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。[12]

病人这边请

随着医疗保健走向了成果导向的模式，患者正在寻找健康保险公司来提供与零售商和银行同等水平的高度个性化客户服务。为了满足这一期望，美国最大的健康福利公司之一 Anthem 正在探索如何利用认知计算能力来流程化和增强其与客户的接触，并使客户支持服务更加高效、响应敏捷和直观。Anthem 的最终目标是在整个政策周期内改变公司与其下属健康计划公司成员的交互方式，而不是仅仅在索赔发生时。

在第一阶段，该公司通过将认知洞见应用于索赔审判过程，使索赔审查人员对每一种情况都有了更深入的了解。根据 Anthem 副总裁（供应商/临床分析和人群健康管理方面）Ashok Chennuru 的说法，「我们正在整合内部索赔数据、会员资格、供应商统计和外部数据——包括社会经济学、临床/电子病历（EMR）、生活方式等方面的数据，以建立一个健康计划公司成员的纵向视图。」[13]

目前，评审人员从文档审查、病患历史调查和取证收集这些过程着手以确定接下来的步骤。有了认知见解，新系统正在不间断地审查后台的现有记录，从而向审查人员提供记录全貌（包括某病人的重复住院情况这种补充信息）来向他们提供可能的医疗计划或有针对性的干预，以及应用智能来标记出索赔相关的任何潜在问题。一旦索赔代表收到案件，她就有了进行全面评估所必需的信息。[14]