核心观点
- 增强工程作为 AI 驱动的转型关键，结合了数字连续性和 AI 能力，通过连接产品生命周期中的数据、流程和利益相关者，提升工程效率、质量和合规性。
- 数字连续性仍是企业规模 AI 转型的瓶颈，仅有 6% 的企业实现了端到端的数字连续性。
- AI 采用正在加速，但企业规模的工程转型仍处于早期阶段，仅 17% 的企业实现了工作流编排或端到端集成。
- 增强领导者在数字连续性和 AI 能力方面均表现成熟，实现了系统级的改进，包括合规性、上市时间、成本、人员效率和供应链弹性。
- 工作重心转移：工程师将更多时间用于定义 AI 系统的输入、审查和验证 AI 生成的内容以及做出系统级设计和权衡决策，而重复性任务将逐渐自动化。
- 价值创造：组织将 AI 的能力从成本削减工具转变为增长和竞争力的杠杆，将生产力收益再投资于研发、先进工程和新产品开发。
- 人力资本：约 68% 的工程劳动力需要再培训或技能提升，以适应 AI 环境下的工作需求。
- 人机协作模式：组织正在建立人机协作模式，但方法仍较为零散，风险驱动，而非完全系统化。
- 数据基础：AI 驱动的工程需要支持 AI 就绪的数据、能够进行自主架构设计并从遗留系统中释放价值的数据基础。
- 供应商集成：供应商生态系统仍然高度依赖纸质文档，限制了可见性、配置控制和生命周期学习。
- 闭环工程：制造和服务生命周期中的闭环工程仍然不成熟，只有 4% 的企业完全实施了闭环反馈过程。
- 治理模式：组织在建立治理模型以管理分布式、自主的工程决策方面存在差距，限制了基于代理的 AI 的规模化应用。
关键数据
- 81% 的组织将人才和技能短缺视为重大威胁，但只有 46% 感觉准备好应对。
- 65% 的组织担心如果他们不能快速适应，将失去未来的项目地位、工作份额或接触顶尖工程人才。
- 73% 的组织表示数字连续性支持生产爬坡。
- 78% 的组织将效率自动化和 AI 驱动的决策支持作为优先事项。
- 58% 的组织目标是端到端的工程工作流。
- 57% 的组织专注于新的价值创造和差异化。
- 51% 的组织正在努力实现生命周期集成和协调。
- 47% 的组织明确优先考虑直接工程成本降低。
- 66% 的组织将 AI 视为解决工程人才限制的手段。
- 21% 的组织在数字连续性方面表现相对较强，但在工程 AI 准备方面落后。
- 20% 的组织在工程 AI 能力方面表现突出，但没有足够的连接性基础。
- 49% 的组织属于碎片化运营类别，在两个维度上均进展有限。
- 10% 的组织被认为是增强领导者，在数字连续性和工程 AI 方面均表现出色。
- 40% 的组织表示数字连续性减少了在生产工作流中部署 AI 所需的工作量。
- 15% 的组织报告说，这些决策尚未正式定义，突显了人机交互通常由隐式或临时性做法管理的情况。
研究结论
- 数字连续性是增强工程的基础，它为 AI 提供了必要的环境和数据，以实现可扩展的 AI 应用。
- 组织需要重新设计工程流程，使其围绕人机协作进行，同时建立数字基础、治理机制和协作模式，以在复杂的工程环境中扩展 AI。
- 组织应优先考虑构建权威的工程知识骨干，建立从设计到维护的闭环学习，在决策级工程工作流中实现 AI 的规模化，并围绕人机团队重新设计工程。
- 组织应创建工程决策智能层，建立工程规模 AI 和计算基础，并通过设计嵌入安全、质量、认证、主权和信任。
- 增强工程不仅仅是数字转型的演变，而是工程工作设计、执行、治理和持续改进的新操作系统。
- 数字连续性和 AI 共同作用，才能实现工程系统的持续学习和优化，并为企业创造真正的价值。
