哪七大场景
项目开发、进料检验、过程质量、成品检验、供应商管理、客诉分析、质量体系管理
AI对各场景的作用
- 项目开发（研发质量 / APQP） 痛点：需求模糊、DFMEA 靠老师傅经验、设计评审容易漏项。 AI 能做什么 用 LLM 解析需求文档/客户规格，自动抽取 CTQ（关键质量特性）并生成初始检验计划。 基于历史失效库做 DFMEA 辅助：输入设计特征，自动推荐相似失效模式、严重度/频度/探测度初评。 图纸/文档自动审查：规则校验 + 计算机视觉比对，发现标注缺失、尺寸冲突。 设计准则知识库问答，新人也能快速查到标准做法。 举例：把过往客诉和售后失效数据训成模型，新项目立项时直接给出"这类结构最易出哪 5 个问题"。
- 进料检验（IQC） 痛点：来料批次多、抽样标准执行靠人、外观缺陷漏检。 AI 能做什么 视觉检测（CV）：划痕、毛边、装配缺件、标签错印，替代或辅助人工目检。 来料风险预测：根据供应商历史批次合格率，动态调整抽样方案（高风险加严、稳定放宽）。 到货异常自动预警、规格书 vs 实测值的自动比对。 举例：AI 视觉把外观漏检率显著压低，同时把稳定供应商的抽检比例降下来，省人力。
- 过程质量（IPQC / SPC） 痛点：工艺波动发现滞后、SPC 报警误报多、依赖老师傅手感。 AI 能做什么 实时 SPC + 多变量异常检测（LSTM、孤立森林等），比单点超界更早抓到微异常。 工艺参数寻优：强化学习/代理模型推荐最优参数窗口。 预测性质量：用过程参数预测成品合格率，提前干预。 自动根因分析：关联设备、物料、人员多源数据，定位主因。 设备预测性维护，减少突发停机导致的质量波动。 举例：产线温度/压力出现肉眼看不出的缓慢漂移，AI 提前 2 小时预警，避免整批报废。
- 成品检验（OQC） 痛点：全检成本高、抽样有风险、功能+外观综合判定难。 AI 能做什么 AI 视觉终检：装配完整性、外观、标签/条码。 自动功能测试与判定，减少人为误判。 基于风险的自适应抽检（高风险批次自动加严）。 检验报告自动生成 + 趋势分析。 举例：终检一体机对每台产品拍照+功能扫描，自动出合格/不合格并归档。
- 供应商管理 痛点：绩效评估主观、风险预警滞后、审核耗时长。 AI 能做什么 供应商风险评分模型：融合质量、交付、财务、舆情多维数据自动算分排名。 舆情/召回新闻监控：爬虫 + LLM 抓取负面信息并预警。 审核问卷自动生成、证据自动核查。 备选供应商智能推荐。 举例：整合 ERP/QMS 数据周更供应商红黄绿榜；某供应商出现媒体质量投诉，系统当天推预警。
- 客诉分析（8D / 客诉） 痛点：客诉文本非结构化、根因挖掘慢、同类问题反复发生。 AI 能做什么 客诉自动分类与聚类：相似问题归并，发现集中失效。 情感/严重度自动判定，优先级排序。 抽取 5W1H，给出初步根因与推荐的历史 8D 报告。 高频问题看板、自动生成 8D 初稿。 举例：LLM 把客诉邮件自动结构化，并匹配到半年前同一根因的已闭环 8D，避免重复踩坑。
- 质量体系管理（体系 / ISO 9001 等） 痛点：文件多、内审繁琐、合规跟踪难、培训落地差。 AI 能做什么 体系文件智能检索与差距分析：新标准 PDF 上传后，比对现有体系条款差距。 内审检查表自动生成、证据自动核查、不符合项闭环跟踪与预警。 法规/标准自动追踪更新（如新国标发布提醒）。 SOP 智能问答助手、管理评审数据自动汇总。 举例：认证审核前，AI 先把体系文件与标准条款逐条比对，标出缺失项，内审效率翻倍。
怎样落地
先治数据：把检验记录、客诉、供应商绩效、设备数据打通。 选高痛点试点：IQC 视觉检测、客诉聚类、SPC 异常检测最容易出效果、ROI 清晰。 两层能力：LLM 做"知识/文档/文本"层，CV/ML 做"感知/预测"层，二者配合。 人在回路：AI 给建议和预警，关键放行与处置仍由质量人决策。 角色转型：质量工程师要从"记录员"变成"AI + 质量"的复合角色，管模型、管阈值、管异常。
