每台仪器的故障史都在老工程师脑子里 · 人一离职全归零
上市后监测与售后 · 真实业务触发
医院检验科来电:CL-2000 报错误代码,今天出不了报告。客服问三遍「什么型号什么情况」,客户重复描述三遍 —— 而那台机器去年修过同样的问题,记录在某位离职工程师的本子上。
不是流程描述,是调研出来的真痛点 —— 每条可点开核对出处
变化不在「快」,在「参与的角色」和「覆盖的范围」
5 步 · 每一步的产出都是下一步的输入
痛感 4 × AI 适配 4 ÷ 落地难度 2 = 9.6
最大差异点 · 与「通用客服机器人」的路线不同:应答基于该台设备的 UDI/序列号档案、历史故障与型号通病库,排查建议每条附历史工单引用 —— 通用工具没有这些私有数据。
评分口径:痛感看「这事没做好谁会生气、生气到什么程度」; AI 适配看「输入是否非结构化、是否要跨部门取数、错了能不能当场看出来」; 落地难度是分母 —— 需要客户先做数据治理的场景,分数会被压得很低。
判断标准只有一个:这份东西能不能直接进企业的流程
不做诊疗建议 —— 只涉及设备操作与维护,不回答临床结果解读。上门派单与备件调用是人的决定,AI 只给建议与依据。涉及疑似不良事件的描述会转初筛流程,不在售后渠道关闭。
Live Demo 里有一个完整案例的每一步,包括 Agent 在哪一步拦住了