你需要知道的最重要的事情
- 採用工業人工智慧的主要挑戰不在於工具的有效性，而是組織吸收新知識並改變員工的工作習慣和決策文化的能力。
- 儘管預測性維護的採用率翻了一番，但許多工廠仍採用兩種運作模式，導致計劃外停機損失，據估計，全球 500 家最大的公司每年損失高達 1.4 兆美元。
- 要實現工業人工智慧的真正投資回報，需要仔細審查人員和營運能力，透過記錄經驗、提供全面的工作記錄以及培訓團隊來解讀人工智慧輸出並調整工作流程。
大多數製造商無需進行可行性研究就能了解被動維護的成本。多年來，他們一直在承受這些成本：計劃外停機、額外的恢復時間、倉促交付的零件，以及計劃安排信心和客戶信任度的逐漸下降。改變的是解決方案的出現。人工智慧在維護領域的應用迅速從理論概念轉變為切實可行的解決方案，其投資價值顯而易見。
產業承諾是真實的，但成果的顯現速度卻遠未達到預期。我們最近的研究表明，約78%的進展障礙都與勞動力有關。人工智慧的普及速度遠超其日常應用能力。這一差距如今已成為主要障礙，需要轉變思維方式，而這種轉變與技術發展同等重要。
第一波浪潮證明了工具的有效性，而不是模型的有效性。
製造商正在投資人工智慧以提高生產力，但許多製造商仍然從事一些預測性維護本應減少的行為。
研究表明，預測性維護的採用率逐年翻番，而被動式維護則保持平穩。另一方面，主動式維護的採用率卻逐年下降。問題的關鍵就在於此：新的維護方法被引入工廠，但它們並沒有完全取代舊方法。
這不應被解讀為失敗。工廠搬遷是出於實際考慮，而初步試驗也為團隊提供了寶貴的經驗。該模式在擁有成熟資產和專門團隊的情況下能夠有效運作。但真正的考驗在於，當該模式需要支援跨班次、跨地點以及不同專業水平人員的決策時。
第一波衝擊揭示了下一個問題。科技可以迅速納入預算，但工作習慣、信任、決策權以及第一線員工的信心卻需要更長的時間才能改變。
人工智慧投資日趨成熟
預算數據顯示，領導者們並未放棄人工智慧；相反，他們對人工智慧應發揮作用的領域更加挑剔。投資正從探索性人工智慧轉向營運重點領域，包括網路安全、資料管理、生成式人工智慧和工業人工智慧。
這種轉變反映了人們對數位化成熟度更務實的看法。領導者們正努力讓人工智慧在那些延遲、停機和數據品質不佳的成本會迅速顯現的領域發揮作用。
這種轉變也正在重塑人們對工業 5.0 的預期。隨著工業技術從基於自動化的工業 4.0 模式轉向更注重人機互動的方式，行業領導者似乎正在重新調整時間表，目前有 40% 的人預計這一過程需要一到四年。
模式的界線在哪裡？主管的角色又從哪裡開始？
人們很容易將78%的勞動力限制數據解讀為勞動力短缺——即人員配備水準、招聘或供應鏈方面的問題。但實際上，企業面臨的是經驗不足、知識匱乏、技術工人缺口以及更廣泛的勞動力能力缺陷。這四個面向加在一起，反映出的問題遠比單純的人員配置問題複雜得多。它們體現了一個組織適應不同工作方式的能力。
我常從客戶那裡聽到這樣的回饋：工具是有的，但團隊卻沒有跟上。研究人員科恩和萊文塔爾將這種情況稱為「吸收能力」。
簡而言之，它指的是公司識別有用新知識、將其融入組織並轉化為可執行結果的速度。在維護領域，這些結果指的是實際運行條件下做出的決策——例如，夜班主管評估當前故障是否需要立即乾預、是否可以等到下次計劃停機時間，或者是否已經超過了某個閾值。模型可以識別故障，但它無法做出決策。
預測性維護和人工智慧 (AI) 實際上需要一支比僅僅掌握工具更難培養的隊伍。英國政府的《英國人工智慧勞動力技能》報告具體指出了先進製造業領域存在的這項技能缺口。
除了訓練人工智慧模型或整合即時分析等技術技能外，該報告還強調了解讀人工智慧輸出、根據新洞察調整工作流程以及將變更傳達給第一線團隊的能力。這些核心能力決定了警報能否促使行為改變，還是會被忽略。
因此，員工發展不能被視為與技術專案並行的獨立人力資源職能。它是決定投資能否轉化為更佳實施效果的系統性組成部分。人工智慧：掌握它需要轉變思維方式，而不僅僅是技術。工業5.0的實現時間表將取決於工廠車間的現有能力。
投資預測，付費回應
商業影響顯而易見，支出與回報之間存在巨大差距。儘管預測性解決方案的應用日益廣泛，相關資金也越來越多，但被動解決問題的根本方法卻依然如故。許多組織採取兩種並行的方式：一方面投資於資料驅動的實施，另一方面卻仍然浪費時間去解決本來可以避免的問題。
這種脫節代價高昂。根據西門子2024年發布的《停機真實成本》研究報告，全球500強企業每年因計畫外停機損失1.4兆美元，佔其總收入的11%。這一數字反映了從被動應對轉向主動預防的轉變尚未完成的後果：投資到位，但日常執行卻未能完全跟上。彌合問責差距對於確保投資回報至關重要。
當這種差距持續存在時，技術投入的回報就會延遲且不平衡。專案週期會延長，實現預期結果的信心也會降低。
實現真正回報的關鍵
目前應用於工具和平台的規範必須擴展到圍繞這些工具和平台的人員和流程。對許多組織而言，這才是真正價值被浪費的地方。
領導者應該先關注營運中最薄弱的環節。哪些資產仍然依賴一兩名經驗豐富的技術人員來解讀正在發生的事情？哪些工作記錄缺乏足夠的細節來支持未來的診斷？哪些警報能夠迅速觸發有效的行動，而哪些警報卻被擱置，直到合適的人員值班？
這些問題揭示了預測性維護是否已成為實施過程中不可或缺的一部分，還是仍然只是在舊的被動式習慣之上增加了一層。
員工離職前，必須記錄腦中尚未被充分利用的經驗和知識。確保工作記錄足夠全面，以便為未來的技術人員提供支援。訓練操作員和維修團隊，使其了解預測性警報的意義，識別需要採取行動的證據，並知道何時應該回報問題。設計工作流程，使基於充分資訊採取行動成為常態，而非例外情況；掌握人工智慧需要轉變思維方式。了解哪些工作最有可能被人工智慧取代，也有助於指導培訓工作。
互聯可靠性透過連接資產數據、維護歷史和員工的第一手經驗，為這種實施提供支持，使團隊能夠在不同的班次和地點做出一致且可重複的決策。
我們的研究證實了這一趨勢：近一半的受訪者計劃在未來十二個月內制定互聯可靠性計劃，將可靠性視為連接短期營運需求與長期策略目標的實用橋樑。
對製造業領導者而言，訊息清晰明確：必須像重視技術投入一樣重視人力和營運能力。不要只停留在詢問已部署了哪些類型的人工智慧，還要追問：誰能運用這些技術？決策流程的滯後點在哪裡？哪些知識尚未被記錄？哪些工作流程仍在引導團隊積極主動解決問題？
評論被關閉。