SK电讯（SK Telecom，下称SKT）是韩国用户规模最大的移动运营商，移动用户数长期稳定在3000万量级，客服中心每天要承接海量的咨询、投诉、业务办理与故障申报工单。与全球大多数运营商一样，SKT的客服中心长期被三个问题困扰：
第一，响应慢。在引入大模型之前，客服坐席处理一个复杂咨询的平均响应时间超过 3分30秒。这个数字听起来不长，但乘以每天数十万次咨询，意味着巨大的坐席人力消耗和用户等待成本。
第二，知识检索靠人工。电信行业的知识体系极为复杂——套餐组合、携号转网流程、终端补贴政策、会员权益、5G/6G资费规则，这些规则还在持续变动。新入职坐席往往要花大量时间在知识库里翻找答案，老坐席的经验又难以沉淀复用。
第三，通用大模型"不懂电信"。这是最关键的一点。SKT的AI技术合作负责人Eric Davis（副总裁）在2024年4月的发布会上直言："用单一的通用大模型来应对电信企业面临的各种服务和问题是非常困难的。" 比如携号转网的流程、终端补贴的换算、特定套餐的推荐逻辑，通用大模型要么答不上来，要么一本正经地"幻觉"。
正是基于这三个痛点，SKT做出了一个战略决策：不简单外采某一家的大模型，而是基于自家A.X大模型、OpenAI的GPT和Anthropic的Claude，通过多模型融合（Multi-LLM）+ 行业精调的方式，炼出一个"电信专精"的Telco LLM，并把它真正部署到客服中心这个最刚需、最容易见效的场景里去。
这不是PPT上的规划，而是一个已经跑了将近两年、有真实效果数据的商用案例。本文就把它拆开来看。
SKT的Telco LLM最值得玩味的设计是多模型融合。它没有像很多企业那样"all in 某一家"，而是把三个不同来源的模型整合起来：
为什么要这么干？Davis的解释很务实："我们通过针对电信数据和行业Know-how进行精调和基准测试，打造了多款Telco LLM，从而能够针对不同场景选择最合适的模型。" 换句话说，不同任务用不同的"专精大脑"，而不是用一个大而全的模型硬扛所有场景。这是一种典型的模型路由（model routing） 思路。
值得注意的是，Telco LLM不是把Claude拿来调个API就上线了。根据SKT官方新闻稿，这是一段长达一年的工程化旅程，核心做了三件事：
这一步是决定Telco LLM能否真正"懂电信"的关键——通用大模型缺的不是参数，而是领域对齐数据。SKT用数十位资深坐席的经验喂出来的训练集，才是它的真正壁垒。
在Telco LLM之外，SKT还配套部署了Telco LMM（电信大多模态模型），并把RAG（检索增强生成） 作为标配。RAG的作用是让模型在回答前先从知识库里检索相关信息再生成，显著提升准确率；而Telco LMM则能同时处理文本和电信相关的图片（比如用户上传的账单截图、设备故障照片、信号覆盖地图），把客服能力从"文字问答"升级到"图文一体"。
基于Telco LLM/LMM，SKT在 2024年10月中旬 启动了AI客服支撑系统（AI Customer Service Support System） 的Beta测试，并于 2024年11月18日 正式宣布Beta成功完成。这套系统不是一个笼统的"AI客服机器人"，而是三个分工明确的功能模块，分批上线：
flowchart TB
subgraph User["用户/坐席触点"]
U1[用户咨询/投诉]
U2[坐席通话中]
U3[用户提交文档]
end
subgraph Core["AI客服支撑系统 (Telco LLM + LMM + RAG)"]
F1["① AI知识搜索助手<br/>2024-10-21上线<br/>自然语言秒级检索知识库"]
F2["② 智能文档处理IDP<br/>2024-10-23上线<br/>LMM自动分类/解析文档"]
F3["③ 咨询结果自动后处理<br/>2024-12上线<br/>自动分类/总结/归档"]
end
subgraph Model["模型层 Multi-LLM"]
M1[A.X 自研]
M2[GPT OpenAI]
M3[Claude Anthropic<br/>生产主力]
end
subgraph Data["数据与知识层"]
D1[电信知识库]
D2[数十位坐席专家<br/>标注训练集]
D3[强化学习迭代]
end
U2 --> F1
U3 --> F2
U1 --> F3
F1 & F2 & F3 --> Model
Model --> Data
这三个模块的设计逻辑很清晰：前两个提升"通话中"的效率，第三个消灭"通话后"的隐性成本。要知道，after-call work一直是呼叫中心最被低估的成本黑洞——坐席每接完一通电话，往往要花几分钟写小结、打标签，这部分时间在传统统计里常常被忽略，却真实占用了坐席产能。
按照规划，这套系统在 2025年全面部署到所有客服业务线。SKT客服价值创新室副总裁Hong Seung Tae的定位是："我们向AI联络中心的转型，不仅是运营效率的提升，更是要提供真正个性化、以客户为中心的服务。"
最有说服力的是2025年3月19日Anthropic韩国Builder Summit上，Eric Davis公开的一组实测数据。这次峰会是Anthropic在韩国举办的首场官方活动，Anthropic CPO Mike Krieger亲自出席，SKT作为Claude的标杆客户登台分享。Davis披露的三组核心指标如下：
| 效果指标 | 引入Telco LLM后 | 解读 |
|---|---|---|
| 客服中心低质量应答占比 | 下降68% | 接近七成的"答非所问/错误回答"被消除 |
| AI通话后处理质量 | 达到人类坐席的约89% | 自动总结已逼近人工水平 |
| 坐席使用AI后的评估得分 | 提升34%（对比此前服务） | 一线坐席主观评价显著改善 |
把这三组数据连起来读，能看出一条完整的价值链：低质量应答大幅减少 → 用户满意度提升；通话后处理质量逼近人工 → 坐席从重复劳动中解放；坐席自身评分上升 → 新员工上手更快、老员工负担减轻。Beta测试阶段的反馈也印证了这一点——坐席普遍反映Telco LLM"显著减轻了新入职团队成员的工作量"，自动文档分类"明显提升了运营效率，让坐席能更专注与用户的互动"。
同时，Telco LLM能在通话进行中实时向坐席推送解决方案，这意味着原先超过3分30秒的响应时间被实质性压缩。SKT AI平台副总裁Jeong Min-young还指出，Telco LLM的应用范围不止客服中心，还将延伸到营销、供应链、客户触点，乃至法务、人力资源等内部运营环节——一个行业大模型，多个场景复用。
如果说Telco LLM是SKT在B侧（运营）的引擎，那么面向C侧用户的 A.（A-Dot） 和 Aster（A*） 则是这套大模型能力的对外产品化，两者共同构成SKT"AI金字塔战略"的用户入口。
支撑这套消费侧体验的，是SKT与微软的深度合作。2025年11月，微软官方发布了SKT的客户案例：SKT基于 Microsoft Foundry 构建了多智能体编排方案，用于A.(A-Dot)的超个性化服务，采用微调的韩语模型和Azure AI的合规能力。
flowchart TD
User[用户] --> App["A.(A-Dot) App<br/>MAU 1000万+"]
subgraph Foundry["Microsoft Foundry 多智能体编排"]
direction TB
A1[日程Agent]
A2[媒体Agent]
A3[搜索Agent]
Orch[多智能体协作编排<br/>+ 上下文记忆 + RAG]
A1 & A2 & A3 --> Orch
end
App --> Foundry
Orch --> KModel[微调韩语模型]
Orch --> API[本地企业系统/本地API<br/>如酒店预订]
Orch --> Azure[Azure AI<br/>安全合规/PIPA本地化]
subgraph Req["五大核心要求"]
R1[多智能体协作]
R2[上下文管理]
R3[百万级低延迟]
R4[系统集成能力]
R5[成本与定制化]
end
这里有两个细节值得国内同行注意。第一，多智能体协作：SKT把用户的一个复杂目标（比如"帮我安排明天的行程"）拆解，由日程、媒体、搜索等多个Agent协同完成。第二，合规是硬约束：韩国《个人信息保护法》（PIPA）对数据目的、最小化、本地化有严格规定。SKT垂直Agent首席企划MinSeok Ko强调，"法律要求使用个人数据必须有明确目的，且只能收集最少量的个人信息"——这正是运营商做AI相比互联网公司最大的差异化：数据合规与本地化部署能力。
为了把这个案例的价值看清楚，有必要做一个横向对比。
表1：Telco LLM与通用大模型的功能对比
| 维度 | 通用大模型（GPT/Claude原版） | SKT Telco LLM |
|---|---|---|
| 电信领域知识 | 缺失（如携号转网、补贴换算） | 精调掌握，专家标注 |
| 响应准确率 | 幻觉率高 | RAG+精调，低质量应答降68% |
| 多模态 | 有限 | Telco LMM处理账单/设备图片 |
| 实时性 | 离线为主 | 通话中实时推送方案 |
| 合规与数据本地化 | 弱 | 满足PIPA，本地化部署 |
| 模型策略 | 单一 | Multi-LLM路由（A.X+GPT+Claude） |
表2：SKT与国内外运营商大模型客服实践对比
| 运营商 | 大模型 | 客服落地方式 | 公开效果 |
|---|---|---|---|
| SKT（韩国） | Telco LLM（Multi-LLM+Claude） | 坐席助手+文档处理+后处理三件套 | 低质应答-68%、坐席评分+34% |
| 中国移动 | 九天·客服大模型 | 10086在线客服规模化 | 业界首个大模型在线客服（规模化） |
| 中国电信 | 星辰大模型 | 多场景（含反诈、政务） | 多行业标杆（GSMA收录） |
| 中国联通 | 元景大模型 | 自智网络+运维智能体 | L4评估、超百个标杆应用 |
| T-Mobile（美国） | +OpenAI | 呼叫中心重构 | 意图理解型客服升级 |
可以看出，SKT的差异化在于"多模型融合 + 把效果数据彻底量化到具体的百分比"。国内运营商更强调"规模化覆盖"和"多行业赋能"，而SKT把焦点收得很窄——就打客服中心这一仗，把它打到"劣质应答降68%"这种可验证的颗粒度。
效果好不好，最终要落到财报上。SKT 2025年Q1的数据给出了一个正向信号：
更关键的是产品化进度：面向企业的 A. Biz（A-DoT Biz） 在2025年上半年正式商用；A.消费端月活破千万；Aster进军北美。一条"基础设施（AIDC）— 行业模型（Telco LLM）— C端/B端产品（A./A./Aster）"的完整AI价值链已经跑通。这正是运营商做大模型的核心逻辑：不是为做而做，而是让大模型同时服务降本（客服/运维）和增收（AI服务对外输出）。
第一，行业大模型的核心壁垒是"领域对齐数据"，不是参数规模。SKT用数十位资深坐席人工标注、强化学习迭代打磨训练集，这比单纯堆参数有效得多。国内运营商客服中心同样沉淀了海量高质量工单和专家经验，这是比任何开源模型都更宝贵的资产。
第二，Multi-LLM路由优于"单押一家"。SKT同时用A.X、GPT、Claude，按场景选模型，既避免供应商锁定，又能在成本、速度、合规之间动态平衡。这对国内"既要自主可控、又要能力上限"的现实需求有直接参考价值。
第三，先打透一个刚需场景，再横向扩展。SKT没有一上来就喊"全行业赋能"，而是死磕客服中心这个ROI最清晰的场景，把效果量化到68%、34%、89%这种可审计的数字，再向营销、供应链、法务、HR复制。这种"单点穿透→横向复制"的路径，比"撒胡椒面"式的大模型平台更容易出成果。
第四，合规不是约束，而是运营商的护城河。SKT把PIPA合规、数据本地化作为核心能力对外输出。在数据安全要求日益严格的今天，这恰恰是运营商相比互联网大厂做AI最硬的差异化底牌。
SKT的案例证明了一件事：运营商做大模型，真正值钱的不是那个"通用大模型"，而是基于自家业务数据和专家经验炼出来的"行业专精大脑"，以及把它真正嵌进业务流程的工程化能力。 当劣质应答能降68%、坐席评分能升34%、月活能一年翻倍到千万级，大模型就不再是技术叙事，而是写在财报里的增长曲线。对正处于大模型规模化落地关键期的国内三大运营商而言，SKT这套"Multi-LLM + 场景穿透 + 量化验证"的打法，值得认真拆解。
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。