设备健康度诊断 AI Agent

设备检维修的成本黑洞，从来不在“修”本身，而在“盲目出勤”——人先派出去，到了现场才发现问题是什么。诊断环节高度依赖个别专家的个人经验，无法复制、无法规模化，无效出勤、备件错配、停机时间被一次次放大。

项目上线前，检维修工单取消率约 80.1%。大量设备仅需远程指导即可恢复，却仍被派单上门。

1. 01

   经验工程化

   把专家脑中“凭感觉”的诊断经验，拆解为结构化、可执行的诊断流程与判定规则。

2. 02

   先诊后派

   AI 在派单前完成设备健康度评估与故障预判。“派不派、派谁去、带什么”由诊断结论驱动，不经过诊断不能下工单。

3. 03

   决策闭环

   每次检修结果反哺知识库，系统在真实检修中持续学习。

1. 2025 年 9—10 月已实现

   从 0 到 1 验证

   项目立项时，Epic 目标为降低检修总成本超过 50 万元，价值等级 A。10 月 28 日进入灰度测试，累计验证工单 151 单，成功拦截 30.3% 的无效工单。

   灰度阶段预计每月减少 300 多项无效检修任务；96% 客服认可诊断准确性。

2. 2025 年 11 月已实现

   全量集成，正式执行先诊后派

   11 月 17 日与 GSP 工单系统全量集成。上线后，检维修工单取消率从 80.1% 提升并稳定至 85.8%，接近人工测算的理论上限 86%。

   拦截后的二次进线率由 5.5% 下降至 3.9%。减少无效上门的同时，客户一次性解决率也得到改善。

3. 2025 年底及后续验收价值验收

   验证业务价值与运行成本

   诊断准确率超过 95%，覆盖 85% 离线场景。后续 1 月总取消率达 87.1%，上线前 8—10 月为 82.0%，提升 5.1 个百分点。

   对比上线前后月均数据，月均额外拦截无效上门工单约 421 单。按单次上门成本 81 元核算，年化节省约 41 万元；项目实际产出价值超过 50 万元。

   ROI 由立项时 8.3K / 人天提升至验收时 13.6K / 人天。单次调用成本控制在 0.01 元以内，月度成本仅约 74.7 元。

4. 2026 年下一阶段目标

   AI Agent 2.0：从单点拦截到全链路赋能

   将 AI 能力从客服侧延伸到工程师侧和设备侧，构建主动运维闭环。覆盖摄像头、温度等高频复杂场景的远程拦截，叠加 AI 现场作业质检、工程师“全车健康度扫描”、静默自愈与全量设备诊断洞察。

   全年目标为运维硬性降本 100 万元以上，其中高频复杂场景预计可实现降本 80 万元。