案例拆解:某車廠售後 AI Copilot 把維修查詢從 15 分鐘壓到 90 秒

技師老陳在維修工位前站了快十五分鐘。他手上是一台三年車齡的休旅車,儀表板跳出一組他沒見過的底盤異音案例,他翻的是內部的技術通報 PDF、原廠 TSB 公告、還有一個要輸入車型代碼才查得到的舊系統。三個視窗,兩套帳號密碼,一份掃描檔糊到看不清楚。等他拼湊出答案,客戶已經在休息區喝完第二杯咖啡。

這不是老陳不熟。這是這家車廠的每一位技師,每天要重複二十幾次的動作。

從一個「查不動」的痛點開始的車廠 AI 導入案例

我們接手時,客戶最初想要的其實是「一個更好的搜尋框」。他們以為問題出在關鍵字搜不準。我們花了兩天蹲在維修廠,跟著四位資深技師和兩位新人跑完整個班次,才確定真正的瓶頸不是搜尋,是知識散在七個地方:原廠技術通報、內部維修工單歷史、零件相容表、召回公告、保固條款、還有兩位老師傅腦子裡沒寫下來的判斷。

技師要的不是「找到文件」,是「直接告訴我這台車該怎麼修、換哪個料號、保固吃不吃」。

所以我們沒有做搜尋框。我們做的是一套 RAG 知識系統加上一個嵌在維修管理介面裡的 AI Copilot——技師輸入車型與症狀,它回傳的是帶出處的維修建議、對應料號、以及保固判定,每一句話後面都掛著可點開的原始文件連結,因為在售後場景裡,答案錯了要賠錢,可追溯比漂亮更重要。

上線八週後的數字

我們最在意兩件事:查一次要多久,以及技師到底用不用。第一個月我們只開放給六位技師試用,刻意不全推,先把回答錯誤的案例一條條抓出來餵回系統。

15 分鐘壓到 90 秒,這個數字很好看,但它不是重點。重點是那個 78%。

為什麼採用率比速度更難

我們踩過的雷在這裡:第三週採用率一度掉到 40%。不是系統慢,是有兩位資深師傅發現它在一個冷門變速箱型號上給了模稜兩可的答案,就在休息室放話「這東西不準」。在維修廠,老師傅的一句話比任何上線公告都管用。

我們的處理方式不是改參數了事。我們讓那兩位師傅當「校對員」,把他們挑出來的錯答案變成系統的測試集,每修正一條就回去跟他們確認。三週後,那位最愛唱衰的師傅變成用得最兇的人——每天 30 幾次。當一個工具開始幫你,而不是考核你,採用率才真的長得起來。

這也是為什麼我們把料號建議的信心分數做出來:低於門檻時,Copilot 不會硬猜,它會直說「這題我不確定,建議查 TSB-2023-08 或問資深技師」。技師信任一個會承認自己不知道的工具,遠勝過一個永遠很有自信但偶爾騙你的工具。

這個案子留下的三個判斷

第一,售後維修的 AI 價值不在「快」,在「準且可追溯」——查詢時間只是副產品,錯誤率下降才是省下真金白銀的地方(那 9 件/月的重工減少,一年就是可觀的工時與料件)。第二,知識系統的難點永遠不是模型,是把散在七個孤島的資料接起來、清乾淨、對得上料號。第三,採用率是靠現場信任堆出來的,不是靠一場漂亮的 Demo。

我們在 Tenten 做這類專案,習慣是工程師直接進廠蹲點,把 Copilot 推到技師每天真的會點開的那一格介面裡,然後盯著採用率的曲線一路扛到它站穩。Demo 那天全場點頭不算數,老陳不用再站在工位前翻三個視窗,那才算數。