问卷里的三座山：数据、人、工具

这一系列我们反复引用同一份问卷里的数字，不是为了堆砌百分比，而是想坚持一件事：少凭感觉抱怨行业难，多让数据替一线把难处说清楚。

读过前两篇的朋友，可以直接往下看；若您是第一次点开——前两篇大致聊了：为什么大家对“现成的 AI”不满意，未必赖模型不够大，以及“写报告”和“能签字”之间为什么会裂开一道剪刀差。

今天顺着同一批问卷再翻一页：那里摆着三座山，名字很朴素——数据不够、人不够、工具不顺。

系列第一篇里，我们用另一种拆法讲过三件事：知识的断层、数据的断链、追溯的断裂。问卷把同一组难处换成了选项——数据、人、工具——石头还是那块石头，只是换了种数法。

年初的结构化收集里（66 道题，有效样本约 900+），有一道多选题问“当前可靠性工作的主要痛点”。排名前三的选项分别是：

·数据积累不足，难以建模——约三成受访者勾选（多选口径，下同）；

·分析方法复杂，人员能力不足——约四分之一以上；

·工具软件缺乏或不好用——同样约四分之一量级。

三项在多选口径下的合计覆盖率超过八成（注：因多选可叠加，该项统计反映的是至少勾选其中一项的受访者比例，而非三者同时勾选的比例）。

这不是“哪一家企业倒霉”，而是样本里一遍遍出现的结构性卡顿：手头的料还没码齐，懂方法的人不够分，手里的软件又把专业路径兜得不顺。

三件事一拧，人最容易退回到上一篇说的那条捷径：先把文档写出来再说。剪刀差，就是被这三座山一块儿撑开的。

“数据不够”听起来像抱怨台账少。工程里更常是真的：失效记录散落在 Excel、MES、售后工单、试验室里，口径还对不齐。你想建威布尔、想跑增长曲线，第一步往往不是“模型不够大”，而是清洗、对齐、界定删失。建模还没爬到，体力先耗掉一半。

同一份问卷的另一道题问到“阻碍 AI 在可靠性领域落地的主要因素”，“可靠性专业数据匮乏”排在前列（约四分之一以上，多选口径）。注意，这与上一道题问的是不同维度——上一道问”当前痛点”，这一道问“AI 落地障碍”——但数据层面的瓶颈在两道题中均被高频提及。

这意味着：大家都想用 AI 往前冲的时候，地基——可用、可信、能关联的数据——往往还没铺好。不是工程师不努力。组织级的数据资产，本来就不是一晚上能“生成”出来的。

所以靠谱的起点，只能是先把你能掌控的那一块资料搬清楚。而不是指望某个云端大脑，一夜之间替你“吞掉全行业失效库”。后者不在本文承诺里，也不在务实路径里。

这也是我们在 ReliaBuddy 上优先选择去啃的一块：本机知识库。不承诺替你“吞下全行业失效库”。现阶段力求把你能掌控的那一块资料，朝“可登记、可检索、问到能指认出处”往前推。

修路。不是宣称行业数据难题已经一笔勾销。

“人员能力不足”这条，听起来像在责怪一线。更公平的翻译是：可靠性横跨设计、工艺、试验、现场。想把一条失效从现象追到机理，靠的不是一个人多会写段落，而是多角色接力。人手永远不够，复杂度只会往上走。

障碍题里还有两条，常和“人”搁一块儿读：“AI 结果可解释性 / 可信度不足”（约两成以上）、“缺乏既懂可靠性又懂 AI 的复合人才”（同样约两成量级）。

将这三条放在一起看——“人员能力不足”“可解释性不足”“复合人才缺乏”——这三项在多选口径下的合计覆盖率约六成以上。报告归纳出来的核心问题是同一块：解释不清、信不过、没人能把关。

翻译一下：大家不是不想要 AI。怕的是“解释不清、信不过、没人能把关”。这时候再堆一个“更会写作文的模型”，解决不了“谁来签字”。签字的人，评审席上还得用自己的名字扛雷。

所以我们在 ReliaBuddy 里优先守住三条取向（是顺序与原则，不是已经完成的全貌）：

1、能指到条款与摘录——回答问题时附带原文出处；

2、该算的用程序算清——调用专业计算引擎，而非用对话“估一个”；

3、没依据不装懂——不编造标准和数据。

用意是让要签字的人手里多一点可据可查的东西，比多一个会陪聊的界面，更贴近“减负”。

“工具缺乏 / 不好用”在痛点题里也占约四分之一（多选）。叠上前两座山，画像就更清楚：不是缺快捷方式。缺的是一条能把专业动作串起来的路——从条款到数据，从数据到结论，从结论回到原始记录。

市面上最容易拿到的“工具进步”，往往是更好的通用对话。可靠性工作要的，经常是更笨、更土、更经得起追问的那几件事：条款对条款、数字对算法、结论对记录。对不上这三件，工具再新，也只是换了个输入法。

因此我们选择把 ReliaBuddy 做成桌面工作台。尽量把检索、对话里可追溯的引用、该上的计算，往同一套界面里收——对准“专业动作串不起来”这一层先修路，而不是再多一个分散注意力的对话框。串联到什么程度、哪些环节还要人工补齐，随版本迭代。本文不作过度承诺。

把三座山压成一句话，其实还是上一篇那三个评审问题：

1、依据有标准吗？

2、数据可复盘吗？

3、结论能溯源吗？

数据乱，第一句就对不齐；人不够，第二句没人敢拍板；工具不顺，第三句翻记录翻到半夜。

当初整理问卷时，我们看到“数据 / 人 / 工具”三道痛点叠加覆盖率超过八成。第一反应其实不是兴奋，是沉默：原来大家在嘴上说要 AI，骨子里最先卡的，还是能把依据摊开的那几步。

那份沉默，后来变成一个很朴素的决定：先做能帮一线把纸面上的依据对齐的事。而不是先在发布会上画一张“全行业大脑”的饼。

国可工软做 ReliaBuddy，从不指望一夜之间替你“建成行业级大数据”。那种故事听起来很美，落不了地。更务实的顺序，是我们选择去迭代的方向：

朝着“把你能掌控的本机资料，一步步变得更可登记、可索引、可检索”推进；朝着你在回答“依据在哪”时更容易指到具体条款、具体摘录（而不是只凭一段话的记忆）推进。

该用算的地方优先走程序，而不是用对话“估一个”。

这些都是进行时：不是说评审与复核已经可以靠边站。这是修路：把“你家”那份知识尽量铺平一点，再谈后面能不能跑快车。路铺一寸有一寸的用处，剪刀差才有机会慢慢收口。

不是万能药，更不是“我们已经替你过关”。

专业化能力（如 FMEA / FTA / 寿命分析等结构化交付）已在产品路线图中规划，具体形态与上线时间以正式发布为准。本文不替研发开空头支票。