这几年，我经常听到两种说法。有人说，六西格玛早就过时了：流程太重、证书太多、项目报告做得很漂亮，现场问题却没有少。也有人说，现在有了 AI，回归、控制图、实验设计几秒钟就能完成，还学什么六西格玛？

作为一个在六西格玛体系里待了很多年的黑带大师（Master Black Belt，MBB），我的答案可能两边都不讨好：把六西格玛做成表格、证书和评审，它确实该退场；把它当成一套识别波动、验证因果、控制风险的思维方式，它比过去更重要。

 

一、大家反感的，往往不是六西格玛

真正让人失去耐心的，通常是三种做法。

DMAIC 被做成了五轮交作业

DMAIC 指定义（Define）、测量（Measure）、分析（Analyze）、改进（Improve）和控制（Control）。它原本是一条解决问题的逻辑链：先把问题说清楚，再确认数据可信，找到原因，验证改进，最后防止反弹。

但在一些企业里，它变成了五个必须盖章的阶段。每个阶段要交多少页 PPT、必须放哪些图、评审会上谁签字，都规定得很清楚。于是，团队最关心的从“问题解决了吗”变成了“材料齐了吗”。

当流程开始为评审服务，而不是为决策服务，方法就只剩下外壳。

证书代替了能力

绿带、黑带一旦成为晋升门槛，就容易出现“为了认证而找项目”：题目是挑来的，收益是凑出来的，结论是先定好的。项目结束后，证书留下了，现场没有发生真正的变化。

证书当然可以证明一个人接受过系统训练，但它不能自动证明这个人会定义问题、敢否定错误假设，也不能证明他能让改进保持半年以上。

工具越重，显得越专业

有些问题，一张柏拉图、一次现场观察、一次小范围验证就能解决，却非要上回归、上 DOE、做几十页分析。结果是模型越来越复杂，问题反而越来越远。

统计工具的作用是降低错误决策的风险，不是增加项目的仪式感。

二、剥掉形式，真正值钱的是四种习惯

如果把模板、腰带和术语都拿掉，六西格玛真正留下来的东西并不多。但这几件事，很难被替代。

1. 先看波动，再谈平均

两个过程的平均值完全一样，稳定性可能天差地别。一个过程每天围绕目标小幅波动，另一个过程忽高忽低，只是碰巧平均值落在目标附近。只看平均值和合格率，这两个过程可能会被写进同一份“表现正常”的周报。

六西格玛最重要的提醒之一，就是不要让平均值把波动藏起来。现场真正棘手的问题，往往不在中心位置，而在批次、设备、班次、原料和时间带来的变化。

2. 先确认测量，再相信数据

测量系统分析（Measurement System Analysis，MSA）问的是一个很朴素的问题：你看到的差异，究竟来自产品，还是来自量具、方法和操作人员？

如果测量系统本身不稳定，后面的能力分析、回归和 AI 模型都会把测量噪声当成过程规律。数据量越大，结论看起来可能越“有把握”，错误也会被包装得越漂亮。

3. 用数据回答问题，而不是支持观点

成熟的问题解决，顺序应该是：先定义问题，再决定如何衡量，接着收集证据，最后判断假设是否成立。

最危险的顺序恰好相反：先有一个喜欢的答案，再从大量数据中寻找支持它的图和显著性。数据不会自动带来客观，分析顺序才决定你是在验证，还是在辩护。

4. 改进之后，必须能够保持

很多项目在“措施实施”那一刻就宣布成功。可是三个月后人员轮岗、原料变化、设备维护周期一到，问题又回来。

控制阶段真正要回答的不是“有没有控制图”，而是：谁监控、监控什么、异常后做什么、多久复核一次。没有反应计划的指标，只是墙上的装饰。

三、AI 没有淘汰六西格玛，只是改变了分工

AI 正在让计算变得越来越便宜。清洗数据、画图、拟合模型、生成分析代码，过去要花半天的工作，现在可能几分钟就能完成。

但计算更快，不等于判断更可靠。面对一份 AI 给出的漂亮结果，工程师仍然要回答四个问题：

• 数据能不能用？
  
  测量是否可靠，样本是否代表真实工况，缺失的数据有没有系统性？
• 结果有没有工程意义？
  
  统计上显著的差异，是否大到值得改设备、改参数、改流程？
• 关系是不是因果？
  
  模型发现的是可控原因，还是共同变化造成的相关性？
• 换一个场景还成立吗？
  
  下一批原料、另一条线、另一个班次，模型会不会失效？

这些问题，AI 可以辅助检查，却不能替你承担决策责任。制造现场有设备边界、测量误差、工艺机理和客户风险。脱离这些约束，模型分数再高，也只是一个局部答案。一句话：AI 降低了计算成本，也放大了错误判断的速度。

真正有价值的人，不是手工算得比 AI 快，而是能把问题定义对、把数据审查清楚，并知道什么时候应该拒绝模型结论。

四、不是所有问题都值得上一套完整 DMAIC

六西格玛被滥用，很大程度上是因为方法没有按问题的重量来选择。

问题情形	更合适的做法
原因清楚、风险低、措施可逆	直接改，小范围验证，保留结果记录
现场正在发生重大异常	先遏制和隔离，再做系统分析
原因未知、跨部门、波动大、风险高	使用完整或裁剪后的 DMAIC
新产品或新流程尚未建立	用面向设计的方法，不要硬套改进现有流程的 DMAIC
问题主要来自等待、搬运、切换等浪费	先用精益方法看流程，再决定是否需要统计分析

 

 

 

 

 

方法不是越完整越专业。一个问题只需要现场确认和快速试验，就不要把它包装成半年项目。反过来，一个高风险、跨设备、因果关系不清的问题，也不该用一句“凭经验判断”草草结束。

真正的专业，是让方法的重量和问题的重量相匹配。

五、如果重新设计六西格玛培训

如果今天让我重新设计一套培训，我会做三件事。

少讲软件按钮，多讲判断

菜单怎么点，AI 和帮助文档都能教。真正需要训练的是：什么时候该用这个工具，它依赖什么前提，结果错了会错在哪里。

从真实问题出发，再决定工具

不再为了认证找项目，而是从现场真正让人头疼的问题出发。问题简单，就用简单方法；证据不够，再逐步增加分析强度。

把精益、统计和 AI 放在同一张桌上

流程浪费、过程波动和信息处理，本来就是同一个系统里的不同部分。只会统计，容易把所有问题都看成波动；只会精益，可能低估测量和随机性；只会 AI，则容易把相关性当成答案。

未来的质量人才需要的不是更长的工具清单，而是把现场知识、统计证据和 AI 能力组合起来的判断力。

写在最后

六西格玛有没有用，取决于你说的是哪一个“六西格玛”。

作为一套表格、证书和评审流程，它确实该瘦身了。作为一套用数据理解波动、用证据验证原因、让改进能够保持的思维方式，它没有过时。

AI 会替我们完成越来越多计算，却不会替我们定义什么是正确的问题，也不会替我们承担错误决策的代价。

该淘汰的是仪式，不是判断。

你在企业里见过最有效的六西格玛项目，或者最形式化的六西格玛项目，是什么样的？欢迎在留言区聊聊。