制造商实现人工智能投资回报——现在是时候扩大规模以产生更大的影响

人工智能正在为制造业带来投资回报率，但扩大规模仍然是一个挑战。如果没有更强大的数据和网络基础，进展就会停滞。

作者：Riverbed Technology UKI 首席解决方案工程师 Nic Leszczynski

从车间到供应链，人工智能 (AI) 已经在整个制造过程中带来了可衡量的回报。只要问问 87% 的行业领导者就知道了，他们在 2025 年 Riverbed 全球调查中表示，IT 运营人工智能 (AIOps) 的投资回报率已达到或超出了他们的预期。

然而，挑战在于如何在整个企业范围内扩大这些收益。目前，只有 12% 的人工智能计划在整个制造业得到全面部署，该行业中只有 37% 的组织目前认为已做好大规模实施人工智能的充分准备。这种结构性鸿沟将人工智能描绘成一项正在进行的工作：部分实现，但无法推进完成。

随着工业 4.0 的顺利进行，没有必要证明人工智能能带来回报——数据已经表明它确实有效。尽管它在受控测试中明显有效，但大多数制造商仍在努力在复杂的现实环境中扩大这些优势。在正确的数字基础到位之前，这种情况可能会持续下去。

为什么人工智能优化在制造业中受到阻碍

据德勤称，“智能制造”——利用人工智能来推动预测性维护、质量保证、供应链优化和能源效率监控等工作——已经使产量提高了 10% 至 20%，释放产能提高了 10% 至 15%。因此，净潜力是巨大的，但其可能影响的广度使得扩展人工智能变得复杂。

这是因为智能制造环境依赖于所有设备、机器、设施和物流网络之间可靠且安全的数据流。人工智能模型必须实时摄取、解释这种遥测数据并采取行动——通常跨遗留系统、边缘设备和云平台。决策者还需要能够查看和分析这些信息。

错综复杂或存在瓶颈的数据管道会造成运营压力，而系统行为的可见性有限则使得优化和扩展变得更加困难。在基础设施层面解决这些问题的压力越来越大。

人工智能的性能优势是不可否认的。但由于一系列结构性问题，这些好处的可扩展性难以捉摸。在该技术在整个企业范围内得到采用之前，制造商必须建立支持该技术所需的严格基础设施。新的研究结果更详细地描绘了这种对人工智能准备就绪的追求：

– 91% 的制造商表示人工智能数据移动对其战略至关重要。

– 96% 将网络性能和可靠性作为首要考虑因素。

– 近一半（47% ）对其数据的准确性和完整性缺乏信心。

总而言之，这些数字证明还有很多进展需要取得。如果超过十分之九的领导者认为数据移动和网络性能至关重要，那么人工智能的集成就取决于为快速、可靠地移动数据而构建的基础设施。但与此同时，近二分之一的组织并不完全信任正在移动的数据。必须解决这两个问题，以避免投资适得其反。

虽然制造商清楚地了解人工智能需要什么才能蓬勃发展，但许多制造商仍然在数字基础上运营，这些基础还不够强大和灵活，无法大规模适应人工智能。再加上多种可观察性工具造成的碎片化，很明显为什么支持生产运营的系统无法超越概念验证计划。

在组织层面上，人工智能的成功将取决于数据的质量、数据移动的速度以及团队在承载数据的系统中的透明度。因此，在投资全面部署之前，制造商势在必行：

– 将网络性能和数据流视为战略重点
制造人工智能系统必须在分布式生产环境和互连供应链中运行，所有这些都由大量实时数据驱动。因此，网络性能不再被视为后台 IT 问题。

由于从试点模式到运营模式的转变需要深思熟虑的领导和协调，因此组织需要在数据捕获和移动方式上保持一致。 OpenTelemetry 等框架通过标准化复杂网络中的遥测来帮助实现战略协调，从而创建人工智能在企业范围内集成所需的稳定、高性能的数据骨干。

– 加强数据质量和信任
人工智能模型的有效性取决于它们所消耗的数据。在制造业中，数据是通过一系列活跃来源生成和汇集的，不一致或不准确会带来风险并损害完整性。

– 减少工具蔓延和盲点，以便领导者能够看到绩效差距
由于组织通常运行来自 9 个供应商的 13 个可观察性工具，碎片化仍然是扩展 AI 的主要障碍。虽然这些工具中的每一个都可以解决特定的挑战，但它们的集体重叠会造成重复并限制可见性 - 使得很难理解系统在人工智能驱动的工作负载下如何交互。

这种架构上的紧张是 95% 的制造商正在经历工具整合过程的原因。在此背景下，将其技术堆栈集成到统一的可观察平台中，使全球制造组织能够获得数据驱动且可操作的见解，以提高生产力和绩效。这种取证的清晰度使组织能够充满信心、毫无摩擦地扩展人工智能。

85% 的制造商雄心勃勃地期望到 2028 年为人工智能做好准备。但如果今天只有 37% 的制造商感到做好了充分准备，那么该时间表的可行性将取决于组织能够以多快的速度缩小准备差距。

在接下来的几年里，人工智能将比现在更加深入地嵌入——它对生产线、供应链和决策过程的影响只会给遥测和可观测性的效率带来额外的压力。

显而易见的是，现在投资于全保真数据和全栈可视性的制造商，同时也调整其战略原则来预测工业 4.0 的新需求，将最有能力将其成功的人工智能试点转变为持续的运营和商业优势。

Nic Leszczynski 是 Riverbed Technology 的 UKI 首席解决方案工程师。

自动化控制系统