曾伟民，贝恩公司资深全球合伙人，亚太区绩效提升业务主席

蔡晴，贝恩公司全球合伙人

高加贝，贝恩公司全球专家副合伙人

刘维波，贝恩公司全球专家副合伙人

先进制造型企业不断探索新兴技术，目前正积极布局人工智能（AI），这也产生了新的市场需求。根据商业研究公司（Business Research Company）的预测，到2028年，包括智能硬件、软件和服务在内的工业机械AI市场规模有望达到54.6亿美元。
这背后的原因是什么？因为先进制造型企业面临着供应链波动、成本压力、熟练工人短缺等严峻挑战，而AI可以在这些方面发挥积极作用。

贝恩访谈了众多的先进制造业高管，75%的受谈者认为布局AI等新兴技术是工程和研发方面的首要任务之一。然而，尽管有很多企业收集了海量数据，可供AI程序使用，但大部分企业并没有将这些数据加以利用。

顶尖先进制造企业的成功经验值得我们借鉴。在布局AI技术前，这些企业会首先明确自身的核心业务挑战，并了解AI能如何优化流程、提升整体绩效。比如，评估机器学习或生成式AI等各类AI技术在运用数据创造价值方面的效果。当前，先行企业已经开始在采购、组装、维修保养、质控和仓储物流方面应用AI技术解决关键问题。

而最近快速发展的生成式AI，进一步的快速推动了AI技术在非结构化数据方面的应用。目标长远的企业已经开始部署生成式AI，用来汇总大量非结构化数据，彻底改变知识型工作，比如通过检索和汇总整个企业的相关信息，回答员工提出的问题。还有些企业则在尝试生成式AI服务机器人，典型应用场景有与现场技术人员合作，更快地识别何时需要维修保养，并提高维修保养工作质量。

此外，领先企业还将AI解决方案整合到业务流程和后端系统中。

AI带来的机遇

人工智能是一个统称，涵盖了基础数据分析、机器学习、深度学习和生成式人工智能等众多技术。因此，领先企业首先会确定面临的主要业务挑战，再来选择最有针对性的AI解决方案。

为了应对新冠疫情、地缘政治局势不稳定等持续冲击，企业必须加强供应链韧性和可持续性。有效的风险管理必须做到先发制人，而不是被动应对。AI在这方面大有可为，可以实时报告供应链瓶颈，提前预测潜在的供应中断风险，并从企业全局视角进行主动规划，减轻对供应链的影响。

此外，AI还能跟踪员工生产力，评估各级成本。AI可以帮助企业转换商业模式，从单纯销售设备转变为设备即服务模式，以售后支持和维护为核心服务。比如，运用机器学习技术预测何时需要更换设备或零部件，从而降低计划外停工时间。
在制造行业，招聘和培养高素质技术工人一直是一个难题，特别是对更复杂的工程任务而言。针对这个难题，AI能为工人提供相关信息和洞见，让他们更专注于附加值更高的工作。此外，AI还可以培训和提升新工人的技能，帮助他们快速上手。

虽然生成式AI在制造业的应用仍处于探索阶段，但很多人相信这项技术将会改变整个行业。因为驱动生成式AI的大语言模型从根本上改变了人机交互方式，可以从非结构化数据中提炼深刻洞见，大幅提高生产力、服务质量和公司财务表现。

确定需要优先解决的业务问题

领先企业已经开始应用AI技术解决采购降本、预测监控等供应链难题，在工业资产、设备和基础设施出现故障之前得到及时预警。简而言之，AI为业内最关注的数字化应用场景提供了可能（图1）。

企业已经开始在许多领域运用AI技术解决问题，接下来让我们来看三个领域的具体应用：减少组装缺陷/改进质量控制；提高生产力；简化仓库管理。

减少组装缺陷/改进质量控制：AI可以实时识别错误，提高组装效率和保证产品质量。例如，一家机械设备制造商采用了AI视频处理技术来跟踪人工组装工作，对人工组装工作进行自动质量检查，进而优化资源使用和员工效率。使用AI解决方案后，机械设备制造商的组装流程次品率下降了70%，部分产线的质检工作量减少了50%。

又如，给机械设备制造商供应原料的一家供应商摒弃了人工检测方法，而是使用计算机视觉技术检测化学散装材料中的异物。与目前主流的人工视觉检测相比，自动检测的准确率提高了80%，达到99%以上。

提高生产力：AI还可以大幅提高员工生产力，为人手不足的企业提供助力。比如，一家机械设备制造商采用了AI工业助手，它能将自然语言转换成代码，并将旧的编程语言翻译成自然语言，比人工开发人员更快、更高质量地完成这两项任务。初步结果显示，使用该AI解决方案后，工程师的生产力提高了约5%。此外，随着数据部署错误的减少、问题解决速度的加快，停工成本也随之下降。

简化仓库管理：AI还可以确保仓库高效运作，维持合理的库存水平，在满足需求的同时尽可能减少过剩库存。例如，一家制造商采用了AI库存管理系统，在满足各项订单的同时，尽量减少库存积压。

此外，AI还能提高作业生产规划的灵活性，可以把特定时间段的特定组装工作分配给最合适的专业组装人员，实现生产力最大化。因此，制造商可以同时提高产品质量和调整生产流程，从而满足客户的特定需求。简而言之，AI能使企业在不影响车间生产规划、生产力和成本的情况下实现定制化生产。

打破常见的AI应用障碍

将AI从成功试点推广到其他产线或工厂并非易事，但却至关重要。《麻省理工科技评论洞察》2022年的一份调研显示，在各行业的企业高管中，78%认同推广AI应用来创造价值是企业的首要任务（图2）。

领先企业会在AI应用过程中关注投资回报，确保全面考虑所有成本。其中云计算是显而易见的一项成本，但很多企业却会忽略这一项。领先企业还会定期进行审查（如每季度一次），对AI投资决策进行重新评估。

旧有软件系统和碎片化数据往往也会带来问题，造成数据环境混乱、数据质量低下。最好的做法是建立统一平台和标准，从而支持多个AI应用，并使用统一的数据模型，将很多分散的数据源合并为一个数据源。

为了紧跟AI的快速发展，领先企业会使用模块化和松耦合的组件组成微服务架构，以便轻松替换软件。在整合生成式AI时，会确保这些新组件能够加强现有的数据架构。此外，还会将高效流程和工具（MLOps/DevOps）纳入技术架构，以便实现AI的大规模部署。

AI领域的领先企业还会采用小步快跑、快速迭代的部署方法。机械工程师通常倾向于严谨的思维和完美的产品设计。但软件和AI工作需要采用敏捷方法进行小步快跑、快速迭代，迅速从失败中汲取教训。在AI落地过程中，企业工程师和AI专家需要密切配合，共同创建、测试和完善AI模型，直至实现企业的目标。

最后，先进制造型企业往往难以找到并留住具备完善AI技能的员工。为了培养内部AI能力，许多企业会请来外部AI专家培训现有员工，提高整体员工队伍的数据素养。

为了留住可能对某些工作不感兴趣的熟练工人，成功企业的做法可供我们借鉴。有些正在将简单的AI任务自动化，这样专业人员就可以专注于数据和分析密集型工作。还有一些正在组建专业团队，负责处理更复杂的AI应用，解决数据洞察问题。

每家公司面临的AI挑战各不相同，但领先企业主要致力于解决三大问题。首先，要确定AI在哪些方面能为企业带来最大价值。其次，要围绕核心问题量身定制AI技术，并与IT和运营技术架构相结合。这就要求技术具备灵活性，既要适用于当前应用场景，又能在未来实现推广。最后，要打造数据文化，将AI技能和AI工作方式融入到运营模式中。

AI激发了先进制造型行业高管的想象力。越来越多的企业开始尝试和部署新的解决方案，使得行业生产力和绩效标杆不断被刷新。AI布局宜早不宜迟，掉队的企业需要投入更多资源和精力才能迎头赶上。