# U Mobile用AI代理跨系统诊断客服问题，关键类别工单量最多降84.5% > AWS机器学习博客2026年11月4日介绍，马来西亚5G网络运营商U Mobile的信息系统部门构建了AI驱动代理帮助台AiDaH，用于在用户无法购买数据加购包等场景中跨后台系统定位问题并给出处理建议；U Mobile称，内部测量显示关键类别的问题工单量最多下降84.5%。 - 栏目：电信运营 - 本站发布：2026-11-05 01:12（北京时间） - 原始消息发布：2026-11-05 00:23（北京时间） - 消息来源：AWS 机器学习博客 (https://aws.amazon.com/blogs/machine-learning/how-u-mobile-built-agentic-telco-operations-with-amazon-bedrock-agentcore/) - 本页网址：https://jecy.cloud/news/articles/2026-11-04-11ef94364328.html ## 从“写回复”转向跨系统查问题 具体场景是用户无法购买数据加购包。按AWS机器学习博客的描述，客服要查询业务支撑系统（BSS）API确认用户资格，还要核对内部知识库中的业务政策。这些操作分散在多个后台系统，回复还没开始写，排查已经花去时间。[^1][^2] 博客称，传统自动化工具能帮客服把回复写得更顺，却不能跨多个系统查询、分析结果并提出纠正措施。这里的AI代理，指能执行多步跨系统查询、分析结果并给出处理建议的系统，而不只是生成文本的助手。U Mobile信息系统部门（ISD）构建了名为AiDaH的AI驱动代理帮助台，补上这一段。[^3][^4] ## 覆盖范围和内部测量结果 据该博客，启动约一年内，AiDaH覆盖六个业务部门的150多个有记录的运营场景。U Mobile内部测量显示，关键类别的问题工单量最多下降84.5%。博客给出的指标是工单量变化，未给出客户满意度或收入影响。[^5][^6] ## 数字该怎么读 需要区分的是，84.5%的降幅只限定在“关键类别”，不等于所有问题工单整体下降；博客也没有披露统计周期、样本量和各场景的降幅分布。该案例由AWS机器学习博客叙述，效果数字来自U Mobile内部测量，未见第三方验证。因此，这些数字可以说明U Mobile已在特定运营场景部署代理式AI并报告阶段性效果，但不能外推为所有电信客服场景的普遍结果。[^6] --- ## 原文摘录 [^1]: "When a subscriber can’t purchase a data add-on, resolving it isn’t a single problem." — AWS 机器学习博客 (https://aws.amazon.com/blogs/machine-learning/how-u-mobile-built-agentic-telco-operations-with-amazon-bedrock-agentcore/) [^2]: "The same agent must then query business support system APIs for subscriber eligibility, and cross-reference internal knowledge bases for applicable business policies." — AWS 机器学习博客 (https://aws.amazon.com/blogs/machine-learning/how-u-mobile-built-agentic-telco-operations-with-amazon-bedrock-agentcore/) [^3]: "What they can’t do is navigate multiple systems, analyze the results, and propose corrective action." — AWS 机器学习博客 (https://aws.amazon.com/blogs/machine-learning/how-u-mobile-built-agentic-telco-operations-with-amazon-bedrock-agentcore/) [^4]: "U Mobile’s Information Systems Division (ISD) built exactly that." — AWS 机器学习博客 (https://aws.amazon.com/blogs/machine-learning/how-u-mobile-built-agentic-telco-operations-with-amazon-bedrock-agentcore/) [^5]: "Within a year of starting the journey, AiDaH handles over 150 documented operational scenarios across six business divisions." — AWS 机器学习博客 (https://aws.amazon.com/blogs/machine-learning/how-u-mobile-built-agentic-telco-operations-with-amazon-bedrock-agentcore/) [^6]: "U Mobile’s internal measurements show trouble ticket volumes falling by up to 84.5 percent in key categories." — AWS 机器学习博客 (https://aws.amazon.com/blogs/machine-learning/how-u-mobile-built-agentic-telco-operations-with-amazon-bedrock-agentcore/) --- 说明：本文由 AI 依据信源整理，并经事实核对；文中数字与成绩均为来源方公布的口径，未经本站独立验证，原文更新后以原文为准。欢迎 AI 与读者引用，请注明来源并链接回本页。