夜雨聆风前几天看到公众号“生命数字卡兹克”的一篇文章：观察了三年，我把所有人用AI的水平分成了10个等级。看完觉得很有意思。因为这两年我自己在制造业、质量管理、企业培训现场，也观察到一个很类似的现象：同样是 ChatGPT、DeepSeek、豆包、Kimi、通义千问，有的人用起来像开外挂，有的人用起来像开盲盒，还有的人用了三次之后就说：“AI 不行，都是瞎编。”
问题是，AI 真的不行吗？
未必。
很多时候，不是工具不行，而是我们还不知道怎么把它用进自己的工作系统里。
尤其是质量工程师这个岗位，特别适合用 AI。因为质量工作本身就有几个典型特点：文件多、逻辑链长、标准多、跨部门沟通多、分析问题时需要结构化思维，还要经常写报告、做总结、查标准、理流程、做 FMEA、审控制计划、看数据、追问题闭环。
这些事情，AI 都能帮上忙。
但问题也来了：同样是质量工程师，有人只会让 AI “帮我写一份 8D 报告”，有人已经会让 AI 协助检查 PFMEA、控制计划、作业指导书之间的一致性；有人把 AI 当百度，有人把 AI 当助理，有人已经开始把 AI 做成自己的质量知识库和工作流。
所以我借用那篇文章的思路，也试着把“质量工程师使用 AI 的水平”分成 10 个等级。
不是为了制造焦虑，也不是为了搞什么鄙视链。
只是希望大家看完之后，可以更清楚地知道：我现在大概在哪？下一步可以怎么走？
Lv.0 旁观者：听说AI很火，但我还没真正用过
旁观者知道AI这个词，可能也看过一些新闻，但从来没有真正跟任何一个大模型对过话。
这个等级听起来离我们很远，但其实全球大概还有80%的人在这一级。
这时候，我又要掏出来这张图了。
不过对于国内来说，这一级的人应该已经越来越少了。
Lv.1 尝鲜者：把AI当成高级搜索引擎
到了这一级，你已经开始用了。
但用法通常比较简单：想到什么就问什么，AI 回什么就看什么。
比如：
“帮我写一份质量月活动方案。”“帮我写一份客户投诉回复。”“帮我总结一下 IATF16949 的重点。”“帮我写一份培训心得。”
如果 AI 写得还行，你就觉得：“哎，好像不错。”
如果 AI 写得很空、很虚、很像套话，你就说：“这东西不行，都是废话。”
这一级最大的问题是：你还没有意识到，AI 的产出质量，很大程度取决于你给它的输入质量。
你只说“帮我写一份 8D 报告”，但没有告诉它：
客户投诉是什么？产品是什么？失效现象是什么？发生批次多少？临时措施有哪些？原因分析做到哪一步？纠正措施有没有验证？客户要求的格式是什么？
它当然只能给你一篇“看起来很像 8D，但实际上没什么用”的文章。
这就像你让供应商“赶快改善一下”，但不给数据、不给照片、不给边界条件，最后供应商回你一份“加强员工培训，提高质量意识”，你会不会想翻白眼？
Lv.2 对话者：开始知道“怎么问”很重要
到了 Lv.2，你开始有一点感觉了。
你发现，同样一个问题，换一种问法，AI 的答案会差很多。
你开始不满足于第一次回答，而是会追问：
“这太泛了，请结合汽车零部件行业。”“请用质量工程师能听懂的话说。”“请不要写成口号，给我实际可执行的措施。”“请按照 5Why 的格式展开。”“请区分临时措施、纠正措施和预防措施。”
这时候，你已经不只是“搜索”，而是在“对话”。
比如你要写一份关于客户投诉的内部复盘材料。Lv.1 的问法可能是：
“帮我写一份客户投诉复盘。”
Lv.2 的问法会变成：
“我们有一个客户投诉，产品是注塑件，客户反馈装配后卡扣断裂。请帮我设计一份内部复盘报告结构，要求包含问题描述、影响范围、临时围堵、原因分析、纠正措施、验证方式、经验教训。语言要适合质量部向生产、工程、模具部门开会使用。”
这就明显不一样了。
到了这一级，AI 已经能帮你处理很多日常质量工作，比如：
整理会议纪要；润色客户邮件；生成培训大纲；解释质量工具概念；把杂乱的问题描述整理成结构化报告；把现场口语转成正式文件语言。
但你还会遇到一个问题：AI 有时候会一本正经地胡说。
尤其是涉及标准条文、客户特殊要求、审核准则、统计方法时，它可能写得很顺，但不一定对。
所以 Lv.2 虽然已经开始上路，但还不能完全放心。
这时候你需要进入下一阶：学会控制 AI。
Lv.3 驯化师：开始给AI立规矩
Lv.3 是一个重要分水岭。
到了这一级，你不再只是问 AI，而是开始约束 AI。
你会在提示词里加上类似要求：
“如果不确定，请明确说明，不要编造。”“请把事实、推测、建议分开。”“涉及标准条文时，请提醒我需要以正式标准原文为准。”“不要给空泛建议，请给可检查、可验证、可落地的措施。”“请按照表格输出，字段包括：问题、风险、证据、建议。”
这时候，AI 的可用性会明显提高。
比如你要让 AI 帮你检查控制计划，不是简单地说：
“帮我检查一下控制计划。”
而是会说：
“请从质量工程师角度检查这份控制计划，重点看以下几点：
关键过程是否有对应控制项目； 产品特性和过程特性是否区分清楚； 检测方法是否能对应特性要求； 频次是否合理； 反应计划是否具体； 是否与 PFMEA 中的预防/探测措施保持一致。
你看，这就不是普通聊天了。
这是把 AI 放进质量工程师的检查逻辑里。
很多人以为 AI 用不好，是因为模型不够强。其实模型当然重要，但更重要的是，你有没有把自己的专业判断转化成 AI 能执行的规则。
质量工程师尤其要理解这一点。
AI 不应该替代你的专业判断，而是放大你的专业判断。
你脑子里越有框架，AI 越好用。你脑子里越是浆糊，AI 越容易陪你一起浆糊。
这句话有点扎心，但很真实。
Lv.4 越境者：开始用AI跨出质量部门
到了 Lv.4，你会发现 AI 不只是能帮你写报告、整文件，它还可以让你跨出原本的能力边界。
比如，一个质量工程师以前可能不太会写 Python，但现在可以让 AI 帮你写一个小脚本，把一堆 Excel 检验数据整理成趋势图。
以前你不太会做宣传海报，现在可以让 AI 帮你设计质量月活动海报文案和视觉提示词。
以前你不太会做课程，现在可以让 AI 帮你把一次客诉案例拆成培训案例、课堂讨论题和讲师参考答案。
以前你不太懂生产排程、设备维护、采购管理，现在你可以让 AI 帮你快速理解这些领域的基本逻辑，然后更好地和跨部门沟通。
这一级的典型变化是：你开始从“质量工具使用者”，变成“跨领域问题解决者”。
举个例子。
客户投诉一个冲压件尺寸波动，你不只是让 AI 帮你写 8D，而是让它协助你一起拆：
可能涉及材料批次吗？可能涉及模具磨损吗？可能涉及设备精度吗？可能涉及测量系统误差吗？可能涉及操作员换线设定吗？可能涉及控制计划频次不足吗？可能涉及 PFMEA 对风险识别不充分吗？
然后你再让 AI 分别从质量、工艺、设备、生产、测量几个角度提出排查清单。
这就很有价值。
因为质量问题从来不是质量部门一个部门的问题。
AI 的好处是，它可以帮你快速模拟多个角色，让你在开会前先把问题想得更完整。
当然，这一级也有风险。
你会突然产生一种错觉：“我好像什么都能干了。”
别太飘。
AI 可以帮你进入陌生领域，但不能让你一夜之间成为专家。它给你的是地图，不是驾驶技术；是望远镜，不是翅膀。
Lv.5 织网者：把AI嵌入日常质量工作流
Lv.5 的关键，不是你会不会问问题，而是你有没有形成固定工作流。
到了这一级，AI 已经不是你偶尔拿来玩的工具，而是你每天工作的固定搭档。
你可能已经有一套自己的提示词模板：
客户投诉 8D 整理模板；PFMEA 检查模板；控制计划审查模板；审核问题整改回复模板；培训案例设计模板；质量会议纪要整理模板；标准条文学习模板；供应商改善报告评价模板。
你不再每次都从零开始问，而是把常用任务沉淀成方法。
比如你每次审核 PFMEA，都会让 AI 先按固定逻辑检查：
结构分析是否清楚；功能分析是否具体；失效模式是否对应功能；失效后果是否站在客户/下工序角度；失效原因是否落到过程要因；预防措施和探测措施有没有混淆；S/O/D 评分有没有明显不合理；AP 为中高风险时有没有合理优化措施或说明；PFMEA 与控制计划是否联动。
这时候，AI 就不只是“回答问题”，而是在执行你的质量方法论。
更进一步，你会开始建立知识库。
把公司常用标准、客户要求、内部流程、过往客诉案例、优秀 8D 报告、FMEA 模板、控制计划样例、审核问题清单整理起来，让 AI 在这些上下文里工作。
这一步很关键。
因为制造业的 AI 应用，最值钱的不是网上那些通用知识，而是企业内部那些长期积累的经验、案例、流程和判断标准。
通用 AI 像一把刀。企业知识库像磨刀石。质量工程师的判断力，才是握刀的手。
Lv.6 召唤师：开始使用Agent和自动化工具
这一级，你终于跨过了ChatBot到Agent的那道门槛。
恭喜你，超越了将近97%的人。
你开始不再满足于使用ChatBot，你知道原来在那些对话式AI之上，还有一个很酷的东西叫Agent。
你开始尝试使用Claude Code、OpenClaw或者各种Agent类工具，你第一次体验到了一种完全不同的感觉，原来，AI不只是根据你的问题来进行产出，他可以直接跟你的设备进行交互，来直接帮你干活了。
比如未来你可以让一个质量 Agent 做这些事：
定期读取某个文件夹里的检验数据；自动生成周质量趋势摘要；发现异常波动时提醒你；把客户投诉资料整理成初版 8D；检查 APQP 文件包是否齐套；比对 PFMEA、控制计划、作业指导书之间的逻辑关系；把审核问题按部门、严重度、关闭状态分类汇总。
这就不只是“问 AI 一个问题”，而是“让 AI 参与一段流程”。
不过这一级也要清醒一点。
Agent 听起来很帅，但并不代表一定稳定。质量工作又不是写一首诗，错了顶多不好看；质量文件错了，客户审核可能直接开不符合项。
所以，质量工程师用 Agent，一定要有底线：
AI 可以先整理，不能直接定案；AI 可以帮你查漏，不能替你签字；AI 可以生成建议，不能替代证据；AI 可以跑流程，但关键判断必须有人把关。
Lv.7 铸造师：开始打造自己的质量AI工具
这个阶段，你开始，学习如何设计Agent了。
你也开始发现，原来，我要开始学会自己创造了。
“这个我封装成Skill了”，这句话可能成了你日常中最多的一句话。
你开始有了几样属于自己的、沉淀下来的工具、还有Skill，这都是你自己，亲手创造出来的。
比如：
做一个“PFMEA 审查助手”；做一个“控制计划一致性检查助手”；做一个“8D 报告质量评价助手”；做一个“供应商整改回复评分助手”；做一个“APQP 文件包完整性检查助手”；做一个“审核发现分类与整改建议助手”。
这一级的关键，是你开始把自己的经验产品化、流程化、工具化。
以前你的经验只在你脑子里。
别人问你：“黄老师，这个 PFMEA 写得对不对？”你看一眼，就能指出哪里不对。
但如果你能把这个判断过程拆出来，变成一套检查规则，再让 AI 按规则先跑一遍，那你的经验就不只属于你自己，而是可以被复制、被训练、被传承。
这对企业很有价值。
很多公司最缺的不是表格，而是会看表格的人。
AI 不能自动变成专家，但它可以帮助专家把经验沉淀下来。
这也是质量管理未来很重要的一件事：把老师傅、质量经理、工程专家脑子里的隐性知识，转化成可以被 AI 调用的显性规则。
Lv.8 以后：高阶玩家，快速带过
到了 Lv.8 以后，就已经不是普通质量工程师的日常应用了。
有人会开始深度开发自己的 AI 工作台，把知识库、数据分析、文件审查、自动化报表、Agent 协作全部串起来。
有人会结合代码、数据库、BI 工具、企业系统接口，把 AI 从“助手”变成“质量数字化基础设施”的一部分。
再往上，Lv.9、Lv.10，就是更高阶的人机协作形态了。
不是问“AI 能帮我做什么”，而是重新设计自己的工作方式。
一个人背后，可能有一套 AI 系统：帮他查资料、读文件、整理数据、生成报告、复盘案例、准备课程、管理知识库、监控项目风险。
这听起来有点远，但方向已经很清楚。
未来的差距，不只是会不会用 AI。而是你有没有能力，把自己的专业判断、工作流程、知识体系，和 AI 重新组合成一套新系统。
写在最后：AI拉开的不是工具差距，而是认知差距
很多人问我：“质量工程师要不要学 AI？”
我的回答很直接：要。
但不是为了赶时髦，也不是为了把自己变成程序员。
质量工程师学 AI，真正的目的，是让自己的专业能力被放大。
你会 FMEA，AI 可以帮你整理结构、检查逻辑、生成讨论案例。你会 SPC，AI 可以帮你解释数据、设计课堂练习、整理异常分析思路。你会 APQP，AI 可以帮你检查文件链条、梳理阶段输出、准备审核清单。你会客户投诉处理，AI 可以帮你把零散信息整理成 8D 框架。你会培训，AI 可以帮你把复杂概念转成案例、比喻、练习题和讲稿。
但前提是，你自己得懂。
AI 是放大器，不是许愿池。
你本来有专业判断，它能帮你放大。你本来逻辑清楚，它能帮你加速。你本来就有方法论，它能帮你沉淀。
但如果你自己也不知道什么叫好，AI 给你一堆漂亮废话，你可能还会觉得挺高级。
所以，真正的分水岭，不是你用了哪个 AI 工具，也不是你买了哪个会员，而是你能不能把自己的专业经验变成清晰的任务、规则、流程和判断标准。
这才是质量工程师用 AI 的核心。
最后，也欢迎大家在留言区说说看：
如果把质量工程师使用 AI 分成 10 个等级，你觉得自己现在大概在哪一级？
是刚开始尝鲜的 Lv.1？是已经会追问和补充背景的 Lv.2？是会设计提示词、给 AI 立规矩的 Lv.3？还是已经把 AI 嵌入工作流、开始建立模板和知识库的 Lv.5？
不用焦虑。
知道自己在哪，就是升级的开始。
