项目案例切片制造业 AI 与运营改善

CASE 01 / OEE

汽车零部件加工企业：OEE 看板每天更新，改善优先级却始终不清楚

客户是一家多品种、小批量汽车零部件加工企业，现场已经建立 OEE 看板和停机日报，但试点线 OEE 长期在 58%-65% 区间波动。生产、设备、工艺和计划部门每天都能解释损失原因，却很难形成统一的行动优先级。

诊断发现，问题不在于“没有数据”，而在于停机分类口径不一致、短暂停机没有稳定记录、速度损失被归入人为经验判断，班组复盘也没有把重复损失转化为行动项。君本先帮助客户统一 OEE 口径和损失树，再选取一条试点线开展 12 周改善。

项目动作包括：重新定义停机与速度损失分类，建立班组复盘模板，梳理 Top 5 重复损失，设计设备点检与换型准备改善清单，并用 AI 日报助手试点生成异常摘要和复盘问题。试点后，客户不再只看“今天 OEE 是多少”，而是能在例会上直接讨论“哪类损失重复发生、责任人在谁、下周验证什么”。

CASE 02 / QUALITY

电子装配企业：客户投诉关闭很快，但同类质量问题反复出现

客户的 8D 回复及时率较高，质量报告格式也比较完整，但同类客诉在不同班组和不同批次中反复出现。质量部门认为原因在供应商和操作波动，生产部门认为质量标准变化太快，工程部门则认为历史问题没有被系统化复用。

君本把问题拆成三个层面：第一，缺陷模式没有统一分层，导致历史案例检索困难；第二，根因验证更多依赖经验判断，缺少数据证据；第三，永久措施没有同步更新到 SOP、点检表和培训材料。项目以一个高频缺陷族作为试点，用 DMAIC 方法重建问题解决过程。

改善动作包括：重新定义缺陷族和 CTQ，梳理近两年 8D 与客户投诉，建立相似案例索引，设计根因验证清单，推动永久措施进入标准作业，并训练质量工程师使用 AI 知识库检索历史案例。项目之后，质量例会从“报告是否提交”转向“措施是否验证、标准是否更新、相关岗位是否训练”。

CASE 03 / WCM/TPM

装备制造企业：改善活动不少，但体系没有形成稳定运行节奏

客户曾推进 5S、TPM、QCC、改善提案和 Six Sigma 项目，现场活动看起来很多，但年度目标、损失展开、项目选择和支柱运行之间缺少稳定连接。管理层看到的问题是：项目不少，收益分散；活动不少，复制困难；培训不少，骨干能力内化不稳定。

君本先做 WCM/TPM 成熟度诊断，识别项目组合、损失口径、支柱职责、会议节奏和人员能力上的断点。随后帮助客户建立年度损失展开机制，把改善项目分为快速改善、专项改善和跨部门项目三类，并为支柱负责人设计月度复盘模板。

项目推进中，君本把培训与真实改善项目绑定：每个支柱都必须选择一个可验证项目，完成问题定义、收益测算、行动计划、复盘和标准落地。AI 的作用不是替代支柱负责人，而是辅助生成复盘问题、整理案例库、跟踪行动项和准备月度评审材料。

CASE 04 / FDE & AI AGENT

制造企业数字化团队：AI 工具试过不少，但没人知道该从哪个场景开始

客户已经尝试过通用大模型、知识库问答和报表自动生成，但业务部门反馈“演示不错，现场用不起来”。数字化团队懂工具，生产和质量团队懂问题，双方之间缺少能够把业务问题翻译成 AI 工作流的人。

君本以 FDE 6C 模型设计内训和工作坊。第一天训练现场理解和问题澄清，第二天围绕 OEE 日报、质量异常和改善项目三个场景绘制工作流，第三天输出 AI 数据与知识地图、试点章程和关键用户计划。课程没有停在培训签到表，而是直接形成一批可进入试点评审的候选场景。

客户最终选择“质量异常知识库 + 8D 辅助分析”作为第一阶段试点，内部选出质量、工艺、IT 和改善四类关键用户，建立每周一次的试点复盘节奏。这个案例的核心价值，是让企业意识到：AI 落地不是先招聘一个万能专家，而是把熟悉企业流程的员工培养成 FDE 型关键用户。