背景：需求洪峰与三个运营瓶颈
PLDT 是菲律宾头号的数字服务提供商。支撑它运营压力的是三股叠加的需求：5G 用户加速渗透、宽带接入持续扩张、卫星连接服务在全国铺开。每一股都在抬高客户服务的响应要求，而按传统路径，这意味着线性加人。
PLDT 的选择是把智能体打在三个具体的运营瓶颈上，而不是做一个大而全的「AI 助手」：知识检索太慢（销售与客服团队答复客户前要先做长周期调研）、内部知识碎片化（员工在系统间找信息的时间高于用信息的时间）、年度风险评审越做越深（人工综合评估吃掉数天到十数天）。三个瓶颈分别由 KAI、Ellie、ERICA 承接——一个瓶颈一个智能体，而不是一个智能体管所有事。这个分工结构本身，就是案例的首要方法论。
KAI：知识检索从 5 天到 1-3 秒
KAI（Knowledge, Automation, Intelligence）是三个智能体中数据最亮眼的一个：
- 前：为提案与客户支持做知识调研，人工流程最长 5 天
- 后：基于智能体助手给出带上下文的回答，1-3 秒
- 年化收益（厂商估算）：消除约 25,000-30,000 小时人工工时，折合约 12 个全职人力（FTE）当量的产能
- 响应速度：官方口径「快 99%」
两条设计约束值得单独划出来：
只基于获批来源（grounded）
KAI 的回答严格限定在 PLDT 审批过的知识源内。这是电信行业把知识检索交给智能体的前提——运营信息与产品信息的答错成本高，grounding 是把「不可控生成」变成「可检索引用」的边界线。代价是知识源维护成为长期运营成本（见避坑一节）。
技术栈演化：Copilot 起步，UiPath 落地
TechNode Global 汇总 PLDT 此前披露的一条关键细节：KAI 由 PLDT 网络团队自研，最初构建在 Microsoft Copilot 上，之后迁移到 UiPath 平台增强，并集成进 Microsoft Teams。用户覆盖企业销售、售前与网络团队。这条演化路径对选型者的参考价值不亚于结果数字——团队先用了低门槛工具验证场景，再迁到编排能力更强的平台。场景跑没跑通与平台强不强，是两个独立问题。
Ellie：把碎片知识变成行动的内部助手
Ellie（Enablement and Intelligence Engine）服务 PLDT Enterprise 团队，定位是「把碎片化的知识与工作流变成智能行动」的内部数字助手。同样由 PLDT Innolab 与 IT 组织自建，同样 Copilot 起步后落地 UiPath。
- 人工劳动减少 25-35%
- 年省约 18,000-25,000 小时（厂商估算）
- 客户响应时间加快最高 80%
官方对 Ellie 的定位表述有个值得注意的转变：从「AI 提供答案」到「AI 把知识变成行动」。前者是检索增强问答，后者涉及把人的判断与系统动作串联——这也是它被归入「智能体」而非「聊天机器人」的实质差异。
ERICA：风险评审的 97-99% 人工削减
ERICA（Enterprise Risk Intelligence Companion Agent）2026 年 2 月部署，处理年度风险评审越做越深的问题：自动综合数据、给风险打分、推荐处置方案。
| 环节 | 部署前 | 部署后 |
|---|---|---|
| 复杂风险评估 | 2-10 天 | 5 分钟 - 1 天 |
| 人工投入 | 基线 | 削减 97-99% |
| 团队精力去向 | 数据综合与打分 | 聚焦风险处置决策 |
ERICA 的可迁移性 arguably 优于前两者：风险综合评估是跨行业的通用痛点（金融、制造、能源都有同构流程），且「综合-打分-推荐处置」的三段式恰好落在智能体能力与人工决策的合理分工线上——智能体压缩信息综合成本，人保留处置拍板权。
收益账本与口径标注
把三个智能体的官方数字并列后，必须立即加上口径标注——这是复现任何厂商案例前的必要工序：
| 智能体 | 核心收益（厂商估算） | 未披露项 |
|---|---|---|
| KAI | 年省 2.5-3 万小时；约 12 FTE 当量；响应快 99% | 测量周期、用户数、请求量、FTE 折算方法 |
| Ellie | 人工 -25~35%；年省 1.8-2.5 万小时；响应快至 80% | 测量了哪些客户交互；收益是否与 KAI 重叠 |
| ERICA | 评审 2-10 天 → 5 分钟-1 天；人工 -97~99% | 无独立审计；区间跨度大说明按评审类型波动 |
行业媒体 TechNode Global 在报道中明确指出：① PLDT 未披露测量周期、用户数、请求量与 FTE 折算方法；② Ellie 与 KAI 的时间节省是否重叠未说明——两 agent 服务部分重叠的人群，账本可能有重复计算；③ 全部数字为公司估算而非独立审计。本文据此把全部数字标注为「厂商估算口径」，复现者应以自身基线重测。
可复现方法论：四步打法
剥离平台叙事后，PLDT 案例的可复现骨架是四步：
- 按瓶颈立项，一个瓶颈一个智能体：知识检索、知识行动化、风险综合三个瓶颈分别立项，边界清晰、指标独立可测。拒绝「先建个大平台再找场景」的反向路径
- 低门槛工具验证，再迁编排平台：KAI 与 Ellie 都从 Microsoft Copilot 起步验证场景，跑通后再迁 UiPath 做编排与集成（Teams 集成、审批流）。场景验证与平台投入解耦，前期沉没成本低
- Grounding 前置：KAI 只答获批来源——先圈定知识边界，再开放回答能力；这与本站此前复盘的多个企业案例（如金融智能运维「只读验证后再开执行」）方向一致
- 收益锚定人力当量：三个智能体的账本最终都折算成小时数与 FTE 当量，而不是「效率提升百分比」这类无基线表述——12 FTE 当量比「快 99%」更经得起 CFO 追问
三条避坑红线
- 红线一：上线前测基线。PLDT 数字的说服力来自有前后对比（5 天 vs 1-3 秒），但测量口径未公开——复现者必须自己定义并记录基线（响应时长、人工工时抽样），否则收益不可审计
- 红线二：多智能体账本要查重叠。当多个智能体服务同一人群时，各报各的节省小时数会重复计算；预算答辩前先做收益去重
- 红线三：知识源运维是长期成本。Grounded 智能体的准确率上限由知识库更新速度决定，赔付标准、资费政策一变，知识库不同步就会系统性答错——需要专责的知识库运营角色，这在立项成本里常被漏算
此外，KAI 与 Ellie 的访问控制、底层模型供应商、人工审核规则与知识源更新流程，PLDT 均未公开；这些治理细节在电信这类强监管行业的迁移价值有限，需按本行业合规要求重建。至于该部署的完整成本构成与 TCO 模型，目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。