Circles

Circles 是一家成立于 2014 年的新加坡电信技术公司，其 SaaS 平台帮助数字电信运营商上线并运营 AI 驱动的客户体验；公司也以 Circles.Life 名义在新加坡经营自己的消费电信业务，合作伙伴覆盖 14 个国家、六大洲。本文经营来自 OpenAI 的案例研究，描述它基于 OpenAI API 构建"AI 原生电信堆栈"的实践——把客服、个性化、运营与变现统一到一个连贯体验中，而非嵌入传统业务环节的辅助工具。

与企业 AI 原生转型归纳的"嵌入式客户触点与核心运营"层次一致，Circles 的价值主张是把电信运营商手里的丰富客户信号（用量、账单、网络活动、位置）转化为及时、个性化的行动。案例给出的两个核心组件是 CareX 与 Xplore IQ，并披露了可验证的业务与流程指标。

CareX：多智能体客服编排

CareX 是支撑其 AI Concierge 的专有多智能体架构。它不是传统聊天机器人，而是被设计为能"理解、行动、解决"客户请求的编排系统：

flowchart LR
    A[客户请求/实时上下文] --> B[编排智能体]
    B -->|按需路由| C[账单智能体]
    B -->|按需路由| D[订阅智能体]
    B -->|按需路由| E[网络管理智能体]
    B -->|按需路由| F[账户服务智能体]
    C --> G{能否自主解决?}
    D --> G
    E --> G
    F --> G
    G -- 能 --> H[自主解决]
    G -- 需升级 --> I[转人工并附完整上下文]

编排智能体理解每位客户的历史与当前活动（例如正在浏览漫游选项或调查账单问题），把客户的应用上下文、账户历史与请求合在一起，再路由到相应的专门智能体。
专门智能体覆盖账单、订阅、网络管理与账户服务，且只接收解决该问题所需的最小信息，而非整个客户档案——这是对 Agent Guardrails（Agent 护栏） “最小权限"原则的具体落实。
若需升级，会把完整上下文一起转给人类客服，让客户不必重复叙述，也符合 Human-Agent Teams 中"Agent 负责解释与推进、人类负责高风险决策"的分工。

由单一入口（搜索、账户管理、支持、个性化推荐合为一体）加上按需路由专门智能体的设计，是动态工作流在客服场景的典型实例。

自主解决率指标

案例给出的成效集中在自主解决率这一流程层指标上，而不是单纯的席位或调用量（参见 Evals（评估）对采用/流程/结果的区分）：

阶段	自主解决率	说明
首个部署周（早期某运营商）	55%	上线第一周即达到
当前（CareX 全工作流）	65%	无需人工干预自主解决
目标（扩展实时语音后）	95%	覆盖文本与语音的整个工作流

Circles 正把 CareX 扩展进实时语音支持，其 95% 目标与 OpenAI Presence（75% 呼入自主解决）方向一致，都是"语音渠道也要能自主解决”，而不仅提供文本解答。案例说明这一目标意在把 AI 驱动解决能力延伸到客户最先使用的渠道，让服务更自然、即时、可及。

Xplore IQ：个性化引擎

Xplore IQ 是基于 OpenAI API 的个性化引擎，结合客户行为、账户历史与实时信号，识别"最相关的下一步动作"——从推荐漫游包、套餐升级到在流失前预防流失，把广撒网式营销替换为超个性化推荐。

它披露的是结果层对比指标：把收到 AI 推荐与未收到的客户对照，AI 组在新加坡实现 ARPU 提升 22%（通过更高的套餐升级与增值订阅），同时及时的相关推荐把流失率降低 9%。来源未给出实验设计细节（样本量、对照时长、统计显著性），因此这些数字仍属厂商自述，可参考方向但不宜直接外推。

治理与安全

案例强调了几项在客户信息进入模型层之前的自动控制：

PII 识别与加密：在数据传给 LLM 之前，先识别并加密个人可识别信息。
作用域访问：专门智能体只被授予完成特定解决任务所需信息的作用域访问权，而非整个客户档案的无限制访问。
运营控制：人类升级路径、分阶段上线、速率限制、回滚机制与商业防护，用于在 AI 体验规模化时维持运营掌控。

这些做法是 Agent Guardrails（Agent 护栏）在企业生产环境的具体实例，尤其强调了"最小权限 + 数据脱敏先于模型层 + 人工接管"。

内部工程效率

Circles 内部也在工程、信息安全与事件管理团队使用 Codex 加速设计、编码协助与测试，由专业人员负责验证与最终审查，报告实现 29% 的开发效率提升。其"让专人负责验证与最终审查"的用法与 Human-Agent Teams 一致——扩大委派范围不等于移交验证与最终责任。