Bortom Hype – Där AI Verkligen Fungerar i Tillverkning

AI marknadsförs som den nästa industriella revolutionen, men många ledare kämpar för att översätta entusiasm till praktiska resultat. Mer än 80% av de amerikanska tillverkningsledarna säger att de planerar att öka sin användning av AI inom de närmaste två åren, men det görs inte alltid med en tydlig strategi för vad de förväntar sig att realistiskt uppnå.

Mellan styrelseledamöternas tryck på att göra något med AI och verkligheten i komplexa produktionsmiljöer, finns det ett växande gap mellan förväntan och genomförande. Det gapet måste stängas om tillverkare hoppas på att se fördelarna med AI i sina företag.

AI-användning överträffar beredskap

Tillverkningsledare idag vet att de behöver anta AI för att förbli konkurrenskraftiga. En nylig undersökning från The National Association of Manufacturers (NAM) fann att 51% av tillverkarna för närvarande använder AI och att 80% kommer att anse AI som avgörande för att utöka eller upprätthålla sin verksamhet.

Tillverkare använder denna teknik på många olika sätt. AI har ett enormt potential. Men i många organisationer, levererar investeringar i AI inte den utlovade avkastningen.

En ny undersökning av PWC och Manufacturing Institute fann att trycket från ledare att anta AI kan överträffa beredskapen för AI-driven förändring. Samma undersökning fann också, i deras ord:

• Ojämn AI-användning kan sakta integreringen i dagliga operationer
• Att gå framåt längs AI-användningskurvan kräver utbildning och erfarenhetsbaserad kapacitetsbyggnad
• Mänskliga och beredskapsluckor kan begränsa AI-användning
• Begränsad input från frontline-ledare kan begränsa AI-användning och genomförande

Att hitta lösningen

I stället för att behandla AI som en universell lösning, måste ledare skilja mellan tillämpningar där AI utmärker sig – såsom förbättring av mänsklig-systeminteraktion, insamling av operativ kunskap och förenkling av komplexa arbetsflöden – och områden där det fortfarande är dåligt lämpat, inklusive precisionskontroll och upprepad beslutsfattning i produktionsmiljöer.

En bra plats att tillämpa detta är under försäljningsprocessen. Många tillverkningsföretag vill förbättra den guidade försäljningsprocessen med hjälp av AI. De bör börja med att fokusera på kundens mål eller resultat i stället för att be dem att välja specifika parametrar om en produkt.

Här är ett personligt exempel: Jag köpte nyligen min första elbil. Jag gick till elbilstillverkarens webbplats, och det första jag såg var de tekniska parametrarna, såsom Räckvidd: 360-558 km. Det är ett stort utbud, men jag förstår vad det betyder. Men hästkraft? Inga idéer. Och förbrukning? Nu förstod jag verkligen inte det; är förbrukning bra eller dåligt? Kommer det att göra någon skillnad för min familjs årliga skidresa, som för närvarande tar mig runt sju timmar? Det är den typen av information som skulle hjälpa mig att fatta ett beslut.

Att ha en AI som kan diskutera mina omsorger med skulle hjälpa elbilstillverkaren att förstå vad som är viktigt för mig och översätta dessa omsorger till de tekniska specifikationer som är rätt för mig.

Ytterligare ett exempel är att använda AI-agenter för att bryta ned komplexa problem i mindre delar. Agenter planerar och utför multi-stegsmål. För att få ut det mesta av dessa agenter bör uppgifterna vara språkligt tunga.

Vissa ingenjörsorganisationer tar denna approach när det gäller att hantera komplexa krav. Ibland sprids informationen över hundratals eller tusentals dokument, och formatet är inte standardiserat. Om du skulle bygga ett traditionellt mjukvarusystem för att importera all denna information, skulle det finnas alldeles för många regler och undantag från reglerna. Eftersom AI är bra på mönsterigenkänning, behöver du inte skriva ned varje enskild regel om hur du ska tolka dessa dokument.

Bästa praxis för AI i tillverkning

Bryt ned stora problem i mindre uppgifter. AI har begränsat arbetsminne. Om du ger det för mycket data eller ett alltför brett problem, kan det förlora kontexten och börja hallucinera när det försöker att fortfarande ge ett svar. För att minska denna risk, dela upp stora uppgifter i mindre komponenter och aggregera resultaten – ett område där agenter ramverk blir särskilt effektiva.

Använd AI för mönsterigenkänning, inte auktoritativ resonemang. AI är bra på mönsterigenkänning och identifiering av relationer, men det är inte bra för logik och resonemang. Till exempel, deras “resonemang” och matematiska förmågor är förutsägelse, inte beräkning. Så, utdata kan verka insiktsfulla, men de är inte garanterat att vara korrekta, såvida du inte ansluter till ett annat system som kan validera resultaten. I denna approach, kan AI orkestrera arbetsflödet, men du har gjort ett explicit beslut om var de operativa gränserna är.

AI i tillverkning kan skapa verkligt värde, men det finns specifika scenarier där risken överväger fördelen. Detta inkluderar säkerhets- och kvalitetskritiska operationer. Det inkluderar också lågdata eller högt nyskapande scenarier, eftersom AI presterar dåligt när det inte har sett tillräckligt med relevant data. Högreglerade miljöer är en annan utmaning, eftersom AI fortfarande saknar verklig spårbarhet. Real-tidskontrollsystem med tätt toleranser är ett annat område där AI bör undvikas, eftersom AI-fördröjning eller instabilitet kan vara oacceptabel i höghastighetsprocesser

Från hype till praktik

AI är inte en universalmedicin för alla tillverkningsproblem. Men genom att överväga de verkliga användningsfallen och vanliga missuppfattningar som diskuteras ovan, kan tillverkare anta en mer balanserad approach till AI. På kort sikt är den viktigaste punkten att använda AI för vad det är bäst på: problem som involverar en hög grad av mönsterigenkänning. Använd det inte för fall som kräver förutsägbarhet, konsekvens, logik eller beräkningar.

Tillverkare kan skära igenom bruset och identifiera var AI verkligen levererar värde idag. Målet är inte att sakta ner antagandet, utan att säkerställa att organisationer distribuerar AI där det meningsfullt förbättrar produktivitet och beslutsfattande, snarare än att enbart följa branschhype.