OpenAI 在 2026 年 11 月 9 日公布客户案例:Kuken Industries 使用 OpenAI API 检索保存了 70 年的冷却塔图纸。工程师为维修找到对应图纸的时间,从接近一小时降到 4.5 分钟。材料没有模型名称、检索架构、命中率,也没有说明 4.5 分钟是平均耗时还是单次演示。按已有信息,只宜把它当作工业图纸检索接到模型接口上的应用信号,而不是可照抄的技术方案。

4.5 分钟缩短的是找图,不是整单维修

冷却塔维修依赖历史图纸,现场要按当年结构与改动施工。70 年积累让「找图」成为独立成本,人工定位接近一小时并不意外。案例对比针对「找到维修所需图纸」,不是设计、采购或施工。材料没有定义一小时包含哪些动作,也没有定义「找到」是唯一命中还是候选列表。因此可以记录耗时下降,不能记录维修质量或总工期下降。找来的图能否直接指导现场,摘要未提供证据。

能确认的事实很少

锁定事实只有:主体是 Kuken Industries,对象是冷却塔图纸,跨度 70 年,工具是 OpenAI API,场景是维修找图,耗时从接近一小时到 4.5 分钟。API 可支撑文本、向量或读图等多种实现,材料没有指定。图纸如何入库、是否仍需人工核对、失败如何回退,同样没有。把这些补全,就超出给定材料。

我的判断

价值清楚:长周期工业档案的检索等待是真成本,找图从小时级到分钟级,工程师能感知。适用边界应收紧:它服务「已知要修、要把历史图找出来」,不服务自动出维修方案,也不服务图纸合规结论。局限同样清楚——单一客户、单一时间指标、无准确率、无失败案例、无评测协议。接口提供方发布成功叙事,数字可作存在性证明,不能当作可迁移指标。做同类系统需要自建命中标准、抽检和人工确认;缺这三项,4.5 分钟只是案例页结果,不是可验收的工程指标。对关注工业落地的人,这条信息用于确认场景,不足以为技术选型提供依据。