家协同机制。"工业领域容错率非常低，一次偏差就可能引发产线停机，模型必须具备确定性输出、可量化置信度、可追溯推理链路以及完善的兜底机制。"郭涛的建议更直接："模型建议、人工确认、系统执行"的三段式防护，AI 输出只能作为参考，不能直接操控设备。

图注：TCL华星工厂效果图（图片来源：TCL华星官网）

3. 效果与成色：异常少一个数量级，良率奔 99%

数字列一下：TCL 华星小异常事件一年 400 多起降到几十起；LCD 良率部分突破 98%，冲刺 99%；国星光电用针对 LED 集中度稳定性训练的 AI 模型做智能化分档和测试异常预警，试点产品光电参数一致性提升 10% 以上，异常响应时间缩短约 98%。¹

成色要说清楚：以上都是证券时报转述的企业官方披露（佘必海、赵军），未经第三方审计，读的时候打个折。另外注意行业大盘：一份行业观察说，88% 的企业已经用上了 AI，只有 6% 见到了利润——还在"量变"阶段的厂占绝大多数。工信部等八部门今年 1 月印发的"人工智能+制造"专项行动提出，到 2027 年推出 1000 个高水平工业智能体，政策方向是明确的。¹

值得抄走的方法点：工业 AI 不求聪明、求可靠。视觉质检、异常预警这类活，边界清晰、历史数据足、价值反馈快，企业算得清投入产出比——先从这种活开刀，小模型+人在回路+确定性兜底，别一上来就让大模型指挥产线。

再往深看一层：这套东西跑在哪里？厂内机房。数据不出厂，模型贴着产线——这正是私有化 AI 加本地存力的主场。以后跟制造企业聊私有化，不必谈概念，把"异常 400 起变几十起"和"数据不出厂"放在同一页纸上就够了。

· · ·

美国医疗TPA：电话先交给AI

1. 背景：供应商来电 24 小时不断，招人招不动

Marpai 是一家全国性的第三方医保管理商（TPA，Third-Party Administrator），服务的是企业自保的健康计划。它的麻烦很具体：医院、诊所打来的电话——问参保资格、问福利明细、问理赔进度——24 小时不断。这是 TPA 扩规模最硬的一道墙：人招不来，夜班排不动，等待时间一长，供应商体验就掉。

Opyn CIO Mike Nigels 把这句话说得很实在："大多数 TPA 没法靠多招人来解决来电量增长。"这个判断对国内也一样：任何"电话量涨、人头涨不动"的服务环节，都是语音智能体最先算得过账的地方。

2. 方案：加法式落地，答案只从授权文档里来

Opyn Agents 上线几个月后，现在是 100% 的供应商来电都由 AI 先接。两个入口：智能语音智能体（Voice Agent）和免密网页门户。能办的事不浅：供应商与参保资格核验、基于会员福利说明的详细福利报价、理赔全周期查询、复杂网络指引、事先授权路由——都是真流程，不是 FAQ 复读。

这里有两个设计选择值得抄。第一，"加法式"部署：挂在 TPA 现有系统和工作流旁边，不替换核心管理技术。对客户来说，改造成本和决策成本都低——这正是这类项目能走出 POC 的关键。第二，答案的来源被锁死：只从已授权的会员档案、计划文档、运营规则里生成，不碰公开信息。医疗场景容不得幻觉，隔离的源环境就是它的安全设计。

人机分工也定得很细：每次交互生成集中、可审计的 case 记录；搞不定的事做 warm handoff，转给对应服务团队时，人拿到的不只是一通电话，而是一份带 transcript、录音和 AI 总结的材料——接电话的人不用让供应商从头再说一遍。整个环境跑在 HIPAA 合规下，管理员能看到解决率、升级模式和 ROI 的详细报表。²

图注：医疗呼叫中心客服示意图（图片来源：LiveOps 博客）

3. 效果与成色：成本降四成，口径打个折看

数字很干脆：100% 来电由 AI 首接；70% 的咨询被 AI 完全解决；客服中心成本下降 40%；服务容量扩大了，人头没加。Marpai 客服总监 Angela Williams 说："智能体处理供应商需求的能力让我印象深刻。"²

成色照例说在前面：这是 Opyn 的厂商新闻稿（PR Newswire，2026 年 10 月 29 日），数字是单方披露。"成本降 40%"的计算基线没展开，也没有第三方审计，当作业务信号读，别当审计报告读。另外有个值得留意的背景：Marpai 是在 OTCQX 上市的小公司——这说明这套打法不是大企业的专利，中小服务商也能跑。

值得抄走的方法点：答案限定在企业自己的授权文档里。不替换核心系统、挂在旁边；不碰公开信息、只读自家档案——医疗、金融这类强监管场景的 AI 落地，安全设计就藏在这两句话里。

再往深看一层：早间版写了 Accenture 的事故——凭证进了智能体的上下文，就不再完全受控。Opyn 的做法恰好是反面教材的正面：数据与凭证留在隔离环境里，AI 能碰的只有授权文档。"出不来"的边界设计，本身就是卖点。对私有化部署来说，这句话可以直接拿去跟客户讲。

· · ·