四个转变与五大重构：当AI驱动制造，“质量”将被重新定义

工业时代，质量的核心是“符合规格”。AI驱动制造的时代，质量的核心将是“持续赢得用户信任”。

几十年来，制造业对“质量”的基本理解是：产品是否符合标准，过程是否受控，出厂时是否合格。围绕这一判断，企业建立起了一整套成熟的方法体系——标准、流程、检验、审核、纠正与预防。这套体系支撑了工业时代制造业的大规模发展。

然而，服务于全球制造业一线质量管理20多年以来，我从来没有像今天这样强烈地感受到，这一套体系正在面临前所未有的挑战。尤其是当软件、数据、算法和AI不断进入制造业，质量问题的形成、扩散和治理逻辑都在发生变化。过去5年多，作为智能网联汽车软件质量管理体系标准的主要制定者与行业实施推动者，我更加清晰地看到一个趋势：制造业正在进入一个质量被重新定义的时代。

原因不在于传统质量管理错了，而在于它所面对的对象已经变了。今天的产品越来越呈现出软件定义、数据驱动、持续更新和系统交互的特征。质量问题不再只是生产过程中的波动，也不再只是出厂前被检出的缺陷，而越来越表现为跨越设计、开发、制造、部署、运行与升级全过程的系统性问题。

这意味着，AI改变的不只是质量管理的能力和效率，还有质量的边界与内涵，即“质量的定义”本身。质量不再只是流程末端被验证出来的结果，还正在成为一种需要被协同、维护、监测并持续演进的系统能力。企业面对的，也不再只是“如何生产合格的产品”，还有“如何在真实环境中持续交付可靠、可控、可信的系统”。

本文将详解，AI驱动制造的当下，“质量”的核心发生了哪些转变；以及，基于这些深刻的变化，企业应该如何重构质量管理的方法论。而且，企业管理者应该意识到，AI带来的，不仅是质量部门工作内容的变化，更是企业运行方式的变化。未来的“质量领先企业”，优势不在于更快地发现问题，而在于更早地预判风险、更有效地控制风险扩散，并把标准、流程、数据、AI、组织决策和供应链协同整合为一个持续运行的质量系统。

“质量”的核心已经转变

如果说工业时代质量的核心是“符合规格”，那么在AI驱动制造时代，质量的核心正在转向“持续赢得用户信任”。在我看来，这一转变至少体现在以下四个层面。

1.从“缺陷处理”到“系统思维”

传统质量管理主要围绕发现与纠正问题展开：不良批次、工艺偏差、不合格零部件、供应商问题等。本质上，这是一种典型的“点状思维”，即把问题拆解为若干分立原因，再通过检测、分析与纠正来解决。

但在AI驱动的系统中，问题往往不再源于某一孤立缺陷。例如，一家领先的智能汽车制造企业在量产过程中曾出现与传感器相关的异常。硬件、装配和制造过程全部符合规范。最终溯源发现，问题来自一次软件OTA（Over-the-Air，无线升级/更新）改变了模型行为，同时训练数据对部分边界场景覆盖不足。这个例子暴露出，在AI驱动系统中，即使单个部件、单项流程和单点指标都符合要求，系统仍有可能在真实环境中表现失效。这并不是传统意义上的质量问题，却直接影响了安全、性能和用户信任，在极端情况下甚至可能带来严重后果。

可见，今天的质量不再只是单点制造的缺陷，也不只是单一职能失误，而是硬件、制造过程、供应链、软件、数据、算法、部署机制以及真实使用场景共同作用后涌现出来的结果。今天很多企业面对的，已不再只是“产品有没有缺陷”的问题，而是“整个系统会如何表现”的问题。质量因此正在从一个以缺陷处理为中心的管理对象，转变为一个以系统行为为中心的管理对象。

2.从“以工厂为边界”到“无边界”

过去，质量有一个非常清晰的边界：工厂。产品被设计、制造、检验、出货。只要它在出厂时合格，质量通常就被认为基本得到了保障。但AI驱动制造时代，这条边界正在迅速消失。

一个通过全部检测合格的产品，仍然可能因为软件更新、云端交互、数据条件变化，或者真实使用场景中的意外组合而在使用中失效。质量问题不再止步于生产完成的那一刻，而是持续延伸到运行过程、用户场景和生态系统之中，它跨越了工程、制造、软件、数据、运营与供应链等。产品在“出厂时合格”，已经不再意味着它在“使用中可靠”。这不仅是管理范围的扩展，更是质量对象及其管理方式的结构性变化。质量不再被工厂所限定，不再被产品本体所限定，也不再被传统质量部门所限定。它已经成为一种跨职能、跨系统，并日益跨企业边界的能力。对于企业而言，真正的挑战已经不再只是“如何把产品造合格”，还包括“如何在离开工厂之后，仍然持续对质量负责”。

3.从“时点式验证”到“全生命周期”

在传统制造中，质量通常被视为某个关键节点上的判断结果，而最具代表性的节点，就是产品出厂之时。只要产品通过检验、符合规格，质量就被认为基本保证了。但在AI驱动制造中，这一逻辑不再成立。

产品不再是静态的。它会随着软件更新、新的数据输入、模型重训练、云端交互以及运行环境变化而持续演化。因此，质量不能只在出厂时被一次性判定和确认，必须贯穿产品设计、开发、制造、部署、运行、迭代与升级的全过程，成为一种持续被管理、验证和校正的能力。

更重要的是，全生命周期质量不仅涉及产品本身，也涉及与产品生命周期相对应的一整套运营体系：设计开发流程、制造执行流程、软件开发与迭代、部署管理、数据治理、运行监测以及闭环改进机制等。企业需要管理的，不再只是产品如何被制造出来，还包括它如何在真实环境中被使用、被更新，并在持续演进中保持可靠。在AI驱动制造时代，质量不再是出厂时点的确认，而是一种贯穿产品全生命周期的能力。

4.从“可测量的合格”到“感知质量”

在AI驱动制造时代，还有一个更深层的变化正在发生：质量本身的特性，正在变得不再完全确定。

在传统制造中，质量基本是可测量的。它可以通过尺寸、公差、耐久性、重复性等指标来定义、验证和控制。只要产品满足这些指标，通常就会被视为“合格”。

但AI系统的运行逻辑与传统产品不同，它本质上具有概率性：其行为由数据塑造，建立在对现实世界不完整表征的训练之上，并运行在开放且动态变化的环境中。因此，AI系统的不确定性不是例外，而是其内在属性。

这个特性带来了一个关键变化：一个系统即使所有预设的指标都达标，仍然可能在真实场景中失效。一个模型可以达到99.99%的准确率，但在某个罕见而关键的场景中，剩余的0.01%失效就足以导致系统失效，可能带来极其严重的后果。在AI系统中，这种失效不会被用户理解为统计误差，而会被直接感知为一次信任的崩塌。这也暴露了传统质量定义的根本局限：可测量，并不等于可靠。

用户并不会用准确率或测试覆盖率来判断质量。他们真正感知的，是系统在真实使用场景中，尤其是在关键时刻，是否安全、稳定、顺畅、可预测，是否值得信任。这就是为什么现在正在形成一种新的质量范式——我们称之为“感知质量”（Perceived Quality）。

“感知质量”并不是企业自己定义出来的，也不是简单的“满意度”概念，它是用户在长期真实体验中不断累积形成的主观信任判断。关键时刻是否失灵，系统是否频繁黑屏，功能是否反复异常，OTA之后产品是更稳定还是更不可控，异常出现时是否仍处在用户可以理解和预期的范围内等，这些具体体验最终都会沉淀为用户对质量的整体感知判断。

因此，今天的质量目标，已经不再只是“消除所有错误”——对于AI系统而言，这几乎不现实。更现实也更关键的目标，是在不确定性存在的前提下，让系统保持可控、可理解，并始终处于安全边界之内。归根结底，质量目标不再只是“是否合格”，还包括“是否能够在不确定条件下持续赢得信任”。

五大重构：质量管理的新方法论

传统质量管理模式是建立在一个产品相对稳定、过程边界清晰、失效模式大体确定的世界之上的。这时抽样是合理的，标准可以长期保持稳定，质量检验也可以作为最后一道有效防线。但传统世界正在消失。随着产品越来越呈现出软件定义、数据驱动、持续更新和系统交互的特征，质量不再取决于能否有效地发现问题，而越来越取决于企业能否具备提前预判预防、及时遏制、持续学习和动态修正的能力。当质量的边界与内涵都在变化，质量管理的方法论也必须随之变化。我们正在看到的，不是一系列渐进式改进，而是对质量如何被监测、理解和治理的一次结构性重构。这种变化，可以概括为“五个重构，一条主线”。

1.从“抽样检测”走向“全量数据监测”

过去，抽样之所以有效，是因为质量对象相对稳定、可重复，样本可以在相当程度上代表整体。但今天，越来越多的质量问题存在于软件、系统与复杂交互之中，具有强时序性、强场景性和强组合性，抽样几乎不可能覆盖所有真实风险。与此同时，设计、开发、测试、生产、交付和运行每天都在产生海量数据，这使得对质量进行全量、持续、动态的监测成为可能。质量管理因此不再只是依赖样本推断整体，而是要通过数据去持续监测系统状态。相应地，质量部门的角色，也要从“抽检者”升级为“数据监测者与风险洞察者”。

2.从“统计分析”走向“AI驱动认知”

传统统计分析擅长处理稳定、低维、线性的制造问题，但今天的质量风险越来越呈现跨域耦合特征：软件、硬件、工艺、场景、用户行为乃至供应链因素，都在共同影响着系统的表现。仅靠报表、均值和经验归纳，已经很难真正理解风险是如何形成和扩散的。质量分析不再只是对结果进行统计，还借助AI在多源数据中识别异常模式、发现关键关联、推断潜在因果，并持续形成对质量风险的动态认知。

3.从“人工决策”走向“人机协同决策”

过去，质量决策更多围绕“是否放行”展开；而今天，它越来越涉及软件OTA、供应商处置、召回判断、用户沟通、品牌风险等复杂权衡。面对多维度、快需和严重后果的复杂决策场景，仅靠个人经验越来越难以应对。AI可以帮助企业进行异常识别、风险排序、相似案例匹配和处置建议。质量将由AI增强认知与建议方案，而最终决策仍由人来完成并承担责任。质量管理也因此从“依赖少数经验丰富的人”，转向“构建一种可复制、可追溯、可持续学习的人机协同能力”。

4.从“静态标准”走向“动态演进标准”

传统质量标准大多是比较固定的、阶段性的，制定后可以在相当长时间内保持稳定。但在软件定义产品时代，真实场景中的风险演化速度，远快于标准更新的节奏。用户行为、网络环境、版本迭代、场景变化和运行数据，都会不断生成新的质量挑战。如果质量标准仍停留在静态文本层面，它就难以真正约束和引导现实中的系统质量。未来的标准，不应是一次性形成的合规文件，而应成为一种具备演进能力的规则体系，能够依据数据、场景和反馈持续校准和升级。

5.从“事后检测”走向“实时控制系统”

过去，企业通常在终检、售后或客诉中发现问题，再进行纠正和补救。但在智能制造和软件定义产品时代，等问题被发现时，代价往往已经非常高了。真正成熟的质量能力，不是把问题挑出来，而是把质量控制嵌入需求、开发、测试、量产、OTA和售后的全过程，在过程中持续识别、拦截和遏制风险。因此，质量管理的终局不再是“检出更多问题”，而是通过实时监测、动态预警和快速闭环，尽量预防问题，或者在扩散之前就控制住问题。

把这五个重构放在一起看，它们所指向的已经不只是优化，还是质量管理方法论的一次范式转变。有一条主线贯穿这个转变，即质量管理正在从“发现问题”，转向“尽可能让问题在一开始就不发生”。这意味着，质量管理的角色，不再是流程末端的把关者，而是正在成为一种前置的、贯穿全过程的、实时运行并持续进化的系统能力。

质量，必须成为

一种基础的组织级能力

当质量变得系统化、无边界、贯穿全生命周期，并且以信任为核心时，它就不可能再被视为某个单一职能部门的责任。它必须上升为一种基础的组织级能力——一种把标准、流程、数据、AI和决策整合为统一运行系统的能力。因此质量不再只是企业运营中的一个管理议题，还正在成为决定企业能否稳定运行、持续交付并长期赢得用户信任的底层能力。

这一变化的真正挑战，不在于企业是否继续重视质量，而在于是否愿意重构自身的运行方式。质量必须进入企业运行的核心，嵌入设计、开发、制造、部署、运营和升级的全过程。工程、制造、软件、运营、数据以及供应链伙伴等，不再只是质量管理的配合方，还是质量共同形成机制中的组成部分。

因此，今天的质量管理，已不只是流程衔接问题，还是组织级系统协同问题。质量不再是在某个环节被单独“做出来”或“检出来”的，而是在组织内部及供应链之间被持续共同创造出来的。企业必须围绕共同的质量目标，把设计决策、软件流程、数据管理、部署规则、运营监测与闭环学习连接为一个持续联动、动态校准的一体化运行系统。从这个意义上说，质量是一个组织整体运行方式的结果。

. . .

在AI时代，质量不再是在某一点上的合格。它意味着在真实环境中、在整个产品生命周期内，系统能够在长期运行中持续做出正确、可靠、可控的响应。

这场变化并不局限于智能汽车。它正在高端电子制造、机器人、低空飞行器eVTOL、智能装备以及其他新兴产业中同时发生。虽然这些行业的产品形态不同，但它们都在被同一种底层逻辑重塑：产品越来越软件定义、数据驱动、持续演进，并与真实环境、用户行为和外部生态持续交互。

由此带来的结果是，质量问题不再是孤立的技术偏差或制造缺陷，而是正在成为跨职能、跨供应链、跨产品全生命周期的系统性风险。它可能来自软件更新、模型行为、数据质量、供应链接口、运行场景，或者多个因素在特定时刻的复杂组合。对企业而言，真正的挑战已经不是如何在流程末端发现更多问题，而是如何在系统运行过程中更早预判风险、更快控制扩散，并持续校准质量。

这也意味着，质量管理正在从一个职能型管理议题，升级为企业运行方式的重构。未来企业之间的竞争，不再只是产品质量的竞争，更是整个组织的系统质量能力的竞争。比拼的是企业能否把技术体系、业务流程、组织运行与供应链网络整合为一个持续协同的质量系统，从而稳定交付可靠、可控、可信的产品。那些能够率先完成这一转变的企业，不仅会制造出更好的产品，更将定义下一代工业领导力的格局。

陈宇晓 | 文

陈宇晓博士是ACCU亚旗集团创始人兼CEO。ACCU是一家全球领先的质量管理咨询与技术服务公司，长期服务于汽车、电子及高端制造等行业；他也是国际汽车软件质量管理体系（ASQMS）标准工作组组长。联系方式：david.chen@accu-group.com。

本文来自微信公众号“哈佛商业评论”（ID：hbrchinese），作者：HBR-China，编辑： 程明霞，36氪经授权发布。