機器在業(yè)務(wù)流程中得到越來越多的運用。人與機器將會一起設(shè)計業(yè)務(wù)，共同制定總體業(yè)務(wù)戰(zhàn)略，并增強關(guān)鍵的單個流程。
機器可以完成人類的工作：感知（使用廉價的數(shù)據(jù)傳感器），記?。ㄊ褂迷坪蛿?shù)據(jù)湖），做出決策（使用AI和高級分析），在現(xiàn)場（通過移動設(shè)備）提供輸入并采取行動（利用機器人）和自動駕駛汽車。所有這些都可能在不遠的未來實現(xiàn)。
一旦開發(fā)完成，機器和AI自動化或增強的流程將勝過人類，因為它們更便宜，也更堅固。最重要的是，與僅靠人工操作相比，從這些過程中獲得的學習將更加系統(tǒng)和有效地被捕獲。學習的速度將使采用這些流程的組織獲得真正的競爭優(yōu)勢。
隨著機器和AI流程接管公司的運營，人類的角色將發(fā)生變化。人們將創(chuàng)造更多新的工作機會來設(shè)計增強/自動化流程，并不斷對其進行改進。隨著時間的流逝，我們期望看到從人為操作的過程向人為設(shè)計和審核的過程的轉(zhuǎn)變。但是，要使AI或高級分析正常工作，他們需要“訓(xùn)練”一組數(shù)據(jù)。
未來工廠中的AI——機器中的幽靈人工智能（AI）是商業(yè)技術(shù)中的熱門話題，工業(yè)公司已經(jīng)注意到這一點。正確部署AI技術(shù)組合，生產(chǎn)商可以提高效率、靈活性，加速流程，甚至實現(xiàn)自我優(yōu)化的運營。BCG分析發(fā)現(xiàn)，使用AI可以將生產(chǎn)商的成本降低多達20％，其中高達70％的成本降低源于更高的勞動力生產(chǎn)率。
生產(chǎn)者可以使用AI開發(fā)和生產(chǎn)針對特定客戶的創(chuàng)新產(chǎn)品，并以更短的交貨時間交付這些產(chǎn)品，從而產(chǎn)生更多的銷售。因此，AI是未來工廠不可或缺的一部分，其先進的技術(shù)將增強工廠結(jié)構(gòu)和流程的靈活性。
全球和各個行業(yè)的公司都在探索在其業(yè)務(wù)中應(yīng)用AI的可能性。然而，一些高管仍然對AI能否兌現(xiàn)其承諾的利益表示懷疑。為了更好地迎接機遇和挑戰(zhàn)，BCG最近針對人工智能的期望以及人工智能在工業(yè)運營中的采用狀況做了一次研究。
BCG的研究重點是對來自全球多個生產(chǎn)行業(yè)的1000多名高管和經(jīng)理進行調(diào)查?？傮w而言，我們發(fā)現(xiàn)生產(chǎn)者期望AI成為提高生產(chǎn)力的關(guān)鍵杠桿，但事實差強人意。這很大程度上是因為許多公司缺乏AI的四個關(guān)鍵推動因素：戰(zhàn)略（包括全面的路線圖）、執(zhí)行的治理模型，員工能力以及IT基礎(chǔ)架構(gòu)。
調(diào)查顯示，運輸和物流、汽車和科技公司處于采用AI的最前沿，而流程行業(yè)（例如化學藥品）則落在其后。與日本、法國和德國等國家/地區(qū)的同行相比，美國、中國和印度的公司在采用率方面取得了令人矚目的領(lǐng)先地位。各國對AI采納速度的差異反映了對AI收益的不同期望。
調(diào)查結(jié)果表明，工業(yè)生產(chǎn)商要想實現(xiàn)AI的雄心壯志，就必須加大執(zhí)行力度。光靠技術(shù)是無法實現(xiàn)的。為了充分發(fā)揮AI的潛力，公司必須在組織層面考慮所有必要的推動因素。
AI使計算機和機器能夠以智能方式執(zhí)行任務(wù)，幫助生產(chǎn)者確定實現(xiàn)目標的最佳操作順序，并使他們能夠?qū)崟r遠程管理操作。
人工智能在運營中的基礎(chǔ)作用許多行業(yè)領(lǐng)導(dǎo)者期望AI在價值鏈中端到端地轉(zhuǎn)變流程，包括工程、采購、供應(yīng)鏈管理、工業(yè)運營（生產(chǎn)和相關(guān)功能）、市場營銷、銷售和客戶服務(wù)。最近的一項研究表明，工業(yè)公司的高管認為運營是受AI影響最大的領(lǐng)域。
雖然人工智能是工業(yè)4.0的主要技術(shù)組成部分之一，但提高生產(chǎn)力的杠桿不是通過發(fā)展人工智能取代人工來實現(xiàn)。此外，生產(chǎn)商可以應(yīng)用人工智能來增強傳統(tǒng)的效率杠桿，例如自動化和精益管理。
例如，通過識別質(zhì)量問題的根本原因，從而幫助消除缺陷，人工智能支持精益管理工作以減少浪費。實際上，我們的研究參與者中有40％的人期望AI成為2030年生產(chǎn)力提高的非常重要的推動力，而29％的人認為AI對當今生產(chǎn)力的提高非常重要。（見圖1）
采用AI將大大改變勞動力的組成，降低轉(zhuǎn)換成本，因為它減少了生產(chǎn)流程中對手工勞作的需求。例如，當今需要大量人員參與質(zhì)量控制有關(guān)的任務(wù)將高度自動化，并具有廣泛的AI支持。但是，即使消除了現(xiàn)有工作，也會出現(xiàn)需要與AI相輔相成的技能的新工作機會?？傮w而言，調(diào)查參與者對期望AI的凈效應(yīng)將是總勞動力的減少表示出一些偏見。
來自中國公司的調(diào)查受訪者認為采用AI會大大減少他們的總勞動力（反映出替代是對低技能工人的替代），而德國公司的受訪者則期望，如果有的話，其技術(shù)水平更高的勞動力也會減少。
人工智能的用例AI代表了工廠的范式轉(zhuǎn)變（長期形成的思維習慣、價值觀的改變和轉(zhuǎn)移）。如今的工廠通過樹立規(guī)則來自動化流程和機械設(shè)備，而如今的機器人編程解決了一組固定的場景。
相比之下，未來的工廠將使用AI來自動化流程和機械設(shè)備，以通過做出明智的決策來應(yīng)對不熟悉或意外情況。結(jié)果，技術(shù)系統(tǒng)將更加靈活，適應(yīng)性也更強。
例如，在基于規(guī)則的方法下，機器人無法從未分類的零件箱中識別和選擇所需的零件，因為它缺少應(yīng)付零件的多種可能方向所必需的詳細編程。相反，AI機器人可以從未分類的物料中挑選所需零件。
在調(diào)查參與者中，有37％將生產(chǎn)定為工廠運營領(lǐng)域，其中AI是提高生產(chǎn)力的最重要手段，而25％將質(zhì)量評為最高，12％選擇物流。AI用例能實現(xiàn)機器的自我優(yōu)化、檢測質(zhì)量缺陷和預(yù)測效率損失。
盡管各個公司會發(fā)現(xiàn)不同的用例特別有價值，但生產(chǎn)者只有通過應(yīng)用AI并跨職能跨供應(yīng)商和客戶集成數(shù)據(jù)池才能獲得全部收益。
工廠外：
在工廠之外，工程和供應(yīng)鏈管理是AI最重要的應(yīng)用領(lǐng)域：
工程：生產(chǎn)者可以使用AI促進研發(fā)工作，優(yōu)化設(shè)計，提高對客戶需求和期望的響應(yīng)速度并簡化生產(chǎn)。AI支持生成設(shè)計，其中算法根據(jù)定義的目標和約束探索所有可能的方案。通過迭代測試和學習，AI算法可以優(yōu)化設(shè)計，并提出可能對人腦而言非常規(guī)的解決方案。一些航空航天公司正在使用生成設(shè)計來開發(fā)具有全新設(shè)計的飛機部件，如仿生結(jié)構(gòu)，其功能與傳統(tǒng)設(shè)計相同，但重量卻大大減輕。 供應(yīng)鏈管理：需求預(yù)測是在供應(yīng)鏈管理中應(yīng)用AI的關(guān)鍵主題。通過更好地預(yù)測需求變化，公司可以有效調(diào)整生產(chǎn)程序并提高資源利用率。AI通過分析和學習與產(chǎn)品發(fā)布、媒體信息和天氣狀況相關(guān)的數(shù)據(jù)來支持預(yù)測客戶需求。一些公司使用機器學習算法通過將來自倉庫和企業(yè)資源計劃（ERP）系統(tǒng)的數(shù)據(jù)與客戶見解進行整合來識別需求模式。工廠內(nèi)：
在行業(yè)內(nèi)部，人工智能將為生產(chǎn)以及維護、質(zhì)量和物流等功能帶來各種好處：
生產(chǎn)：我們的研究涵蓋了整個生產(chǎn)環(huán)境，包括連續(xù)過程（例如用于生產(chǎn)化學品和建筑材料的過程）和離散生產(chǎn)（例如組裝任務(wù)）。在所有環(huán)境中，生產(chǎn)者都將使用AI來降低成本并提高速度，從而提高生產(chǎn)率。他們還將使用AI來提高靈活性來應(yīng)對生產(chǎn)的復(fù)雜性，如生產(chǎn)客戶定制產(chǎn)品。人工智能將使機器和單元成為自我優(yōu)化的系統(tǒng)，通過不斷分析當前和歷史數(shù)據(jù)，實時調(diào)整參數(shù)。保養(yǎng)：生產(chǎn)者將使用AI來減少設(shè)備故障并提高資產(chǎn)利用率。AI支持預(yù)測性維護，例如，通過根據(jù)磨損的實際情況更換磨損的零件來避免故障。AI將不斷分析并學習機器和單元產(chǎn)生的數(shù)據(jù)（例如，傳感器數(shù)據(jù)和產(chǎn)品組合）。質(zhì)量：生產(chǎn)者可以使用AI來幫助盡早發(fā)現(xiàn)質(zhì)量問題。視覺系統(tǒng)使用圖像識別技術(shù)來識別產(chǎn)品特征中的缺陷和偏差。由于這些系統(tǒng)可以不斷學習，因此它們的性能會隨著時間的推移而提高。汽車供應(yīng)商已開始將視覺系統(tǒng)與機器學習算法一起使用，以識別存在質(zhì)量問題的零件，包括用于訓(xùn)練算法的數(shù)據(jù)集中未包含的缺陷。人工智能還可以持續(xù)分析機器和生產(chǎn)環(huán)境生成的數(shù)據(jù)并從中學習。例如，AI可以將鉆孔機的設(shè)置與材料特性和行為進行比較，以預(yù)測鉆孔超過公差等級的風險。 后勤：我們的研究重點是工廠內(nèi)部物流和倉儲，而不是外部供應(yīng)鏈上的物流。人工智能將實現(xiàn)行業(yè)內(nèi)部的自動移動和有效的物料供應(yīng)，這對于管理隨著制造多種產(chǎn)品變型和客戶量身定制的產(chǎn)品而變得日益復(fù)雜的情況至關(guān)重要。在工廠和倉庫內(nèi)運輸物品的自動駕駛汽車將使用AI感應(yīng)障礙物并調(diào)整汽車路線以實現(xiàn)最佳路線。衛(wèi)生保健設(shè)備的生產(chǎn)商已開始在維修中心使用自動駕駛汽車。無需依靠磁條或傳送帶的引導(dǎo)，如果車輛遇到障礙物就可以停車，然后自主確定最佳路線。機器學習算法將使用物流數(shù)據(jù)，例如有關(guān)物料流出和流入，庫存水平和零件周轉(zhuǎn)率的數(shù)據(jù)，以使倉庫能夠自我優(yōu)化其運營。例如，一種算法可能會建議將需求量低的零件移動到更遠的位置，并建議將需求量高的零件移動到附近的區(qū)域，以加快訪問速度。一些AI用例適用于多個操作領(lǐng)域。例如，能夠進行語言生成和處理的虛擬代理（類似于Apple的Siri和亞馬遜的Alexa）將為運營商提供來自IT系統(tǒng)的特定于上下文的信息。一些公司已經(jīng)在使用按聲音揀貨系統(tǒng)來處理揀貨，包裝，接收和補貨操作。在這些應(yīng)用中，連接到ERP系統(tǒng)中物料清單的語音系統(tǒng)將操作員引導(dǎo)至正確的料倉。
AI系統(tǒng)將根據(jù)事件報告（例如照片和書面報告）為事件（例如機器故障、質(zhì)量偏差和性能損失）提供解決方案，并不斷進行分析和學習。飛機制造商已經(jīng)使用了一種自學式算法，該算法使用事件報告來識別生產(chǎn)問題中的模式，然后將當前事件與過去的類似事件進行匹配并提出解決方案。
在研究參與者中，對上述每種用例到2030年將變得非常重要的期望范圍為81％至88％，但認為該功能已在多個生產(chǎn)領(lǐng)域中得到充分應(yīng)用的信念相當?shù)停?％至8）。％）。圖表2概述了被調(diào)查者對未來工廠最重要的用例。
許多公司計劃很快就應(yīng)用AI。研究發(fā)現(xiàn)，中國、印度和新加坡的公司對在生產(chǎn)中短期應(yīng)用AI野性最大。在接受調(diào)查的離散行業(yè)中，醫(yī)療保健和能源是近期最雄心勃勃的行業(yè)，加工行業(yè)和工程產(chǎn)品緊隨其后。
參與研究的大多數(shù)公司都表示，他們認為AI越來越重要。但是，他們的投資、計劃和應(yīng)用并沒有達到他們的目標。盡管87％的研究參與者表示計劃在未來三年內(nèi)在生產(chǎn)中應(yīng)用AI，但只有28％制定了全面的使用路線圖。其余72％的公司缺乏詳細的計劃，32％的公司正在測試選定的用例，27％的公司僅具有初步想法，13％的公司將AI取消優(yōu)先級或尚未考慮。
使用程度有限反映了全面計劃的不足，也顯示了雄心與現(xiàn)實之間的巨大差距。
過去，只有約50％的公司在應(yīng)用AI用例時實現(xiàn)了目標。因此，如今只有約16％的公司在多個工廠區(qū)域完全應(yīng)用了一個以上的AI用例，根據(jù)我們對AI使用的定義，這項成就使他們有資格成為早期使用者。
在我們研究的12個國家中，采用率較高的公司所占的百分比為：美國（25％）、中國（23％）和印度（19％）最高，而后依次為日本（11％）、新加坡（10最低） ％）和法國（10％）。（參見圖表3。）在接受調(diào)查的德國公司中，只有15％是早期采用者。
美國公司的高采用率可能反映了那里AI技術(shù)的廣泛可用性。即便如此，中國在人工智能方面的資金投入已超過美國，去年占了全球人工智能初創(chuàng)公司投資總額的近一半。
同樣在2017年，中國國務(wù)院發(fā)布了《下一代人工智能發(fā)展計劃》，制定了三階段發(fā)展戰(zhàn)略，以實現(xiàn)到2030年人工智能的卓越地位; 北京附近的天津市政府宣布了一項50億美元的基金，以支持AI產(chǎn)業(yè)。同樣，其他新興國家（如印度）也認為采用AI對于保持其制造業(yè)具有國際競爭力至關(guān)重要，并已在AI上進行了大量投資。
相比之下，日本等一些工業(yè)化國家仍將重點放在常規(guī)杠桿上（例如，在我們研究的八個行業(yè)中，運輸和物流（21％）和汽車（20％）在采用率較高的公司中所占比例最高，而工程產(chǎn)品（15％）和加工行業(yè)（13％）則滯后背后。（參見圖4）這些差異反映了行業(yè)對數(shù)字化的不同起點和相似性。汽車和技術(shù)公司躋身最先進之列也就不足為奇了。其他行業(yè)尚未學習到許多數(shù)字策略，這些策略多年來已成為這些行業(yè)價值鏈的組成部分。
公司招聘人數(shù)也會影響AI的應(yīng)用。與大型企業(yè)相比，小型企業(yè)更不可能成為早期采用者-也許是因為小型公司通常預(yù)算有限、精力不夠。盡管近來技術(shù)的進步以及數(shù)據(jù)存儲和數(shù)據(jù)處理成本的下降將降低為AI投資提供資金的門檻，但總體能力差距可能仍將持續(xù)。
縮小差距
四個促成因素對于AI在運營中的成功應(yīng)用至關(guān)重要：戰(zhàn)略和路線圖，治理模型，員工能力以及IT基礎(chǔ)架構(gòu)。與落后的公司相比，早期采用者在使AI支持者充分發(fā)揮功能方面取得了顯著進步。（見圖5）
戰(zhàn)略和路線圖：為了提供AI的使用指導(dǎo)，公司需要制定清晰的戰(zhàn)略。人工智能策略應(yīng)專注于最有價值的用例（那些可以滿足公司特定業(yè)務(wù)需求和挑戰(zhàn)的用例），并使它們與公司的整體數(shù)字戰(zhàn)略保持一致。公司還需要明確的使用路線圖，以建立業(yè)務(wù)案例和可衡量的投資目標。調(diào)查者認為擁有明確的AI經(jīng)營策略最為關(guān)鍵。
治理模型：管理層的清晰承諾對于實現(xiàn)潛在的改進很重要。高層管理人員應(yīng)使用結(jié)構(gòu)化的溝通方式，以確保對組織內(nèi)的AI有清晰的了解。公司應(yīng)為AI應(yīng)用建立明確的角色和職責，并設(shè)計清晰的組織結(jié)構(gòu)。有效協(xié)作和溝通對于克服文化對應(yīng)用AI的抵制至關(guān)重要。
員工能力：要采用AI（通常是數(shù)字化），公司必須擁有在編程、數(shù)據(jù)管理和分析等方面有較強技能的員工。公司還應(yīng)該對其所需技能有清晰的認識，并應(yīng)評估這些需求與員工當前擁有的技能之間的差距。
對于諸如了解運營中的AI基礎(chǔ)知識等主題，員工可以通過公司內(nèi)部或外部培訓(xùn)計劃獲得所需的技能。對于需要更正式的與IT相關(guān)的學習課程的主題（例如高級分析），公司必須雇用新型的工作者，包括數(shù)據(jù)科學家。
在研究參與者中，有93％報告稱其公司內(nèi)部沒有足夠的能力來在運營中應(yīng)用AI。超過四分之一（29％）的人表示，他們的公司增加了AI專用員工的數(shù)量，而近一半（47％）的員工預(yù)計這一數(shù)字將在未來幾年增加。
IT基礎(chǔ)設(shè)施：應(yīng)用程序編程接口和網(wǎng)絡(luò)標準促進了舊版IT系統(tǒng)和機械設(shè)備的互操作性，這對于AI應(yīng)用的成功至關(guān)重要。一般而言，網(wǎng)絡(luò)安全是使用AI和Industry 4.0的從業(yè)者的另一個重要關(guān)注點。
在應(yīng)用AI時，公司應(yīng)考慮采用敏捷的工作模式，使其能夠根據(jù)需求的變化調(diào)整其策略和路線圖。在應(yīng)用AI技術(shù)時，該公司應(yīng)該采取快速失敗，最小可行產(chǎn)品的方法，在這種方法中，它會在小規(guī)模范圍內(nèi)測試新想法，然后在致力于全面推廣之前先進行快速迭代以完善它們。與落后的公司相比，早期采用者更可能采用這種敏捷的工作模式。
該研究的發(fā)現(xiàn)指出，工業(yè)公司以及工業(yè)機械和自動化生產(chǎn)商都需要采取行動。
對機械和自動化領(lǐng)域的影響
為了趕上應(yīng)用AI的競爭，工業(yè)公司應(yīng)采取結(jié)構(gòu)化的三步走方法：
評估現(xiàn)狀：公司應(yīng)首先評估其痛點和AI成熟度，然后再將其當前狀態(tài)與同行或行業(yè)平均水平進行比較。由于強大的IT基礎(chǔ)架構(gòu)對于AI應(yīng)用至關(guān)重要，因此公司必須評估其IT操作的當前狀態(tài)。進行車間評估的一個先決條件是在移動設(shè)備上擁有評估主題和基準的存儲庫。
選舉推動者：公司應(yīng)制定一份完整的AI用例清單，以解決檢查期間發(fā)現(xiàn)的痛點。所有利益相關(guān)者都應(yīng)在研討會上開會，深入討論用例并確定應(yīng)優(yōu)先考慮的用例。在評估優(yōu)先使用案例的財務(wù)和非財務(wù)收益時，公司應(yīng)計算業(yè)務(wù)案例以進行投資。在此階段，來自具有量化收益和所需投資經(jīng)驗的AI專家的意見非常有價值。在確定了優(yōu)先使用案例之后，該公司可以為運營中的AI制定目標圖片并創(chuàng)建應(yīng)用路線圖。
公司的治理模型應(yīng)明確界定AI應(yīng)用的角色和職責，并應(yīng)建立一致的組織結(jié)構(gòu)。該公司還需要將其現(xiàn)有員工的資格與應(yīng)用AI用例所需的資格進行比較，并確定如何縮小差距。此外，它應(yīng)該定義用例實現(xiàn)的IT要求，并開發(fā)第二個治理模型以進行有效和高效的數(shù)據(jù)管理。具有AI專業(yè)知識的數(shù)據(jù)科學家和IT專家應(yīng)參與定義需求。
測試和擴展解決方案：公司應(yīng)在工廠的特定部分測試AI用例。為了加快這一過程，它應(yīng)該在定義愿景和建立推動力的同時啟動其第一個試點計劃。每個飛行員的目標應(yīng)該是快速開發(fā)一個最小可行的解決方案，然后通過敏捷開發(fā)方法，通過多次迭代來改進飛行員的設(shè)計。通過與飛行員互動，員工可以體驗AI用例的觸感。為了給飛行員提供便利，該公司必須能夠使用能夠快速產(chǎn)生影響的技術(shù)工具，例如資產(chǎn)監(jiān)控傳感器和智能眼鏡。公司應(yīng)擴大已在試點中成功測試的解決方案。最后，為充分發(fā)揮AI的潛力，公司應(yīng)全面實施集成解決方案。
