我们来晚了：AI 做 FMEA，别只写得好看，要能签字

我们来晚了：AI 做 FMEA，别只写得好看，要能签字

你坐在汽车零部件 DFMEA 终审会上。投影仪打出一张漂亮的表——风险评估、建议措施、探测度打分，排列得整整齐齐。客户、评审专家、总工都在看。

气氛还行，直到总工问了一句：

"这个电流过载的严重度打了 8 分——依据在哪？是我们去年更新的企业标准第三版，还是教科书上的通用定义？"

你心里一沉。因为你知道，那份用通用 AI 辅助做的 DFMEA，读起来像模像样——术语对、逻辑顺。但它分不清你们公司标准更新到第几版，不知道你们的探测度/发生度表头去年改过规则，更接不上你们产线里的失效数据。

在可靠性工程里，"写得像真的"和"能签字"之间，隔着一条沟。今天市面上很多工具在帮大家"写得更像真的"，却没帮大家站得住"依据"。

ReliaBuddy 来晚了。因为这条沟，比很多人想象的要深——深到要同时动知识、计算、追溯三件事，而不是多贴一个"大模型"标签。

一、FMEA终审会上，最致命的一句追问

去年我们做了问卷，66 道题，有效样本 900 多份。

• 超过七成单位在 AI 上还处于"没开始"或"一两个人试着用"的状态
• 对现有 AI 效果，"一般"加"不满意"超过六成
• 他们最想要什么？"分析精度/置信度高"排第一，接近四成

精度不是拿参数量堆出来的，是对得上你们家条款、对得上今天这张表堆出来的。

二、三道裂痕：为什么通用AI做不出可签字FMEA

我把这道沟拆成三道断裂。

第一道：知识的断裂

通用大模型学的是公开发表的论文、教材、标准。它本质上无法进入你的企业失效库、你的产线特判、你们公司自身那版探测度/严重度表头。它的知识可以很博学，对你却可能很无效——不是错在没读过书，是错在没读过你们签过字的那几页。

第二道：数据的断链

你甩给通用对话一份加速寿命试验的原始数据，请它做 Weibull 分析。它可能回你一大段"像是分析"的话，甚至顺嘴"估"一个 β、η。

在签字页上，"估"出来的数是雷。评审要的不是读着合理，是能复算、能核对、能拍桌子对质的数。

问卷里"操作简便"也排得很前。但简便和糊弄不是一回事——该上算的地方，就得用算；不能用"聊出来像那么回事"替代算清楚、留得下依据。

第三道：追溯的断裂

会错还能改；说不出依据，在工程上经常就是死结。一句 "依据是什么"，就能让再华丽的生成立刻归零。回不到具体文件、具体版本、具体条款的，在评审眼里，不是草稿，是废纸。

三、填坑三招：让AI FMEA真正经得起评审

我们用三样看起来很笨、其实最硬的功夫，对着上面三道断裂，一道一道填。

第一招：把你的知识，变成能用的知识

做法不玄：在本机给资料登记根目录、重建索引、做健康检查。资料按你们规范准备，不把整库拖去云端训练，不把文件当公网语料卖——本地化部署，企业知识不上公网。

价值是什么？当再被问到"严重度 8 分凭哪条"时，回答旁边能挂出引用——来自你登记过的那份评分细则、你们项目里已写入资料根的说明。能指到片段，能指到来源名。

第二招：该算的地方，用"算"，不用"猜"

Weibull 拟合、β/η 估计，走应用里既定的数值算法，不是对话框里顺口估一个"差不多"。

你输入数据，拿回的是可按同一算法复核的结果——能写进报告，能和外审对齐假设与计算路径。和"聊出来像那么回事"不是一类东西。

同一套桌面里，FMEA、FTA 这些结构化交付，也在按固定字段与证据关联的方式往里收——不是替代你签字，而是让你这张表上写的每一个关键结论，尽量挂得住出处、对得上模板。

第三招：没依据，就认；不装库里

库里没有的那条标准、那份记录，不编一段像引过一样的"库内条款"。

无依据不冒充来源——不是营销话，是在可靠性里换信任的底线。一个敢说"你资料里没搜到"的助手，比编一百条漂亮话更值钱——因为你知道它哪句能进签字页。

四、签字页上，是责任，不是提效故事

二十年干下来，我信一条死理：签字页上那个名字，背的是责任，不是"提效故事"。工具可以帮工程师少熬几个夜，不能把责任也打包代替了。

我来晚，是因为我们先要对付那个最难的题——让系统对"自己说的"有边界：有书对书，有算对算，没书没算就认。

不靠"模型更大就一切 OK"，靠更笨、更土、但能经得起评审的那几件事：你的知识能挂住，该算能算清，没依据不装。

现在，可以一起往前走了。