從試點到實效：COO們如何推動制造業人工智能規模化應用

 

制造業人工智能的愿景極具吸引力：“熄燈工廠” 高度自動化，幾乎可自主運行，人類員工僅需在異地控制中心監控運營。事實上，部分最先進的機器人工廠已突破關鍵節點，實現了 “機器人制造機器人” 的壯舉。

 

根據我們對全球 100 多位營收至少 10 億美元的制造業首席運營官（COO）開展的調查，這正是眾多首席運營官夢寐以求的未來。企業正加大對數字技術和人工智能的投入力度。

 

在過去五年中，三分之一的受訪者表示其公司在數字技術和人工智能方面的支出不足銷貨成本的 1%。但當被問及未來五年的計劃時，僅 7% 的受訪者打算維持這一低投入水平，其余 93% 將增加支出，其中近三分之一計劃投入至少 5%。

 

在申請加入 “全球燈塔網絡”（由世界經濟論壇與麥肯錫聯合發起的先進制造工廠網絡）的最新工廠應用案例中，高達 90% 的技術應用場景已融入人工智能技術。

 

但這些投入能否物有所值，目前尚不明朗。首席運營官們的調查反饋反映出，對于人工智能實現規模化并產生實際價值所需的時間和成本，業界普遍存在不確定性。約三分之二的受訪者表示，其公司的人工智能應用仍處于探索階段或定向實施階段（見圖 1）。僅有 2% 的受訪者表示，人工智能已全面嵌入所有運營環節。

 

 

迄今為止，首席運營官們的優先級設定基本符合預期。排名靠前的應用場景（如預測性維護、排班優化和流程改進）都是制造商數十年來一直關注的領域。

 

然而，值得關注的并非首席運營官們投入最多的領域，而是投入最少的領域。在首席運營官們的集體優先級清單底部，是幾項基礎性的人力和技術要素 —— 這些要素對于人工智能實現持續生產力提升的承諾至關重要。

 

這意味著許多首席運營官可能忽視了其投資計劃面臨的嚴重風險。而且，考慮到他們可能會大幅增加支出，這些遺漏可能會帶來嚴重的長期后果。

 

短期進展背后的長期隱憂

乍看之下，首席運營官們的人工智能優先級設定似乎無可厚非。當被問及期望數字技術和人工智能帶來最大影響的領域時，首席運營官們強調了核心目標：擴大產能、提高勞動生產率、提升質量和增強端到端可見性。為避免試點工作白費力氣，他們的路線圖計劃到 2030 年規模化推廣 5 至 12 個重點應用場景。工廠排班、數字績效管理和數字孿生等目標應用場景，與偏向車間自動化、機器人技術和工廠運營控制系統的支出計劃相一致。

 

這些選擇之所以頗具吸引力，部分原因在于它們延續了許多制造商多年來的投資（如機器人技術）。另一些選擇則對快速實現規模化至關重要（如人工智能輔助情景規劃和數據驅動決策支持）。

 

但其中存在一個缺陷：盡管這些投資潛力巨大，但企業可能忽視了一些基本要素和賦能條件 —— 這些要素不僅能幫助企業開發實用的人工智能工具，還能在業務發展過程中對其進行部署和持續優化。平均而言，受訪者對員工賦能、IT/OT（信息技術與運營技術）基礎設施和網絡安全的優先級評分最低（見圖 2）。這些基礎要素決定了人工智能部署能否安全、可持續地實現規模化。如果沒有強大的基礎設施、技能嫻熟且獲得授權的員工以及堅實的網絡安全保障，即使是最先進的自動化或優化工具，也可能在試點階段停滯不前，或使企業面臨新的漏洞風險。

 

關注這些要素已為部分企業帶來回報。例如，智利礦業公司 SQM（全球最大的鋰生產商之一）的人工智能模型幫助一線員工做出精細化、實時的生產決策，在優化產量的同時最大限度地減少水資源和能源消耗。SQM 的領導層指出，公司在培訓方面的投資是取得這一成功的關鍵 —— 持續教育使員工能夠有效運用這些技術，并隨著技術發展不斷提升自身能力。

 

首席運營官已察覺的障礙

首席運營官們已經意識到他們面臨的一些關鍵問題。當被問及在運營中實施人工智能的最大挑戰時，前三名中有兩項與人力相關：整整 50% 的受訪者認為文化轉型是主要障礙，幾乎同樣多的受訪者提到了技能重塑的需求（見圖 3）。

 

傳統流程加劇了這一問題。太多的制造工作流程仍然僵化，且是為過去的技術優化設計的，難以圍繞 “人工智能優先” 的工作方式重新設計運營流程。

 

在技術方面，基礎架構也遠未穩固：46% 的受訪首席運營官表示其數據或 IT/OT 系統存在局限性，其中過時的基礎設施（19%）和數據質量不佳（18%）進一步拖慢了進展。即使應用場景已得到驗證，仍有四分之一的企業難以開發出可復用、可規模化的應用程序。

 

 

 

制造業領導力委員會（Manufacturing Leadership Council）對其成員的調查也發現，在治理方面情況同樣喜憂參半 —— 大多數受訪者表示其組織缺乏專門針對人工智能的關鍵績效指標（KPI）。然而，在設立了此類目標的企業中，近三分之二能夠達到或超越目標 —— 這表明強有力的治理是發揮人工智能潛力的最關鍵差異化因素之一（見圖 4）。

 

 

 

制造企業如何讓人工智能的應用走上正軌

要將投資轉化為實效，首席運營官們需要將人工智能價值議程納入更廣泛的首席運營官生產力使命中。這意味著不能將人工智能視為一系列實驗，而應將其視為一個重新構建的績效引擎 —— 以綁定關鍵績效指標的目標為核心，輔以專項資金支持，并通過定期的價值評估機制進行跟蹤。

 

對成果負責的企業，其人工智能系統從試點走向盈利的可能性遠高于同行。重塑企業需要采取三個關鍵步驟（見圖 5）。

 

重構生產流程

重構生產流程意味著從頭到尾重新構想業務流程，打造一個能充分利用技術優勢的新運營模式。由此形成的實施路線圖將嚴格根據投資能創造的長期業務價值（而非底層技術的 “驚艷度”）來確定優先級。

 

這種重構生產流程的方法幫助一家消費品企業升級了其龐大的傳統生產基地網絡 —— 這些基地在規模、布局、技術基礎設施和管理文化方面存在巨大差異。盡管存在這些差異，但各基地反復出現相同的核心問題，例如產品切換期間生產損失增加、能源和水資源消耗居高不下。發現這些共性問題后，領導層將其工廠網絡重新構想為一個集成生產系統，并據此制定了注重成熟技術的務實解決方案，例如優化傳感器部署和數字化標準作業程序。

 

  構建可規模化技術

第二步是在一個以互操作性和應用開發為核心的 IT 架構基礎上，構建可規模化技術，重點強調可復用能力。一個基于通用數據產品、開放接口和工業級流程的 “最小可行架構”，可以提高企業級應用部署的數據可用性和質量。明智地利用第三方功能應用程序和少數高度定制化的先進模型，可以在成本效率和定制化之間取得良好平衡。

 

實現規模化需要深入了解企業當前的數據架構，并愿意進行有針對性的投資。例如，一家全球制藥企業的大型復雜生產基地意識到，其傳統IT/OT 系統過于分散，無法支持人工智能投資的規模化。通過建立三個集成數據平臺，連接了約 12 個 IT 系統和 150 多個物聯網傳感器，該基地領導層打造了一個靈活的數字應用統一架構。

 

在這一基礎上，該基地通過將經過驗證的應用場景編碼為可復用能力，實現了規模化設計 —— 包括多個車間應用程序（目前支持實時運營效率跟蹤和排班優化）以及增強現實技術（可減少生產線切換的延誤）。同時部署多個高影響力應用場景，推動該基地實現了轉型加速：設備綜合效率（OEE）提升 10 個百分點，非計劃停機時間減少一半。目前，該工廠有望在不到三年內將產量提高一倍以上。

 

推動規模化應用與落地

最后，人工智能規模化的成功取決于技能重塑后的員工、革新的文化以及支持全組織應用落地的全新運營模式。在領先制造商中，激活員工隊伍的第一步是建立一個人工智能優化的流程再造能力中心，并與人力資源部門合作，大規模提供定制化培訓。上述制藥企業為其燈塔工廠的 25 位以上領導和管理人員提供了指導，并讓 100 多位一線員工參與敏捷沖刺項目。這些實際舉措使該基地的文化變得更具活力和應變能力，最終實現了 10% 以上的勞動生產率提升，并填補了約 12 個新的數字和分析崗位（其中大部分由內部員工擔任）。

 

近四分之三的受訪首席運營官表示，他們計劃采用 “自建 - 采購 - 合作” 的混合運營模式 —— 構建技術合作伙伴生態系統，同時打造內部優勢（通常通過卓越中心實現）。在上述消費品企業中，卓越中心架構幫助運營領導層更快速、有效地協調內部利益相關者，進一步加速了自主人工智能專業知識的積累。

 

全球燈塔網絡中的部分先進生產基地正迅速調整其能力結構，越來越多的網絡成員開始內部開發人工智能解決方案。盡管如此，即使是這些企業，仍會與供應商合作獲取尖端解決方案。例如，暖通空調制造商青島海信日立空調系統有限公司與高校和自動化合作伙伴合作，開發了一套高精度機器視覺定位系統，使生產周期縮短 22%，切換時間減少三分之二。

 

對于制造商而言，要將人工智能投資轉化為持久的競爭優勢，僅靠合適的自動化技術或生產監控工具是不夠的。這意味著企業需要構建新的人力和基礎設施能力，同時徹底重新思考生產網絡的運營方式和發展潛力。