在 data 和 artificial intelligence 的推动下，全球各行各业正在进入转型的新阶段。能源成本上升、供应链中断、可持续发展要求以及日益扩大的人才缺口，都迫使制造商重新思考如何运营和创新。.
在这次为《桥》杂志撰写的对话中，Artefact 的 亚历山大-蒂昂-德拉肖梅, Managing Partner 和全球行业领导，以及 佛罗伦萨-贝内齐特, 他将探讨人工智能在工业和制造业中面临的主要挑战，以及人工智能要想真正推动绩效、创新和复原力的发展需要满足哪些条件。.
处于转折点的全球工业
当今的工业格局高度分散。其中既有拥有全球生产网络的大型跨国制造商，也有成千上万家在利基市场上经营的专业化中小型企业。尽管存在差异，但这些组织面临着许多相同的结构性挑战。.
“工业企业在规模、成熟度和转型进度方面存在极大差异”。” 亚历山大解释道。. “但是，它们都面临着成本上升、供应链复杂以及对可持续发展的期望越来越高的问题”。”
有几种趋势正在给工业价值链带来压力：
- 能源和原材料成本增加
- 供应链波动加剧
- 技术和数字人才短缺
- 更强的可持续性和监管要求
与此同时，制造商还必须应对日益增长的定制化产品需求。这种向个性化的转变需要更灵活的生产系统和更好的 data 基础设施。. “客户越来越希望产品能满足他们的特殊需求”。” 佛罗伦萨笔记. “这就要求工业流程能够快速适应，而 data 在实现这种灵活性方面发挥着核心作用”。”
因此，工厂现代化和 data-driven 决策一体化不仅对提高竞争力至关重要，而且对吸引期待现代化数字环境的熟练工人也至关重要。.
贯穿整个产业价值链的人工智能
人工智能为整个工业价值链应对这些挑战提供了强大的工具。人工智能不仅局限于生产环境，还能为多个业务领域的决策提供支持。. “人工智能可用于更好地预测需求和调整供应链”。” 亚历山大说。. “它可以提高工厂的安全性，优化运营，增强营销、法律或人力资源等职能”。”
一直以来，许多工业人工智能应用都集中在预测、质量控制和能源优化等领域。这些用例依然重要，目前已在许多行业广泛部署。然而，生成式人工智能的出现大大扩展了可能性的范围，使公司能够：
- 加快产品设计和配置
- 改进安全培训和业务知识共享
- 自动化复杂的工作流程和文档
- 加强 B2B 销售和提案管理
弗洛伦斯指出了生成式人工智能如何重塑员工与工业系统之间的互动： “未来，操作员只需向机器人询问工作站的相关安全程序即可。人工智能将改变我们在工厂内与知识互动的方式”。” 这种演变有可能简化复杂技术信息的获取，同时提高生产率和操作安全性。.
经过验证的使用案例可产生可衡量的影响
虽然许多人工智能应用仍在不断涌现，但一些用例已经在工业环境中取得了可衡量的成果。最成熟的应用之一是 预测性维护. .通过实时分析机器 data，人工智能模型可以预测设备故障，并在故障发生前提出维护建议。. “预测性维护可将维护成本和停机时间减少约 30%”。” 亚历山大指出。.
另一个影响较大的使用案例涉及 业务工作流程自动化 通过人工智能代理。工业业务流程通常涉及多个 data 源、接口和顺序任务。人工智能驱动的自动化可以简化这些工作流程，显著缩短处理时间。在某些情况下，企业可以将处理时间缩短至 流程持续时间缩短 70% 至 75 通过将自动化、人工智能和改进的用户界面相结合。.
在产品技术含量高、目录可能包含成千上万参考资料的工业领域，人工智能也正在改变客户支持。传统上，客户服务团队必须搜索大量文件和 database 才能回答技术问题。现在，生成式人工智能可让操作员通过单一界面查询产品信息，从而实现 更快地响应客户需求，降低回电率, 从而提高效率和客户满意度。.
Data：工业人工智能的基础
尽管存在这些机遇，但在工业领域部署人工智能仍然充满挑战。主要障碍不是技术本身，而是 data 的质量和可用性。. “在许多工业企业中，data 是分散的、难以获取的或结构不良的”。” 佛罗伦萨观察到。有两种 data 尤为关键：
- 产品 data, 介绍了产品规格和配置
- 运行中 data, 机器、传感器和工厂系统产生的数据
产品 data 通常通过以下方式进行管理 产品生命周期管理 (PLM) 系统，但这些平台并不总是在各组织中得到全面实施或标准化。工厂 data 带来了额外的挑战。它是实时生成的，各生产基地可能遵循不同的标准，通常需要大规模的 data 收集计划才能使用。.
安全方面的考虑又增加了一层复杂性。工业环境的运行有着强烈的安全文化，任何与机器相连的数字系统都必须满足严格的网络安全要求。. “机器背后有人在工作” 佛罗伦萨强调。. “安全必须始终是重中之重”。”
人工智能系统的管理与信任
除了 data 基础设施之外，治理也是在工业领域成功部署人工智能的另一个基本要素。工业组织通常在错误会造成重大运营或安全后果的环境中运行。因此，他们往往会谨慎地采用人工智能。.
例如，生成式人工智能系统偶尔会产生不正确的输出。这在某些数字环境中可能是可以接受的，但在工业环境中则需要谨慎管理。治理框架有助于组织 平衡创新与风险管理. .其中包括
- 确定明确的 data 质量标准
- 监控人工智能系统性能
- 建立发现和纠正错误的流程
Florence 还提出了新出现的代理质量挑战。随着公司部署人工智能代理来实现流程自动化，他们将需要评估这些系统可靠性和准确性的机制。. “正如我们今天监控 data 的质量一样，我们很快就需要监控人工智能代理的质量。” 她说.
结论：打造工业人工智能基础
人工智能正迅速成为整个工业价值链转型的关键驱动力。从预测性维护到工作流程自动化和增强客户支持，人工智能已经在提供 可衡量地提高生产力和运营效率. .同时，成功的部署不仅仅需要采用新技术。.
工业组织必须建立强大的 data foundations，实施稳健的治理框架，并确保在安全可控的环境中部署人工智能系统。.
通过投资于 data 质量、治理和现代数字基础设施, 因此，工业企业可以充分释放人工智能的潜力，为未来打造更具弹性、效率和创新性的价值链。.
观看法语采访原文:
