AI注入专家经验，解决假故障，IoT运维年省数十万

上周跟一家做智能家居的朋友聊天，他吐槽最近半年光处理"假故障"就赔了不少钱，用户报障说设备坏了，工程师上门一看啥事没有，返厂检测也显示正常，可上门费、交通费一分没少花，折腾一圈全是无效成本。

这种事儿听着离谱，在IoT设备运维圈里却挺常见。

这事儿不能全怪一线工程师，传统运维流程里，客服接到报障就按固定SOP问几句："重启了吗？""网络正常吗？""换个插座试试？"四步走完，用户说还不行就直接派单。

用户那边可能只是信号临时断了，或者误触了设置，可客服手里就那几页纸的标准流程，根本判断不出来。

我后来去他们公司调研，发现有个有意思的现象：公司里有位干了十年的张师傅，他接的报障单里，假故障拦截率比别人高一大截。

本来想问问张师傅有啥秘诀，结果他摆摆手："哪有啥秘诀，就是多问几句呗。"

可真跟着他记录了一周才发现，这"多问几句"里藏着12个步骤，从设备基础状态、网络环境、用户操作习惯，到历史故障记录，甚至周边环境变化都得考虑。

而客服用的SOP，只覆盖了其中最基础的4步，这种"隐性知识"在技术岗位太常见了。

老专家凭经验能一眼看穿的问题，新人照着手册干却总踩坑。

毕竟很多判断是"只可意会"的，比如"用户说网络正常，但语气犹豫时就得查路由器日志"，这种细节根本写不全。

发现问题根源后，我们琢磨着：能不能让AI把张师傅这12步"看家本事"学过来？团队里的技术架构师提议用ReAct框架，简单说就是让AI模拟专家"思考-行动-观察"的过程。

比如接到报障，AI先"思考"该问什么（对应张师傅的第一步"确认基础状态"），用户回答后再"行动"（比如调取设备日志），最后根据结果"观察"是不是假故障。

光有逻辑还不行，得让系统硬起来。

之前总有人为了"怕担责"绕过流程直接派单，这次我们改了系统，只有AIAgent给出"建议上门"的结论，派单按钮才会亮。

刚开始一线同事骂骂咧咧，说AI"死板"，但两周后就没人抱怨了：无效上门单少了一大半，大家不用再白跑冤枉路。

全量上线那天，我们盯着后台数据看了一上午，离线场景的假故障工单，AI拦截率一直稳定在挺高的水平。

朋友掐着指头算：之前平均每月30多单无效上门，每单成本小两百，一年下来就是七万多，现在至少能省八成，再加上返厂检测费，每年实打实能省几十万。

这可不是什么"软性提效"，是真金白银从成本表里抠出来的。

其实做项目时我就发现，很多企业谈AI总喜欢说"赋能""升级"，但真能落地产生ROI的不多。

这个项目能成，关键是抓住了"隐性知识显性化"，把老专家藏在脑子里的12步逻辑，变成AI能执行的思维链，再通过系统改造把流程卡死，不让人为操作钻空子。

现在朋友公司正在琢磨下一步：先把这套逻辑扩展到更多设备类型，比如智能电表、安防摄像头，以后还想让AI主动给设备做"体检"，不等用户报障就把潜在问题解决了。

从被动修故障到主动防故障，这才是AI在运维里该干的事儿。

说到底，AI时代的业务架构师，真不是光懂技术就行。

张师傅现在偶尔还会接几个AI搞不定的复杂报障，他总跟年轻人说："别觉得AI抢饭碗，它就是个不知疲倦的徒弟，把我这些老经验学过去，你们才能腾出手干更难的活儿。"

这话挺实在，AI不是要取代谁，是帮我们把该省的成本省下来，把该留的经验传下去，这才是真的降本增效。