六大產業 AI 導入交付成果盤點:金融、醫療、製造、零售、物流、車用的量化案例

上線那天,大家最愛看的是 Demo 的準確率。我們比較常被問的,是第 90 天的使用率。

這兩個數字經常對不起來。一套系統驗收時漂亮得不得了,三個月後翻後台,真正在用的人只剩零頭。所以這篇不談模型多強,只盤點我們在六大產業實際交付、而且撐過上線後那幾個月的數字。要看產業 AI 導入案例成果,就從能被稽核的指標看起,不是從 slide 看起。

先看六大產業的量化盤點

下面是我們在各產業的代表性交付結果。數字都取自上線後穩定期(通常是導入後第 60 到 90 天),而非驗收當天的實驗室值。

產業	場景	關鍵成果	上線後採用率
金融	法遵文件審閱 Copilot	單案審閱從 45 分鐘降到 12 分鐘	承辦端 78% 週活躍
醫療	病歷摘要與衛教問答 RAG	出院摘要草稿時間減 62%,引用可溯源	主治醫師 41%、護理 69%
製造	設備維修知識 Agent	老師傅經驗檢索命中率 88%,首次修復率 +23%	現場維修班 74%
零售	商品客服與導購 Copilot	一線客服 AHT 減 31%,轉真人率降到 18%	客服團隊 91%
物流	異常配送調度助理	例外處理平均反應時間 −40%	調度中心 66%
車用	車機語音與手冊問答	問答正確率 84%,誤喚醒率壓到 3% 以下	內建功能,無退場

這些數字背後,幾乎每一個都踩過雷。以下講三個對決策最有參考價值的。

我們接手一家壽險公司的法遵審閱案時,前一版工具的模型準確率其實有 90% 以上,但承辦根本不開。原因很土:它把整份判斷丟給你,不告訴你「依據哪一條」。法遵人員要為簽字負責,不敢用一個講不清理由的黑盒。

我們沒換模型,改的是輸出結構。每個結論後面掛上原文段落與條號,讓人可以三秒複核。審閱時間從 45 分鐘掉到 12 分鐘,週活躍衝到 78%。同一個模型,把「可稽核」補上,採用率才起得來。

醫療這案最難的不是摘要品質,是幻覺零容忍。我們的做法是,寧可讓系統在證據不足時回「查無明確記載」,也不讓它猜。醫師願意用的關鍵,就是它敢說不知道。出院摘要草擬時間少了 62%,而且每一句都能點回原始病歷。

製造那案,雷踩在資料本身。老師傅的維修知識散在 Line 群、手寫本、離職者的腦袋裡。我們花了近四成的專案時間在把這些非結構化經驗清洗、標註,模型才有東西可查。首次修復率 +23%,一半功勞其實在資料工程,不在模型。

零售客服那案,我們上線初期刻意保留一個「一鍵轉真人」按鈕,而且讓它很好按。反直覺,但正因為客服知道卡住隨時能跳出去,他們才敢放心用,AHT 才降了 31%,最後轉真人率反而壓到 18%。

物流和車用的共通點,是把 AI 塞進既有動線,而不是要求人多開一個系統。調度助理直接長在現有派工畫面裡;車機問答則綁進原本的語音鍵。使用者甚至沒感覺自己在「用 AI」,這通常就是採用率最健康的狀態。

盤完六個產業,規律其實一致:決定成敗的不是 Demo 那天的準確率,而是可稽核性、資料品質、以及有沒有把退場與動線設計進去。這些都不是模型能力問題,是交付現場的工程問題。

我們在 Tenten 的做法,就是派工程師進客戶現場,盯著這幾件事一路扛到第 90 天的使用率報表。Demo 很美不算數,有人天天在用、而且數字撐得住稽核,那個才算數。