企業 AI 導入前後對照:採用率、time-to-production 與工單減量的真實數字

「系統上線半年了。」客戶的營運主管把儀表板轉過來,語氣有點防衛。畫面很體面:對話量、意圖辨識率、平均回應時間,一整排綠燈。我只問一句:「這個月,有幾個第一線同仁,真的靠它處理完一張工單?」

空氣安靜了幾秒。查出來是 11 個人,佔應該使用團隊的 9%。

這就是我們最常接手的場景。不是 AI 不會動,是它在 demo 裡活得好好的,一到生產線就沒人用。要判斷一次企業 AI 導入 成效 數字是真是假,我後來只看三件事,其他都是裝飾。

企業 AI 導入 成效 數字,只有三個指標騙不了人

第一個是採用率:每天真的用它完成工作的人,除以「照理說該用的人」。不是登入數,不是點擊數,是完成一件真實任務。第二個是 time-to-production:從簽約到第一條真實流程跑在生產環境(不是沙盒、不是展示帳號)的天數。第三個是工單或工時的減量,而且要 before/after 同一條流程實測,不是問卷自評「感覺有變快」。

這三個數字有個共同點:都很難作弊。Demo 灌不了採用率,PPT 也生不出 time-to-production。

三個案例的 before / after

以下三個是這一年我們實際交付的專案,數字已徵得客戶同意、去識別化後引用:

三條線索值得拆開講。

製造業那家,原本的客服 AI 不是爛,是它為「一般電商」設計,而客戶賣的是工業泵浦。一張工單經常牽扯到型號、保固批次、現場照片,通用模型答不出來,同仁就繞過它。我們沒有換平台,只做兩件事:把 12 萬筆歷史維修單接成 RAG 知識庫,再把「查保固」「調零件庫存」兩個動作做成 agent 直接呼叫 ERP。採用率從 9% 爬到 71%,花了 26 天。

區域銀行那案,我得老實說第一版做壞了。徵審初審我們一開始想做全自動生成,結果法遵直接擋下來——授信意見有監理責任,不能是一個黑箱吐出來的東西。我們退回一步,改成 copilot:AI 起草、徵審逐段修改、每段留下修改軌跡。上線 41 天,初審撰寫從 45 分鐘掉到 9 分鐘;更意外的是退件率降了 22%,因為草稿把該查的欄位都先列齊了。全自動版本會更炫,但它永遠上不了線。

物流那案講一個反直覺的點:我們把 AI 能做的範圍砍小,採用率反而上去。原本想讓系統自動改派所有車趟,調度員不信任,寧可全部手動。後來只讓 AI 處理「單純延誤、不跨區」的改派,把爭議大的留給人。每天人工改派工單從 320 張降到 96 張,調度員反而開始主動要求擴大授權。

為什麼這些數字動得了,而 demo 動不了

把三個案例疊在一起,共通點不是模型多強,是有工程師蹲在客戶現場,盯著真實流程一段一段改。通用系統為「平均客戶」設計,但沒有一家公司是平均的——它的例外、它的髒資料、它的法遵紅線,才決定了 AI 到底上不上得了線。

time-to-production 之所以是關鍵指標,因為它逼你面對真實環境:權限、資料串接、稽核軌跡、第一線的信任。這些在 demo 裡全都不存在,所以 demo 才那麼快、那麼美。

我們在 Tenten 的做法其實很土:派 FDE 前線部署工程師進場,先量出這三個數字的基準線,再一條流程一條流程推上生產、追採用率,直到有人真的天天用。Demo 很美不算數,上線而且有人在用,才算數。