2024年，斯泰兰蒂斯（Stellantis）在发现防抱死制动系统存在可能导致电子稳定控制系统失效的软件问题后，召回了约123万辆Ram 1500皮卡。
这起案件之所以引人注目，不仅仅是因为涉及软件。关键在于，现代车辆的问题往往难以准确诊断。故障症状可能指向硬件、软件或系统之间的交互，而错误的诊断可能会导致在查明根本原因之前进行不必要的维修。
从中得到的更广泛的启示并非针对这一具体缺陷，而是关于将车辆证据转化为果断行动所需的时间。
这个故事的有趣之处并不在于技术缺陷本身，而在于从问题初现端倪到该组织充分了解情况并能在整个车队范围内采取行动之间所经历的时间。
姑且称之为 “质量延迟”。
随着车辆对软件、电子设备、网络和互联服务的依赖程度日益加深，降低延迟或许将成为汽车制造商防范质量问题最重要的途径之一——即在问题升级为可能造成数百万美元损失的保修索赔、服务活动和召回之前，尽早予以解决。
问题并不在于数据不足
现代车辆会产生海量的信息。包括车载信息系统和位置数据、故障诊断代码（DTC）、多域ECU信号和日志、软件及连接数据，以及网络和总线级统计数据。
工程组织也掌握着大量信息：技术规范、要求、问题跟踪系统、以往的调查报告、故障树分析、服务记录和保修索赔，以及数十年来积累的专业知识。
然而，一旦出现问题，工程师们仍然需要花费大量时间来查找相关证据、确定缺失的内容、分析跨系统事件之间的关联，并查明导致该症状的真正原因。
信息娱乐显示屏出现的问题，可能源于控制单元、软件服务、网络交互，也可能源于其他完全不同的地方。问题出现的地点，未必就是问题的源头。
因此，有意义的质量指标不仅仅在于OEM能够收集多少数据，而在于 该组织能够多快地将正确的信息转化为有把握的行动，而这一过程越快，解决问题的成本就越低
延迟无处不在
Stellantis ESC召回事件说明了 推理延迟：从发现问题到正确理解其根本原因之间所需的时间。但这仅仅是一种表现形式。
此外还有 范围确定延迟：即需要多长时间才能准确确定哪些VIN、配置、零部件或软件版本实际上受到了影响。
存在 响应延迟：已知的故障特征能多快转化为监控或诊断情报，从而能够检测到其他地方出现的类似情况。
此外还有 知识滞后：一个工程团队所学到的知识需要多长时间才能对下一个项目产生实际价值——或者这些知识是否能真正传递下去。
在我们最新发布的白皮书中，我们分析了近期发生的五起召回事件， 《向持续质量的转变》中分析的五起近期召回案例，生动地展示了这些不同形式的延迟。不同的制造商、不同的系统、不同的技术原因，却都存在同一个反复出现的问题： 即从需要采取行动的信息出现，到组织能够据此采取行动之间存在延迟。
发现得越晚，问题造成的损失就越大
延迟之所以重要，是因为随着车辆在整个生命周期中的演变，缺陷所带来的经济影响会发生巨大变化。
如果在开发过程中发现问题，其成本主要体现在工程时间、测试以及可能对进度造成的影响上。
如果在数千辆车已交付后才发现同样的问题，技术修复可能并不比现在更难。但此时，该企业已不得不应对经销商、保修索赔、更换零件、客户沟通、物流、监管报告，甚至可能面临召回。
修复该缺陷的费用未必会更高 修复。成本增加是因为 理解并采取行动。
这提示了另一种思考车辆质量的方式：与其优化单个调查，不如系统性地缩短以下各环节之间的距离： “发现 → 理解 → 解决与控制 → 预防 → 学习”之间的距离。
这就是 持续质量理念。
向上游延伸，经济格局就会发生变化
缩短SOP后的延迟时间，可以加快现场调查的速度，并减轻其影响。但还有更大的机遇：将同样的能力前置。
在车辆验证过程中，间歇性故障可能会出现一次后便消失。如果工程师在故障发生时未能采集到正确的信号或日志，他们可能不得不重现该故障状况，以便收集更多证据。
如果在车辆和故障状况仍可获取的情况下，调查工作能够随之调整，会怎样？
在日产欧洲技术中心（NTCE），Sonatus 正在试行针对性、事件驱动的车辆数据采集以及基于AI 的辅助分析，以帮助实现这一目标。初步结果显示，手动数据汇总时间从2至4小时缩短至不到5分钟，异常检测时间从4至8小时缩短至10至15分钟，根本原因分析和报告时间从1至2天缩短至不到1小时。 该计划旨在将此前长达两周的端到端调查缩短至两天内完成。虽然这些结果尚属初步，但它们充分展示了当观察、情境获取与工程理解之间的时间间隔开始大幅缩短时所能实现的效果。
这一点很重要，因为在标准操作程序（SOP）实施前消除的每一个问题，都能避免整个类别的后续成本。
现在，让车辆变得更智能
还有第三步。
一旦工程部门验证了某项故障特征、劣化模式或诊断方法，为何要将这些知识保留在工程系统中？相反，这些知识完全可以转化为在车辆中运行的智能。
经过验证的异常特征可以成为新的监测指标。性能下降模式可以成为早期预警检测器。当发生异常情况时，车辆可协助捕获调查所需的确切背景信息。
如今，信息在双向流动：车辆为工程研发提供信息，而工程研发则使车辆更善于识别下一个问题。 车辆不再仅仅是证据的来源，而是成为了质量管理中的积极参与者。
借助Sonatus （Fastlane™ Platform ），持续质量管理可在车辆生命周期的三个不同阶段落地实施。在正式投产（SOP）之前，制造商可将这一方法应用于车辆测试和验证环节，以便在车辆交付前发现并解决问题。正式投产后，整车制造商可基于现有的生产数据和工作流程，更快地调查并控制现场问题。而在未来的车辆平台中，制造商可将Fastlane Platform 中的智能技术直接嵌入车辆，构建一个持续学习系统，将车辆的感知数据与工程团队的学习成果及行动方案相连接。
在质量方面领先一步
AI 将在这一转型过程中发挥重要作用。它能够发现规律、关联证据、在不同工程领域之间进行推理、确定缺失的信息，并协助统筹后续工作。
AI 将带来的竞争优势是 时间：缩短从发现问题、理解问题、采取行动，到将所学经验运用到下次问题解决过程中的时间间隔。因为最优质的问题并非仅仅是你能快速解决的那一个，而是你能及早从中吸取教训，从而不必再次解决的问题。
阅读Sonatus 最新发布的白皮书， 《向持续质量的转型》，该白皮书收录了弗若斯特沙利文（Frost & Sullivan）的研究与分析，内容涵盖“持续质量”框架、近期五起召回事件的经验教训、NTCE项目的早期运营实证，以及将质量智能前移至车辆生命周期早期阶段所带来的经济效益模型分析。