前线复盘①：让 FCR 冲到 90% 的保险项目

【场 1】痛点快照：为什么保险客服是完美靶子

第 5 章的诊断框架下，保险客服是教科书级理想场景：

• 高频重复：70–80% 咨询是保单查询、理赔流程——AI 最佳射程；
• 成本刚性：人力密集，高峰排队，7×24 靠人力扛不起；
• 质量波动：同题不同坐席答案不一，体验像抽签；
• 有据可查：条款、流程、FAQ 完备，数据就绪度不低。

雷区也明确：金融级合规、数据敏感、回答可追溯。痛点真实、材料可用、红线清晰——三者齐备，才值得进场。

【场 2】关键决策：三个分叉路口

决策一：底座怎么选？

• 自研金融大模型：贵、慢、效果不确定——排除；
• 通用客服机器人：接不住保险专业场景——排除；
• 最终选择：DeepSeek 等成熟大模型做底座，私有化部署 + 深度定制——中文强、MoE 推理便宜、数据主权在手，性能、成本、合规的三角平衡。

决策二：微调还是 RAG？ RAG 优先，不急于微调：条款更新快，改知识库比重训敏捷；回答挂来源可溯源——金融监管就要这个；幻觉用"检索 + 校验"压制，不赌模型记性（第 7 章决策树）。

决策三：大爆炸上线还是 MVP？ MVP 只做文本渠道常见问答，用户限内测与资深坐席，高风险场景（理赔金额、保单变更）不做。范围砍到一个场景的一条链路。

【场 3】惊险时刻：上线前后真正难的三件事

① 准确性的"最后一公里"。 95% 听着很好，剩下 5% 足以摧毁信任。解法不是堆模型，是置信度路由 + 校验层：低置信度转人工；金额、日期、条款编号二次校验；思维链供复核。

② 高并发的工程硬仗。 月末进线数倍于平时。解法：微服务、多级缓存、异步队列削峰、全链路监控——第 8 章上线清单逐条兑现。

③ 坐席的"静默抵抗"。 提前做变革管理：AI 接走重复咨询，人升级为复杂问题专家 + AI 训练师；坐席参与标注验收；考核加入"知识贡献"。结果：转人工率没被人为推高——系统没被用户抵制。

【场 4】战果表

深层收益：客服从成本中心变数据资产中心——对话沉淀洞察，反哺产品和风控。

【场 5】FDE 教训卡

1. RAG 的可溯源性在强监管行业不是优点，是入场券。 金融、医疗、政务，先问"能不能溯源"，再谈模型能力。
2. 私有化部署的决策不是技术题，是合规题。 先过法务，再过架构评审，顺序不能反。
3. "AI 训练师"是变革管理最聪明的设计。 把最可能抵制系统的人变成系统的老师——升级叙事必须具体，不能是口号。
4. MVP 的价值不是"快"，是"便宜地犯错"。 内测发现的 100 个问题，任何一个放到真实客户那里都可能是事故。
5. 数据闭环才是长期壁垒。 模型会被替换，"服务—反馈—学习—优化"的飞轮转起来，别人抄不走。

【名场面】六层架构拆解图

本章来源

• 案例主体：改写自原书稿第 6 章 6.1（基于太保智能客服公开报道的推演式案例研究）
• 接通率 90%+、转人工下降 80%+：中国太平洋保险公开报道《太平洋寿险上线首款客户端智能客服机器人》
• FCR 60–70% 基线与 90%+ 目标值：原书稿标注"基于公开资料与行业经验推断"，本书沿用该口径
• 六层架构、置信度路由、变革管理细节：原书稿 + 行业通用实践归纳