研报总结
执行摘要
本报告基于 Forrester Consulting 委托的研究，探讨了生成式 AI 在制造业中的应用趋势。报告指出，制造业正面临劳动力短缺、数据准备不足等挑战，而生成式 AI 可通过提升决策效率、预测性维护和优化运营来应对这些挑战。然而，许多企业尚未完全释放生成式 AI 的价值，主要原因是数据碎片化和技术技能缺乏。报告强调，生成式 AI 应作为现有工作流程的集成技术，而非孤立解决方案，并建议与技术和生成式 AI 专家合作以实现成功应用。
制造业 5.0
制造业正从工业 4.0 向工业 5.0 转型，后者强调人机协作，整合生成式 AI 等先进技术，以提升运营效率、敏捷性和可持续性。工业 5.0 通过融合人类创造力与 AI 能力，实现预测与预测、数据分析、计算机视觉等功能，解决制造业面临的挑战，如预测性维护、趋势监测、市场响应、供应链中断、维护成本和决策优化等。
生成式 AI 在制造业的现状
Forrester Consulting 的研究表明，尽管超过一半的制造业领导者认为生成式 AI 是战略性业务资产，但只有 22% 的企业已实现其价值。主要原因是企业尝试过多用例，资源分散，效果不彰。关键问题包括数据准备不足（89% 的受访者表示难以准备业务数据）、数据治理薄弱（仅 32% 的企业实施治理政策）以及技术技能短缺。46% 的制造业企业使用自有数据进行生成式 AI 模型训练，这有助于最大化价值。技术合作伙伴和生成式 AI 专家的协作对成功实施至关重要，例如 Continental 与 SoftServe 合作开发的虚拟工厂解决方案。
正确看待生成式 AI
生成式 AI 不是解决方案，而是技术使能者，应集成到现有工作流程中。例如，生成式 AI 驱动的预测可帮助操作员快速识别和解决设备问题。成功实施生成式 AI 需要评估组织在人员、流程和技术方面的准备情况，明确业务用例，并确保数据质量和治理。技术合作伙伴应具备深厚的行业知识和技能，提供端到端支持，并促进知识转移。
实施生成式 AI 策略的行动建议
- 创建可更新的 ROI 和组织影响模型。
- 了解所需的数据准备工作。
- 开发用户所需技能。
- 选择制造业经验丰富的合作伙伴。
- 寻求端到端支持。
- 优先考虑知识转移和技能发展。
- 确保解决方案的可扩展性和适应性。
结论
Emma 和 PrecisionMotive 的转型案例表明，工业 5.0 和生成式 AI 可实现显著的业务价值。尽管转型不易，但早期成功表明其潜在回报远超延迟的风险。
