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。
要点速览
- 据 PwC 与 Manufacturing Institute 2026 年的调查,62% 的一线员工对 AI 持怀疑态度,只有 24% 对它感到兴奋。
- 他们怀疑,是因为看不到 AI 如何做决策,也担心被监控;解决办法是展示机器的推理过程,并让人来批准结果。
- 不要用使用次数衡量试点;前 90 天要指定一个具体的人负责倾听反馈并落实。
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。
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。
这篇文章对你有帮助吗?
感谢你的反馈!
6 个信源
- Frontline leaders are crucial for adopting AI: PwC and the Manufacturing Institute · 2026-04-02
- AI for Change Management (Prosci)
- Why AI adoption is a people problem, not a technology problem · 2026-09-25
- Today's Hottest Role: Forward Deployed Engineer · 2025-11-19
- Why Engineers Resist AI Rollouts, and the 3 Fixes That Work · 2026-08-10
- Why 95% of AI Pilots Stall—and 6 Data-Driven Tactics to Beat Employee Resistance in Hybrid Teams · 2025-08-31