质量异常处理怎么接入 AI？从问题报告到闭环跟进

本文目录

质量异常处理慢，问题往往不在于团队不会分析，而在于证据分散：现场发来照片，检验员填写表格，生产补充批次信息，工程师翻历史报告，负责人再到群聊里追进度。每一步都合理，连起来却容易丢字段、用错版本或忘记跟进。

AI 适合处理其中的阅读和整理工作，但不能替团队认定根因。一个可控的质量异常工作流，应把事实提取、规则判断和专业决策分开，并让每个结论都能回到原始材料。

先划清三类责任

分工不清晰，流程就容易乱。

参与者	适合承担的任务	不能直接承担的责任
AI	读取报告、提取候选字段、关联相似案例、起草摘要与跟进提醒	不补造缺失事实，不认定根因，不决定放行或报废
规则与业务系统	编号校验、必填检查、数量计算、严重度阈值、权限和期限控制	不解释模糊现象，不处理未定义例外
质量、生产和工程人员	确认事实、调查根因、制定措施、批准处置并验收效果	不必重复搬运已经正确提取的信息

NIST AI 风险管理框架强调，应明确 AI 的预期用途、人机角色、适用边界和失效时的处理方式。放进质量流程，就是让系统说明它读了什么、找到了什么、为什么提出某条线索，以及下一步由谁判断。

第一步：固定问题进入方式

入口乱，后面每一步都会更费力。

先规定异常从哪里进入：质量系统、指定表单、共享邮箱或受控文件夹。原始报告、照片和附件只读保存，记录提交人、时间、产品、批次和版本。聊天记录可以作为补充材料，但不宜成为唯一入口。

AI 可以识别文件类型和重复材料。文件损坏、批次冲突或版本不明时，直接进入人工队列，不能默认选择“看起来最完整”的版本。

第二步：提取事实，同时标出证据位置

信息要可追溯，不能凭空生成。

根据企业现有表单定义字段，例如：

• 产品、物料、批次和工序；
• 发现时间、地点和发现方式；
• 缺陷现象、影响数量和当前状态；
• 设备、供应商或客户信息；
• 原文页码、表格单元格或图片编号。

字段未出现就标记“缺失”，表达冲突就标记“待确认”。不要让模型根据经验补齐班次、数量或责任部门。质量记录的价值不在于表格看起来完整，而在于事实可追溯。

第三步：用规则完成标准化和初筛

规则做刚性校验，AI 做柔性映射。

产品编码、缺陷代码、单位和日期格式可以由规则统一；数量关系、必填项和重复编号也应由确定性程序检查。企业已有严重度分级时，按批准规则生成候选等级，并保留触发条件。

模型可以把“表面划伤”“外观擦痕”等近义表述映射到候选缺陷类别，但最终编码应经过确认。新的或无法归类的现象必须保留原文，不能为了统计方便硬塞进旧类别。

第四步：检索相似案例，不直接复制答案

历史案例提供方向，不能替代当前判断。

系统根据产品、工序、缺陷现象和发生条件，从已结案记录中找相似案例，展示当时的原因、措施和验证结果。检索结果要包含原始记录链接，最好说明是哪些字段或文字形成了相似性。

相似案例只能帮助提出调查方向。同一种外观现象可能由不同工序导致，同一设备报警也可能对应不同故障。AI 可以起草“建议核查的因素”，不能把历史根因写成当前根因。

第五步：创建任务和处置草稿

任务分派要有依据，行动要有审批。

根据产品线、工序、严重度和企业职责矩阵，由规则分派主责与协同人员，并设置期限。AI 可以根据现有事实起草问题摘要、需要补充的证据和临时措施清单，供负责人修改。

涉及停线、隔离、返工、放行或客户承诺的动作，必须走原有审批。系统可以创建待办，不能因为某个历史案例使用过同样措施就自动执行。

第六步：把调查过程留在同一条记录里

证据不散落，复盘才有基础。

后续补充的测量结果、实验记录、人员判断和附件都应关联到同一异常编号。AI 可以持续整理时间线，提示前后表述冲突或尚未回答的问题。这样做的重点，与其说是生成一篇更流畅的报告，不如说是避免证据在不同群聊和文件夹里失联。

根因分析方法仍由质量与工程团队选择。AI 可以辅助整理“人、机、料、法、环、测”等候选信息，但不能用语言完整度替代验证实验。

第七步：闭环前检查证据，而不是只看状态

结案不能只靠点一个按钮。

系统在结案前检查：根因是否由责任人确认，纠正与预防措施是否有负责人和期限，验证结果是否上传，临时措施是否解除，受影响批次是否处置完成。缺项时退回对应任务。

AI 可以生成结案摘要和经验条目，质量负责人确认后再写入知识库。模型、规则、资料版本以及人工修改都应保留，方便日后重放。

用什么指标判断流程是否有效

指标要反映业务改善，不是系统活跃度。

不要只计算”生成了多少份报告”。更有用的指标包括：

• 关键字段漏提和错提分别出现在哪里；
• 每个重要结论是否能回到原文证据；
• 高严重度异常有没有被漏分或延迟升级；
• 从收件到建立完整问题记录用了多久；
• 人工主要修改事实、分类还是措辞；
• 逾期任务和重复退回是否减少。

这些指标可以参考AI 工作流验收方法，但阈值应由企业结合现行基线和风险容忍度确定。

从一个小闭环开始

缩小范围，先把一条链路跑通。

第一次试点可以只覆盖一种报告、一条产品线和一个责任团队。先用已结案材料进行历史报告回放，再在真实流程旁边影子运行。高风险异常、资料冲突和低置信度字段全部转人工，原流程始终可用。

真正值得上线的系统，不在于它多会写”根因分析”，而在于能帮助团队更快找到证据、更少漏掉任务，并把专业判断完整留在闭环里的工作流。