未來的工廠會是什么樣子的呢？在AI作為關(guān)鍵驅(qū)動力的作用下，工廠會變得更敏捷更定制化。這方面以及有一些國家（比如美國、中國）和公司開始捷足先登。但是絕大部分國家和公司對此仍然認(rèn)知不足，或者能力不足。AI未來將如何變革工廠？在未來的工廠會有哪些用例？理想與現(xiàn)實的差距在哪里？工廠實施AI應(yīng)該采取什么樣的策略？波士頓咨詢集團對此進行了分析。

在商業(yè)技術(shù)領(lǐng)域人工智能（AI）是個熱門話題，而且也引起了產(chǎn)業(yè)公司的注意。通過應(yīng)用合適的AI技術(shù)組合，制造商可以提高效能，改善靈活性，加快流程，甚至促進自優(yōu)化運營。BCG的一份分析發(fā)現(xiàn)，AI的使用可降低制造商最高20%的加工成本，而這種減少最高有70%源自于更高的勞動生產(chǎn)率。制造商還可以利用AI開發(fā)和生產(chǎn)為特定客戶量身定制的創(chuàng)新產(chǎn)品，并且將訂貨到交貨時間大大縮短，從而產(chǎn)生更多的銷售。AI因此是未來工廠不可或缺的一部分，而技術(shù)將會增加工廠結(jié)構(gòu)和流程的靈活性。

全球各地的公司，不同的行業(yè)都在探索在經(jīng)營當(dāng)中應(yīng)用AI的可能性，這一點毫不出奇。但一些主管對AI能否帶來承諾的好處依然存疑。為了更好地理解其中的機遇與挑戰(zhàn)，波士頓咨詢公司（BCG）最近對大眾對AI的期望以及AI在產(chǎn)業(yè)經(jīng)營中的采用情況進行了梳理。

BCG的研究聚焦在一份涵括眾多制造業(yè)超過1000名高管和經(jīng)理的全球調(diào)查的結(jié)果上。總體上，我們發(fā)現(xiàn)制造商預(yù)期AI成為改進生產(chǎn)力的關(guān)鍵杠桿。但實現(xiàn)并沒有跟上預(yù)期的節(jié)奏，這很大程度上是因為許多公司缺乏AI的4種使能器：戰(zhàn)略（包括全面的路線圖），實現(xiàn)的治理模式，相關(guān)的員工能力，以及IT基礎(chǔ)設(shè)施的支持。

研究背景

調(diào)查發(fā)現(xiàn)，交通、物流、汽車、技術(shù)公司處在AI采用的前沿，而加工產(chǎn)業(yè)（比如化工）就比較滯后。相對于日本、法國和德國，美國、中國和印度在AI采用方面的領(lǐng)先優(yōu)勢令人印象深刻。不同國家A采用速度的差異反映出對AI好處的期望偏差。

盡管像中國這樣的新型國家對這些好處非常狂熱，但很多工業(yè)化國家，比如德國，其觀點就比較保守了。因為德國公司在制訂AI采用的詳細計劃方面也落后了，其滯后的夏裝有可能還會持續(xù)。德國國內(nèi)采用AI技術(shù)最活躍的當(dāng)屬汽車業(yè)，而加工業(yè)還有很長一段路要走。

調(diào)查結(jié)果表明，如果有意實現(xiàn)AI的宏圖壯志，工業(yè)制造商必須顯著加大其實施力度。光靠技術(shù)本身是不夠的。要想充分發(fā)揮AI潛能，公司必須在組織層面考慮所有必要的使能者。

AI將變革企業(yè)

AI讓計算機和機器有能力用聰明的方式去執(zhí)行任務(wù)。AI幫助制造商決定最好的動作序列來實現(xiàn)目標(biāo)，也能讓他們遠程實時對運營進行管理。

運營AI的基礎(chǔ)

AI在運營中的許多使用都用到了機器學(xué)習(xí)——這是數(shù)據(jù)挖掘與數(shù)據(jù)科學(xué)的算法家族。這些算法不是按照靜態(tài)、預(yù)設(shè)的規(guī)則或者指令，而是通過分析數(shù)據(jù)來學(xué)習(xí)，然后利用所得洞察生成預(yù)測或者訓(xùn)練預(yù)測模型。

AI技術(shù)在運營當(dāng)中有若干應(yīng)用：

機器視覺。通過可見光、x射線或者激光信號感應(yīng)生產(chǎn)環(huán)境——比方說，用攝像頭對零件和產(chǎn)品進行分類。

語音識別。處理語音等聽覺信號——比方說，用類似Alexa或者Siri的虛擬助手處理操作員有關(guān)質(zhì)量問題的評論。

自然語言處理。分析文本，解釋最可能的意思——比方說，從不同的績效報告生成摘要。

信息處理。從非結(jié)構(gòu)化文本中析取知識并獲取查詢答案——比方說，通過搜索產(chǎn)品相關(guān)的文字報告。

從數(shù)據(jù)學(xué)習(xí)。根據(jù)生產(chǎn)相關(guān)的經(jīng)驗數(shù)據(jù)對值進行預(yù)測或者分類——比方說，利用機器和流程產(chǎn)生的歷史數(shù)據(jù)來預(yù)測事件。

規(guī)劃與探索。選擇一系列的行動讓特定目標(biāo)最大化——比方說，讓自動導(dǎo)引車（AVG）識別最佳的下一步。

語音生成。通過文本或語音跟人溝通——比方說，大聲朗讀指令。

處理與控制。操縱物體——比方說，讓不需要特殊培訓(xùn)的機器人從儲存箱中撿起未分類的零件。

導(dǎo)航與運動。在物理環(huán)境下機動——比方說，讓AGV在工廠內(nèi)自主移動并優(yōu)化路線。

很多行業(yè)領(lǐng)袖期望AI能從端到端（包括工程、采購、供應(yīng)鏈管理、工業(yè)作業(yè)（生產(chǎn)及相關(guān)功能）、營銷、銷售以及客戶服務(wù)）變革流程以及價值鏈。在最近的一次研究中，產(chǎn)業(yè)公司高管認(rèn)為運營可能是受到AI影響最大的環(huán)節(jié)。

AI的作用是增強，而不是取代制造商現(xiàn)有用于持續(xù)改進生產(chǎn)力的手段。AI是工業(yè)4.0主要的技術(shù)建構(gòu)塊之一。此外，制造商還可以用AI來增強傳統(tǒng)的效能手段，比如自動化和精益管理。比方說，通過識別質(zhì)量問題的根源從而幫助消除缺陷，AI可以支持精益管理減少浪費。的確，我們調(diào)研40%的參與者預(yù)計，到2030年，AI會成為生產(chǎn)力改進的一個非常重要的驅(qū)動力，而相信它對當(dāng)今生產(chǎn)力起到非常重要作用的人占比為29%（參見圖1）。

圖1：AI的作用越來越重要

AI采用將顯著改變勞動力的構(gòu)成，并且由于減少了生產(chǎn)過程中的人工活動而降低加工成本。比方說，今天質(zhì)控相關(guān)的任務(wù)需要密集的人類參與，但在有了AI的廣泛支持后將會變得高度自動化。不過即便現(xiàn)有工作會被消滅，需要與AI互補技能的新工作機會也會出現(xiàn)?？傮w而言，調(diào)查參與者呈現(xiàn)出輕微的偏見，認(rèn)為AI的凈效應(yīng)會是總勞動力的減少。

不過，不同國家之間對AI的期望也很不一樣。比方說，來自中國公司的受訪者認(rèn)為AI采用會顯著減少其總勞動力（這反映了對低技能工人的技術(shù)替代），而來自德國的公司預(yù)期其更高技能的勞動力并不會減少太多。

AI的用例

AI體現(xiàn)了工廠的范式轉(zhuǎn)移。今天的工廠自動化流程和工具采用的是規(guī)則導(dǎo)向的做法，今天的機器人編程處理的是固定的場景。相反，未來的工廠會利用AI來支持自動化流程和機械制造以響應(yīng)不熟悉或者意外情況，從而做出明智決定。因此，技術(shù)系統(tǒng)會變得更加靈活適應(yīng)性更強。比方說，在基于規(guī)則的做法下，機器人無法從一批未整理的零件中識別和選擇所需的零部件，因為它缺乏必要的詳細編程去處理零件無數(shù)可能的方向。相比之下，有AI支持的機器人可以從一堆亂糟糟的零件中挑出想要的零件，不管其方向如何。

各種AI用例包括改善工廠內(nèi)外不同運營領(lǐng)域的生產(chǎn)力。在調(diào)查受訪者當(dāng)中，有37%認(rèn)為AI對工廠運營中生產(chǎn)的生產(chǎn)力改進發(fā)揮了最重要的杠桿作用。而12%的人選擇了物流是AI作用最大的地方。跟這些發(fā)現(xiàn)一致的是，公司把自優(yōu)化機器、質(zhì)量缺陷檢測以及效能損失預(yù)測視為最重要的AI用例。盡管不同的公司對不同用例的價值看法胡有所不同，但制造商唯有應(yīng)用AI并集成內(nèi)部不同職能以及供應(yīng)商與客戶的數(shù)據(jù)池才能重返發(fā)揮其作用。

工廠外部。在工廠外圍，工程和供應(yīng)鏈管理是AI應(yīng)用最重要的運營領(lǐng)域：

工程：制造商可以利用AI促進研發(fā)努力，從而優(yōu)化設(shè)計，改進對客戶需求和期望的響應(yīng)并且簡化生產(chǎn)。AI支持生成式產(chǎn)品設(shè)計，根據(jù)既定目標(biāo)和約束利用算法探索各種可能的設(shè)計解決方案。通過迭代式測試和學(xué)習(xí)，AI算法優(yōu)化設(shè)計，推薦在人類看來非傳統(tǒng)的解決方案。一些航天公司正在利用生成式設(shè)計以全新的設(shè)計開發(fā)飛行器部件，比如提供跟傳統(tǒng)設(shè)計功能相同但是卻輕便許多的仿生學(xué)結(jié)構(gòu)。

供應(yīng)鏈管理：需求預(yù)測是供應(yīng)鏈管理領(lǐng)域應(yīng)用AI的關(guān)鍵主題。通過更好地預(yù)測需求變化，公司可以有效地調(diào)整生產(chǎn)計劃改進工廠利用率。AI通過分析和學(xué)習(xí)產(chǎn)品發(fā)布、媒體信息以及天氣情況等相關(guān)數(shù)據(jù)來支持客戶需求預(yù)測。一些公司還利用機器學(xué)習(xí)算法識別需求模式，其手段是將倉庫、企業(yè)資源計劃（ERP）系統(tǒng)與客戶洞察的數(shù)據(jù)合并起來。

工廠內(nèi)部。在工廠內(nèi)部，AI會把各種好處帶給生產(chǎn)以及諸如維護、質(zhì)量與物流等支持職能：

生產(chǎn)：我們的研究涵括了所有的生產(chǎn)環(huán)境，包括連續(xù)加工（比如生產(chǎn)化學(xué)和建筑材料的）以及離散型生產(chǎn)（比如裝配任務(wù)）。在所有的環(huán)境中，制造商都會利用AI來降低成本提高速度，從而提升生產(chǎn)力。他們還會用它來改善靈活性應(yīng)對生產(chǎn)的復(fù)雜性——比方說客戶定制產(chǎn)品的生產(chǎn)。AI還可以讓機器和部件成為自優(yōu)化的系統(tǒng)，通過對當(dāng)前和歷史數(shù)據(jù)進行連續(xù)分析和學(xué)習(xí)實時調(diào)整自身參數(shù)一些鋼鐵廠已經(jīng)在利用AI讓熔爐自動優(yōu)化設(shè)置了。AI分析鑄溝的材料構(gòu)成，識別穩(wěn)定工藝條件的最低溫度，從而降低整體的能耗。在另一個重要的生產(chǎn)用例中，得到智能圖像識別能力增強的機器人可以從未定義的位置（比如箱子里或傳送帶上）里撿起未分類的零件。這已經(jīng)在汽車業(yè)有了實際應(yīng)用。

維護：制造商會利用AI減少設(shè)備故障提高資產(chǎn)利用。AI支持預(yù)測性維護——比方說，通過根據(jù)實際情況替換磨損部件來避免故障。AI會持續(xù)分析和學(xué)習(xí)機器和部件產(chǎn)生的數(shù)據(jù)（比方說傳感器數(shù)據(jù)和產(chǎn)品結(jié)構(gòu)）。這一技術(shù)對加工業(yè)尤其有好處，因為故障會導(dǎo)致銷售損失。比方說，一些煉油廠已經(jīng)實現(xiàn)了在設(shè)備失效前估計剩余時間的機器學(xué)習(xí)模型。這種模型會考慮超過1000個與材料投入、材料輸出、工藝參數(shù)以及氣候條件有關(guān)的變量。

質(zhì)量：制造商可以利用AI幫助盡早檢測出質(zhì)量問題。視覺系統(tǒng)利用圖像識別技術(shù)識別缺陷以及產(chǎn)品功能的偏差。因為這些系統(tǒng)可以持續(xù)學(xué)習(xí)，其性能會隨著時間轉(zhuǎn)移而改善。汽車供應(yīng)商已經(jīng)開始利用帶機器學(xué)習(xí)算法的視覺系統(tǒng)識別有質(zhì)量問題的部件，包括檢測沒有出現(xiàn)在用于訓(xùn)練算法的數(shù)據(jù)集內(nèi)的缺陷。AI還可以持續(xù)分析和學(xué)習(xí)由機器和生產(chǎn)環(huán)境產(chǎn)生的數(shù)據(jù)。比方說，AI可以將材料屬性和行為與鉆床設(shè)置信息比較，預(yù)測鉆孔超出耐受度的風(fēng)險。

物流：我們的研究關(guān)注于產(chǎn)內(nèi)物流和倉儲，而不是外部供應(yīng)鏈的物流。AI會促進場內(nèi)材料供應(yīng)的自動轉(zhuǎn)移和效率，這對于管理制造多種產(chǎn)品衍生和定制產(chǎn)品所帶來的日益增長的復(fù)雜性是必不可少的。在工廠和倉庫內(nèi)運輸物品的無人車會利用AI感應(yīng)障礙調(diào)整車輛路線從而實現(xiàn)最佳路線。醫(yī)療包建設(shè)部制造商已經(jīng)開始在自己的維修中心利用無人車。在不需要磁條或者傳送帶引導(dǎo)的情況下，這些車輛可以在遇到障礙時停下來然后自動確定最佳路線。機器學(xué)習(xí)算法會利用物流數(shù)據(jù)——比如材料進出的數(shù)據(jù)、庫存量、零件的周轉(zhuǎn)率等——來促進倉庫自主優(yōu)化運營。比方說，有一個算法會建議將低需求的零件轉(zhuǎn)移到更遠的地方，并且將高需求的零件放到可以更快獲取的附近區(qū)域。

一些AI用例還可以應(yīng)用到多個運營領(lǐng)域。比方說，能夠生成語言并進行處理的虛擬助理（類似蘋果的Siri和Amazon的Alexa）可向操作員提供源自IT系統(tǒng)的相關(guān)背景信息。一些公司已經(jīng)在利用語音分揀系統(tǒng)處理分揀、打包、接收以及補給事務(wù)。在這些應(yīng)用中，語音系統(tǒng)會連接到ERP系統(tǒng)的物料清單引導(dǎo)操作員去到正確的箱子那里。

AI系統(tǒng)會根據(jù)事件報告（比如圖片和書面報告）建議相應(yīng)事件（比如機器故障、質(zhì)量離差、性能損失）的解決方案，而且還會持續(xù)分析和學(xué)習(xí)這些報告。飛機制造商已經(jīng)實現(xiàn)了利用事件報告識別生產(chǎn)問題模式的自學(xué)習(xí)算法，然后將當(dāng)前事件與過去類似事件進行匹配，并且提出解決方案建議。

在研究參與者中國，期望上述用例到2030年會變得非常重要的人占比在81%到88%之間，但是認(rèn)為這種能力已經(jīng)在生產(chǎn)的多個領(lǐng)域完全實現(xiàn)的占比就相當(dāng)?shù)停?%到8%）。圖2提供了受訪者認(rèn)為在未來工廠中發(fā)揮重要作用的用例排名的概覽。

圖2：AI在未來的工廠中將變得無所不在

雄心與現(xiàn)實之間的差距

很多公司都打算加快實施AI，但是我們的研究發(fā)現(xiàn)，平均而言，中國、印度、新加坡的公司對在近期在生產(chǎn)中實施AI的抱負最大。在受調(diào)查的離散產(chǎn)業(yè)中，醫(yī)療保健和能源是近期最有野心的；加工業(yè)和工程產(chǎn)品往往就沒那么迫切。

參與我們研究的大多數(shù)公司都說他們注意到AI的重要性正在增強。然而，他們的投資、話以及實施都沒法跟他們的野心相稱。盡管87%的受訪者成計劃在未來3年內(nèi)在生產(chǎn)中實施AI，但只有28%制訂了全面實施的路線圖。剩下的72%缺乏詳細計劃：32%正在測試選定用例，27%只有一些初步想法，13%并未將AI列為優(yōu)先事項或者還沒有考慮。

有限的實施程度反映出綜合規(guī)劃的缺乏，這揭示了理想之豐滿與現(xiàn)實之骨感的差距。在過去，在實現(xiàn)AI用例方面，只有約50%的公司實現(xiàn)了自己的目標(biāo)。因此不奇怪的是，只有約16%的公司在多個廠區(qū)充分實現(xiàn)了超過1個的AI用例——這樣的成績按照我們的定義可稱之為早期采用者。對于納入我們研究的12個國家來說，早期采用占比最高的國家包括美國（25%）、中國（23%）以及印度（19%），最低的是日本（11%）、新加坡（10%）以及法國（10%）（參見圖3）。在受訪的德國公司中，只有15%屬于早期采用者。

圖3：中國、美國的AI早期采用者最多，對推進AI最積極

美國公司的高采用水平可能反映出那里的AI技術(shù)的廣泛普及。即便如此，中國在AI投資上仍壓倒了美國，去年中國投資占到了AI初創(chuàng)企業(yè)全球投資的將近一半。2017年中國國務(wù)院還頒布了《下一代人工智能發(fā)展規(guī)劃》，打算用三步走的策略到2030年達到AI全球領(lǐng)先水平；天津市政府已經(jīng)設(shè)立了300億元的基金來支持AI產(chǎn)業(yè)。其他的新興國家，比如印度，其態(tài)度也類似，將AI采用視為保持其制造業(yè)全球競爭力的必要元素，并且對AI進行了大規(guī)模投資。與之相反的是，一些工業(yè)化國家，比如日本，仍然專注于過去提升其競爭能力的傳統(tǒng)手段（比如精益制造）。

在我們關(guān)注的8個行業(yè)中，交通和物流（21%）以及汽車業(yè)（20%）的早期采用者所占份額最高，工程產(chǎn)品（15%）和加工業(yè)（13%）相對滯后。（參見圖4）這些差異反映了行業(yè)的不同奇點以及與數(shù)字化的密切關(guān)系不同。汽車和技術(shù)公司屬于最先進行列并不出奇。其他行業(yè)甚至還沒有學(xué)習(xí)已經(jīng)成為那些行業(yè)價值鏈不可或缺部分的眾多數(shù)字化策略。

圖4：不同產(chǎn)業(yè)的AI雄心與現(xiàn)實之間的差距

公司雇員數(shù)也會對AI實施產(chǎn)生影響。小企業(yè)相對于大企業(yè)成為早期采用者的可能性更低——這也許是因為小公司往往預(yù)算更加拮據(jù)，騰出給AI采用的能力更少。盡管最近的技術(shù)發(fā)展以及數(shù)據(jù)存儲和數(shù)據(jù)處理的成本下降會降低對AI投資的閾值，總體的能力差距可能仍將持續(xù)。

縮小差距

有4個使能器對AI在運營中的成功實施至關(guān)重要：戰(zhàn)略和路線圖，治理模式，員工能力，以及IT基礎(chǔ)設(shè)施。在讓AI使能器充分發(fā)揮方面，早期采用者比滯后的公司所取得的進展要大得多。（參見圖5）

圖5：AI實施的四大使能器

戰(zhàn)略與路線圖。為了給自己所有的AI實施活動提供方向和指導(dǎo)，公司需要有清晰的戰(zhàn)略。AI戰(zhàn)略應(yīng)該專注于最有價值的用例——那些解決公司特定業(yè)務(wù)需求和挑戰(zhàn)的用例——并且跟公司的總體數(shù)字化戰(zhàn)略保持一致。公司還需要清晰的實現(xiàn)路線圖，為投資建立商業(yè)案例和可衡量的目標(biāo)。調(diào)查參與者將為運營制訂清晰的AI戰(zhàn)略列為最重要的使能器。

治理模式。管理層給出看得見的承諾對于實現(xiàn)潛在的改進非常關(guān)鍵。高層管理應(yīng)該利用結(jié)構(gòu)化的溝通來確保組織內(nèi)對AI有清晰的了解。公司應(yīng)該為AI實施建立明確的角色和責(zé)任，并且設(shè)立清晰的組織架構(gòu)。相關(guān)職能部門間有效協(xié)作和溝通對于克服AI應(yīng)用的文化抵觸必不可少。

員工能力。為了采用AI——以及更廣泛的數(shù)字化——公司必須讓員工具備很強的編程、數(shù)據(jù)管理及分析等技能。公司應(yīng)該對所需的技能集有清晰的想法，并且應(yīng)該評估那些需求與員工目前所具備的技能之間的差距。

對于了解運營AI基礎(chǔ)這樣的主題，員工可以通過培訓(xùn)計劃獲得所需的技能，這種培訓(xùn)可以來自公司內(nèi)部或者外部。對于需要更正式的IT相關(guān)學(xué)習(xí)課程，比如先進分析，公司必須招聘包括數(shù)據(jù)科學(xué)家在內(nèi)的新型員工。

在研究的參與者當(dāng)中，93%者報告自己公司內(nèi)部沒有足夠能力在運營中實施AI。4人中就有超過1人（29%）稱自己的公司已經(jīng)增加了專門做AI的員工數(shù)量，而將近一半（47%）預(yù)期未來幾年這個數(shù)字還會增長。

IT基礎(chǔ)設(shè)施。遺留IT系統(tǒng)和機械設(shè)備的互操作性對于AI實施的成功非常關(guān)鍵，這需要由API和網(wǎng)絡(luò)標(biāo)準(zhǔn)來促進。網(wǎng)絡(luò)安全是致力于AI與工業(yè)4.0實踐者的另一個重要關(guān)切。

在實施AI中，公司應(yīng)該考慮采用敏捷的工作模式，這樣可以在需求變化時調(diào)整自己的戰(zhàn)略和路線圖。在應(yīng)用AI技術(shù)中，公司應(yīng)該采用快速失敗，最小可行產(chǎn)品的做法，這樣可以小規(guī)模測試新想法然后通過快速迭代調(diào)整，最后再全面鋪開。早期采用者比滯后者更有可能采用這種敏捷工作模式。

入門指南

這份研究的發(fā)現(xiàn)指向了行動需求，這不僅要求行業(yè)公司采取行動，工業(yè)機械和自動化制造商也要行動起來。

對機械與自動化板塊的影響

作為對所有其他類型產(chǎn)業(yè)公司的供應(yīng)商，機械和自動化制造商在實現(xiàn)AI技術(shù)潛能已經(jīng)滿足工廠對AI支持應(yīng)用的需求中將扮演重要角色。AI將讓機械與自動化制造商形成新的創(chuàng)收商業(yè)模式，比如“機械即服務(wù)”。為了挖掘這一市場，此類制造商應(yīng)該增強自身設(shè)備并且收集數(shù)據(jù)來試驗AI技術(shù)。

在所有行業(yè)里，調(diào)查受訪者把自優(yōu)化機器視為機器重要的AI用例。機械與自動化制造商可為產(chǎn)業(yè)公司提供利用機器學(xué)習(xí)技術(shù)實時分析參數(shù)并優(yōu)化流程的機器。

調(diào)查受訪者還注意到機器視覺系統(tǒng)的重要性正在不斷增加。機械制造商可以直接將機器視覺集成到自己的機械系統(tǒng)里面。盡管底層的AI技術(shù)來自于知名供應(yīng)商，但機械制造商應(yīng)該考慮開發(fā)自己的AI解決方案以便避免對特定供應(yīng)商形成依賴。

作為開發(fā)AI支持的分析與自優(yōu)化機器的第一步，機械與自動化制造商應(yīng)該對自身機器性能保持完全透明。這會讓用戶在AI之旅中取得進展，比如感知機器參數(shù)，以及對數(shù)據(jù)的持續(xù)學(xué)習(xí)。感知與行動需要監(jiān)控溫度、轉(zhuǎn)矩、振動等過程參數(shù)來獲得對機器情況以及制造零件的質(zhì)量的洞察。最后，透明性還為自調(diào)整系統(tǒng)奠定基礎(chǔ)。此外，機械和自動化制造商還必須讓客戶放心從他們的機器訪問的數(shù)據(jù)是安全機密的。

為了在實現(xiàn)AI的競賽中不被落下，產(chǎn)業(yè)公司應(yīng)該采取結(jié)構(gòu)化的三步走策略：

評估現(xiàn)狀。公司應(yīng)該從蘋果自身痛點以及AI成熟度開始，然后應(yīng)該拿自己的現(xiàn)狀與同行或者行業(yè)平均水平進行基準(zhǔn)比較。因為健壯的IT基礎(chǔ)設(shè)施對AI事實必不可少，公司必須評估其運營IT的現(xiàn)狀。進行車間評估的一個先決條件是在一定設(shè)備上建立一個評估主題和基準(zhǔn)的庫。

確立使能器。公司應(yīng)該制全面的AI用例清單來處理在健康檢查中發(fā)現(xiàn)的痛點問題。所有利益攸關(guān)者都應(yīng)該集中起來召開研討會深入討論用例，確定優(yōu)先實現(xiàn)哪一個。在評估該優(yōu)先用例額財務(wù)及非財務(wù)好處時，公司應(yīng)該為投資測算商業(yè)案例。對量化好處以及所需投資有經(jīng)驗的AI專家的輸入在這一階段具有極其重要的價值。在找出了這個優(yōu)先考慮的用例之后，公司可以為AI在運營中的應(yīng)用制訂目標(biāo)圖，并且為實施制訂路線圖。

公司的治理模式應(yīng)該清晰描述AI實施的角色與責(zé)任，并且應(yīng)該建立一個協(xié)調(diào)的組織架構(gòu)。公司還需要將目前勞動力的素質(zhì)與那些需要實現(xiàn)的AI用例進行對比，確定如何縮短差距。此外，公司還需要為用例實現(xiàn)定義IT需求，并且為有效能和效率的數(shù)據(jù)管理制訂第二套治理模式。數(shù)據(jù)科學(xué)家和具備AI知識的IT專家應(yīng)該參與到需求的定義中來。

測試與解決方案拓展。公司應(yīng)該在工廠的特定地方測試AI用例。為了加快流程，公司應(yīng)該在定義好愿景、建立起使能器的同時發(fā)起第一批試點計劃。每一個試點的目標(biāo)應(yīng)該是迅速開發(fā)出最小可行解決方案，然后通過敏捷開發(fā)方法以多次迭代的方式改進試點的設(shè)計。員工通過與試點計劃的互動可以體驗到AI用例是什么感覺。為了促進這些試點，公司必須利用可產(chǎn)生迅速影響的技術(shù)工具，比如資產(chǎn)監(jiān)控傳感器和智能眼鏡等。公司還應(yīng)該擴大試點成功的解決方案。最后，為了發(fā)揮AI實施的全部潛能，公司應(yīng)該全范圍實施集成的解決方案。

我們的研究表明，AI即將成為增強運營生產(chǎn)力最重要的手段。但許多公司仍未意識到獲得AI的好處需要的不僅僅是對技術(shù)的投資。一個描述清晰的戰(zhàn)略時必不可少的起點——但即便如此仍然不夠。公司還必須有適當(dāng)?shù)闹卫砗椭С只A(chǔ)設(shè)施就位，同時還必須對勞動力進行重新配置和培訓(xùn)。尚未對AI實施采取全面視角的公司制造商應(yīng)該迅速提高自己的競爭能力才能趕上那些早期采用者。