秒表威胁制造业复兴的未来
近25年前，我在通用汽车（GM）的工厂车间开启了职业生涯，曾在高度自动化的车身车间和以人为核心的总装线都工作过。我很快发现：机器人流程通过以太网无缝传输数据，而人工活动却必须由工业工程师用秒表手工记录——这是福特T型车时代弗雷德里克·泰勒开创的技术。这种反差极其鲜明：现代工业时代正与已有75年历史的数据收集方法发生冲突。
如今，我仍会走上总装线，看到年轻工程师在做时间研究。工具从卡西欧手表进化到iPhone，但做法未变，这种严重过时的方法正阻碍进步。时间动作研究曾推动美国制造业登上世界巅峰；在工业物联网（IIoT）时代，它们却深陷缺陷。
聚焦上市时间与生产率
美国制造业正经历复兴，扩张速度为2004年以来最快。2017年，因回流投资和外商直接投资，17.1万个岗位回流美国。市场准入是关键驱动力：“回流关乎上市时间，”埃森哲高级顾问本·史密斯说。“现代制造商可能更倾向于在全国建15家小型工厂以贴近市场，将重心从成本转向生产率。”
业界共识认为IIoT将成为生产率增长的主引擎。埃森哲预测它是本十年最大的生产率驱动力，而GE Digital估算每年可带来约8.6万亿美元的绩效增益。然而工厂创造的大部分价值来自人——波士顿咨询集团报告称，车间高达90%的任务由人完成。仅优化机器只能捕捉真实活动的一小部分。
上市时间撞上数据获取时间
SRI International商业研发副总裁彼得·马尔科图利奥指出：“仅有极小比例任务由机器执行。”因此仅给机器加装传感器只能捕获一小部分流程。IIoT在传统时间研究的耗时内可产生50GB机器数据，但设备优化与整厂生产率的关联依然微弱。每日排班、产出预测、作业成本核算和报价决策都依赖人工生成的数据，这些数据同时驱动营收与利润。
不完整且不可靠的数据集
时间研究有两大弊端：数据量有限、可靠性存疑。工程师通常每工位仅取样十次操作——不足以涵盖操作员差异、星期、发薪周期或工时疲劳等情境因素。这种稀疏数据无法建立稳健的相关性或因果关系。
此外，观察行为本身会改变表现。受海森堡不确定性原理启发，部分工人在被观察时会加快或放慢节奏，且起止点定义不一致进一步损害准确性。因此时间研究产出的测量值存疑，可能误导操作员和管理者。
现代工厂缺了什么？
现代工厂缺乏可扩展的实时以人为中心的数据。现场巡视、仪表化光幕和防呆系统虽能捕获部分人工活动，但数据量太低，难以支撑有意义的分析。Benhamou Global Ventures合伙人阿尼克·博斯解释：“制造商召集工人和管理者头脑风暴，但无实时数据，只能依赖手工、临时的方法。”没有可靠的人工生产率指标，工厂就无法改进创造主要价值的资源。
马歇尔·戈德史密斯名言：“带你来此的方法，带不了你去彼岸。”时间研究方法推动我们登上制造业高峰，但已不足以通过提升人工生产率来加速上市。是时候退休秒表，在工厂车间拥抱数据驱动、AI增强的人机协作了。
作者简介
Prasad Akella博士曾领导团队在GM打造全球首台协作机器人。他是Drishti公司CEO，致力于部署人工智能与工厂车间的人类协作与增强。
物联网技术