AI v automotive kvalite — nástroj alebo mentor? Prečo „vygeneruj mi 8D“ je nebezpečná veta

V stredu popoludní ti príde mail. „Pripravíme to do piatka, potrebujeme 8D na customer komplajn, PPAP submission pre nový diel, a v MSA chcem updatovať Gage R&R, lebo prešiel rok od poslednej validácie."

Tri artefakty, jeden tím, dva a pol pracovného dňa. Otvoríš ChatGPT alebo iný generatívny tool a napíšeš: „Vygeneruj mi 8D na komplajn typu X. Vygeneruj mi PPAP package pre lisovaný plastový diel pre VW. Vygeneruj mi MSA report pre Gage R&R."

Dostaneš tri kvalitné výstupy. Vyzerajú ako práca. Sú formátovo správne. Vložia sa do customer reportu, do PPAP submission, do interného repository.

Za tri mesiace audit. Audítor sa pozrie na 8D a opýta sa: „Aký bol containment? Koľko kusov bolo v karanténe? Kedy ste začali blokovať produkciu?" Pozrie sa na PPAP a opýta sa: „Kde je customer-specific PSW pre VW? Kde sú VDA 6.3 P6 procesné dôkazy? Kde je IMDS reference?" Pozrie sa na MSA a opýta sa: „Koľko operátorov, koľko častí, koľko meraní na časť? Aký bol referenčný štandard?"

A ty mlčíš. Pretože AI ti vygenerovala výstup, ale nikto ťa neviedol k podkladom.

Toto je rozdiel medzi nástrojom a mentorom

Generatívna AI je nástroj. Dáš jej požiadavku, vráti ti výstup. Zodpovednosť za to, či ten výstup dáva zmysel, ostáva na tebe. Ale ak to nepoznáš dôverne — alebo si pod tlakom a chceš to spraviť rýchlo — výstup ti vyzerá hotový.

Mentor je iná kategória. Senior kvalitár vedľa teba pri káve sa nepýta, čo chceš vygenerovať. Pýta sa prečo to potrebuješ a čo k tomu máš. Containment? Rozsah? Customer scorecard za posledné 3 mesiace? Aký proces sa zmenil? Aké dáta máš na FMEA aktualizáciu?

To je rozdiel medzi tým, či ti niekto urobí papier, alebo ťa privedie k procesu.

AI v automotive kvalite musí byť mentor. Nie pretože je to módne. Pretože v kvalite je papier bez procesu drahší než žiadny papier. Žiadny papier = neschválený PPAP, žiadny launch. Papier bez procesu = schválený PPAP, launch, a o pol roka reklamácia, customer scorecard A → B, strata projektu.

Konkrétne — čo to znamená pre 8D

Generatívna AI ti urobí 8D-čku v štruktúre: D0 immediate, D1 team, D2 problem, D3 containment, D4 root cause, D5 corrective, D6 verification, D7 prevention, D8 recognition. Vyplní všetky riadky textom, ktorý znie kompetentne.

AI-mentor sa pýta hneď v D0: Máš containment? Kusy, ktoré sú už vo výrobe, na sklade, na ceste k zákazníkovi, u zákazníka — sú izolované? Bez containment validation v D0 a D3 je celý 8D papier bez procesu. Ak chybný produkt odchádza zákazníkovi počas tvojho RCA, nemáš 8D — máš escalation.

AI-mentor sa pýta v D4: Aké evidence máš? Korelácie, ktoré si testoval. Dáta, ktoré si zbieral. Hypotézy, ktoré si vylúčil. Bez evidence ťa AI nezbaví zodpovednosti za to, že root cause je špekulácia. A špekulácia sa o 3 mesiace vráti.

AI-mentor sa pýta v D5: Kto, čo, do kedy? Bez vlastníka a termínu D5 nie je action plan. Je to wishlist. Generatívna AI ti vlastníkov a termíny vyplní textom „[Owner] / [Date]" alebo vymyslí mená. AI-mentor sa pýta — povedz mi mená, inak to nemám ako uzavrieť.

To nie je obťažovanie. To je metodológia.

Konkrétne — čo to znamená pre PPAP

PPAP nie je dokumentový archív. Je to submission level + 18 elements + customer-specific requirements. AIAG-VDA PPAP 4th edition definuje 5 levels a 18 prvkov. Ale customer-specific PPAP pre VW (Formel Q New Parts Integral), Stellantis (PPAP cez SCAR portál), Ford (Q1), GM (BIQS) — každý z nich má vlastné odchýlky.

Generatívna AI ti vygeneruje 18 prvkov vo všeobecnosti. Customer-specific requirements pozná nedostatočne, lebo bez explicitného vstupu nevie, komu PPAP submituješ.

AI-mentor sa pýta: Kto je zákazník? VW Group? Tier 1 do VW? Stellantis? Aký submission level (Level 3 default)? Máš PSW? Máš IMDS reference? Máš dimensional report od labu? Máš MSA pre kritické charakteristiky? Máš process flow podľa VDA 6.3 P6?

Ak AI nepozná zákazníka a požiadavky, nedokáže ti dať PPAP package, ktorý prejde. Môže ti dať šablónu — ale šablóna s nevyplnenými customer-specific kolónkami je submission, ktorý zlyhá.

Konkrétne — čo to znamená pre MSA

MSA bez procesných premenných je matematicky správna a prakticky nepoužiteľná. AIAG MSA 4th edition definuje Bias, Linearity, Stability, Repeatability, Reproducibility. Gage R&R typicky 3 operátori × 10 dielov × 2–3 merania. % GR&R < 10 % výborné, 10–30 % akceptovateľné, > 30 % nevyhovujúce.

Generatívna AI ti vygeneruje výpočet podľa zadaných hodnôt. Ale AKÉ hodnoty? Bez kontextu si môžeš vybrať ľubovoľných 3 operátorov, ľubovoľných 10 dielov — výsledok bude matematicky správny, ale štatisticky nezmyselný.

AI-mentor sa pýta: Akú charakteristiku meriame? Kritickú (CC) alebo significant (SC) podľa zákazníka? Aký je tolerančný rozsah (USL − LSL)? Aký gauge? Aký princíp merania (kontaktný, optický, automatický)? Operátori — všetci školení rovnako? Diely — pokrývajú celý rozsah tolerancie?

Bez týchto otázok ti MSA report nesedí. Bias môže byť maskovaný systematickým vychýlením meradla. Reproducibility môže byť falošne nízka, lebo dvaja operátori merali na rôznych smenách s iným osvetlením. Linearity nie je zmysluplná na úzkom rozsahu vzoriek.

A toto sa nedá uhádnuť. Musí na to byť odpovedané predtým, než AI urobí prvý výpočet.

Stratégia AI v automotive kvalite

Z toho, čo som videl za 12 rokov v automotive — Forvia, TRW, HELLA — AI v kvalite musí rešpektovať tri princípy.

Po prvé: doménová špecializácia. Generický LLM pozná IATF 16949 ako jednu z tisícov noriem. Pre kvalitára to znamená, že pri otázke „čo žiada IATF 8.5.1" dostaneš všeobecnú odpoveď bez customer-specific kontextu. AI pre automotive musí poznať aspoň IATF 16949, VDA 6.3, AIAG-VDA FMEA, AIAG MSA, AIAG PPAP a hlavné customer-specific requirements (VW Group, Stellantis, BMW, Mercedes-Benz, Ford, GM, Toyota). Bez toho je len rýchlejším Googlom.

Po druhé: štrukturovaný dialóg. Senior kvalitár neodpovedá hneď. Pýta sa containment pred root cause, scope pred hypotézou, evidence pred záverom. AI musí mať tú istú disciplínu. „Jedna otázka naraz" nie je estetika. Je to ochrana pred preskočením dôležitého kroku.

Po tretie: detekcia neúplnosti. Najdôležitejšia vlastnosť AI pre kvalitu nie je rýchlosť výstupu. Je to schopnosť zastaviť výstup, keď chýba kontext. „Bez containment statusu ti 8D nezostavím" je hodnotnejšia odpoveď než pekne sformátovaný papier so špekulatívnou D3.

Tá istá logika v ostatných automotive procesoch

Kvalita nie je výnimka. Rovnaké pravidlo platí v paralelných procesoch.

Projektový manažment (APQP). Generatívna AI ti vyrobí gateway review s 23 deliverables. AI-mentor sa pýta: máš customer drawing? Máš cost target? Máš timing chart s critical path? Bez týchto vstupov gateway review nie je rozhodnutie — je to ceremónia.

Procurement / Supplier Quality. Generatívna AI ti urobí supplier scorecard. AI-mentor sa pýta: aký je váš supplier qualification process? Má dodávateľ IMDS reference? Conflict minerals declaration? VDA 6.3 audit score? Bez týchto vstupov scorecard reportuje minulosť bez prevencie budúcnosti.

Manufacturing Engineering. Generatívna AI ti urobí DFM review. AI-mentor sa pýta: čo PFMEA hovorí o tomto procese? Aký je takt time, OEE, FTQ z podobných liniek? Bez týchto vstupov DFM ostáva dizajnérskym cvičením bez výrobnej reality.

Service / Field. Generatívna AI ti urobí failure analysis report. AI-mentor sa pýta: máš field returns dáta podľa batch / VIN? Pareto chart top 5 failure modes? Koreláciu s production date? Bez týchto vstupov je failure analysis príbeh bez dát.

Vo všetkých prípadoch je rozdiel rovnaký. Nástroj ti zrýchli výstup. Mentor ti zlepší proces. Long-term je rozdiel pre firmu dramatický.

Strategická téza pre nasledujúcich 12 mesiacov

Budúcnosť AI v automotive — nielen v kvalite — nie je v rýchlejších výstupoch. Je v lepších otázkach.

AI, ktorá ti dovolí byť lenivý, ti urobí medvediu službu. Vyrobí ti papier, ktorý vyzerá ako práca, a o pol roka ti zlomí customer scorecard.

AI, ktorá ťa donúti byť disciplinovaný, ťa robí lepším kvalitárom. A celkovo lepším inžinierom — pretože tie isté disciplinárne otázky platia pre PM, supply, ME, service.

QualityOS bol postavený na tomto princípe. AI asistent pre kvalitárov, ktorý sa pýta containment pred root cause, scope pred hypotézou, evidence pred záverom, vlastníka pred akciou, termín pred uzavretím. Ktorý nemá motiváciu pochváliť ťa za otázku ani pridať bonusové tipy nad rámec tvojej situácie. Ktorý vie zastaviť výstup, keď chýba kontext.

To je rozdiel medzi „vygeneruj mi 8D" a „pripravme spolu 8D, ktorý prejde audit aj reklamáciu". Prvé je veta nástroja. Druhé je veta mentora.

V automotive ten rozdiel rozhoduje o tom, či ti pri reklamácii vydrží papier alebo procesy. A ja by som bol radšej, aby vydržali procesy.