經銷商傳來一張零件照片，問「這台車能不能裝」。資深業務可能看一眼就知道還要追問年份、引擎與市場版本；新人若只照型錄找相似品項，一個看似簡單的答案就可能變成退貨、重工與車主等待。
這家36年零件廠同時使用紙本型錄、Excel、ERP與老師傅記憶。資料並不少，卻沒有一個地方能同時回答適配依據與真實庫存，經銷商只能一通通詢問，報價速度也取決於誰剛好在線。
零件廠因此讓AI先理解車型條件，再把候選料號、適配來源、庫存時間與例外放在同一個查詢流程。不確定的問題仍交回技術人員，讓通路得到的不是猜測，而是一個可以向終端客戶負責的答案。
一句「應該可以」，可能讓經銷商賠上退貨與客戶信任
同一顆零件可能因車型、年份、引擎與市場版本而有不同適配條件。錯配不只造成退換，也可能讓修理廠重工、車主延後交車，最後由通路吸收所有溝通成本。
汽車零件中小企業的品項持續增加，卻很難為每個料號安排專人回答。當知識綁在幾位老業務身上，業務愈忙、答案愈慢，品牌也愈容易在經銷商報價時被另一家取代。
經銷商需要的不是更多型錄，而是一個他敢交給客戶的答案。
AI同時回答能不能裝、現在有沒有貨，例外則清楚說不知道
輸入車型、年份與引擎條件後，AI列出候選料號、適配依據、庫存最後更新時間與需要人工確認的例外。每個答案都能回到資料來源，避免用流暢文字掩蓋不確定。
車型與第三方資料涉及授權和版本，退換原因也必須持續回到規則裡。這家中小企業不是把所有判斷交給模型，而是先讓高頻詢問有一致答案，再把真正特殊的問題留給技術人員。
當經銷商更敢接單，零件廠就不必只靠價格被比較
通路能快速確認適配、庫存與交期，就能更快向修理廠與車主報價，也更願意嘗試新品與替代料。服務速度因此成為品牌黏著，而不只是後台效率。
對這家零件廠而言，36年累積的料號與市場經驗，正從少數人的記憶變成經銷商願意優先詢價、持續回購的通路能力。