# 巴西Vivo两万坐席配AI减负：Telefônica用I.Ajuda给呼叫中心装上"智脑" ## 一、为什么是"坐席助手"而不是"取代坐席" 呼叫中心是运营商与用户之间最高频的接触面，也是最沉重的成本中心。行业里一个公开的秘密是：**单次人工呼入的综合成本通常是自助渠道的5到10倍**，而其中又有相当比例是重复性、知识检索类的问题——套餐怎么查、账单某一项是什么、宽带为什么慢。传统解法是用IVR（交互式语音应答）和聊天机器人做"分流"（deflection），把简单问题挡在人工之外。 但分流有一个天花板。当用户遇到**计费争议、投诉升级、携号转网挽留**这类复杂或情绪敏感场景时，机器人越智能，反而越容易激怒客户——客户要的是"被一个懂行的人认真对待"。于是矛盾出现了：**最该被自动化降本的环节，恰恰最需要人来兜底**。这正是"坐席增强型AI"（Agent Assist）这一路线在2024—2026年爆发的根本原因——AI不抢坐席的位置，而是坐在坐席旁边，实时把话术、政策、操作步骤递到坐席眼前，让人"秒变专家"并缩短每一次通话。 巴西最大的移动运营商Telefônica Brasil（品牌名**Vivo**）正是这条路线最具代表性的规模化落地案例：它用一套基于微软Azure OpenAI的"**I.Ajuda**"（葡萄牙语意为"AI帮手"）平台，为**2.3万名客服坐席**实时赋能，每月承接**530万次客户咨询**，把个人客户的平均处理时长（AHT）压降了**9%**、企业客户压降了**4%**。本文拆解它的演进路径、技术架构、效果数据与对比启示。 ## 二、案例背景：530万次/月的咨询压力与Aura的天花板 Telefónica是总部位于西班牙的跨国电信集团，业务遍及**12个国家**。在巴西，自2003年起以"Vivo"品牌运营，是当地用户规模最大的移动与宽带运营商，在巴西本土约有**3.3万名员工**。 Vivo的服务量级决定了它的客服必须工业化运作：**2.3万名坐席、每月530万次咨询**，意味着平均每位坐席每月要处理约230次问询。这种体量下，任何一个边际效率的提升都会被规模放大成巨额收益；反之，任何一次"坐席找不到答案、把用户晾在线上翻知识库"都会被乘以530万，变成灾难性的体验和成本。 Vivo并非AI客服的新手。早在**2018年**，它就上线了数字助手**Aura**，通过App、网站、电视等多渠道提供自助服务，承担了大量简单查询的分流。但Aura的本质是"自助分流型机器人"——它擅长FAQ，却在复杂场景下力不从心，要么给出泛泛而谈的答案，要么最终还是要转人工。问题被推到了人工坐席面前，而坐席面对的，是一片散落在几十个系统、几百份政策文件里的信息沼泽。 **转折发生在2023年**。Vivo启动了"**I.Ajuda**"计划，明确把目标从"让机器人答得更多"转向"让坐席答得更快更准"，并在全部呼叫中心部署了微软**Azure OpenAI Service**（位于Azure AI Foundry平台内）。这是一次策略性的转向——从**分流（deflection）**走向**增强（augmentation）**。 ## 三、方案详情：I.Ajuda如何给坐席装上"智脑" I.Ajuda的核心逻辑，是在每一通人工通话进行的同时，于坐席的屏幕后台运行一个"AI大脑"，**实时听懂客户在说什么，并立刻把"该说什么、该查什么、该点哪个按钮"递到坐席眼前**。它的技术栈是一套完整的Azure原生组合： | 组件 | 角色 | |------|------| | **Azure OpenAI Service** | 核心大模型推理引擎（GPT系列），负责意图理解、答案生成、话术润色 | | **Azure AI Foundry** | 统一的AI平台底座，承载模型部署、评测与提示词管理 | | **Azure Cosmos DB** | 高并发存储话术库、政策库、历史相似工单，支撑RAG实时检索 | | **Azure AI Document Intelligence** | 把PDF/扫描件形式的政策、合同、账单解析为结构化知识 | | **Azure HDInsight** | 大数据湖，沉淀坐席的"赞/踩"反馈用于提示词与知识迭代 | | **Azure API Management** | 统一鉴权、限流、安全网关，为约3.3万名员工的访问兜底 | | **Azure Kubernetes Service (AKS)** | 容器化弹性编排，应对530万次/月的峰值波动 | 它的工作链路可以拆成五步，关键在于**"检索增强生成（RAG）+ 实时反馈飞轮"**： ```mermaid sequenceDiagram participant 客户 participant Aura as Aura自助助手 participant 坐席 as 人工坐席 participant IAjuda as I.Ajuda智脑 participant KB as 政策/话术知识库 客户->>Aura: 来电 / 在线咨询 Aura->>Aura: 自助分流(简单问题) alt 复杂 / 敏感场景 Aura->>坐席: 转人工 坐席->>IAjuda: 实时语音转写文本 IAjuda->>KB: RAG检索话术/政策 KB-->>IAjuda: 命中片段 IAjuda-->>坐席: 弹窗推荐应答 + 操作指引 坐席->>客户: 标准化应答(AHT↓) else 简单场景 Aura-->>客户: 直接解决(分流) end 客户->>坐席: 通话结束 坐席->>IAjuda: 赞 / 踩 反馈 IAjuda->>KB: 迭代提示词 / 补充知识 ``` **第一步，分流前置**：简单问题继续由Aura等自助渠道解决，把宝贵的人工坐席留给真正复杂的场景。**第二步，实时转写**：当通话进入人工坐席，语音被实时转写为文本喂给I.Ajuda。**第三步，RAG检索**：大模型结合Cosmos DB里的话术库、政策库以及Document Intelligence解析出的结构化文档，检索出与客户问题最相关的片段。**第四步，实时建议**：I.Ajuda在坐席屏幕上弹出"推荐应答话术 + 应执行的操作指引"，坐席核对后即可直接使用或微调。**第五步，反馈飞轮**：通话结束后，坐席对AI建议给出"赞/踩"反馈，这些反馈流入HDInsight数据湖，被用来优化提示词、补全知识库。 这个飞轮是整个方案的灵魂。Vivo高级B2C客服策略经理William Teixeira João直言："**我们评估运营反馈和提示词本身，然后用这些反馈——无论正负——来改进我们的流程。**赋能坐席以清晰的指引，能让他们知道自己该做什么，从而缩短响应时间。"换言之，I.Ajuda不是一次性交付的静态系统，而是一个**越用越聪明的闭环**。 ## 四、效果数据：9%与4%背后的产能释放 Vivo对外披露的核心KPI是平均处理时长（AHT）的下降： | 指标 | 个人客户（B2C） | 企业客户（B2B） | |------|-----------------|-----------------| | AHT降幅 | **−9%** | **−4%** | | 覆盖坐席 | 23,000名 | 23,000名 | | 月均咨询量 | 530万次 | 530万次 | 9%是什么概念？做一个保守的行业估算：若Vivo人工坐席的平均处理时长基线在**6—8分钟**区间，9%意味着**每通电话节省约35—45秒**。把它乘以每月数百万次的复杂咨询接触量，节省下的坐席工时足以在不增编的前提下承接可观的增量话务，或把人力从"找答案"中解放出来投入到真正需要同理心的挽留、投诉处理场景。 值得注意的是，**B2C降幅（9%）显著高于B2B（4%）**。这恰恰印证了I.Ajuda的设计哲学：个人客户的咨询以套餐、账单、流量等高频标准化问题为主，AI能精准命中话术；而企业客户场景更复杂、定制化程度更高，AI的边际收益自然收窄。这个数据本身就是一个战略信号——**AI坐席助手在标准化、高频场景里的ROI最高，企业级复杂场景仍需人与AI深度协同**。 更长远看，Telefônica集团层面正评估**超过20个AI用例**，I.Ajuda只是呼叫中心这一块的开胃菜。 ## 五、对比分析：分流 vs 增强 vs 自主，三种路线的分野 为了看清Vivo路线的独特性，有必要把当前主流的呼叫中心AI方案横向拉一张对比表： | 维度 | 自助分流型机器人 | 坐席增强型LLM助手（Vivo I.Ajuda / Comcast AMA） | 全自主语音智能体 | |------|------------------|------------------------------------------------|------------------| | 核心机制 | 规则/意图识别，挡在人工前 | 大模型RAG，坐在坐席旁边实时递答案 | 端到端接管通话，自主多轮对话 | | AI定位 | 替人答简单问题 | **帮人答复杂问题** | 取代人 | | 适用场景 | FAQ、查询类 | 争议、投诉、挽留、复杂业务办理 | 催收、回访、外呼营销 | | 人工依赖 | 高（复杂必转人工） | 全程人在环 | 低/无 | | 主要风险 | 分流不彻底、体验生硬 | 幻觉、成本（Token）、数据合规 | 合规、用户抵触、监管 | | 代表案例 | Vivo Aura(2018)、运营商IVR | **Vivo I.Ajuda、Comcast AMA** | 欠费催缴智能体、外呼营销 | 这条"增强型"赛道上，另一份被广泛引用的工程实践是**美国最大有线电视运营商Comcast的"Ask Me Anything"（AMA）系统**。Comcast的AI研究团队（Scott Rome等人）在arXiv发表的论文（arXiv:2405.00801，2024年5月）详细披露了这一**已上生产的实时LLM坐席助手**：它的设计出发点与Vivo高度一致——**客户在争议、账单等复杂场景下仍然渴望人与人交流，AI的任务是让这个人在AI加持下答得更准更快**，而非把人撤掉。AMA同样采用"实时听—检索—生成建议—辅助坐席"的链路，验证了这一架构在超大规模真实话务下的可行性。 把行业基准数据并到一起看，坐席助手路线的收益区间相当清晰： | 部署案例/基准 | 关键效果 | 来源 | |---------------|----------|------| | **Vivo I.Ajuda** | 2.3万坐席，月530万咨询，AHT **−9%(B2C)/−4%(B2B)** | Microsoft客户案例 | | **Comcast AMA** | 实时LLM坐席助手，生产级部署，复杂场景人机协同 | arXiv:2405.00801 | | 拉美某运营商（坐席助手） | 坐席生产力 **+25%** | 麦肯锡 | | 第三方电信坐席助手基准 | 新人上岗提速 **50%**、AHT **−20%** | resultscx案例 | | 通用呼叫中心AI基准 | AHT **−36%**（含静音/保持时长告警） | chatrhub | 可以看到，Vivo的9%处于一个**务实但可复现的区间**——它没有宣称激进的双位数降幅，而是给出了B2C/B2B分层的诚实数据，这种披露方式本身就更可信。坐席助手路线的天花板，从第三方基准看大约在**AHT −20%~−36%**，这意味着Vivo I.Ajuda仍有相当可观的优化空间，尤其是把反馈飞轮跑得更成熟之后。 横向到中国市场，"AI坐席助手"同样是2025—2026年的热门赛道。行业数据显示，中国智能外呼系统市场规模在2025年已达约**180亿元**，年复合增长率超20%。但国内运营商的探索更多集中在**自主语音智能体**（外呼催缴、营销、回访）和**语音门户重构**方向，"人机协同的坐席增强"这条线相对外资运营商铺得更慢——Vivo I.Ajuda提供了一个值得借鉴的中间态样本：在合规与体验尚不允许AI完全自主接管时，先把AI"塞进坐席的工位"。 ## 六、启示与挑战：人在环、防幻觉与合规护城河 拆解Vivo I.Ajuda，有四点对运营商落地具有普适意义： **第一，"人在环"是坐席助手路线的安全阀。** 与全自主智能体不同，I.Ajuda的所有输出都要经过坐席"看一眼再用"，AI即使产生幻觉，也会被人在送达客户前拦截。这极大降低了在账单、争议等敏感场景的合规风险，也是它能敢于在2.3万坐席规模全量铺开的前提。 **第二，反馈飞轮决定系统寿命。** I.Ajuda真正贵的不是Azure OpenAI的Token，而是那套"赞/踩—HDInsight—提示词迭代"的闭环。没有反馈飞轮，坐席助手会随着政策变化而迅速过时；有了它，系统才具备自我进化的能力。这是所有想抄作业的运营商必须想清楚的第一性问题。 **第三，成本模型必须算清Token经济账。** 大模型实时推理按Token计费，530万次/月、每次通话动辄数千Token的转写+生成，是一笔不小的经常性支出。Vivo用Azure API Management做限流、用AKS做弹性、用Foundry做模型选型，本质上都是在控制单位咨询的算力成本。 **第四，数据合规是海外部署的护城河也是门槛。** 巴西有严格的《通用数据保护法》（LGPD），与欧洲GDPR同源。把客户通话、政策文档喂给大模型，必须在数据脱敏、访问鉴权（API Management）、数据驻留上做足功课。Telefônica把整套系统建在Azure上，部分原因正是看中其合规与数据驻留能力。 **挑战方面**，最现实的两个是：一是**幻觉与一致性**——AI生成的话术若与官方政策有出入，在计费、合约场景可能引发投诉甚至监管处罚，需要强约束的RAG与人工复核双保险；二是**坐席的接纳度**——AI建议若经常"不靠谱"，坐席会迅速丧失信任并弃用，飞轮随之停转。Vivo把"赞/踩"反馈做成坐席日常工作流的一部分，正是为了用产品机制黏住使用习惯。 ## 七、结论：呼叫中心的下一站是"人机协同样本" 从2018年的Aura（自助分流），到2023年的I.Ajuda（坐席增强），Vivo用八年时间走通了一条清晰的路：**先让AI挡在前面分流简单问题，再让AI坐到人身边把复杂问题答好**。2.3万坐席、月均530万咨询、AHT压降9%——这是一份足够扎实、足够诚实的规模化答卷。 对通信行业而言，Vivo I.Ajuda的最大价值不在于某个炫酷的技术，而在于它示范了一种**"不激进、可复现、人在环"的落地哲学**：在合规与体验尚不允许AI完全自主接管客户对话的当下，把大模型从"前台表演"挪到"后台赋能坐席"，往往才是ROI最高、风险最低的那一步。当国内的自主语音智能体在催缴、外呼赛道高歌猛进时，Vivo提醒我们：**呼叫中心的智能化，未必非要在"取代人"和"不碰AI"之间二选一——让AI成为每个坐席身后那个"秒答专家"，是一条同样值得重注的中间道路**。 ## 参考来源 1. [Telefônica Brasil enhances its AI-powered call center assistant with Azure — Microsoft Customer Stories](https://www.microsoft.com/en/customers/story/23109-telefonica-brasil-azure-open-ai-service) — Vivo I.Ajuda部署细节、2.3万坐席、月530万咨询、AHT −9%/−4%、Azure技术栈官方披露 2. ["Ask Me Anything": How Comcast Uses LLMs to Assist Agents in Real Time — arXiv:2405.00801](https://arxiv.org/abs/2405.00801) — Comcast生产级实时LLM坐席助手AMA的架构与设计哲学 3. [How generative AI could revitalize profitability for telcos — McKinsey](https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/how-generative-ai-could-revitalize-profitability-for-telcos) — 拉美某运营商坐席生产力+25%基准 4. [AI-driven Agent Assist drives 50% faster agent onboarding and 20% AHT reduction — resultscx](https://resultscx.com/case-study/ai-driven-agent-assist-drives-faster-agent-onboarding-reduction-in-aht-for-telecom/) — 第三方电信坐席助手性能基准 5. [How a Leading Global Call Center Reduced AHT with AI — chatrhub](https://www.chatrhub.com/post/call-center-reduces-aht-with-ai) — 呼叫中心AI通用基准（AHT −36%） --- > 本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵**爱卫生**（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 > 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。 > [!tip] 51学通信知识星球 > **星主：爱卫生**（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 > **星球定位**：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 > **当前规模**：5200 篇主题 / 990 个回答，198 元/年。 > **加入福利**：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 > **AI 加持**：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。