Engineering 正处于一个转折点，面临着来自软件定义产品、更严格的监管和持续的成本压力等多方面的挑战。到 2030 年，适应性和速度将成为衡量绩效的关键指标。领先企业认识到，仅通过渐进式的流程调整或添加现有系统的工具无法解决这些复合现实问题。相反，他们正在重新设计流程、数据、工具以及价值链中工作的方式，以显著提高关键成果，如周期时间、发布可靠性和更新速度。
本研究基于对亚太、欧洲和北美领先的航空航天和国防、汽车和工业设备公司中 136 位工程领导者和实践者的访谈，包括 36 次深入专家访谈和 100 次由 AI 主持的面向一线工程师的访谈。研究发现，传统系统接近其极限，产品日益复杂，工程师大约一半的时间花在文档、报告和信息搜索上，而不是核心工程工作，这导致全球每年损失约 390 亿美元的生产力。
为了应对这些挑战，企业需要采取以下五个系统级的转变来重新设计工程流程：
- 将 V 型模型作为持续的证据系统运行：明确每个阶段的要求、输出、负责人、决策关卡和冻结点，建立最小可行数字主线，将要求与架构、设计、测试和批准连接起来，利用 AI 进行分类、建议跟踪链接和标记损坏的链。
- 转向基于模型、先模拟后开发的开发方式：明确模型可以和不能预测的内容，将硬件和软件架构和接口模型链接到要求，利用 AI 挖掘程序历史以识别重复的故障模式。
- 大规模自动化验证和合规性：标准化要求质量和证据结构，将测试和配置控制置于开发管道内，利用 AI 标记模糊表述、建议接受标准和起草测试想法。
- 重新设计 AI 辅助工程的技能模型：明确跨领域决策的所有权，培养跨领域的混合角色，利用 AI 处理重复性低价值任务，人类判断作为最终决策关卡。
- 使合作伙伴协作结构化，而不是混乱：早期定义核心和合作伙伴边界，设置与项目风险配置文件匹配的数据共享规则，利用 AI 进行数据分类、建议访问控制和标记过度共享。
此外，还需要在价值链的各个环节进行协调，包括工程、采购、制造、销售和营销、售后和服务以及供应商合作。通过建立基于云的数字核心和单一数据访问源，利用 AI 将传统知识转化为连接的、决策就绪的证据，并重新设计工程和价值链中工作的流程，企业可以将工程部门从成本中心转变为有弹性的、AI 赋能的增长引擎。
根据访谈和跨行业分析，到 2030 年，最好的工程组织将凭借其快速和经济性赢得竞争，即他们能够多快、多经济地推出新产品并在不牺牲安全、质量、成本纪律或合规性的情况下持续改进产品。
