公开案例 · 制造/汽车零部件
德国斯图加特某制造零部件企业(七八十人)
制造业经验传承与新人培训
项目做法
FDE 进场后没有先问用什么模型,而是先看企业怎么培养新人,把模糊需求继续往业务里走,直到变成具体问题:新人缺哪些知识、知识在哪里、怎样在需要时被找到。做法分四步: 1. 进入业务。先找主管把生产线和新人培训流程梳理出来,统计新人最常出现的问题、最容易反复出错的知识、哪些属于老师傅才能掌握的隐性经验,整理成一张知识地图。方法是直接跟着员工走一天的工作流程,看他在哪停下来、哪里要问别人、哪些问题反复出现,而不是只做访谈——一线员工不一定愿意花时间受访,隐性工作习惯也答不出来。 2. 把人的经验变成 AI 能用的知识。先导入企业已有文档,用文档解析和 RAG(检索增强生成,即先检索相关资料再让模型生成)处理;更重的活是把老师傅脑子里的隐性经验抽象出来进入知识体系。验收没有按"文档扔进去能回答问题"算完,而是用前期统计的高频问题直接做成测试集,要求文档解析率约 95%、问题召回片段准确率 80% 以上,在最小范围测试里达标才认为技术路径初步跑通。 3. 把 AI 放回原来的培训流程。没有新增一个聊天机器人入口,而是把 AI 知识能力接进企业实际使用的平台,设计类似在线课程打卡的流程——新人能看到规定时间内完成多少学习,带教师傅能查看新人进度,每节课设问答做简单验收。 4. 陪跑。上线后持续调整前端页面、学习流程和易用性,仅陪跑就接近两个月;从立项、调研算到最终陪跑约半年,实际投入项目约四个月。
项目进展
原文给出的业务变化有三条,均为定性披露: - 经验被系统化整理,企业第一次能比较完整地知道哪些经验不能随老师傅退休流失 - 老师傅角色从重复答疑转向盯进度和处理复杂问题 - 培训变得可追踪,新人学到哪里、掌握多少,从依赖带教师傅观察变为平台可见 > 验收口径的数字是文档解析约 95%、问题召回片段准确率 80% 以上(验收标准,非上线后实测数据)。 项目周期:仅陪跑接近两个月,立项到陪跑约半年,实际投入约四个月。原文未披露失败案例或额外投入金额。 踩坑有三条原文自述: - 用户说不清需求和经验——改用跟岗代替纯访谈 - 技术指标没有行业标准——先小范围测试,再与客户共同定验收标准 - 技术跑通后员工不一定愿意用——花大量时间调前端和学习流程易用性
