核心观点与关键数据
GenAI 将重新定义制造业的价值链，通过智能系统提升生产效率，并推动创新、可持续性和员工赋权。制造业对 GenAI 的满意度在过去一年中增长了 79%，其中 64% 的制造商认为 GenAI 具有变革性，95% 认为它直接提高了效率和盈利能力，96% 认为它带来了新的创造力和创新水平。
制造业面临的挑战
- 基础设施复杂性：现代化、性能/集成和生命周期管理等方面的基础设施复杂性。
- 互补技术评估：评估物联网、5G、边缘计算和 GPU 等互补技术。
- 建立明确的道德和安全框架：建立清晰的道德和 AI 安全框架和所有权。
GenAI 在制造业的应用
- 智能工厂：GenAI 是构建智能工厂、提高效率、生产力和弹性的基础。
- 核心功能增强：GenAI 增强了供应链和库存管理、用户指南和知识管理、质量控制、产品/服务设计和发展、流程自动化等核心功能。
- 汽车行业：GenAI 将对汽车行业的研发、物联网数据集成、数字孪生和可持续发展产生重大影响。
治理与护栏
- 挑战：平衡创新与责任，建立 GenAI 使用政策，定期审查 GenAI 流程及其对用户体验的影响。
- 案例研究：自动化与人在回路中，通过 AI 引擎自动化工单处理，并融入人在回路中的反馈以持续改进准确性和处理能力。
从试点疲劳到规模化影响
- 挑战：从证明 GenAI 的有效性转向展示其可扩展性和广泛影响。
- 关键点：平衡短期收益与长期可扩展性，确保解决方案具有可扩展性，使 GenAI 跨业务运营。
数据管理
- 关键点：确保数据组织、可访问、验证和高质量，高质量、多样化和干净的数据对于有效的 GenAI 模型至关重要。
- 案例研究：通过 GenAI 改进工程流程，开发基于 ChatGPT 风格的解决方案，使 1000 多份工程文件对话式可访问，并确保端到端的安全性。
合作伙伴选择与实施
- 关键因素：GenAI 安全能力（如道德、可靠和安全的 设计）和端到端 GenAI 服务提供（全栈能力）。
- 首选方法：GenAI 合作（高层目标协议与固定价格和指定时间表）、定制解决方案（针对项目或特定需求）和专属团队（根据需要）。
人力资本
- 挑战：三分之二的制造商承认员工没有与 GenAI 合作所需的技能，但不到一半的制造商正在积极投资于技能提升计划。
- 关键要素：投资劳动力发展、培养员工参与的文化、优先考虑道德 AI 开发和部署。
- 案例研究：通过 GenAI 赋能员工，利用 GenAI 提取、汇编和转换高级别见解，以补充官方政策和手册培训。
CEO 行动建议
- 保持对关键技术的了解：确保统一的 GenAI/AI 业务、技术和基础设施战略。
- 维护强大的治理声誉：领导层必须在业务和更广泛的制造业行业内就负责任的 AI 创新进行合作和可见。
- 通过辨别力持续成功：解决和重新解决劳动力规划、角色和应用的持续变化。
- 创建经过验证的混合策略：允许业务在遵循各种里程碑和时间表的情况下安全地创新。
