行业观察

工厂对话式AI决策好用吗？134人实验：简单任务省脑力，一复杂就打平看板

东莞一家电子厂计划部上了内部问答机器人：问库存、问交期，几句话就能出答案。可一到“多线换型+物料齐套+客户插单”这种协调题，经理还是把大屏看板打开，对着表一个个对。聊天快，复杂决策仍靠看图。

比萨大学与布鲁内尔大学 Figliè、Caputo、Serrano、Mikhaylova、Turchi、Mazzei 的工业决策实验，把这种体感写成可核对结果：对话式 LLM 界面整体更省脑力，但复杂度一高，优势就收窄；准确率和耗时也没有谁整体赢。本文只映射工厂管理动作，不整篇转载。

公开可核对的要点

研究采用混合 2×3 实验，最终分析样本 N=134 名工业决策者（制造相关管理者，决策场景覆盖运营、生产、供应链与战略）。两套界面使用同一套合成制造数据：一侧是 GPT-4o 驱动的对话 UI（CUI/chatbot），一侧是可视化看板（GUI）。任务按 Wood 式部件/协调复杂度递增为三档。结局指标包括 NASA-TLX 脑力负荷（MWL）、决策准确率、完成时间、后续依赖意愿；数据素养作为调节变量。

可核对结果（表述以论文为准）：

• 脑力负荷：对话界面整体更低（H1a 成立）；复杂度升高后优势减弱（H2a）。
• 准确率：两种界面无整体优势（H1b 不成立）；复杂度升高时差距收窄/对话优势缩小（H2b）；描述性格局是最易任务对话更好，最难任务差距消失或反转。
• 完成时间：无整体时间优势（H1c）；最易任务上对话更快，复杂度升高后优势消失（H2c）。
• 数据素养：未可靠地按假设调节（H3）。
• 复杂度主效应：更高复杂度 → 更高脑力负荷、更低准确率、更长耗时（H4）。
• 依赖意愿：作为后续决策唯一依据时，主项不显著；探索性分析显示——仅当还可换另一分析工具复核时，对话界面的后续依赖意愿更高。

作者结论：对话交互是有条件的收益，不是万能替代；应把对话入口与图形总览、可核验证据组合使用。

原文：arXiv:2605.31287（PDF：2605.31287）。题目：Neither Replacement nor Panacea: Comparing LLM-Based Conversational and Graphical Decision Support in Industrial Tasks。

落到珠三角工厂：按任务复杂度选型

多数车间不是缺一个聊天窗口，是缺“什么题用对话、什么题必须看图”的规则。一个可执行的最小自检：

1. 先给任务分级——单点查询（库存、节拍、合格率）可走对话；多部件协调、跨班组约束、插单权衡必须保留看板总览。
2. 别拿省脑力当准确率——实验里对话整体更省脑力，但准确率并无整体胜负；难任务上差距还会收窄或反转。
3. 保留复核入口——依赖意愿只在“还能换工具核对”时更偏向对话。制度上写清：聊天建议须能落到可核对图表或原始数据，再进入拍板。
4. 别用对话替换现场证据链——同一数据源可以喂聊天和看板，但结论要能回指数字与假设，而不是只剩一段自然语言答复。

组织力用在这里，是把决策入口、复杂度门槛与复核动作钉进同一套现场规则，而不是再买一个孤立聊天机器人。

十五分钟自检

本周有没有一次复杂协调决策只靠聊天、没打开总览看板？建议能否一键落到可核对数据？两项空白，就还在“对话当万能药”。

数字与表述以 arXiv 论文为准；本文只映射工厂管理动作。