当大语言模型走进 FMEA
在很多企业里，FMEA 被反复强调“非常重要”，但真正做起来，却往往让人望而生畏：资料散落在设计文件、投诉记录、会议纪要和历史报告中，需要反复翻阅；跨部门会议一轮又一轮，耗时耗力；表格写得越来越厚，却依然难免遗漏关键风险，不同人员给出的结论还常常不一致。随着产品复杂度不断提高、文本资料成倍增长，单纯依靠人工完成 FMEA，正在变得越来越困难、也越来越昂贵。
与此同时，一类擅长处理大量文字信息的新型AI 技术正快速发展，能够高效阅读、理解并整理复杂文本。这促使人们开始重新思考：FMEA 是否一定要靠大量人力“硬做”？能否让 AI 承担繁重的资料整理与初步分析工作，由专家把精力集中在判断、取舍和决策上，让 FMEA 在保证专业性的同时，更高效、更全面？本文正是围绕这一现实痛点，探讨一种更可行的方向。
从“全靠人”到“人机协同”，FMEA 还缺哪一步？
回顾 FMEA 的发展历程可以发现，这并不是一个新概念。早在航空航天和军工领域，人们就开始用 FMEA 来提前识别风险、避免灾难性后果。后来，各种行业标准陆续出现，把这套方法推广到更广泛的制造场景中。但无论标准如何演进，FMEA 的核心做法始终没有发生根本变化——依赖人工分析、文档厚重、经验分散，做过的知识很难被下一个项目真正复用。
为了减轻负担，过去也有人尝试引入 AI 技术，利用机器学习、模糊逻辑或多种决策模型，帮助计算风险值、优化排序。这些方法在局部环节上确实提高了效率，但往往只解决了“算得更准”或“排得更快”的问题，对前期大量资料阅读、理解和整理的痛点帮助有限。
近年来，大语言模型的出现带来了新的可能。这类模型最擅长的不是算公式，而是“读懂文字”：它们可以理解长篇文本的含义，并把零散信息整理成结构化结果。通过合适的提问方式、结合资料检索，甚至用企业自身数据进行训练，模型可以表现得越来越像一名熟悉内部语言的“虚拟助手”。
当然，把大语言模型引入 FMEA 并非只有好处。它确实可以快速处理大量历史资料，减少遗漏，让小团队也能承担复杂分析；但同时也带来数据安全、理解偏差以及过度依赖的风险。模型看起来“说得很像对”，并不等于真的适合你的产品和场景。
因此，这一领域真正缺的，并不是某个炫目的 AI 技巧，而是一套能够把大语言模型稳妥地嵌入 FMEA 全流程的系统方法，并且有现实案例证明：它能用、好用、而且可控。
从方法到系统“AI + FMEA”落地路径
真正有价值的并不是“用 AI 写一张 FMEA 表”，而是如何把 AI 稳定、可控地嵌入到 FMEA 的全过程中。这里介绍的 “AI + FMEA 框架”，本质上是一套可落地的方法论，回答了一个关键问题：在不削弱专业判断的前提下，AI 能在哪些环节真正减轻人的负担。
这套方法将传统 FMEA 拆解为五个清晰步骤。
第一步，企业需要系统性地收集相关信息，包括设计资料、历史问题、客户投诉和反馈等；
第二步是对这些资料进行预处理，清洗无关内容、统一格式，为后续分析打好基础；
第三步，根据企业的数据条件和安全要求，选择合适的模型使用方式，例如通过提示词直接使用模型，或结合内部资料进行检索增强，必要时再进行定制训练；
第四步，由模型协助从大量文本中提取 FMEA 所需的关键信息，如潜在失效模式、影响、原因、现行控制和改进建议；
第五步，则是把这些结果接入企业现有的信息系统中，而不是停留在一次性的分析成果上。
在实践中，尤其强调信息系统层面的设计。FMEA 不应只是“做完即存档”的表格，而应成为企业知识体系的一部分。当 AI 产出的分析结果进入类似知识管理系统的平台后，新项目可以复用既有经验，管理层也可以定期看到哪些部件问题最集中、哪些失效反复出现，从而更好地支持工程变更和纠正措施的决策。
这一框架的核心价值在于：大语言模型并不是替代专家，而是把企业分散、零散、难以复用的经验，逐步转化为可持续运行的系统能力，让 FMEA 真正从“一次性工作”升级为长期发挥作用的管理工具。
不是“说有用”，而是用数据验证“能不能用”
任何新方法是否值得推广，关键不在理念多先进，而在于有没有经得起验证的证据。在这一部分中，研究团队选择了一种相对稳妥、也更容易被行业接受的方式，来检验“AI 参与 FMEA”到底有没有实际价值。
为避免触及企业机密，他们采用的是公开数据——大量真实的用户评论。这类评论虽然不是工程文件，但恰恰是“问题线索”最集中的地方。数据规模达到几十万条，先统一汇总，再进行筛选，模拟了现实企业中“资料多、噪声大”的典型场景。
在数据处理阶段，首先要做的不是直接分析，而是把有价值的信息找出来。
一方面，通过识别评论中是否提到具体部件，初步定位问题对象；
另一方面，重点筛选负面评论，因为抱怨和不满更可能隐藏潜在失效。
这一步既用了简单规则，也结合模型来处理拼写错误、多语言等复杂情况，更接近真实应用环境。
随后，不同的大语言模型被用于同一任务：从这些评论中提取可能的失效模式、问题表现等信息。与此同时，由人工专家先给出“参考答案”，再与模型结果进行对比，用相似度来评估模型的表现。
结论是清晰的：大语言模型在处理速度和问题覆盖面上具有明显优势，能够在短时间内从海量文字中找出大量潜在问题线索。但同时也必须看到，模型并非“全对”：有些问题是人能识别、模型遗漏的；也有些是模型识别出来，但专家并不认为构成工程失效。
因此，这一案例传递出的关键信息并不是“AI 可以替代专家”，而是：大语言模型非常适合用于前期筛选和线索提取，而最终判断和定性，仍然必须由专业人员来完成。这正是人机协同在 FMEA 场景中的现实边界。
从“看起来能用”到“在企业里用得稳”
把这一方法真正引入企业，并不是简单照搬流程就能成功。这一部分讨论的，正是落地过程中最容易被忽视、却最现实的问题。
在真实场景中，如果企业希望分析某一个部件在大量文件、评论或历史资料中的失效情况，通常有两种路径。
一种是先对所有资料进行全面提取，再按部件进行筛选。这种方式覆盖面最广，不容易漏，但相应地，对算力和时间的要求更高；
另一种是从一开始就围绕特定部件进行定向分析，通过更聚焦的提问方式直接提取相关信息，效率更高，但前提是问题范围足够明确。不同企业、不同阶段，适合的策略并不相同。
在实际应用中，还可以通过分批处理、先分类再提取等方式，进一步平衡效率和成本。这些并不是技术噱头，而是关系到系统能否长期运行的“工程细节”。
同时，特别强调一个容易被误解的点：像用户评论这类文本数据，更适合用来发现问题线索，而不适合直接得出严谨的工程数值。因此，大语言模型给出的严重度、发生频度或探测度，更应被视为参考建议，而非可直接采用的结论。真正用于决策时，必须结合企业内部数据体系，并由具备经验的人员进行校核。
大语言模型非常擅长在杂乱信息中发现“值得关注的信号”，但凡是涉及关键数字和工程判断的地方，仍然需要人来把关，而且要立足企业自身的数据和标准体系。只有明确这一边界，AI 才能在真实企业中用得稳、用得久。
不是“用不用 AI”，而是“怎么用得对”
大语言模型在 FMEA 场景中已经展现出明确价值。面对设计说明、历史问题、投诉记录等大量文本资料，LLM 能显著提升分析速度，减少人工投入，并扩大风险识别的覆盖面，从而降低遗漏关键失效的概率。
但同时也必须明确，FMEA 并不适合完全自动化。模型更适合作为“前端助手”，负责信息整理和线索挖掘，而真正的判断、取舍与决策，仍然必须由具备经验的专家来完成。只有在清晰的人机分工下，FMEA 才能既高效又可靠。
展望未来，真正决定这一方法能否在企业长期落地的，并不只是模型能力本身，而是配套研究和实践的成熟度：包括如何在保证数据安全的前提下部署模型，如何通过行业或企业级定制训练让模型更理解具体产品和术语，如何降低模型“看似合理却不准确”的风险，以及如何在更大规模、真实工业场景中持续验证其有效性。这些，才是“AI+FMEA”走向可持续应用的关键方向。
本文来自微信公众号“TPP管理咨询”，作者：TPP管理咨询，36氪经授权发布。
