制造企业可以用 AI 把分散在邮件、售后表格和客户反馈中的质量投诉提取成统一字段（产品型号、批次、问题现象、发生环节），按约定的分类口径归类，合并相似问题，并生成按频次和影响排序的问题清单。原因分析和整改决定仍由质量工程师完成，AI 只负责整理和提示。
投诉数据为什么用不起来
很多制造企业都有质量投诉记录，但它们往往分散在销售的邮件、售后的工单、客户的微信截图和每月汇总的 Excel 里。同一个问题，有人写“外壳开裂”，有人写“壳体破损”，有人写“运输后有裂纹”。没有统一的口径，就很难统计哪个问题最常见，更难追溯到具体批次和工序。
质量部门每月做汇总时，大量时间花在复制、归类和去重上，真正用于分析原因的时间反而不多。
先建立分类口径
在使用 AI 之前，质量负责人需要先确定一套分类口径，可以参考企业已有的缺陷代码或质量管理体系中的分类：
- 问题现象：外观、尺寸、功能、包装、标识等大类，下设具体现象；
- 发生环节：来料、生产、检验、仓储、运输、安装、使用；
- 严重程度：按企业已有标准分级；
- 必填字段：产品型号、批次或生产日期、客户、数量、反馈时间。
口径越清楚，AI 归类的一致性越好。
AI 在其中做什么
1. 字段提取。 从邮件、工单、聊天记录中提取型号、批次、现象描述、数量等信息，填入统一表格。图片中的信息需要额外核对。
2. 归类与合并。 按分类口径为每条投诉打上类别，并把描述不同但实际是同一问题的记录合并，同时保留原始记录，方便追溯。
3. 生成问题清单。 按出现次数、涉及客户数和严重程度排序，列出需要关注的问题，并附上对应的原始记录链接。
4. 起草汇报材料。 根据清单起草月度质量简报的初稿，供质量负责人修改。
必须由人完成的部分
- 原因分析：为什么开裂、是材料问题还是工艺问题，需要质量工程师结合现场、检验记录和试验判断；
- 责任认定和对外答复：涉及客户索赔和供应商追责的结论，必须由有权限的人确认；
- 分类口径的调整：发现新的问题类型时，由质量负责人决定是否新增类别。
AI 归类的结果也需要抽查，特别是严重程度判定，误判可能导致重要问题被忽视。
怎样开始
选取过去三个月的投诉记录作为样本，先由质量人员手工归类一部分作为参照，再让 AI 按同样口径处理，比较两者的一致程度。不一致的地方往往能暴露出口径中模糊的定义，修改口径后再试一次。
一致性达到企业认可的水平后，再把这个流程用于每月的常规汇总。
和现有系统的关系
如果企业已经使用质量管理或售后系统，AI 整理的结果最好能回填到原系统，而不是另起一套表格。能否自动写回取决于系统接口和产品当期能力，需要逐项核对；做不到的，约定人工导入的方式和频次。
远行者科技的做法
我们和企业的质量负责人一起梳理分类口径和字段，设计提取和归类的任务模板，用历史样本试跑，记录一致性和需要人工确认的情况。分析结论和整改措施由企业质量团队负责。
常见问题
投诉记录很少，值得做吗？
如果每月只有几条投诉，手工处理可能更简单。记录量较大、来源分散、需要定期汇报的企业，统一整理的价值更明显。
AI 能直接找出质量问题的根本原因吗？
AI 可以根据记录提示可能相关的批次、工序或供应商，但根本原因需要结合现场检查、检验数据和试验验证，由质量工程师判断。
客户发来的照片能处理吗？
可以辅助识别照片中的标签、型号等信息，但识别结果需要核对。缺陷判定建议由质量人员看原图确认。
参考资料
把方法放进一项具体工作。
远行者科技围绕企业岗位任务提供 WorkBuddy 场景诊断与解决方案，明确任务流程、产品条件、试点安排、人工复核和培训推广方式。
