案例拆解:製造業 AI Copilot 採用率從 18% 拉到 73% 的完整做法

18% 到 73%,中間隔了十四週。這是一則製造業 AI Copilot 採用率案例的完整拆解——這篇會把每一個百分點掛回具體動作,而不是掛回「換了更強的模型」。

案主是一家中部的金屬沖壓廠,五百多名員工,做汽車與家電的結構件。兩季前他們自己上了一套 AI Copilot,想讓現場工程師和品保少花時間翻手冊、查工單。Demo 很漂亮,合約簽得很快。上線第三個月,實際週活躍採用率 18%。買方主管問我們的第一句話是:「是不是模型不夠好?」

不是。

18% 從哪來:先站到產線上,別先動系統

我們進場第一週沒改任何一行程式。跟著早班和大夜班各站兩天,看工程師遇到問題時實際會去問誰、翻哪一本、開哪個系統。

結論很快浮現。Copilot 給的是「正確但沒用」的那種答案——它會說「請參考設備維護手冊第幾章」,可是現場要的是「這台 500 噸沖床報 E-42,上次是誰、怎麼在二十分鐘內排掉的」。系統答的是通用知識,現場問的是這座廠的私有經驗。所以那 18%,幾乎全是新進員工在用;老師傅一次都沒回頭。

第一個真正的動作,是重建知識來源。我們把 Copilot 從「通用問答」改成綁定他們自己的三類資料:設備維修工單歷史、品質異常處理紀錄、各線的 SOP 與作業指導書。用 RAG 讓每個回答都能點出處——回到那張工單、那份異常單。

老師傅願不願意用,只取決於一件事:它講的是不是「我們廠的話」。當 Copilot 開始能回「這個異常在 3 號線出現過四次,標準處置是換這顆感測器」,並附上原始工單編號,現場的信任才開始長出來。這一步把採用率從 18% 帶到 34%。

我們踩過一個雷。第一版做了一個很體面的獨立網頁,登入、搜尋、對話框都很順。兩週後採用率只從 34% 爬到 38%。因為沒有人願意為了問一句話,離開本來就開著的 MES 畫面、再登入另一個系統。

於是我們把入口整個搬進他們日常在用的 MES 和報工介面——工程師在原本的工單畫面上,直接有一個「問 Copilot」的側欄,帶著當前工單的脈絡發問,不用重打背景。入口的位置,比答案的品質更早決定人會不會用。

最後兩步最常被跳過。我們在每個班別找一位資深線長當 Champion,不發教學影片,而是讓他在交接班時當眾用一次給大家看。同儕示範的說服力,遠大於任何導入簡報。

同時,我們把「成功」的定義從「有多少人登入」換成「有多少個真實任務被 Copilot 走完」。這讓我們每兩週能拿真實使用資料回來迭代——砍掉沒人用的功能,補上被問最多、卻答不好的題目。73% 不是某個功能堆出來的,是這五個動作疊出來的。

工具本身,從頭到尾沒換。同一套底層模型,採用率翻了四倍。差別全在落地:接對資料、放對入口、找對人帶、量對指標。

這也是我們在 Tenten 做 FDE 前線部署時反覆驗證的一件事——工程師得進場,把系統接進現場的真實流程,直到那個班別的人願意天天用。Demo 很美不算數,上線且有人在用,才算真的上線。