夜雨聆风一家汽车零部件企业购买了大模型服务，准备给质量部门做一个AI PPAP审核助手。
演示时，工程师上传一套整理好的资料。AI很快找出图纸版本不一致、控制计划漏项和材料报告缺少批次号等问题。领导当场决定推广，认为以后审核一套PPAP只需要几分钟。
真正试用后，质量工程师却发现：
同一个零件有多个图纸版本，AI不知道哪个版本已经批准 文件名写着“最终版”，内容却引用了旧版客户规范 QMS中已经存在检验结果，仍要人工下载后重新上传 AI把“暂时没有证据”直接判断成“明确不合格” 不同工程师得到的结论不一致，也不知道应该相信哪一次 审核意见很多，却不能直接定位到原文件和具体页码
模型在演示中表现很好，进入工厂后却没有真正减少工作量。
问题往往不在模型够不够聪明，而在于它没有进入企业真实的业务环境。
通用AI拥有知识和推理能力，但制造业需要的是一套理解版本、批次、流程、权限和责任边界的生产系统。FDE的价值，就是完成这段最后一公里。
模型能力不等于生产能力
让AI回答“PPAP通常包括哪些资料”，主要考验模型知识；让AI判断“这套PPAP能不能提交给客户”，则需要更多条件：
当前批准的图纸和客户要求是什么 这批样件来自哪个生产批次 报告中的样品能否追溯到该批次 缺少信息时应该退件、追问还是升级 谁可以确认审核结论，谁有权批准偏差 判断过程和修改记录能否被复核
模型即使熟悉PPAP概念，也不会自动获得企业的批准基线、系统权限和责任授权。因此不能只问“模型会不会”，还要问系统是否具备判断所需的全部条件。
第一层不适配：业务目标没有说清
企业经常用一句话启动AI项目：
做一个质量助手，自动审核PPAP，提高效率。
这里至少有四个模糊点：审核哪些内容、自动到什么程度、效率如何计算、错误由谁承担。
如果目标不清，技术团队容易追求“发现的问题越多越好”。AI一次输出几十条重复提醒，质量工程师反而要花更多时间确认。
FDE首先要把愿望改写成可验收目标。例如首期只检查完整性、工程版本和批次追溯；平均审核时间从75分钟降到40分钟；高风险结论由人确认；每条意见附带证据位置。
第二层不适配：流程没有被AI理解
制造业工作不是简单的“输入文件，输出答案”，而是一条多人参与的决策链。
PPAP审核可能涉及供应商、SQE、研发、实验室、采购和客户，不同问题的处理人并不相同。
AI发现材料报告批次不一致后，下一步可能是：
退回供应商补充证据 查询MES确认实际投料批次 由材料工程师评价适用性 涉及偏差时升级客户决定
如果系统只生成一句“材料报告不合格”，它并没有进入工作流，只是增加了一条待处理信息。
FDE需要明确每类结论由谁接收、在什么系统处理、需要什么证据、超出权限时如何升级。
第三层不适配：企业数据缺少共同语义
模型看到的是文字，工厂管理的是对象及其关系。
同一产品可能有客户零件号、内部物料号和供应商零件号；图纸还涉及设计版本、批准状态和生效日期；生产批次则关联材料、工单、设备和检验记录。
如果这些关系没有建立，AI很容易出现三种错误：
把文件全部放进知识库，并不会自动形成可靠关系。FDE需要定义零件、版本、批次、要求和批准状态之间的联系。
第四层不适配：AI没有接入业务系统
工厂的关键事实通常分散在PLM、QMS、MES、ERP、供应商平台和个人文件夹中。
如果AI只能读取人工上传的附件，质量工程师仍要跨系统查找、下载、改名和上传。表面实现自动审核，实际只是复制了原流程。
真正的系统接入不只是“能读取数据”，还要控制：
使用哪个系统作为权威来源 读取哪个工厂、项目和零件范围 用户只能查看哪些客户和供应商数据 AI能否写回结果，写回前是否需要确认 接口失败或数据延迟时如何提示
FDE要让AI在受控权限下使用业务系统，而不是绕开系统重新建立一个信息孤岛。
第五层不适配：质量判断没有风险边界
制造业中的一句错误结论，可能造成误退件、误放行、停线甚至客户风险。
因此，AI输出不能只有“合格”和“不合格”。对于PPAP审核，至少要区分：
明确不符合：已有有效证据证明不满足要求 信息缺口：缺少作出判断所需的信息 证据无效：文件存在，但版本、批次或方法不适用 需进一步追问：需要业务人员或客户确认边界
系统还应明确哪些任务允许AI自动执行，哪些只能提出建议，哪些必须由授权人员批准。
FDE不仅要提高检出率，也要控制错误放行、误报、越权操作和无法追溯的风险。
第六层不适配：用户没有真正采用
系统上线不等于进入业务。
质量工程师可能因为以下原因继续使用原来的Excel和文件夹：AI意见太多、证据定位不准、等待时间太长、需要重复登录，或者最终仍要手工整理客户格式。
不能简单归因于“员工抵触AI”。FDE要观察用户在哪一步退出、为什么修改结论，并据此调整流程和产品。
生产采用率、人工复核时间、意见采纳率和退件率，比培训签到人数更能说明项目是否成功。
FDE如何完成六层适配
一个制造业AI场景，可以用下面这张表做初步诊断：
FDE不一定独自完成所有工作，但要确保六层之间没有断点。算法团队、企业IT、质量专家和系统供应商可以分别负责不同模块，FDE对端到端结果负责。
本篇实操作业：诊断一个AI场景
选择企业中一个正在讨论的AI场景，例如客诉分析、8D辅助、检验报告审核或设备异常诊断，回答以下问题：
[ ] 业务现状和目标是否有具体数据 [ ] 首期明确做什么，也明确不做什么 [ ] 已画出真实流程，而不是想象中的标准流程 [ ] 已识别最终用户、审批人和风险承担者 [ ] 已确定权威数据来源及版本规则 [ ] 系统能够识别产品、批次和关键业务对象 [ ] 已确定需要连接的系统和最小权限 [ ] AI结论能够定位到原始证据 [ ] 已定义人工确认、异常升级和回退方式 [ ] 已设计采用率和业务效果指标
如果其中有三项以上无法回答，项目就不适合直接进入开发。此时最需要的不是换一个更强的模型，而是回到现场补齐业务和系统条件。
制造业需要FDE，不是因为模型太弱，而是因为工厂环境太具体。通用能力只有经过业务、流程、数据、系统、风险和用户六层适配，才能变成生产能力。
下一篇，我们进入FDE的第一个现场任务：进厂第一周先做什么——为什么不能一上来就问“你们想用AI做什么”。
说明：本文企业、数据和PPAP审核情节均为教学案例。不同企业的系统架构、岗位权限及质量责任边界不同，应结合实际流程确定。
如果文章对你有帮助，欢迎点赞、分享、推荐三连！有问题评论区见！
关注我，每天学点制造业干货，把标准和流程变成可交付结果。