ปัญหาที่ซ่อนอยู่ที่ขัดขวางการนำ AI ไปใช้ในอุตสาหกรรมการผลิต

ทุกคนในโลกการผลิตดูเหมือนจะพูดถึงปัญญาประดิษฐ์ การบำรุงรักษาแบบคาดการณ์ การตรวจสอบคุณภาพอัตโนมัติ การเพิ่มประสิทธิภาพโซนจัดส่งแบบเรียลไทม์ ในกระดาษ เหล่านี้สัญญาว่าจะมีการหยุดทำงานน้อยลง การผลิตที่สูงขึ้น และการตัดสินใจที่รวดเร็วและมีข้อมูลมากขึ้น แต่สำหรับการตื่นเต้นและการลงทุนในเครื่องมือ AI มากมาย ผู้ผลิตหลายรายยังคงดิ้นรนในการย้ายจากการทดลองไปสู่ผลลัพธ์ที่แท้จริง

สิ่งที่พบว่าเป็นปัญหาอุปสรรคที่ใหญ่ที่สุดไม่ใช่การขาดแคลนアルゴリズึมหรือแม้แต่การขาดความตระหนักเกี่ยวกับศักยภาพของ AI ปัญหาที่ซ่อนอยู่และยั่งยืนมากที่สุดคือความไม่มีประสิทธิภาพ โดยเฉพาะช่องว่างระหว่างความสามารถของ AI และความเป็นจริงการดำเนินงานที่กระจัดกระจายและไม่สอดคล้องกันบนพื้นโรงงานส่วนใหญ่

คุณไม่ต้องมองหาปัญหาไกลเกินไปเพื่อดูว่าปัญหานี้สะท้อนให้เห็นในข้อมูล การสำรวจสถานะการผลิตในปี 2024 พบว่าในขณะที่ 90% ของผู้ผลิตรายงานว่าใช้ AI ในการดำเนินงานบางอย่าง 38% ยังคงรู้สึกว่าอยู่เบื้องหลังคู่แข่งในการนำไปใช้และผลกระทบ สิ่งนี้แสดงให้เห็นถึง “อาการposer” โดยที่เทคโนโลยีอยู่ แต่ยังไม่เปลี่ยนแปลงเพราะไม่ได้ฝังอยู่ในกระบวนการหลัก

ในเวลาเดียวกัน การศึกษาอุตสาหกรรมในวงกว้างพบว่า 65% ของผู้ผลิตอ้างถึงความท้าทายด้านข้อมูลตั้งแต่การเข้าถึงและการจัดรูปแบบไปจนถึงการรวมและกำกับดูแลเป็นอุปสรรคหลักในการนำ AI ไปใช้ ซึ่งมากกว่าปัญหาอื่นๆ เช่น ทักษะของพนักงานหรืออุปกรณ์เก่า

ปัญหาคุณภาพข้อมูลลึกกว่านั้น การสำรวจทั่วโลกของผู้นำด้าน IT และธุรกิจ รวมถึงผู้ผลิตหลายรายพบว่า 87% เห็นด้วยว่าข้อมูลที่ดีเป็นสิ่งสำคัญสำหรับความสำเร็จของ AI แต่มีเพียง 42% เท่านั้นที่ให้คะแนนความสมบูรณ์และความถูกต้องของข้อมูลของตนเองว่าดีเยี่ยม และจำนวนเท่าเดียวกันกล่าวว่าคุณภาพข้อมูลที่ไม่ดีเป็นอุปสรรคต่อการลงทุน AI เพิ่มเติม

ทำไม “AI Readiness” และการนำไปใช้จริงจึงไม่เหมือนกัน

มันอาจดึงดูดให้เทียบเคียงความพร้อมกับการนำไปใช้ แต่การวิจัยแสดงให้เห็นว่ามีช่องว่างที่น่าประหลาดใจระหว่างแนวคิดเหล่านี้ การศึกษาที่ตีพิมพ์ใน ScienceDirect บ่งชี้ว่าแม้ในกรณีที่บริษัทแสดงระดับความพร้อมทางเทคนิคสูงสำหรับ AI อัตราการนำไปใช้จริง โดยเฉพาะในบริบทการผลิต มักจะยังคงอยู่ในหลักการนับสองหลักเท่านั้น ซึ่งบ่งบอกว่าบริษัทลังเลที่จะนำ AI ไปใช้เพราะยังคงไม่มั่นใจว่ามันจะทำงานอย่างไรในบริบทการดำเนินงานจริง

ความลังเลนี้ไม่น่าประหลาดใจเมื่อพิจารณาว่าอุตสาหกรรมการผลิตดำเนินงานมาอย่างไร ในทางกลับกัน อุตสาหกรรมข้อมูลเช่นการเงินหรืออีคอมเมิร์ซ การผลิตมีศูนย์กลางอยู่ที่กระบวนการและเครื่องจักรทางกายภาพ ไม่ใช่ข้อมูล รายงานร่วมกันของ OECD หมายเหตุว่าผู้ผลิตพบกับอุปสรรคการนำ AI ไปใช้บ่อยกว่าบริษัทในเทคโนโลยีสารสนเทศและการสื่อสาร ส่วนหนึ่งเพราะพวกเขาไม่มีประเพณีการปฏิบัติข้อมูลขนาดใหญ่และพึ่งพาระบบเก่ามากขึ้น

สิ่งนี้หมายความว่าในทางปฏิบัติ องค์กรเร่งรัดในการทดลอง AI โดยไม่สร้างโครงสร้างพื้นฐานข้อมูลหรือความสอดคล้องของกระบวนการทำงานที่จำเป็นต่อการให้ผลลัพธ์ที่เชื่อถือได้จากเครื่องมือ AI มันเหมือนกับการใส่เครื่องยนต์ประสิทธิภาพสูงเข้าไปในรถที่มีเฟรมแตกและคาดหวังว่ามันจะจัดการได้

ข้อมูล กระบวนการ และ “ช่องว่างความเป็นจริงของ AI”

หนึ่งในกรอบการทำงานที่น่าสนใจที่ถูกอภิปรายภายในอุตสาหกรรมคือแนวคิดของ “ช่องว่างความเป็นจริง” ในการสำรวจ ผู้ผลิตแสดงความมั่นใจในกลยุทธ์ AI ของตนบนกระดาษ ส่วนใหญ่บอกว่า AI เป็นจุดแข็งและความได้เปรียบในการแข่งขัน แต่เพียงเศษเสี้ยวเท่านั้นที่รู้สึกพร้อมที่จะนำโครงการ AI ไปใช้ในปัจจุบัน

ช่องว่างระหว่างความตั้งใจและความสามารถในการดำเนินงานนี้เกิดจากปัญหาหลักหลายประการ:

• สภาพแวดล้อมข้อมูลที่กระจัดกระจาย เซนเซอร์ เครื่องจักร ระบบ ERP และบันทึกคุณภาพมักอยู่ในซิลอสที่ไม่มีวิธีการมาตรฐานในการแบ่งปันข้อมูล โมเดล AI ต้องการอินพุตที่สอดคล้องและเชื่อถือได้ เมื่ออินพุตไม่สมบูรณ์หรือไม่สอดคล้องกัน การคาดการณ์จะน่าเชื่อถือน้อยลง
• กระบวนการที่ไม่เชื่อมต่อและใช้แรงงานคน โรงงานอาจมีอุปกรณ์ IoT ที่มีประสิทธิภาพบนเครื่องจักรบางเครื่อง แต่ยังคงพึ่งพาบันทึกกระดาษสำหรับการตรวจสอบคุณภาพ AI ไม่สามารถชดเชยข้อมูลที่หายไปหรือล่าช้าได้; มันเพียงแต่เพิ่มสิ่งที่มันเห็นเท่านั้น
• ความพร้อมขององค์กร แม้ว่าโครงสร้างพื้นฐานจะดีขึ้น แต่ทีมงานหลายแห่งยังคงไม่มีประสบการณ์ในการแปลผลลัพธ์ของโมเดลเป็นการดำเนินการ โดยไม่มีกระบวนการทำงานที่ชัดเจนและความเชื่อมั่นของมนุษย์ใน AI ข้อมูลเชิงลึกจะยังคงไม่ได้ใช้

ต้นทุนซ่อนเร้นที่ไม่ดำเนินการ

การเพิกเฉยต่ออุปสรรคเหล่านี้ไม่ใช่สิ่งที่อ่อนโยน การวิจัยแสดงให้เห็นอย่างต่อเนื่องว่าองค์กรที่ไม่แก้ไขความไม่มีประสิทธิภาพพื้นฐานดิ้นรนในการดึงคุณค่าจากการลงทุน AI ตัวอย่างเช่น รายงานเกี่ยวกับความสามารถ AI ในอุตสาหกรรมเน้นย้ำว่าเกือบ 80% ของบริษัทอุตสาหกรรมไม่มีความสามารถภายในเพียงพอที่จะใช้ AI ได้สำเร็จ แม้ว่าส่วนใหญ่จะคาดหวังว่า AI จะปรับปรุงคุณภาพและบริการ

และนอกเหนือจากภาคการผลิตแล้ว การศึกษาทางธุรกิจแสดงให้เห็นว่า ถึง 80% ของบริษัทไม่สามารถได้รับประโยชน์จาก AI เนื่องจากพวกเขาเพิกเฉยต่อปัจจัยด้านองค์กร ผู้คน และการเปลี่ยนแปลง — ไม่ใช่เพราะเทคโนโลยีเองมีข้อบกพร่อง

ข้อมูลเชิงลึกเหล่านี้คุ้มค่าที่จะกล่าวซ้ำ: ความท้าทายของ AI ในการผลิตไม่ใช่แค่ปัญหาในการรวมเทคโนโลยีเท่านั้น แต่ยังเกี่ยวกับการออกแบบกระบวนการทำงาน การตัดสินใจ การกำกับดูแลข้อมูล และระบบของมนุษย์ที่โต้ตอบกับเครื่องมือเหล่านี้

การปิดช่องว่าง: ที่ที่ความก้าวหน้าแท้จริงเกิดขึ้น

ดังนั้นผู้ผลิตจึงข้ามช่องว่างระหว่างศักยภาพและความเป็นจริงได้อย่างไร? มันเริ่มต้นด้วยการรับรู้ว่า AI ไม่ควรเป็นส่วนเสริม แต่ต้องฝังอยู่ในเนื้อผ้าของการดำเนินงานที่มีอยู่

มุ่งเน้นไปที่ความพร้อมของข้อมูลก่อน การนำข้อมูลทั้งหมดเข้าสู่ระบบ การปรับปรุงความสามารถในการเข้าถึง และการกำหนดกฎการกำกับดูแลไม่เพียงแต่ทำให้เครื่องมือ AI ทำงานได้ดีขึ้น แต่ยังสร้างความมั่นใจในผลลัพธ์ การสำรวจอุตสาหกรรมที่วางปัญหาเกี่ยวกับข้อมูลไว้ที่ด้านบนของอุปสรรคยังแสดงให้เห็นว่าผู้ผลิตที่แก้ไขปัญหาเหล่านี้ก่อนมีแนวโน้มที่จะย้ายไกลจากโครงการทดลองและเข้าสู่การขยายขนาด

จัดแนว AI กับกระบวนการทำงานจริง AI ไม่ควรเป็นชั้นแยก; มันควรรวมเข้ากับการตัดสินใจของมนุษย์และกระบวนการประจำวัน ทีมงานต้องเข้าใจสิ่งที่เทคโนโลยีทำและทำไมผลลัพธ์ของมันจึงมีความสำคัญ สิ่งนี้หมายถึงการลงทุนในการศึกษาภายในและการกำกับดูแลเกี่ยวกับการนำ AI ไปใช้

สร้างโครงสร้างพื้นฐานที่เชื่อมต่อระบบ แทนที่จะสร้างซิลอสเพิ่มเติม การนำ AI ไปใช้สำเร็จเกี่ยวข้องกับการรวมกระแสข้อมูลจากแหล่งต่างๆ เซนเซอร์ เครื่องจักร ERP ระบบคุณภาพเข้าสู่ชั้นที่สอดคล้องและเข้าถึงได้ ความก้าวหน้าแท้จริงเกิดขึ้นเมื่อบริษัทเริ่มต้นด้วยปัญหาที่เห็นและสัมผัสได้ เครื่องจักรที่ไม่สื่อสารกัน บันทึกคุณภาพที่ยังคงเขียนด้วยมือ และกระบวนการที่พึ่งพาหน่วยความจำหรือนิสัยทั้งหมดสร้างอุปสรรคที่มองไม่เห็น เมื่อทีมงานใช้เวลาเชื่อมต่อระบบและทำให้กระบวนการทำงานสอดคล้องกัน เทคโนโลยีก็เริ่มให้คำแนะนำแทนความสับสน

AI ไม่สามารถแก้ไขกระบวนการที่เสียหายได้ด้วยตัวเอง มันไม่เกี่ยวกับการซื้อซอฟต์แวร์ใหม่ล่าสุดหรือการไล่ตามโมเดลล่าสุด บริษัทที่ทำได้ดีเน้นการเชื่อมต่อระบบที่มีอยู่ การลดข้อผิดพลาด และการทำให้ทีมงานมีข้อมูลที่จำเป็นในการดำเนินการ

เมื่อชิ้นส่วนเหล่านี้อยู่ในตำแหน่ง AI จะหยุดรู้สึกเหมือนการทดลองและเริ่มทำงานร่วมกับผู้ดำเนินการ ช่วยให้พวกเขาตรวจจับปัญหาได้เร็วขึ้นและตัดสินใจรายวันอย่างมั่นใจมากขึ้น