AI工具没人用-这家公司干脆让AI上岗

摘要：我们车间上了个智能助手，老师傅一次没打开过。直到我看到 Kavak 的故事，才知道这个问题有个名字——而他们的解法，比我想的狠得多。

去年我们车间上了一套"智能助手"。

采购跑了大半年选型，IT 部门加班加点对接，上线那天还拍了照发公号。功能挺全：实时工艺参数推荐、异常预警、知识库检索。培训做了两轮，操作手册印了 50 份。

三个月后我去看后台日志，日活是两位数。车间 200 多号人，活跃用户不到一成。再过两个月，连这两位数都保不住了。

老师傅的反应很直接："我用我自己的经验，一分钟搞定。你那个系统，我得先学会怎么问它，问完还得验证它说得对不对。有那功夫，活儿早干完了。"

这话听得我哑口无言。不是因为他说得没道理，恰恰因为他太有道理了。一个工具再好，只要需要人改变既有习惯去适应它，它就一定推不动。这不是某个人的问题，是人性的问题。

但工具真的就这么白买了吗？我一直在找一个答案。

直到最近看到 a16z 今年 2 月的一期播客，我才知道，这个问题有个名字，而且有人给出了一个完全不同的解法——狠到我不确定自己敢不敢用，但确实跑通了。

一、Kavak 踩了同一个坑，但他们的下一步不一样

这家公司叫 Kavak，拉美最大的二手车交易平台，覆盖墨西哥、巴西、智利、阿根廷和中东。听起来和我们八竿子打不着，但听完他们踩的坑，你会发现剧情一模一样。

2023 年初，Kavak 给员工做了一批 AI copilot 工具。和我们一样，逻辑是"把 AI 接进系统，让人变强"。结果呢？采用率趋近于零。和我们一样。

区别在下一步。我们遇到这种情况，通常的反应是：加培训、换供应商、或者干脆认栽把这事搁下。Kavak 的创始人 Carlos García Ottati 做了个更狠的决定——不再推动员工用 AI，让 AI 直接上岗。

不是给人配工具，是把工具变成岗位。

而且他反直觉地不从简单客服开始，从最难的问题下手：融资核贷和质保理赔。理由是，如果 AI 能啃下最复杂的边际案例，简单问题自然不在话下。反过来，先做个问答机器人，你永远不知道系统扛不扛得住真正的硬仗。

代价是什么？AI 上场第一天，表现一定不如最好的人类员工。客户体验下滑，营收跟着掉。Kavak 从 100% 的增速，直接掉到整整一年零增长。

Carlos 不设 Plan B。不能说"AI 不行就换回人"，他把工程团队全部压上去，唯一的出路是让 AI 达到人类水准。他打了个比方：这就像飞机在起飞过程中被迫减速，最糟糕的事是在跑道上踩刹车，你必须继续爬升到一万英尺，才有资格做理性决策。

说实话，换我不一定敢这么赌。

但结局是：第一个业务环节里，AI 的表现先跌到谷底，再慢慢爬升，最终达到公司最佳人类员工的 1.5 倍。然后他们把这套模式一个环节一个环节地复制下去。每复制一次，都是同样的曲线：先降，后升。

今天的结果：3,500 人干了原来 10,000 人的活，90% 到 95% 的客户交互由 AI 完成，2025 年 12 月拿到公司历史上第一次全球月度盈利。

二、为什么"智能是组织，不是工具"

这个访谈的核心判断，可以用一句话概括：智能不是"工具"，而是"组织"。我把它翻译成我们制造业能听懂的话：

Copilot 模式，是把 AI 当"给人的工具"：组织不动，人在前，指望每个人自己变强。Agent 模式，是把 AI 当"组织成员"：工作流重排，AI 在前，人退到编排和例外处理的位置。

前者依赖人改变行为，而人天生抗拒改变。后者改变的是系统结构，跟个人意愿没关系。所以前者注定低采用率，后者一旦跑通，赢的是结构。

我们车间那个"智能助手"为什么推不动？因为它是 Copilot 模式——发了个工具，指望老师傅自己学会用、自己改变工作习惯。Kavak 的解法为什么跑通了？因为它改的是工作流本身——AI 站到了岗位上，人退到后面做编排和兜底。

访谈里还提到一个一百年前的老故事。1890 年代，纺织厂把蒸汽机换成电动机，然后整整三十年，工厂产出几乎没有提升。直到 1920 年代，有人想明白了：换马达没用，车间得按电力的逻辑重新设计。流水线、单机驱动、工种重划。电气化的红利，在"重新设计工厂"的那一刻才真正兑现。

我们已经有了电动机。问题是，我们没有重新设计工厂。

三、制造业的"同款坑"，远不止工具没人用

Kavak 的故事让我有感而发，不只是因为"工具没人用"这一出。在中国制造业，同样的逻辑至少还在四个地方反复上演。

第一出：工具式 AI 的失败。多少工厂买了 AI 检测盒子、上了"智能排产"模块，最后变成参观时打开、平时关掉的展品？道理和 Kavak 一样，工具没有嵌进工作流，用与不用全凭个人，那它就一定不会被用。我自己车间的那个智能助手，就是活生生的例子。

第二出：数据没打通，AI 先上马。Kavak 在碰任何 AI 之前，先花了五年打通数据——把电商平台、整修质保、融资引擎、物流网络四条业务线的数据，一个字段一个字段地串起来。而我们很多企业，同一个产品，研发 BOM、生产 BOM、计划 BOM、成本 BOM、售后 BOM 五套清单各自为政，改一处，其他四处不动。BOM 不治理，一切 AI 都是空中楼阁。AI 部署的成败，有一半在你碰到任何 AI 工具之前就已经决定了。

第三出：最贵的缺陷样本在流失。访谈里有个细节，Kavak 坚持质保业务不外包，因为"你真正了解一台车的唯一时刻，是它坏掉的时候"。这话放到制造业，分量要翻倍。每一件报废品、每一次产线异常、每一批超差件，都是用真金白银换来的缺陷样本。这些数据如果不回流、不结构化、不进工艺知识库，等于把最贵的学费交了，笔记却没记。

第四出：AI 试点专挑软柿子捏。做个知识问答、写个会议纪要，成功了也伤不到经营指标一根汗毛。真正值钱的地方都在难处：良率、核价、排产。制造业的 AI 必须锚定经营指标，经营指标要一路拆到可执行、可归因的二级指标——良率每提升一个百分点，抵得上十次"办公提效"。在最难也最值钱的地方证明 AI，组织信心才立得住。

四、制造业的"组织化智能"，长什么样

认同归认同，这里必须泼一盆冷水：Kavak 的故事不能照抄到工厂。

Kavak 重构的是交易和服务层，AI 报错了可以重试，话术不满意可以再来一遍。制造业多一条命门：物理层。一组工艺参数越了窗口，整批产品报废；设备参数错了，出的是安全事故，不是差评。互联网公司重构数据流就行，我们还要同时面对物料流、设备流、人流的强耦合。

所以，中国工业版的"智能是组织"，我理解是四件事。

第一，指标先行。AI 项目必须锚定一个经营指标的二级指标。不要立项"上个大模型"，要立项"把某类产品的一次合格率提 3 个百分点"。指标拆解到岗，跨部门指标进"作战室"拉通，AI 场景单 owner 落地。没有指标锚的 AI，验收标准就是领导的观感，那注定是不了的项目。

第二，数据治理是前置工程。Kavak 用五年建数据本体论，等来了 ChatGPT。我们的版本，是把 BOM 主数据、工艺参数、检测记录、设备数据这几条线打通。这件事枯燥、不性感、没有发布会，但它决定了三年后你在牌桌上还是牌桌外。

第三，人机路由，别迷信无人化。Kavak 系统里有个"指挥者"（orchestrator），决定每个案例给 AI 还是给人。这才是制造业该抄的作业：AI 处理常规，人处理例外，AI 的建议要过约束条件（工艺窗口、安全边界）才能落地执行。"无人工厂"是营销词汇，人机协同的最优点才是工程词汇。

第四，为下一代模型建系统。今天跑通的良率模型、缺陷数据闭环，价值不在眼前的准确率，而在当更强的模型出现时，你的数据管线能让它第二天就上岗。模型是租来的，数据和流程才是自己的。

五、电动机已经装好了

2026 年了。行业数据显示，经过核验的制造业 AI 落地案例里，46.7% 用的还是传统机器学习，不是大模型；生产制造环节占了六成，供应链环节渗透率才 5.4%。这说明什么？说明制造业 AI 的主战场根本不在追新，而在把已经被验证的技术，用组织的方式吃到嘴里。

卡住我们的从来不是模型不够聪明，是组织没动。给工具是成本，改组织才是投资。

回到我开头说的那个车间智能助手。它现在还躺在系统里，偶尔被打开。但我已经不纠结"怎么让老师傅用它"了——因为那个问题本身就问错了。

真正该问的是：这个岗位的工作流，能不能被重新设计，让 AI 站到前面去？

一百年前电力时代就有人替我们付过学费了：最先通电的工厂，输给了重新设计车间的工厂。

电动机已经装好了。中国的工厂，什么时候开始重新设计车间？

最后做个小调查。如果你在工厂里推过数字化或者 AI，评论区聊聊：你们买过最贵的"没人用"的系统是什么？后来怎么办了？

我猜评论区会比文章好看。

明天聊一个更大的词：无人工厂。

照片里那条灯火通明、一个人都没有的产线，车间角落里多半蹲着个人。这不是段子。一位管过全球几大洲工厂的生产负责人，去参观号称黑灯工厂的灯塔工厂回来，先夸了先进，然后做了一件事：数工位人数。

数完，他说了一句我记到现在的话。

明天见。

（Kavak 案例事实整理自 a16z Podcast《From Copilots to Agents: Rebuilding the Company Around AI》，2026 年 2 月 18 日，嘉宾 Carlos García Ottati。行业数据来自《中国制造业 AI 场景应用白皮书（2026）》。个人观点，欢迎拍砖。）