AI辅助整理：本文基于下方列出的公开原始来源改写，不代替原文。
核心摘要： mobilezone 是瑞士领先电信零售商，服务数十万客户、拥有 125 余家门店。面对网页聊天机器人多语言能力弱、答案不一致、内部IT工单反复沟通等压力，该公司用 Microsoft Copilot Studio 构建两个智能体：面向客户的 Mia 与面向内部IT的 Supporto。上线后 Mia 每月支撑约 1250 场活跃聊天、参与率约 47%，Supporto 每月处理约 350 次员工支持并把事件等待时间缩短一半。两个智能体合计月处理超 1600 次互动。
业务背景
mobilezone 是瑞士知名的电信零售商，通过超过 125 家门店与数字渠道为数十万客户提供服务。随着客户期望提升与咨询量增加，原有的客服与内部支持系统都承受越来越大的压力，公司决定用智能体来推动整个服务体系的现代化。
业务问题
在客户侧，不断上升的查询量暴露出旧版网站聊天机器人的局限：多语言支持差、答案不一致、缺乏与 Dynamics 365 的集成，无法给出准确的产品或定价信息，导致大量会话升级到外部联络中心，推高成本。
在内部，IT 工单流程需要大量来回沟通，工单常缺上下文，支持团队把时间花在澄清问题而非解决问题上，多语言差异进一步拖慢进度，造成解决周期长、运营开销高。
AI 如何落地
mobilezone 用 Copilot Studio 构建了两个对话智能体：面向客户的 Mia 嵌入官网，负责多语言回答常见问题、协助设备和订阅选择，并从 Dynamics 365 Commerce 实时取优惠、从客户服务知识库取内容，复杂或敏感问题再上报给人工坐席。
面向内部 IT 的 Supporto 放在 Teams 与 Microsoft 365 里，用自然语言收集信息、通过 API 生成结构化 Jira 工单并自动附带截图与文件，还能用 Confluence 知识直接解决简单问题。二者通过 MCP 服务器接入产品、优惠与知识数据。
实施步骤
该公司以内部 IT 支持智能体 Supporto 作为首个生产用例起步，因为该场景风险较低但对全员有价值，且能提供一个受控环境来摸索如何与智能体交互。
实施中关键的设计决策是引入 MCP 服务器统一管理对产品、优惠与知识数据的访问，确保不适合客户的信息（如内部成本、利润率）受到保护。团队在引入 AI 前先把工作流保持简单，避免复杂度与安全治理叠加。
在此基础之上，再引入面向客户的 Mia，复用 Supporto 阶段沉淀的同一套架构原则与治理模型。
结果证据与边界
来源披露的数据包括：Mia 与 Supporto 每月合计处理超 1600 次互动；Mia 每月支撑约 1250 场活跃聊天、参与率约 47%，现服务 20 万以上用户，全天候可用；Supporto 每月处理约 350 次员工沟通、内部参与率约 87%，并让事件等待时间缩短一半；约 600 名员工依赖该内部智能体。
需要说明的边界是：来源称 Mia 提高了在线转化率，但未披露具体数值；涉及成本节省、转化率提升的量化细节来源未披露。
可复制动作
可复制动作包括：从低风险但全员受益的内部场景切入智能体建设；用 MCP 服务器把数据以受控、特选方式暴露给智能体以隔离敏感信息；让智能体接入 Jira、Confluence、Dynamics 等既有系统以保证回答基于权威业务流程；先简化工作流再上 AI；多语言能力面向跨地区团队可显著减少摩擦；内部智能体跑通后再扩展到面向客户的场景并复用同一套架构。
证据与边界
- 来源为微软官方案例库，数据由 mobilezone 提供。
- Mia 与 Supporto 每月合计处理超 1600 次互动。
- Supporto 让事件等待时间缩短一半，约 600 名员工依赖该智能体。
- Mia 提升在线转化率的具体数值来源未披露。
企业今天可以做什么
可复制的动作包括：先选一个低风险、高覆盖的内部场景（如IT工单）作为首个生产智能体，借受控环境训练组织“如何与智能体对话”；用 MCP 服务器把产品、优惠与知识数据以结构化、特选方式暴露给智能体，避免内部成本、利润率等敏感信息外泄；让智能体接入 Dynamics 365、Jira、Confluence 等既有系统以保证回答基于权威数据；在引入 AI 前先简化工作流，避免复杂性与治理约束叠加导致失败；从内部智能体成熟后再扩展到面向客户的场景，复用同一套架构与治理模型。