iQMP

Intelligent Quality Management Platform

AI 重定义质量管理

从'事后记录'到'智能运行' —— iQMP 与传统 QMS 的本质差异

AI Copilot
RAG 引用来源
SPC 风险解释
RCA/8D 助手
人工确认
验证关闭
AI 知识沉淀
传统QMS的天花板：记了很多，改了很少
传统 QMS 擅长记录和流转，但无法解决'谁来分析、谁来决策、谁来沉淀'的问题

✘ 传统QMS的四大矛盾

数据有了，洞察没有

SPC 异常、检验偏差、工位漂移记录在系统里， 但没有人告诉工程师'为什么异常、该怎么处理'

问题关了，知识丢了

历史 8D/RCA 归档后尘封，新人遇到类似问题 只能从零开始，经验无法复用

报告多了，效率低了

周报、Gate 纪要、审核证据、PPAP 报告全靠人工编写，耗时而易错

体系有了，联动断了

客诉、异常、RCA、8D、CAPA、知识库分属不同模块，无法自动关联和反哺

✔ iQMP AI 的答案

数据 → 洞察

SPC 异常时，AI 自动生成风险解释、
趋势原因和加严检验建议

关闭 → 沉淀

已关闭的 8D/RCA 自动索引为知识图谱 新问题可检索相似案例和处置方案

人工 → 草稿

8D 报告、Gate 风险、项目周报、 审核证据由 AI 生成草稿，人工确认即可

孤岛 → 闭环

客诉→异常单→RCA→8D→CAPA→知识库 AI 贯穿全链路，自动关联和推荐

iQMP 的 AI 范式：不是外挂聊天，是业务内嵌
AI is embedded in every quality workflow, not bolted on as a chatbot

传统 QMS

表单录入 ↓ 人工分析 ↓ 人工写报告 ↓ 归档封存

AI 缺席——全靠人

通用 AI 加装

质量数据 ↓ 外部大模型 ↓ 泛泛回答 ↓ 无法审计

AI 外挂——不懂业务

iQMP AI

业务场景触发 ↓ 人工分析 ↓ 人工写报告 ↓ 归档封存

AI 缺席——全靠人

iQMP AI 的四大设计原则

业务内嵌

AI 按钮出现在 RCA、8D、APQP、SPC 页面 而不是独立孤岛

证据驱动

回答必须带系统内引用来源知识库、8D、RCA、附件

人工确认

AI 只能生成建议/草稿不直接修改主数据或批准流程

审计可追

输入/输出/引用/反馈/耗时/Provider 全部写入日志，满足 IATF 审核

AI 赋能全景：九大场景 × AI 能力矩阵
AI 不是单一功能，而是覆盖从策划到经营的全链路智能增强

新品质量 APQP

Gate 风险识别、交付物缺口、延期预测、周报草稿

制造质量SPC/检验

SPC 风险评分、趋势解释、加严检验建议、异常原因

闭环改进RCA/8D

6M 鱼骨候选、5Why 下一问、D3/D5/D7 草稿、报告检查

供应商质量

PPAP 整备性检查、绩效趋势、审核发现项汇总、风险预警

客户质量

客诉原因分析、排查方向、协议条款匹配、索赔合规性

质量体系 QMS

审核证据自动收集、 条款覆盖度检查、不符合项匹配

实验室 管理

检测结果解释、 报告草稿生成、异常提示

质量看板 经营

KPI 趋势解读、 指标异常警报、改善建议

知识资产 图谱

实体关系自动抽取、 相似案例检索、影响分析

AI Copilot：不是泛泛回答，而是带企业证据的质量问答
传统 QMS 无此能力 — 通用大模型无法做到
1

传统 QMS

● 无知识问答能力，人工翻阅记录
● 历史案例归档后无法检索

2

通用大模型

● 不懂企业质量数据，回答泛泛
● 无引用来源，无法审计与追溯

3

iQMP Copilot

● 引用来源  知识库、8D、RCA、APQP、附件
● 业务绑定  检索企业质量数据，不凭空生成
● 反馈闭环  采纳/驳回沉淀优质案例
● 可配置  本地 RAG 默认，云端大模型可选

AI + 新品质量：把 AI 绑定到项目管理机制
传统 QMS 无法自动识别 Gate 风险、检查交付物完整性、生成周报



传统 QMS

人工检查交付物、人工识别风险、 人工编写周报、人工归纳经验

AI 交付物检查

自动检查 FMEA、控制计划、MSA、 PPAP 是否提交/批准，缺口一目了然

AI Gate 风险

识别未通过/条件通过/缺证据 Gate 避免带病进入下一阶段

AI 周报草稿

自动形成本周风险、阻塞项、 下周重点，项目经理确认即可

AI + 制造质量：SPC 风险预测与过程异常解释
传统 SPC 只告警'异常了'，iQMP AI 告诉你'为什么异常、怎么处理'



传统 SPC

SPC 只显示控制图和 Cp/Cpk 指标、 触发告警后工程师自己分析原因

iQMP SPC AI

风险评分 + 趋势原因解释 + 加严检验建议 + 关联历史案例

MSA AI

Gage R&R 结果解读、测量 系统改善建议、可信度评估

防错 + AI

Poka-Yoke 触发后自动 分析误差模式和根因建议

AI + 闭环改进：RCA/8D 从'从零开始'到'经验复用'
传统 QMS 的问题关闭就结束，iQMP AI 让每一次问题都变成组织知识
异常发现
AI 辅助分析
根因定位
AI 生成草稿
人工确认
验证关闭
AI 知识沉淀
AI + 供应商/客户质量：从被动响应到智能预判
传统 QMS 的供应商/客户质量只有记录，iQMP AI 提供分析和建议

AI + 供应商质量

● 绩效趋势预警 根据历史交货/检验/审核数据预判风险
● PPAP 完整性 AI 检查 PPAP 文件套件完整性与有效性
● 审核发现汇总 AI 归纳供应商审核不符合项共性问题

AI + 客户质量

● 客诉原因分析 AI 结合型号/现象/历史案例给出排查方向
● 协议条款匹配 AI 检索客户协议评估索赔合规性
● 退件记忆性 AI 将退件/复测/损费纳入知识索引，定期归类

AI 治理与信任：让企业放心用 AI
传统 QMS 无 AI 治理，通用大模型无法满足质量体系审核要求 — iQMP 解决了这个问题



Feature Flag

每个 AI 能力由数据库开关独立控制，默认关闭，客户按需启用 → 传统 QMS 无此机制，AI 功能无法精细控制

RBAC 权限

ai:view / ai:use / ai:admin 分离，支持最小授权 → 传统 QMS 无 AI 权限模型，无法分角色管控

审计日志

输入/输出/引用/反馈/耗时/Provider 全记录，满足 IATF 审核追溯 → 通用大模型无审计层，无法满足质量体系要求

数据脱敏

云端调用前去除客户名、零件号、人员姓名、敏感附件 → 通用 ChatGPT/大模型无自动脱敏，存在数据泄露风险

本地优先

默认本地 RAG + 规则/统计模型，云端大模型为可选配置 → 完全依赖云端大模型的方案不适合数据敏感的制造业场景

七维竞争力对比：iQMP AI 的差异化优势
从 AI 角度审视，iQMP 与传统 QMS 和自研工具的本质区别
能力维度传统 QMS自研/ExceliQMP AI 优势
异常分析人工分析、无 AI无AI 自动解释原因 + 建议处置方案
知识复用归档封存归档封存AI 自动索引构建图谱 相似案例一键检索
报告生成全手工全手工AI 生成草稿 人工确认即可
风险识别人工评审无AI Gate 风险 + SPC 预测 + 交付物检查
审计合规部分审计日志无AI 输入/输出/来源 /反馈全可追溯
部署模式云端为主无AI本地优先 + 云端可选数据不出厂
商业化套件买断无模块化授权 AI 包独立选装
量化价值：AI 带来的可衡量效率提升
Not just cost reduction, but knowledge amplification and quality acceleration
异常分析效率
3x 提升
AI自动提供候选原因、相似案例和处置建议
传统QMS完全依赖工程师个人经验
8D 报告编写
70% 时间节省
AI 生成 D1-D8 各阶段草稿，工程师确认即可
传统方式从零编写需 2-4 小时
周报/Gate 纪要
80%+ 人工减少
AI自动形成风险、阻塞、下周重点
传统方式需要项目经理手动整理
新人上手周期
50% 缩短
AI Copilot 随时可问'类似问题怎么处理'
传统方式依赖师傅带教和自己翻记录
审核准备时间
60% 缩短
AI 自动收集证据链、条款覆盖度、不符合项
传统 QMS 需人工整理文档和记录
质量成本下降
20-30% 预期
异常提前识别 + 同类问题减少 + 闭环加速
传统 QMS 无法主动预防和知识复用



技术架构：AI 层在整体架构中的位置
传统 QMS 无 AI 层，iQMP 将 AI 作为独立架构层、可插拔、可审计
应用层 Dashboard · Workbench · APQP · 供应商 · 客户 · 检验 · QMS · Lab · 8D
★ AI层 AI Gateway · Copilot · RCA/8D 助手 · APQP AI · SPC 预测 · RAG · Audit Log
服务层 FastAPI · RBAC · Workflows · SPC/MSA 算法 · 知识图谱 · 通知 · 附件
数据层 SQLAlchemy ORM · 60+ 模型 · Alembic 迁移 · AI Interaction Log
接入层 REST ingest · WebSocket · MES · PLM · SCADA · ERP · SRM · OA
AI 层内部架构
AI API Router
RBAC + Feature Flag
AI Gateway
Local RAG + Rules
Optional Cloud LLM
AI 落地路径：分阶段实施与商业化授权
AI rollout: build trust first, then expand, then optimize

AI 四步落地法

Step 1 建立知识底座
导入历史 8D、RCA、客诉、供应商审核、PPAP、控制计划、PFMEA、客户协议、认证报告和实验报告
Step 2 嵌入业务流程
在 APQP、检验、异常、8D、客户质量和质量成本页面嵌入 AI 按钮，以'生成建议/检查草稿/引用来源'形式接入
Step 3 反馈迭代优化
通过用户采纳/驳回反馈沉淀高质量案例、持续优化知识库和规则

Step 4 升级与扩展
根据客户 IT 策略选择本地模型、私有化大模型或云端 Provider，保证数据安全




四个可选装 AI 包 — 按客户成熟度和预算组合授权

AI-QA-Copilot 质量知识问答

数据源：知识库、图谱、隐3D、RCA、附件

AI-RCA-8D 根因与 8D 助手

数据源：缺陷、SPC 告警、RCA、5Why、8D

AI-APQP-PM APQP 项目助手

数据源：任务、Gate、交付物、附件、风险

AI-Predictive 预测质量

数据源：测量值、SPC 判异、工位参数、缺陷

传统 QMS 解决'记录'
iQMP 解决'智能'

AI 是两者本质差异的分水岭

传统 QMS

手工分析
经验丢失
报告低效
孤岛运作

iQMP AI

智能洞察
知识复用
AI 草稿
闭环反哺