面对长期的低利率、竞争的加剧以及不断变化的客户和市场的动态所导致的成本压力，全球保险商美国国际集团(American International Group Inc./AIG)启动了战略重组来简化其组织和提高运营效率。其中一部分内容涉及了对日益增加的技术债务以及一个努力维持运营稳定的分布式 IT 部门的处理。

据 AIG 全球首席技术官 Mike Brady 称，通过将 IT 部门重组成一个向 CEO 汇报的单一组织，AIG 奠定了创造新企业技术范式的基础。这一转型的第一步涉及基本能力的建立，为此该团队制定了一个分成三部分的方法：

稳定(Stabilize)： 整体网络性能需要改进，因为用户几乎每天都会经历十分严重的中断，而且虚拟网络性能每周都会下降一次。

优化(Optimize)： 此策略专注于自助服务、自动化和成本效率。

加速(Accelerate)： 为使处理进度迅速向前推进，该团队实施了一个 DevOps 战略来创建一个连续集成/连续部署工具链和流程流了来实时地部署软件。

AIG 寻求机器学习的帮助以实现这些方向。该公司开发了一个先进的协作机器人程序，它可以利用内置的算法能力、机器学习和机器人流程自动化。这些虚拟的工人被称为「co-bot」——表达了公司希望所有员工将虚拟员工作为人类员工的一种扩展和助手的期望。

2015 年 10 月，AIG 部署了「ARIES」——该公司的第一个机器学习虚拟工程师——来解决全球的网络事件。在一个 90 天的试点项目中，ARIES 被训练为沿着一种「管理和监督(curate and supervise)」模式进行操作，并向其人类同事们学习。在这种方法中，ARIES 通过观察和实验来学习如何评估中断源以及如何确定可能的原因和反应。该 co-bot 已准备好在第 91 天时实现全面部署。这并不是说这些机器有多快——事实上，AIG 已经发现人类平均需要 8 至 10 分钟来解决一个典型的问题，而 co-bot 则平均需要 8 分钟。这要归功于其规模：co-bot 可以不休息、不睡觉地进行连续工作，而且解决问题极为迅速，不会造成任务积压。

在部署 ARIES 的 6 个月内，自动化识别并处理了超过 60% 的中断。一年之内，ARIES 的机器智能加上它对环境健康监测传感器的扩充使用，使它在愈加严重的网络问题扩大化之前以编程方式对其进行了修复。虚拟工程师可以自动识别不良设备、进行诊断测试以确定原因，并登录以实现恢复性修理或升级为「咨询」技术员。此外，该 co-bot 将网络问题关联了起来，因此，例如数据模式显示某设备在一个月内造成了 50 个事故，那么 IT 团队就知道它需要更换了。在过去的一年间，这些工作减少了 50 % 的严重等级为 1 和 2 的问题。它们还增加了技术员的工作满意度。由于不用再执行普通而繁复的任务，技术人员现在可以专注于更具挑战性的、有趣的任务，并从 co-bot 的诊断建议中受益。

还有额外四个 co-bot 各与一名经理共同经营公司，负责管理、工作、培训和学习方面的内容，甚至包括绩效管理，该举措已取得一系列的成功。

沿着 co-bot 在 IT 部门所取得的成功路径，AIG 正在挖掘机会将机器学习应用于业务操作中。「我们希望企业使用机器学习，而不是需要更多的资源，」Brady 说。「我们需要利用大数据和机器学习作为新的资源，而不是把它们当成新的成本。」内部试验正在进行中，以确定 co-bot 是否可以审查伤害索赔并立即授权支付支票，这样客户就不需要延迟处理了。其它机会可能会出现在认知增强的自助服务领域、代理增强辅助渠道，甚至是使用认知代理作为自己面向客户的渠道。

「co-bot 方式仍需改进，」Brady 说。「如果它真的很复杂，就会与团队操作的便捷性相矛盾。这就是设计思维的源泉。自从一年前我们开始做这件事以来，已经解决了 14.5 万起事故。它做得非常好;只是还需将它推进到业务流程直至客户认知互动方向。