企业AI项目常见的难点不在于接入一个聊天机器人，而在于把真实业务数据、隐私要求、语音渠道和人工团队连接起来。Google Cloud在官方客户案例中介绍了电信公司TELUS的做法。本文只复述该案例公开信息，并明确标注其中的效果数字属于供应商客户案例，未作独立审计。
案例概览：从客服通话到可执行的Agent流程
Google Cloud资料称，TELUS每年分析约2200万通客服通话，数据规模超过14PB，并使用Sensitive Data Protection清理私人信息，再结合Gemini Enterprise Agent Platform和Generative Playbooks构建服务流程。案例还提到多模态渠道可在聊天、语音和视频之间保持上下文连续。
| 环节 | 公开做法 | 落地价值 | 企业需补充的控制 |
|---|---|---|---|
| 数据接入 | 汇聚通话与业务数据 | 形成统一上下文 | 分级权限、来源追踪 |
| 隐私处理 | 敏感数据识别与脱敏 | 降低暴露风险 | 规则回归测试、误报复核 |
| Agent编排 | 平台+业务剧本 | 把回答连接到动作 | 工具白名单、人工升级 |
| 渠道连续 | 聊天、语音、视频衔接 | 减少重复描述 | 跨渠道身份校验 |
架构拆解：四层能力逐步上线
第一层：把数据变成可检索的业务上下文
先定义数据源、更新频率和可引用字段。FAQ、订单、账单和服务记录需要有清晰的版本与权限边界，Agent回答时还要能返回依据。
第二层：把隐私保护放在调用链前面
案例提到Sensitive Data Protection用于清理私人信息。企业应为电话号码、地址、账户标识等字段建立规则，并用脱敏前后样本测试漏检、误检和不可逆性。
第三层：用业务剧本约束Agent行动
Generative Playbooks可以把“识别问题—查询资料—给出方案—必要时转人工”写成可追踪步骤。每一步应设置工具权限、超时、失败回退和日志。
第四层：把效果指标与人工体验一起看
Google Cloud案例提到30%的主动解决率、87%的速度提升以及每年5390万美元运营成本节省。这些数字是供应商披露的案例结果，企业不能直接套用，应先建立自己的基线与统计口径。
复制到中型团队的落地路线
- 选一个问题边界稳定、风险可控的客服意图，收集脱敏样本。
- 建立可引用知识库和人工评分表，先做只读问答。
- 增加一个低风险工具动作，例如查询订单状态，并设置人工升级。
- 小流量灰度，观察解决率、转人工率、错误率、平均处理时长和客户满意度。
- 每周复盘失败样本，再扩展到更多意图和渠道。
适用条件
- 有稳定的客服知识库和可追踪的工单数据。
- 安全、法务、客服运营能共同定义边界。
- 系统能记录提示、检索片段、工具动作和人工改写。
限制与风险
- 案例数据来自TELUS和Google Cloud的公开叙述，不能视为通用ROI承诺。
- 脱敏规则仍可能漏掉新型敏感信息，需要持续回归。
- 跨渠道上下文必须重新做身份和授权检查，不能只凭会话文本。
FAQ
没有14PB数据的公司值得做吗？
值得，但应从单一意图和小规模样本开始。数据量小并不妨碍建立引用、权限和人工升级机制。
Agent可以直接替客服做退款吗？
高风险动作应先设置额度、规则和人工审批。初期可让Agent准备建议与表单，由人员确认后执行。
如何判断项目是否真的有效？
上线前固定统计口径，至少记录解决率、错误率、转人工率、处理时长、满意度和单位成本，并与人工基线比较。
