从试点到实效：COO们如何推动制造业人工智能规模化应用

 

制造业人工智能的愿景极具吸引力：“熄灯工厂” 高度自动化，几乎可自主运行，人类员工仅需在异地控制中心监控运营。事实上，部分最先进的机器人工厂已突破关键节点，实现了 “机器人制造机器人” 的壮举。

 

根据我们对全球 100 多位营收至少 10 亿美元的制造业首席运营官（COO）开展的调查，这正是众多首席运营官梦寐以求的未来。企业正加大对数字技术和人工智能的投入力度。

 

在过去五年中，三分之一的受访者表示其公司在数字技术和人工智能方面的支出不足销货成本的 1%。但当被问及未来五年的计划时，仅 7% 的受访者打算维持这一低投入水平，其余 93% 将增加支出，其中近三分之一计划投入至少 5%。

 

在申请加入 “全球灯塔网络”（由世界经济论坛与麦肯锡联合发起的先进制造工厂网络）的最新工厂应用案例中，高达 90% 的技术应用场景已融入人工智能技术。

 

但这些投入能否物有所值，目前尚不明朗。首席运营官们的调查反馈反映出，对于人工智能实现规模化并产生实际价值所需的时间和成本，业界普遍存在不确定性。约三分之二的受访者表示，其公司的人工智能应用仍处于探索阶段或定向实施阶段（见图 1）。仅有 2% 的受访者表示，人工智能已全面嵌入所有运营环节。

 

 

迄今为止，首席运营官们的优先级设定基本符合预期。排名靠前的应用场景（如预测性维护、排班优化和流程改进）都是制造商数十年来一直关注的领域。

 

然而，值得关注的并非首席运营官们投入最多的领域，而是投入最少的领域。在首席运营官们的集体优先级清单底部，是几项基础性的人力和技术要素 —— 这些要素对于人工智能实现持续生产力提升的承诺至关重要。

 

这意味着许多首席运营官可能忽视了其投资计划面临的严重风险。而且，考虑到他们可能会大幅增加支出，这些遗漏可能会带来严重的长期后果。

 

短期进展背后的长期隐忧

乍看之下，首席运营官们的人工智能优先级设定似乎无可厚非。当被问及期望数字技术和人工智能带来最大影响的领域时，首席运营官们强调了核心目标：扩大产能、提高劳动生产率、提升质量和增强端到端可见性。为避免试点工作白费力气，他们的路线图计划到 2030 年规模化推广 5 至 12 个重点应用场景。工厂排班、数字绩效管理和数字孪生等目标应用场景，与偏向车间自动化、机器人技术和工厂运营控制系统的支出计划相一致。

 

这些选择之所以颇具吸引力，部分原因在于它们延续了许多制造商多年来的投资（如机器人技术）。另一些选择则对快速实现规模化至关重要（如人工智能辅助情景规划和数据驱动决策支持）。

 

但其中存在一个缺陷：尽管这些投资潜力巨大，但企业可能忽视了一些基本要素和赋能条件 —— 这些要素不仅能帮助企业开发实用的人工智能工具，还能在业务发展过程中对其进行部署和持续优化。平均而言，受访者对员工赋能、IT/OT（信息技术与运营技术）基础设施和网络安全的优先级评分最低（见图 2）。这些基础要素决定了人工智能部署能否安全、可持续地实现规模化。如果没有强大的基础设施、技能娴熟且获得授权的员工以及坚实的网络安全保障，即使是最先进的自动化或优化工具，也可能在试点阶段停滞不前，或使企业面临新的漏洞风险。

 

关注这些要素已为部分企业带来回报。例如，智利矿业公司 SQM（全球最大的锂生产商之一）的人工智能模型帮助一线员工做出精细化、实时的生产决策，在优化产量的同时最大限度地减少水资源和能源消耗。SQM 的领导层指出，公司在培训方面的投资是取得这一成功的关键 —— 持续教育使员工能够有效运用这些技术，并随着技术发展不断提升自身能力。

 

首席运营官已察觉的障碍

首席运营官们已经意识到他们面临的一些关键问题。当被问及在运营中实施人工智能的最大挑战时，前三名中有两项与人力相关：整整 50% 的受访者认为文化转型是主要障碍，几乎同样多的受访者提到了技能重塑的需求（见图 3）。

 

传统流程加剧了这一问题。太多的制造工作流程仍然僵化，且是为过去的技术优化设计的，难以围绕 “人工智能优先” 的工作方式重新设计运营流程。

 

在技术方面，基础架构也远未稳固：46% 的受访首席运营官表示其数据或 IT/OT 系统存在局限性，其中过时的基础设施（19%）和数据质量不佳（18%）进一步拖慢了进展。即使应用场景已得到验证，仍有四分之一的企业难以开发出可复用、可规模化的应用程序。

 

 

 

制造业领导力委员会（Manufacturing Leadership Council）对其成员的调查也发现，在治理方面情况同样喜忧参半 —— 大多数受访者表示其组织缺乏专门针对人工智能的关键绩效指标（KPI）。然而，在设立了此类目标的企业中，近三分之二能够达到或超越目标 —— 这表明强有力的治理是发挥人工智能潜力的最关键差异化因素之一（见图 4）。

 

 

 

制造企业如何让人工智能的应用走上正轨

要将投资转化为实效，首席运营官们需要将人工智能价值议程纳入更广泛的首席运营官生产力使命中。这意味着不能将人工智能视为一系列实验，而应将其视为一个重新构建的绩效引擎 —— 以绑定关键绩效指标的目标为核心，辅以专项资金支持，并通过定期的价值评估机制进行跟踪。

 

对成果负责的企业，其人工智能系统从试点走向盈利的可能性远高于同行。重塑企业需要采取三个关键步骤（见图 5）。

 

重构生产流程

重构生产流程意味着从头到尾重新构想业务流程，打造一个能充分利用技术优势的新运营模式。由此形成的实施路线图将严格根据投资能创造的长期业务价值（而非底层技术的 “惊艳度”）来确定优先级。

 

这种重构生产流程的方法帮助一家消费品企业升级了其庞大的传统生产基地网络 —— 这些基地在规模、布局、技术基础设施和管理文化方面存在巨大差异。尽管存在这些差异，但各基地反复出现相同的核心问题，例如产品切换期间生产损失增加、能源和水资源消耗居高不下。发现这些共性问题后，领导层将其工厂网络重新构想为一个集成生产系统，并据此制定了注重成熟技术的务实解决方案，例如优化传感器部署和数字化标准作业程序。

 

  构建可规模化技术

第二步是在一个以互操作性和应用开发为核心的 IT 架构基础上，构建可规模化技术，重点强调可复用能力。一个基于通用数据产品、开放接口和工业级流程的 “最小可行架构”，可以提高企业级应用部署的数据可用性和质量。明智地利用第三方功能应用程序和少数高度定制化的先进模型，可以在成本效率和定制化之间取得良好平衡。

 

实现规模化需要深入了解企业当前的数据架构，并愿意进行有针对性的投资。例如，一家全球制药企业的大型复杂生产基地意识到，其传统IT/OT 系统过于分散，无法支持人工智能投资的规模化。通过建立三个集成数据平台，连接了约 12 个 IT 系统和 150 多个物联网传感器，该基地领导层打造了一个灵活的数字应用统一架构。

 

在这一基础上，该基地通过将经过验证的应用场景编码为可复用能力，实现了规模化设计 —— 包括多个车间应用程序（目前支持实时运营效率跟踪和排班优化）以及增强现实技术（可减少生产线切换的延误）。同时部署多个高影响力应用场景，推动该基地实现了转型加速：设备综合效率（OEE）提升 10 个百分点，非计划停机时间减少一半。目前，该工厂有望在不到三年内将产量提高一倍以上。

 

推动规模化应用与落地

最后，人工智能规模化的成功取决于技能重塑后的员工、革新的文化以及支持全组织应用落地的全新运营模式。在领先制造商中，激活员工队伍的第一步是建立一个人工智能优化的流程再造能力中心，并与人力资源部门合作，大规模提供定制化培训。上述制药企业为其灯塔工厂的 25 位以上领导和管理人员提供了指导，并让 100 多位一线员工参与敏捷冲刺项目。这些实际举措使该基地的文化变得更具活力和应变能力，最终实现了 10% 以上的劳动生产率提升，并填补了约 12 个新的数字和分析岗位（其中大部分由内部员工担任）。

 

近四分之三的受访首席运营官表示，他们计划采用 “自建 - 采购 - 合作” 的混合运营模式 —— 构建技术合作伙伴生态系统，同时打造内部优势（通常通过卓越中心实现）。在上述消费品企业中，卓越中心架构帮助运营领导层更快速、有效地协调内部利益相关者，进一步加速了自主人工智能专业知识的积累。

 

全球灯塔网络中的部分先进生产基地正迅速调整其能力结构，越来越多的网络成员开始内部开发人工智能解决方案。尽管如此，即使是这些企业，仍会与供应商合作获取尖端解决方案。例如，暖通空调制造商青岛海信日立空调系统有限公司与高校和自动化合作伙伴合作，开发了一套高精度机器视觉定位系统，使生产周期缩短 22%，切换时间减少三分之二。

 

对于制造商而言，要将人工智能投资转化为持久的竞争优势，仅靠合适的自动化技术或生产监控工具是不够的。这意味着企业需要构建新的人力和基础设施能力，同时彻底重新思考生产网络的运营方式和发展潜力。