Grab用AI Agent将机械分析工作占比从44%降至30%

Grab正在使用AI 代理来自动化分析工作流，从而减少了分析师处理的常规工作比例，并缩短了回答业务问题所需的时间。该公司报告称，分析师处理的机械工单比例从 2 月份的 44% 下降到 6 月份的 30%，涉及数据准备、告警和报告等任务。

该方法基于五级自主模型，该模型定义了代理在保留人工监督的同时可以拥有多少分析工作流。在级别 3，人类提出问题并审查结果，而代理负责发现数据、编写和执行查询、验证结果以及起草分析。在级别 4，代理可以规划和编排工作流，而人类审查定义的关卡。级别 5 代表端到端的自主性，人类设定目标、质量阈值和升级规则。Grab 保留人类对指标定义、因果解释、业务假设和最终决策的责任。

Maanas Prabhakar，Grab 分析负责人，在一篇《LinkedIn 帖子》中强调了分析师角色的变化：

更难的问题是，当代理处理数据准备、分析和其他一切时，分析师做什么。

Grab 的 Spartan 系统将该模型应用于自然语言分析请求，包括通过 Slack 提交的问题。该系统使用超过 50 项技能和 120 个分析框架将请求路由到专门的工作流。根因问题可以触发对认证指标和相关维度的分析，而实验问题可以检索现有的记分卡，而不是查询数据湖。

我们知识库中的索引架构（来源：Grab 博客文章）

该公司还投资于代理产生可靠结果所需的数据上下文。Grab 维护着超过 5,000 个认证表和指标、4,000 个上下文文档和 2,000 个黄金记录。其 ContextIQ 系统将这些信息视为生命周期，随着仪器仪表的变化而更新上下文，并整合从生产代理故障中识别出的修复。

Grab 还使用 AI 代理进行分析操作。例如，Scarlet 通过执行根本原因分析来处理管道故障，并可以修复故障或在预定义关卡或文档化的运行手册未涵盖问题时升级故障。

Scarlet 在 Slack 上的实际操作（来源：Grab 博客文章）

对于重复性分析，Grab 使用代理自动化指标和 OKR 评论，评估显著变化，按国家和细分市场分解，并将其与运营变化和实验相关联。其 BriX 门户支持分析工作流开发，自 9 月以来使用量增长了十倍以上。该团队报告称，上半年有 31 个生产部署、283 个合并请求和 60 个功能。

在 3 月至 5 月期间，自助式分析无人参与的回答比例从 53% 增至 67%（指标请求）、63% 增至 90%（数据拉取）、50% 增至 81%（SQL 请求）。约四分之三的线程来自分析团队之外，85% 的线程在一分钟内收到首次响应。Grab 报告称，这一转变减少了分析师的机械工作量，使其能够更专注于自助服务工作流和更深入的分析。