制造业AI规模化落地遇瓶颈 治理与投资决策成关键

制造业围绕AI的讨论已渐趋重复，但对许多制造企业而言，从受控环境中成功运行的概念验证，到能够在整个企业范围内大规模自主运行的AI，两者之间仍存在一道难以跨越的鸿沟。这道鸿沟并非技术问题。《全球AI与数据趋势调查》覆盖全球2050位企业高管，其中包括288位制造业高管，结果显示52%的制造企业已在核心供应链和运营环节部署了实际运行的AI，技术已证明自身价值，真正难以解决的是规模化扩展、治理文化认知以及投资提案获批等执行层面的问题。

在制造企业迈向自主运营过程中面临的三大执行挑战中，治理最容易受到误解。企业往往本能地将治理视为合规成本，而非提升竞争力的杠杆，这种认知差异区分了能够实现规模化的制造企业和停滞不前的企业。Penske Logistics曾构建一个由AI驱动的拖车智能分析模型，各项技术指标运行良好，但项目最终陷入停滞，原因并非技术故障，而是在试点启动之前，没有人明确界定项目达到什么标准才能进入生产环境。项目陷入试点困境，很少是因为工程技术失败，几乎总是因为各方未能就业务成果、数据就绪程度以及投资如何影响企业损益达成一致。

在大多数行业，影子AI通常源于对技术审批流程缓慢的不满，但制造业的情况有所不同。调查中只有46%的制造业受访者将审批缓慢归因于使用影子AI工具的动因，其他受访行业这一比例为53%。这一差异反映了制造业围绕合规与实体安全建立的零失误理念。具有前瞻性的制造业领导者正意识到，只要加以正确引导，这种理念可以转化为竞争优势：当制造企业建立统一且受治理的数据基础，将IT、OT和物联网数据整合在一致的访问控制机制之下时，原本用于防范风险的安全护栏便成为推动创新的通行证。

半导体制造商Wolfspeed建立了这样一套框架。该公司洁净室晶圆厂全天候运行，任何一分钟的计划外停机都会侵蚀利润。通过将原始运营数据输入基于Snowflake构建的定制AI智能体，Wolfspeed将原本需要在多个系统间反复核对的运营分析流程大幅简化，在保障数据安全的同时提升了决策效率。