Oltre l’iperiallo – Dove l’AI funziona realmente nel settore manifatturiero

L’AI è presentata come la prossima rivoluzione industriale, ma molti leader stanno lottando per tradurre l’entusiasmo in risultati pratici. Più dell’80% dei leader del settore manifatturiero statunitense afferma di voler aumentare l’uso dell’AI nei prossimi due anni, ma ciò non sempre avviene con una strategia chiara su cosa si aspetta di ottenere realisticamente.

Tra la pressione a livello di consiglio di amministrazione per fare qualcosa con l’AI e la realtà degli ambienti di produzione complessi, c’è un divario crescente tra aspettative e esecuzione. Questo divario deve essere chiuso se i produttori sperano di vedere i benefici dell’AI nelle loro aziende.

L’adozione dell’AI sta superando la prontezza

I leader del settore manifatturiero oggi sanno di dover adottare l’AI per rimanere competitivi. Un recente sondaggio condotto da The National Association of Manufacturers (NAM) ha rilevato che il 51% dei produttori sta attualmente utilizzando l’AI e che l’80% considererà l’AI essenziale per espandere o mantenere la propria attività.

I produttori stanno utilizzando questa tecnologia in molti modi diversi. L’AI ha un enorme potenziale. Tuttavia, in molte organizzazioni, gli investimenti in AI non stanno producendo il ritorno sull’investimento promesso.

Un recente sondaggio condotto da PWC e il Manufacturing Institute ha rilevato che la spinta dei leader ad adottare l’AI può superare la prontezza per il cambiamento guidato dall’AI. Lo stesso sondaggio ha anche rilevato, in loro parole:

• L’adozione dell’AI può rallentare l’integrazione nelle operazioni quotidiane
• Procedere lungo la curva di adozione dell’AI richiede formazione e costruzione di capacità basate sull’esperienza
• I gap umani e di prontezza possono limitare l’adozione dell’AI
• L’input limitato dei leader di prima linea può limitare l’adozione e l’esecuzione dell’AI

Trovare la soluzione

Invece di trattare l’AI come una soluzione universale, i leader devono distinguere tra le applicazioni in cui l’AI eccelle – come ad esempio il miglioramento dell’interazione uomo-sistema, la cattura della conoscenza operativa e la semplificazione dei flussi di lavoro complessi – e le aree in cui rimane poco adatta, tra cui il controllo di precisione e la presa di decisioni ripetitive negli ambienti di produzione.

Un ottimo posto per applicare questo è durante il processo di vendita. Molti produttori vogliono migliorare il processo di vendita guidata utilizzando l’AI. Dovrebbero iniziare concentrandosi sugli obiettivi o sui risultati del cliente piuttosto che chiedere loro di scegliere parametri specifici su un prodotto.

Ecco un esempio personale: recentemente ho acquistato la mia prima auto elettrica (EV). Sono andato sul sito web di un produttore di EV e la prima cosa che ho visto sono stati i parametri tecnici, come ad esempio la gamma: 360-558 km. Questo è un intervallo ampio, ma capisco cosa significa. Ma la potenza? Nessuna idea. E il consumo? Ora non capisco veramente cosa significhi; è un bene o un male? Farà la differenza per il nostro viaggio annuale di sci, che attualmente mi prende sette ore? Questo è il tipo di informazione che mi aiuterebbe veramente a decidere.

Avere un’AI per discutere le mie preoccupazioni mi aiuterebbe a far capire al produttore di EV cosa è importante per me e tradurre quelle preoccupazioni in specifiche tecniche adatte a me.

Un altro esempio è utilizzare agenti AI per dividere problemi complessi in pezzi più piccoli. Gli agenti pianificano e eseguono obiettivi multi-step. Per ottenere il massimo da questi agenti, i compiti dovrebbero essere linguaggio-pesanti.

Alcune organizzazioni di ingegneria stanno adottando questo approccio quando si tratta di gestire requisiti complessi. A volte le informazioni sono sparse su centinaia o migliaia di documenti e il formato non è standardizzato. Se si costruisse un sistema software tradizionale per importare tutte queste informazioni, ci sarebbero troppe regole e eccezioni a quelle regole. Dal momento che l’AI è brava nel riconoscimento dei modelli, non è necessario scrivere ogni singola regola su come interpretare quei documenti.

Best practice per l’AI nel settore manifatturiero

Dividere grandi problemi in compiti più piccoli. L’AI ha una memoria di lavoro limitata. Se le si dà troppi dati o un problema troppo ampio, può perdere il contesto e iniziare a “sognare” mentre tenta ancora di fornire una risposta. Per ridurre questo rischio, dividere i grandi compiti in componenti più piccole e aggregare i risultati – un’area in cui le cornici agentiche stanno diventando particolarmente efficaci.

Utilizzare l’AI per il riconoscimento dei modelli, non per il ragionamento autoritativo. L’AI è brava nel riconoscimento dei modelli e nell’identificazione delle relazioni, ma non è brava per la logica e il ragionamento. Ad esempio, le loro capacità di “ragionamento” e matematica sono predizioni, non calcoli. Quindi, i risultati possono sembrare perspicaci, ma non sono garantiti per essere corretti, a meno che non si connetta a un altro sistema che possa validare i risultati. In questo approccio, l’AI può orchestrare il flusso di lavoro, ma si è presa una decisione esplicita su dove sono i confini operativi.

L’AI nel settore manifatturiero può creare valore reale, ma ci sono scenari specifici in cui il rischio supera il beneficio. Questi includono operazioni critiche per la sicurezza e la qualità. Inoltre, include scenari a basso livello di dati o altamente innovativi, poiché l’AI si esegue male quando non ha visto abbastanza dati rilevanti. Gli ambienti altamente regolamentati sono un’altra sfida, poiché l’AI manca ancora di vera tracciabilità. I sistemi di controllo in tempo reale con tolleranze strette sono un altro posto in cui l’AI dovrebbe essere evitata, poiché la latenza o l’instabilità dell’AI possono essere inaccettabili nei processi ad alta velocità

Dall’iperiallo alla praticità

L’AI non è una panacea per tutti i mali del settore manifatturiero. Tuttavia, considerando i casi d’uso reali e i malintesi comuni discussi sopra, i produttori possono adottare un approccio più equilibrato all’AI. Nel breve termine, il punto chiave è utilizzare l’AI per ciò che è meglio – problemi che coinvolgono un alto grado di riconoscimento dei modelli. Non utilizzarla per casi che richiedono prevedibilità, coerenza, logica o calcoli.

I produttori possono tagliare il rumore e identificare dove l’AI genuinamente fornisce valore oggi. L’obiettivo non è rallentare l’adozione, ma assicurarsi che le organizzazioni deployino l’AI dove migliora significativamente la produttività e la presa di decisioni, piuttosto che seguire semplicemente l’iperiallo dell’industria.