主要内容
如今，制造商们正努力应对不断上升的投入成本、劳动力短缺、供应链脆弱以及提供更多定制产品的压力。人工智能正成为应对这些压力的重要部分。
当企业战略依赖于人工智能时，大多数制造商在提高产量和质量的同时寻求降低成本。人工智能通过预测设备故障、调整生产计划和分析供应链信号来支持这些目标。谷歌云的一项调查发现，超过一半的制造业高管在规划和质量等后台领域使用人工智能代理。
这一转变至关重要，因为人工智能的使用直接与可衡量的商业成果相关。减少停机时间、降低废品率、提高整体设备效率（OEE）和改善客户响应能力，都有助于积极的企业战略和市场整体竞争力。
近期行业经验表明，摩森科技服务公司在采用基于代理的人工智能、数据平台整合和劳动力赋能计划后，取得了重大成果，包括维护成本降低 25 - 30%、停机时间减少 35 - 45%以及生产效率提高 20 - 35%。ServiceNow 描述了制造商如何在通用平台上统一工作流、数据和人工智能。它报告称，略超过一半的先进制造商有正式的数据治理计划来支持其人工智能计划。
这些实例表明了发展方向：人工智能正在运营内部部署，不是在试点中，而是在工作流中。
云与 IT 领导者应考虑的方面：
数据架构：制造系统依赖低延迟决策，尤其是在维护和质量方面。领导者必须确定如何将边缘设备（通常是带有支持性 IT 基础设施的 OT 系统）与云服务相结合。
用例排序：ServiceNow 建议从小处着手，逐步扩大人工智能部署规模。专注于两到三个高价值用例有助于团队避免“试点陷阱”。预测性维护、能源优化和质量检查是不错的起点，因为收益相对容易衡量。
治理与安全：将运营技术设备与 IT 和云系统连接会增加网络风险，因为一些 OT 系统并非设计为暴露于更广泛的互联网。领导者应仔细定义数据访问规则和监控要求。一般来说，人工智能治理不应等到后期阶段，而应在第一个试点中开始。
劳动力与技能：人为因素仍然重要。操作员对人工智能支持的系统的信任不言而喻，并且需要有信心使用以人工智能为基础的系统。根据 Automation.com 的说法，制造业面临持续的技能劳动力短缺，技能提升计划是现代部署的一个组成部分。
供应商生态系统中立性：许多制造环境的生态系统包括物联网传感器、工业网络、云平台和后台办公及工厂车间的工作流工具。领导者应优先考虑互操作性，避免锁定任何一家供应商。目标不是采用单一供应商的方法，而是构建一个支持长期灵活性的架构，以适应各个组织的工作流。
衡量影响：制造商应定义指标，可能包括停机时间小时数、维护成本降低、产量等，并持续监控这些指标。摩森的结果提供了现实的基准，并展示了通过仔细测量可能实现的成果。
现实情况：超越炒作：尽管取得了快速进展，但挑战依然存在。技能短缺等问题仍然存在。