# 模型没问题，AI 试点为何还是失败

> 62% 的一线员工怀疑 AI，每条反对背后都有具体担忧，比如怕被监控，FDE 要找出来并在设计上化解。

原文: https://fdetimes.net/zh/guides/frontline-resistance-ai-pilot-fde/

试点进行到第三周，使用量曲线开始下滑。班组长们仍会登录，但大多忽略模型给出的建议。班前会上，一名质检员直接问：“这东西是用来给我们打分的吗？”

这种场景很常见。PwC 与 Manufacturing Institute 2026 年的一项调查发现，62% 的一线员工对 AI 持怀疑态度，只有 24% 表示对它感到兴奋。即便管理层已经签了合同，真正的用户一开始很可能仍心存疑虑。

对前线部署工程师（FDE）来说，这是核心工作。Salesforce 将 FDE 描述为与客户紧密合作、清除瓶颈、加快 AI 落地的人。如果真正使用工具的人不信任它，这同样是瓶颈，而清除它的责任落在 FDE 身上。

## 每条反对意见都藏着具体的担忧

工程师最常犯的第一个错误，是把抵触当成噪音，当成等一等就会过去的心理问题。抵触其实是数据。专注变革管理的机构 Prosci 发现，在一线员工和管理者中，当他们看不到 AI 如何得出决策时，怀疑就会加深。

还有一种更难说出口的担忧。据 ITPro 报道，员工一旦把 AI 视为监控自己的工具，就会消极应付，想办法绕开它。改进闭环也随之中断：没人纠正错误建议，模型就无法从现场学到任何东西。

所以听到反对意见时，第一步是把它翻译成真正的顾虑。下表是一份可以带到车间的“对照手册”。

| 用户怎么说 | 真正的担忧 | FDE 该怎么做 |
|---|---|---|
| “这机器是用来给我们打分的吗？” | 被监控 | 把纠错记录与个人绩效报告分开，并明确说出来 |
| “它就是瞎猜” | 看不懂机器如何决策 | 每条建议都展示推理过程和置信度 |
| “机器错了，谁来背锅？” | 替机器背锅 | 让人担任最终审批者 |
| “那以后还需要我们几个人？” | 丢掉工作 | 最先谈这个问题，而不是最后 |

最后一行最重要。MindStudio 建议，对失业的担忧要第一个处理。回避它，之后的每一次培训都只是走过场。

## 一个试点是怎样救回来的

假设一家电子元器件工厂让 12 人的质检团队试用一个模型，它读取图像并给出缺陷类型建议。第一周大家都很好奇，到第三周，标记为“采纳”的建议比例大幅下降。

这个时间点并非偶然。销售分析工具的 Worklytics 公司的行为数据显示，AI 工具的使用量往往在第三周后明显下滑：新鲜感消退，真正的摩擦开始出现。

这些是厂商自己的数据，不妨把它当作提醒：那一周要待在车间，而不是坐在办公室看仪表盘。

第一步是陪班组长跟完一个班次。在 PwC 的调查中，45% 的受访者表示，所在公司的 AI 项目失败，部分原因是一线负责人参与不足。对话可能是这样的：

> **FDE：** 机器最常判错的是哪种缺陷？
>
> **班组长：** 划痕和灰尘。它会把灰尘判成划痕，而划痕意味着零件要报废。
>
> **FDE：** 如果机器能告诉你它看的是图像的哪个部分，判断会不会容易些？
>
> **班组长：** 会。不过大家每次纠正它，有人在统计吗？会不会算进每个人的分数？
>
> **FDE：** 每次纠正都会记录下来用于重新训练模型，但在绩效报告里不会和任何人的名字挂钩。这一点会写进项目文件，你可以去查。

这场对话催生了五项改动，前三项直接来自班组长的话。第一项是界面：展示模型依据的图像区域、置信度，以及几个相似的历史案例。

第二项是决策权：由质检员确认或纠正，每次纠正都成为训练数据。第三项是书面承诺：纠错记录不进入个人绩效报告。

这三项改动也是向管理层汇报的依据：正如 Prosci 所说，信任来自透明和人工监督；人与 AI 一起审核时，责任归属是清楚的。

**要点:** 用户能看到机器的推理过程、有权说“不”，才会信任 AI。

第四项改动是衡量方式。有人在用工具，不等于试点成功。对质检团队来说，更好的指标是每批次的检验时间、漏检的缺陷数量，以及质检员的纠正中有多大比例进入了新模型。

第五项改动是指定一个具体的人，在前 90 天负责倾听一线反馈并真正落实。把这个人的名字写进计划，再加上每周与班组长的例会。

用户必须看到自己的意见变成了更新，否则他们就不会再提。

## 要推广，先从同伴入手

第一个团队稳定下来后，先别急着推广到全厂。Worklytics 建议建立同伴“带头人”网络：在每个小组里找出天然有影响力的人，在大范围推广前对他们进行更深入的培训。

比起外来的工程师，夜班更愿意听同为质检员的同事讲自己的使用体验。

剩下的工作在你自己公司内部。Salesforce 表示，它的 FDE 团队会把在前线学到的一切反馈给产品和工程团队。灰尘被误判为划痕，是模型缺陷；“这会不会算进我们的分数”的担忧，是产品设计需求，值得单独开一个工单。

## 慢慢拖垮试点的错误

最常见的错误，是只给老板做演示，就以为用户已经接受了。其次是以用户“不需要知道”为由，隐藏模型的工作方式。再次是让使用日志悄悄变成员工排行榜，这恰恰就是 ITPro 所说的监控担忧。

另外两个错误更难察觉。一个是把使用次数当作创造的价值来汇报；另一个是收集了反馈就放在那里，没人负责落实。五个错误同出一源：把一线用户当作产品的接收者，而他们其实是产品的共同设计者。

如果你正准备转向 FDE 岗位，留意职位描述中的“用户采纳”“变革管理”“与一线团队合作”等字眼。

简历上，一句“访谈终端用户后，为每条模型建议加入解释；采纳率从 X 提升到 Y”，比三行框架罗列更有分量。

面试时，准备好讲一个用户抵触你的经历，以及你之后做了哪些改变。

Salesforce 的 FDE 总监曾警告，没有 FDE，成千上万的客户可能会永远困在试点阶段。对例子中的质检团队来说，把项目拉出泥潭的不是更好的模型，而是一个愿意走进车间、问班组长在担心什么的人。

**本周动手试试:**

- 拿一个你正在开发或已经部署的工具，写下从用户那里听到的五条反对意见，并在每条旁边写出它背后真正的担忧。
- 把这个项目的成功标准改写成三个关于工作结果的指标，取代工具的打开次数。
- 在简历中加一行，说明你在听取终端用户反馈后对产品做了什么改动，以及改动带来的结果。

## 信源

- [Frontline leaders are crucial for adopting AI: PwC and the Manufacturing Institute](https://manufacturingdive.com/news/frontline-leaders-ai-adoption-pwc-manufacturing-institute/816483/)

- [AI for Change Management (Prosci)](https://www.prosci.com/ai-change-management)

- [Why AI adoption is a people problem, not a technology problem](https://itpro.com/technology/artificial-intelligence/why-ai-adoption-is-a-people-problem-not-a-technology-problem)

- [Today's Hottest Role: Forward Deployed Engineer](https://www.salesforce.com/blog/?p=131467)

- [Why Engineers Resist AI Rollouts, and the 3 Fixes That Work](https://www.mindstudio.ai/blog/ai-rollout-engineer-resistance)

- [Why 95% of AI Pilots Stall—and 6 Data-Driven Tactics to Beat Employee Resistance in Hybrid Teams](https://www.worklytics.co/resources/why-95-percent-ai-pilots-fail-6-tactics-beat-employee-resistance-hybrid-teams)
