Скрытая проблема, блокирующая внедрение ИИ в производстве

Все в мире производства, кажется, говорят об искусственном интеллекте. Предсказуемое обслуживание, автоматические проверки качества, оптимизация цепочки поставок в реальном времени. На бумаге эти случаи обещают меньше простоев, более высокую производительность и более быстрое, более обоснованное принятие решений. Но несмотря на все волнение и инвестиции в инструменты ИИ, многие производители все еще испытывают трудности с переходом от пилотных проектов к реальным результатам.

Оказывается, что главным препятствием не является нехватка алгоритмов или даже недостаток осведомленности о потенциале ИИ. Самая устойчивая, скрытая проблема – неэффективность. Конкретно, разрыв между возможностями ИИ и разрозненной, несоответствующей оперативной реальностью, найденной на большинстве заводских площадках.

Вы не должны далеко искать, чтобы увидеть эту проблему, отраженную в данных. Опрос 2024 года о состоянии производства показал, что хотя 90% производителей сообщают об использовании какой-либо формы ИИ в своих операциях, 38% все еще чувствуют себя отсталыми от своих коллег по реализации и воздействию. Это раскрывает своего рода “синдром самозванца”, когда технология присутствует, но еще не трансформирует, потому что она не встроена в основные процессы.

В то же время широкое отраслевое исследование показывает, что 65% производителей называют проблемы с данными, начиная от доступа и форматирования и заканчивая интеграцией и управлением, в качестве главного препятствия для внедрения ИИ, далеко опережая другие проблемы, такие как навыки рабочей силы или устаревшее оборудование.

Проблема качества данных идет еще глубже. Глобальный опрос ИТ- и деловых лидеров, включая многих из производства, показал, что 87% согласны с тем, что отличные данные являются критически важными для успеха ИИ, но только 42% оценивают полноту и точность своих данных как отличные, и та же процент говорит, что плохое качество данных является препятствием для дальнейших инвестиций в ИИ.

Почему “готовность к ИИ” и реальное внедрение не являются одним и тем же

Это заманчиво приравнять готовность к внедрению. Но исследования показывают удивительный разрыв между этими понятиями. Исследование, опубликованное в ScienceDirect, указывает на то, что даже в случаях, когда компании демонстрируют высокий уровень технической готовности к ИИ, фактическая скорость внедрения, особенно в производственных контекстах, часто остается в низких двузначных цифрах. Это говорит о том, что компании колеблются внедрять ИИ, потому что они все еще не уверены в том, как он будет работать в реальных оперативных условиях.

Это колебание не удивительно, если учесть, как традиционно работало производство. В отличие от отраслей, основанных на данных, таких как финансы или электронная коммерция, производство было сосредоточено на физических процессах и машинах, а не на данных. Совместный отчет OECD отмечает, что производители сталкиваются с препятствиями для внедрения ИИ чаще, чем фирмы в информационных и коммуникационных технологиях, частично потому, что они не имеют традиции больших данных и более часто полагаются на устаревшие системы.

Это означает, что организации спешат запустить пилотные проекты по ИИ без создания инфраструктуры данных или последовательности рабочих процессов, необходимых для того, чтобы инструменты ИИ давали надежные результаты. Это похоже на то, как если бы вы установили высокопроизводительный двигатель в машину с треснувшим каркасом и ожидали, что она будет работать.

Данные, процессы и “реальный разрыв ИИ”

Одна из более откровенных рамок, обсуждаемых внутри отрасли, – это идея “реального разрыва”. В опросах производители последовательно демонстрируют уверенность в своей стратегии ИИ на бумаге. Большинство говорят, что ИИ является главным приоритетом и конкурентным преимуществом. Однако только небольшая доля чувствует себя действительно готовой к реализации проектов ИИ сегодня.

Этот разрыв между стремлениями и оперативной возможностью возникает из нескольких основных проблем:

• Фрагментированные среды данных. Датчики, машины, системы ERP и журналы качества часто существуют в изоляции, без стандартизированного способа обмена информацией. Модели ИИ требуют последовательных и достоверных входных данных. Когда эти входные данные неполны или несоответствуют, прогнозы становятся менее надежными.
• Ручные и несвязанные процессы. Завод может иметь надежные устройства IoT на некоторых машинах, но все еще полагаться на бумажные журналы для проверки качества. Системы ИИ не могут компенсировать отсутствующие или задержанные данные; они только усиливают то, что они видят.
• Организационная готовность. Даже когда инфраструктура улучшается, многие команды не имеют опыта перевода выходных данных моделей в действия. Без ясных рабочих процессов и доверия к ИИ выводы остаются неиспользованными.

Скрытые затраты бездействия

Игнорирование этих барьеров не безобидно. Исследования последовательно показывают, что организации, которые не решают основные неэффективности, борются с извлечением ценности из своих инвестиций в ИИ. Например, отчет о потенциале промышленного ИИ подчеркнул, что почти 80% промышленных компаний не имеют внутренней способности использовать ИИ успешно, хотя значительная часть ожидает, что ИИ улучшит качество и услуги.

И за пределами производственной сферы исследования в деловых условиях показывают, что до 80% компаний не получают выгоды от ИИ, потому что они упускают из виду организационные, человеческие и факторы управления изменениями – не потому, что технология сама по себе является дефектной.

Эти идеи стоит повторить: проблема ИИ в производстве не только в интеграции технологий. Это вопрос проектирования рабочих процессов, процессов принятия решений, управления данными и человеческих систем, взаимодействующих с этими инструментами.

Закрытие разрыва: где происходит реальный прогресс

Итак, как производители мостят разрыв между потенциалом и реальностью? Это начинается с признания того, что ИИ не должен быть добавлен, он должен быть встроен в существующую оперативную ткань.

Сначала сосредоточьтесь на готовности данных. Приведение всех данных в систему, улучшение доступа и определение правил управления не только делают инструменты ИИ работать лучше, но и создают доверие к выходным данным. Опросы отрасли, которые ставят проблемы с данными на вершину списка барьеров, также показывают, что производители, которые решают эти проблемы сначала, более вероятно перейдут за пределы пилотных проектов и начнут масштабирование.

Соответствуйте ИИ с реальными рабочими процессами. ИИ не должен быть отдельным слоем; он должен быть интегрирован с человеческим принятием решений и повседневными процессами. Командам необходимо понять, что делает технология и почему ее выходные данные имеют значение. Это означает инвестиции во внутреннее образование и управление внедрением ИИ.

Создайте инфраструктуру, которая соединяет системы. Вместо создания еще больше изолированных систем успешное внедрение ИИ включает в себя объединение потоков данных из различных источников, датчиков, машин, систем ERP, систем качества в единый, связный и доступный слой. Реальный прогресс происходит, когда компании начинают с проблем, которые они могут видеть и трогать. Машины, которые не общаются друг с другом, журналы качества, все еще написанные от руки, и процессы, которые полагаются на память или привычку, все создают невидимые препятствия. Когда команды тратят время на соединение систем и создание последовательных рабочих процессов, технология начинает предоставлять руководство вместо путаницы.

ИИ не исправляет сломанные процессы самостоятельно. Это редко связано с покупкой самого нового программного обеспечения или преследованием последней модели. Компании, которые делают хорошо, сосредотачиваются на соединении существующих систем, снижении ошибок и обеспечении того, чтобы команды имели информацию, необходимую для действий.

Когда эти элементы находятся на месте, ИИ перестает чувствоваться как эксперимент и начинает работать вместе с операторами, помогая им обнаруживать проблемы раньше и принимать повседневные решения с большей уверенностью.