Четырехэтапная дорожная карта, которая отличает производителей, масштабирующих ИИ, от тех, кто застрял в «пилотном лимбе»
Разговоры об ИИ в производстве, вероятно, уже начали казаться повторяющимися. Вы знаете, почему вашей отрасли нужна модернизация. Вы просмотрели демонстрации. Возможно, вы даже дали «зеленый свет» одному или двум пилотным проектам. И все же для многих производителей разрыв между концепцией, работающей в контролируемой среде, и ИИ, функционирующим автономно в масштабах всего предприятия, остается пугающе широким.
Этот разрыв — не технологическая проблема. Согласно результатам исследования Global AI and Data Trends Survey, в котором приняли участие 2050 руководителей глобальных предприятий, включая 288 представителей производственного сектора, 52% производителей уже используют работающий ИИ в ключевых цепочках поставок и операциях. Для большого числа компаний технология доказала свою ценность. Сложнее справиться с сопутствующими вопросами: как успешно подойти к масштабированию автономных операций, почему уникальная культура комплаенса и управления в производстве является конкурентным преимуществом, а не препятствием, и как представить предложение по инвестициям в ИИ так, чтобы его одобрило высшее руководство.
Именно эти проблемы помогает решить электронная книга «Навигация в эпоху агентного ИИ: руководство для производственного лидера». Независимо от того, являетесь ли вы операционным директором, пытающимся выбраться из «пилотного чистилища», вице-президентом по операциям, готовящим запрос на бюджет для ИИ, или руководителем завода, стремящимся понять, как на практике выглядит путь к мультиагентной оркестрации, эта книга описывает исполнительную сторону истории ИИ: идеи по управлению, четырехэтапную дорожную карту и структуру презентации, которые ведущие производители используют для перехода от фрагментированных данных к автономным операциям.
Управление — это не препятствие, а ускоритель
Из трех проблем реализации, с которыми сталкиваются производители на пути к автономным операциям, управление является наиболее часто неправильно понимаемой. Инстинкт рассматривать его как затраты на соблюдение требований, а не как конкурентный рычаг, — это именно то, что отличает производителей, которые масштабируются, от тех, кто буксует, — и ничто не иллюстрирует это яснее, чем то, что происходит, когда управление отсутствует с самого начала.
Компания Penske Logistics создала модель интеллектуального анализа прицепов на базе ИИ, которая по всем техническим показателям работала. Алгоритм был надежным. Команда специалистов по данным была квалифицированной. Бизнес-подразделения были вовлечены. Тем не менее проект застопорился не из-за сбоя технологии, а потому, что никто не определил, как должен выглядеть успешный выход в промышленную эксплуатацию до запуска пилота.
Эта история иллюстрирует главную проблему агентного ИИ в данной отрасли. Застревание в «пилотном лимбе» редко является инженерным провалом. Почти всегда это провал в согласовании — бизнес-результатов, готовности данных и того, как инвестиции связаны с прибылями и убытками.
В большинстве отраслей «теневой ИИ» — использование сотрудниками несанкционированных общедоступных инструментов в обход ИТ-отдела — вызван разочарованием из-за медленного согласования технологий. Но в производстве ситуация иная. Только 46% респондентов в производственном секторе назвали медленное согласование причиной использования инструментов теневого ИИ, по сравнению с 53% во всех остальных опрошенных отраслях.
Этот разрыв отражает нечто фундаментальное в производственной культуре: мышление «нулевых ошибок», построенное на соблюдении нормативных требований и физической безопасности. Дальновидные производственные лидеры осознают, что этот инстинкт при правильном использовании является конкурентным преимуществом.
Когда производитель создает единую, управляемую базу данных, которая объединяет ИТ, операционные технологии (OT) и данные Интернета вещей (IoT) под единым контролем доступа, защитные барьеры становятся «зеленым светом». Инженеры могут создавать пользовательские приложения, автоматизировать отчетность и запрашивать десятилетия журналов технического обслуживания, не рискуя конфиденциальностью данных или утечкой проприетарных формул в общедоступные модели ИИ. Наиболее законопослушные производители становятся наиболее инновационными, потому что их команды имеют свободу экспериментировать в защищенном периметре, вместо того чтобы просить разрешения на использование инструментов, которые могут скомпрометировать компанию.
Компания Wolfspeed, производитель полупроводников, работающий на круглосуточных чистых производствах, где каждая минута незапланированного простоя снижает маржу, создала именно такую структуру. Компания сократила сложную последовательность устранения неполадок оборудования с двухчасовой суеты в разрозненных системах до двухминутного автоматизированного ответа, передавая необработанные операционные данные в пользовательский ИИ-агент, построенный на Snowflake. Важно отметить, что Wolfspeed обязала все автоматизированные руководства по устранению неполадок изначально включать проверенные процедуры безопасности на заводе. Когда агент предпринимает автономные действия, он сохраняет как пропускную способность, так и безопасность персонала. Это управление как операционная функция, а не как галочка в списке требований.
Последовательность, которая отделяет лидеров от отстающих
Развертывание ИИ повсюду в организации одновременно в надежде, что что-то приживется, — это не стратегия, но именно так 41% производителей оказываются в «пилотном лимбе». Те, кому удалось избежать этого и достичь автономных операций, сделали это, выполнив четыре действия по порядку.
Этап 1: Модернизируйте свои данные
- Объедините системы цеха — исторические данные, SCADA, системы управления производством (MES) — с бизнес-системами, такими как планирование ресурсов предприятия (ERP), планирование цепочек поставок и управление взаимоотношениями с клиентами (CRM).
Объедините системы цеха — исторические данные, SCADA, системы управления производством (MES) — с бизнес-системами, такими как планирование ресурсов предприятия (ERP), планирование цепочек поставок и управление взаимоотношениями с клиентами (CRM).
- Сегодня 50% производителей по-прежнему полагаются на электронные таблицы как на основной рабочий слой данных, что заставляет 65% супервайзеров тратить часы каждую смену на ручную сверку противоречивых отчетов.
Сегодня 50% производителей по-прежнему полагаются на электронные таблицы как на основной рабочий слой данных, что заставляет 65% супервайзеров тратить часы каждую смену на ручную сверку противоречивых отчетов.
- Этот первый этап дорожной карты считается завершенным, когда один аналитик может ответить на кросс-функциональный вопрос, например: «Какие задержки поставщиков привели к наибольшему количеству изменений в графике производства в прошлом квартале?», не извлекая данные вручную из трех отдельных систем.
Этот первый этап дорожной карты считается завершенным, когда один аналитик может ответить на кросс-функциональный вопрос, например: «Какие задержки поставщиков привели к наибольшему количеству изменений в графике производства в прошлом квартале?», не извлекая данные вручную из трех отдельных систем.
Этап 2: Подготовьте унифицированные данные для ИИ
- Добавьте семантический контекст и уровень доверия, которые делают безопасным применение моделей.
Добавьте семантический контекст и уровень доверия, которые делают безопасным применение моделей.
- Именно здесь становятся возможными такие варианты использования, как предиктивное обслуживание и расширенная проверка качества.
Именно здесь становятся возможными такие варианты использования, как предиктивное обслуживание и расширенная проверка качества.
- Вы поймете, что готовы перейти к третьему этапу, когда команда сможет выразить в денежном эквиваленте влияние ИИ на хотя бы один ключевой показатель эффективности (KPI) операционной деятельности, например, сокращение незапланированных простоев на измеримый процент.
Вы поймете, что готовы перейти к третьему этапу, когда команда сможет выразить в денежном эквиваленте влияние ИИ на хотя бы один ключевой показатель эффективности (KPI) операционной деятельности, например, сокращение незапланированных простоев на измеримый процент.
Этап 3: Создание готовых к промышленному использованию ИИ-агентов
- Ориентируйтесь на ограниченные автономные решения в четко определенных границах, а не на полную автономию.
Ориентируйтесь на ограниченные автономные решения в четко определенных границах, а не на полную автономию.
- Например: агент по дозаказу товарных запасов может автоматически одобрять заказы на сумму менее 10 000 долларов США и помечать все, что выше этой суммы, для проверки человеком; агент по планированию обновляет графики смен по мере изменения спроса, в то время как планировщик-человек вмешивается только тогда, когда изменение превышает определенный порог.
Например: агент по дозаказу товарных запасов может автоматически одобрять заказы на сумму менее 10 000 долларов США и помечать все, что выше этой суммы, для проверки человеком; агент по планированию обновляет графики смен по мере изменения спроса, в то время как планировщик-человек вмешивается только тогда, когда изменение превышает определенный порог.
- Вы готовы перейти к последнему этапу, когда у вас будет более 90 дней автономной работы без вмешательства человека в принятие важных решений.
Вы готовы перейти к последнему этапу, когда у вас будет более 90 дней автономной работы без вмешательства человека в принятие важных решений.
Этап 4: Масштабируемая оркестрация мультиагентных систем
- Координируйте работу агентов в рамках сквозных рабочих процессов. Например, агент по техническому обслуживанию, обнаружив надвигающуюся неисправность, уведомляет агента по планированию, который перепланирует производство на двух линиях, что побуждает агента по цепочке поставок скорректировать сроки входящих поставок у трех поставщиков — и все это завершается одним кликом подтверждения от руководителя завода.
Координируйте работу агентов в рамках сквозных рабочих процессов. Например, агент по техническому обслуживанию, обнаружив надвигающуюся неисправность, уведомляет агента по планированию, который перепланирует производство на двух линиях, что побуждает агента по цепочке поставок скорректировать сроки входящих поставок у трех поставщиков — и все это завершается одним кликом подтверждения от руководителя завода.
- Toyota Motor Europe достигла этого этапа, создав унифицированную сетку данных (data mesh) с использованием таблиц Snowflake и Apache Iceberg™, чтобы связать весь жизненный цикл автомобиля — от заводского цеха до эксплуатации потребителем — без копирования данных.
Toyota Motor Europe достигла этого этапа, создав унифицированную сетку данных (data mesh) с использованием таблиц Snowflake и Apache Iceberg™, чтобы связать весь жизненный цикл автомобиля — от заводского цеха до эксплуатации потребителем — без копирования данных.
- Toyota Motor Europe сравнялась с результатами шести месяцев работы над жестко запрограммированной ИИ-инфраструктурой и превзошла их менее чем за три недели.
Toyota Motor Europe сравнялась с результатами шести месяцев работы над жестко запрограммированной ИИ-инфраструктурой и превзошла их менее чем за три недели.
- На этом последнем этапе производители наконец могут сменить вопрос «Что показывают данные?» на «Что агент сделал по этому поводу?»
На этом последнем этапе производители наконец могут сменить вопрос «Что показывают данные?» на «Что агент сделал по этому поводу?»
Питч для руководства высшего звена, который действительно работает
Компания Penske вышла из «пилотного лимба» не благодаря лучшему проектированию. Компания реструктурировала процесс запуска ИИ, разделив каждую инициативу на две отдельные фазы: фазу подтверждения ценности, полностью сфокусированную на проверке бизнес-гипотезы и согласовании с бизнес-подразделением того, как результат повлияет на отчет о прибылях и убытках (P&L), и фазу реализации ценности, которая выполняется только после утверждения первой фазы и фокусируется на надежности предприятия, управлении и масштабировании.
Это тот же принцип, на котором построена методология «Making the Ask» в данном руководстве: при обращении к руководству по поводу инвестиций в ИИ начинайте с операционной проблемы, а не с технологии. Финансовый директор (CFO) может заинтересоваться предложением, которое говорит о знакомых ему проблемах. Например, ваша компания теряет в среднем X смен в квартал из-за незапланированных простоев, потому что данные о техническом обслуживании не связаны с графиком производства, а ИИ-система, объединяющая эти источники данных, могла бы сократить количество незапланированных остановок на определенный процент, что ежегодно выражается в конкретной сумме восстановленной пропускной способности.
Сравните это с объяснением того, что вы хотите внедрить унифицированную платформу данных с возможностями агентного ИИ во всех производственных системах. Хотя это законный вариант использования, который может принести значительную прибыль, технически не подкованный руководитель не сможет быстро понять, в чем заключается выгода для бизнеса, что часто приводит к тому, что запрос на бюджет отклоняется прямо на совещании.
Победителями в следующем десятилетии станут не те производители, которые быстрее всех внедряли ИИ. Это будут те, кто создал правильный фундамент в правильной последовательности, использовал управление как инструмент ускорения и научился переводить технологические инвестиции в метрики и бизнес-результаты, понятные и одобряемые руководством высшего звена. Следование этой дорожной карте не только даст им сильное технологическое преимущество, но и структурно затруднит для более медленных конкурентов сокращение этого разрыва.
Скачайте полную электронную книгу, чтобы получить подробную дорожную карту из четырех этапов, истории клиентов и структуру питча для руководства, которую ведущие производители используют для перехода от фрагментированных данных к автономным операциям.
