ARTICLE · 1101885
【番外】AI 能读 Excel,为什么读不懂质量数据?
AI 重读质量数据地图 01
AI 不缺计算能力，缺的是质量业务的上下文。
—— 玄兴梦影
— 把质量数据交给 AI 之前，先给它一张地图
关于本书 · 番外
《质量数据地图》正篇约 105 章，不定期更新。本篇是番外系列“AI 重读质量数据地图”的第一篇：不追具体工具，专门讨论 AI 接进质量工作前，需要哪些数据、规则和责任边界。
通讯／责任作者：玄兴梦影
辅助工具：Codex（AI 辅助整理与改稿）
微信公众号：玄兴梦影
留言讨论：本篇文章下方留言，请注意脱敏。
本文看点
01
能读表为何不等于懂业务
02
三层地图怎样补全记录
03
AI、规则和人如何分工
01
SHOP FLOOR DIALOGUE
把表交给 AI，不就分析完了吗
班长老周：「不是都说 AI 会分析数据吗？你把这三个月的表丢进去，让它看看问题在哪。」
不到一分钟，AI 给出了一份很完整的回答：温度波动偏大、夜班异常较多、建议加强设备保养，并将连续合格的供应商转为放宽检验。
老周看完很满意：“比我们开半天会快多了。”
品质小林没有先看结论，只问了几个问题：
• 表里的“温度”，是设备设定值、过程实测值，还是产品耐温指标？
• 夜班数据来自在线采集，还是实验室第二天回填？
• 连续合格按供应商算，还是按供应商加物料算？
• 这三个月中间有没有换图纸版本？
• 现在处于正常、加严，还是已经放宽？
表里没有这些字段。AI 的计算可能没错，句子也很顺，但它理解的不一定是现场真正的问题。
数据能被读取，不等于业务能被理解。
02
RAW DATA
AI 看到的是格子，人看到的是业务
同一格写着“180℃”，现场的人可能凭经验知道它来自 OP20 烘烤工序，是炉温 3 区的实测值。但对 AI 来说，它最初只看到一个字段和一个数值。
字段：温度
数值：180
这还不是一条完整的质量记录。继续补上对象、工序、部位、批次、版本、规则和检验方式：
烘烤温度实测值：180℃
产品：A
工序：OP20 烘烤 部位：炉温 3 区
批次：LOT-0928 配方版本：Rev.C
设备状态：PRODUCTION
规格：175～185℃ 规格版本：R4
检验：IPQC 在线巡检 当前模式：NORMAL
现在，AI 才有机会回答：这是哪个对象的数、按什么标准解释、处在什么业务状态。从第 00 章到第 19 章，看起来讲了很多概念，其实都在给这一行“180℃”补三层地图。
— 行为、语义和上下文，把裸数字补成完整质量记录
03
BEHAVIOR
第一层：告诉 AI“发生了什么”
第 00—05 章先拆的是检验行为。同样写着“检验”，可能是首检、巡检、末检；可能在线完成，也可能取样后送实验室；还可能把“在线检验”误写成“设备已经联网”。
这些词如果混成一列，AI 很容易产生看似合理的联想：
• 看到“在线”，就默认数据实时产生；
• 看到“首检”，就默认属于 IPQC；
• 看到“实验室结果”，就按生产当班统计；
• 看到“检验类型”，就拿它代替指标和检验项。
但现场业务不是靠词长得像来关联。在让 AI 比较两组数据之前，至少要说清：谁在什么时候，以什么方式，对什么对象做了什么检验。
这一层解决的问题是：这条数据是怎么产生的？
04
SEMANTICS
第二层：告诉 AI“这些数据分别是什么”
第 06—12 章讲的是主数据和关系：工序、部位、参数、指标、检验项、复合指标、检验计划。这几个词在人脑里尚且容易混，交给 AI 后也不会自动分开。
例如“烘烤温度 180℃”，至少有四种可能：
四种写法可能都是“温度 180℃”，但不能互相替代。如果没有稳定的对象和 ID，AI 做关联分析时只能靠列名、备注和上下文猜。它可能把设定值当成实测值，把“外观”当成指标，也可能把同名但单位不同的硬度放进一张趋势图。
哪个工序
→ 哪个部位
→ 哪个参数或指标
→ 用什么方法形成哪个检验项
→ 被哪一版检验计划调用
这一层解决的问题是：这条数据在业务里扮演什么角色？
05
CONTEXT
第三层：告诉 AI“在什么条件下才成立”
第 13—19 章继续补上下文：批次、序列号、工单、图纸版次、检验阶段、抽样方案、FMEA、控制计划，以及正常、加严、放宽、免检。
“这批数据都在范围内，帮我判断能不能放行。”
只有实测值，AI 无法可靠回答。它还需要知道：
• 这是哪个批次、哪张工单；
• 当前使用哪版图纸和客户规范；
• 属于 IQC、IPQC 还是 OQC；
• 是全检，还是按某套 AQL 抽样；
• 关键特性是否有额外控制要求；
• 当前处于正常、加严、放宽还是免检；
• 是否仍有待关闭的异常、Hold 或审批。
同一个实测值，放在不同版次下，可能一个合格、一个不合格；同样连续 10 批合格，按不同转换程序，也未必都能转放宽。
质量结论不是裸数字，而是数字放进批次、版次、规则和责任之后的结果。
这一层解决的问题是：这条数据在什么条件下可以这样解释？
06
RESPONSIBILITY
AI、规则和人，别挤在同一个座位上
质量工作接入 AI，不是把所有判断都换成一句提示词。
— AI 负责理解，规则负责执行，人负责结果
能写成明确规则的，不要让 AI 猜；需要读材料、找矛盾、做解释的，才交给 AI。
例如第 19 章的模式转换。若制度已经明确“正常检验下 5 批中有 2 批拒收则转加严”，计数和转换应由规则引擎完成。AI 可以检查制度文字与 QMS 配置是否一致，也可以解释这次为什么转加严，但不该每批重新“理解”一次规则。
07
MINIMUM PRACTICE
先做一个小任务：检查规则有没有配歪
如果现在就想把 AI 用进质量工作，不必先训练模型，也不必先接整套 QMS。可以选择一个范围很小、结果容易复核的任务：检查动态检验规则。
准备三类脱敏材料：
质量程序中关于正常、加严、放宽、免检的条款；
QMS 当前规则配置导出；
三到五个已经人工确认过的历史批次案例。
让 AI 输出一张“制度条款—系统配置—历史执行—疑点—来源位置”差异表。重点不是让它宣布谁对谁错，而是让它列出：
• 哪些制度条款没有配置；
• 哪些配置找不到制度依据；
• 哪些条件表述含糊；
• 哪些历史案例与当前规则不一致；
• 哪些问题必须由品质负责人确认。
这类任务很适合 AI：材料分散、文字较多、需要找差异，但最终答案可以由人逐条验证。
— AI 只做对照检查，不自动修改，也不自动批准
信息安全
不要把客户图纸、未脱敏批号、供应商名称和内部事故记录直接上传到未经批准的外部工具。先删去身份信息，只保留完成任务所需的最小字段。
08
TASK CARD
本篇 AI 任务卡
这张卡不是一段万能提示词。它先回答：任务是什么、边界在哪里、谁来复核。工具反而排在后面。
∞
TAKEAWAYS
三句话带走
AI 能读表，不代表它读懂了质量业务。
第 00—19 章补的是行为、语义和上下文：数据怎么来、它是什么、在什么条件下成立。
先让数据成为一张地图，再让 AI 在地图上查找、检查和解释。
— 先把质量说清楚，再让 AI 参与
现场可问：“这条 AI 结论，能不能指回原批次、原规则和原版本？最后由谁复核？”
正篇回顾：
系列下一篇：AI 会算 CPK，为什么仍可能把过程看错？（第 31 章后）
各厂落地以现场质量体系、信息安全制度和客户要求为准。
留言：你最想让 AI 帮你处理哪一种质量工作？请脱敏描述，我会把高频问题带进下一篇。
我是玄兴梦影，持续整理制造现场里的质量数据、系统边界与实践方法。
如果你觉得今天这篇有收获，欢迎点赞、在看、转发三连，我们下篇见。