Palantir 個案教材
個案 02｜美國商業

Panasonic Energy North America電池工廠的 AI 維修助理

類別美國商業（日系企業）／鋰電池製造
產品AIP、Foundry
難度入門
整體證據強度證據 C C（Palantir 單方的 Impact Study＋客戶在 AIPCon 的示範）

1. 案例摘要

Panasonic Energy North America（PENA）是 Panasonic 集團在北美的車用鋰電池製造子公司，自 2017 年起從內華達州工廠供貨給 Tesla，2025 年再開設堪薩斯州工廠。電池產線高度自動化，機台一停就影響產出。但維修知識散落在約 100 萬張歷史維修單、上千份機台圖面 PDF 與感測器資料裡，技師要在多個系統間來回翻找。PENA 用 Palantir AIP 打造了 AI 維修助理（AIPCon 上示範的名稱是「Ask Atom」，並結合混合實境），讓技師用自然語言提問，即可取得過去的解法與建議。Palantir 公布的 Impact Study 指出：從使用者訪談到產線產生價值不到 6 個月，每張維修單的「扳手時間（wrench time）」減少 10–15%。這是「生成式 AI 用在藍領現場」的代表案例，也和台灣製造業的「老師傅知識傳承」問題高度相關。

2. 產業背景

  • 產業結構： 北美車用電池產能快速擴張，同時面臨電動車需求波動與政策變化。Panasonic 在 2025 年移除了堪薩斯廠滿產的目標日期，原本預計 2027 年 3 月達到約 30 GWh（Bloomberg，2025-07-30）。
  • 痛點： 電池產線是連續式、高稼動率的生產，機台停機會直接造成產能損失。〔分析〕這使「維修速度」成為工廠的關鍵 KPI。
  • 人才面： 新廠擴張需要大量新進技師。Panasonic 堪薩斯廠規劃最多約 4,000 名員工（Panasonic 新聞稿，2025-07）。〔分析〕新手與資深技師之間的知識落差，正是 AI 助理要填補的地方。

3. 公司背景

項目 數據 來源
內華達廠 2017 年起營運，年產能約 41 GWh Panasonic 新聞稿，2025-07
堪薩斯廠 2025-07 開幕並量產 2170 電池，目標年產能約 32 GWh；兩廠合計約 73 GWh 同上
堪薩斯廠投資額 約 40 億美元 Battery Technology 報導
主要客戶 Tesla（另有 Lucid 等） Japan Times／Bloomberg，2025-07-15
  • 為何需要 Palantir（依 Impact Study）：
    • 約 100 萬張歷史維修單、數千份複雜機台圖與 PDF、大量感測器資料，分散在資產管理工單、資產文件、設備感測器、機台狀態／停機等不同系統。
    • 技師花大量時間手動翻找多個 App。
    • PENA 想建立能容納結構化與非結構化資料、支援 AI、並讓新手與資深員工都容易上手的平台。
    • 來源：Palantir Impact Study：AI-Powered Maintenance Assist（Hannover Messe 2024 展出）

4. 決策困境

事實： 公開資料沒有寫 PENA 評估過哪些替代方案。

〔分析〕情境設定：

選項 說明 考量
A. 既有 CMMS（設備維護管理系統）供應商的 AI 外掛 和工單系統整合度高 難以同時處理 PDF、感測器、SCADA 等異質資料
B. 通用企業 RAG 聊天機器人（例如雲端 LLM 加向量資料庫自建） 建置快 缺乏和機台物件、工單寫回的連結；回饋與治理機制需要自己做
C. Palantir AIP＋Ontology 把機台、工單、文件、感測器連成物件，可寫回 成本與平台依賴
D. 加強教育訓練與資深技師輪值 低技術風險 擴廠速度下難以規模化
  • 關鍵問題： 「AI 助理」該做成一個獨立的問答工具，還是嵌入工單與機台的作業系統？

5. 導入時間軸

時間 里程碑 來源
2023–2024（精確起始日查不到） 進行使用者訪談，建置 AIP 維修助理 Impact Study（只寫「不到 6 個月」，沒寫起訖日期）
2024-03-13 AIPCon 3 影片上架：PENA 維修資深經理 Tara Meisinger 示範結合混合實境的 AIP 助理「Ask Atom」 Palantir 官方 YouTube
2024-04（Hannover Messe 2024） Palantir 展出 PENA 的 Impact Study Impact Study PDF
2025-07 堪薩斯廠開幕（AIP 是否已擴及堪薩斯廠：查不到） Panasonic 新聞稿

6. 解決方案細節（依 Impact Study）

  • Ontology： 整合歷史與當前的維修資料，包括團隊間的往來紀錄、過去的修理嘗試、設備感測器與警報、機台相關的 PDF 與修理方案，轉成共同的業務語言。
  • AIP： 技師輸入問題後，AIP 解析所有歷史資料，提供摘要與建議行動。系統也會收集即時回饋，從技師的專業中持續學習。
  • 資料處理： 用 Pipeline Builder 做 OCR 與資料清理，建立文字向量，對 10 萬張以上維修單、1,400 份以上 PDF 與 SCADA 資料做語意搜尋。
  • OSDK： 讓跨團隊都能存取 Ontology 與邏輯，IT 團隊可以自建彈性的前端介面。
  • 低程式碼介面： 將實體機台 1:1 對應成數位物件，讓技師能更容易定位問題。
  • 寫回與改進： 技師可以用讚／倒讚或自然語言評價建議，讓模型持續改進。
  • 混合實境： AIPCon 3 示範把 AIP 助理結合混合實境裝置，給現場技師使用（影片說明）。

7. 成果

成果 數字 公布者 第三方查證 證據等級
上線速度 從使用者訪談到產線產生價值不到 6 個月 Palantir Impact Study 無 C
維修效率 每月數萬張維修單中，每張單的扳手時間減少 10–15% 同上 無 C
使用者評價 二級維修技師：「它不是 PowerPoint，今天早上就幫我解決了一個真實問題……也有助於拉平 T1 與 T3 技師之間的差距。」 同上 無 C
停機時間、產能、財務效益 查不到 — — —
合約金額、使用人數 查不到 — — —
  • Impact Study 頁尾註明：「實際結果與經驗可能不同」。

8. 爭議、限制與失敗風險

  • 證據薄弱： 唯一的量化數字來自 Palantir 宣傳文件，沒有基準期間和計算方法。
  • AI 建議的安全性： 錯誤的維修建議可能造成設備損壞或工安事故。〔分析〕回饋機制與人員最終判斷是必要的防線，但 Impact Study 沒有說明錯誤率。
  • 經營環境變化： Panasonic 放緩堪薩斯廠擴產時程（Bloomberg，2025-07-30）。〔分析〕擴產放緩可能影響新技師的需求，進而影響工具的擴張速度。
  • 是否源自 Bootcamp： 查不到。

9. 分析

成功關鍵因素〔分析〕

  1. 問題「窄而痛」： 只針對維修，痛點就在現場、天天發生，價值容易被感受到。
  2. 嵌入作業系統： 建議和機台物件、工單連結，而不只是文件搜尋。
  3. 回饋迴路： 讓資深技師的經驗變成系統資產，同時給予技師參與感。

可移植性

  • 高。 半導體、面板、PCB、電池、石化等連續生產產業，都有「大量歷史工單＋機台文件＋感測器」的資料結構。
  • 前提：歷史工單的文字品質要夠好；也要有人負責資料清理與持續標註。

行銷／GTM 角度

  • 一線員工的金句： 「它不是 PowerPoint」是對 AI 炒作最有力的反駁，而且出自技師之口，比主管講更可信。
  • 「拉平 T1 與 T3」的人才敘事： 把 AI 定位為「讓新手更快變老手」，而非取代人力。
  • 展會加 Impact Study 的組合： 選在 Hannover Messe（全球最大工業展）發布，精準觸及製造業買家。
  • 日系品牌背書： 〔分析〕對日本與亞洲市場（以及與 Fujitsu 等夥伴的合作），Panasonic 是有說服力的參考客戶。

10. 課堂討論題

  1. 「扳手時間減少 10–15%」要換算成財務效益，需要哪些額外資料？請列出計算公式。
  2. 如果 AI 的維修建議導致機台損壞，責任該怎麼歸屬？系統設計上可以怎麼降低風險？
  3. 比較「通用 RAG 聊天機器人」與「Ontology＋AIP」兩種做法。在什麼條件下前者就夠用？
  4. 若你在台灣半導體或面板廠推動類似專案，會如何設計試點範圍與成功指標？
  5. 這個案例的行銷素材幾乎都出自 Palantir 自己。客戶若不願掛名公布數字，賣方要怎麼建立可信度？

11. 延伸閱讀

存取日期：2026-10-16。