Ai na fábrica do futuro

Inteligência artificial (IA) é um tema quente em tecnologia de negócios, e as empresas industriais prestaram atenção. Implantando a combinação certa de Tecnologias AI , os produtores podem aumentar a eficiência, melhorar a flexibilidade, acelerar processos e até permitir operações auto-otimizadoras. Uma análise BCG constatou que o uso da IA ​​pode reduzir os custos de conversão dos produtores em até 20%, com até 70% da redução de custo resultante da maior produtividade da força de trabalho. Os produtores podem gerar vendas adicionais usando a IA para desenvolver e produzir produtos inovadores adaptados a clientes específicos e entregá-los com um prazo muito mais curto. A IA é, portanto, parte integrante da fábrica do futuro, na qual a tecnologia aumentará a flexibilidade das estruturas e processos vegetais. (Ver A fábrica do futuro , BCG Focus, dezembro de 2016.)

Não é de surpreender que as empresas em todo o mundo e entre as indústrias estejam explorando a possibilidade de aplicar a IA em suas operações. No entanto, alguns executivos permanecem céticos em que a IA possa oferecer seus benefícios prometidos. Para entender melhor as oportunidades e desafios, o Boston Consulting Group examinou recentemente as expectativas para a IA e o status da adoção de IA em operações industriais. (Veja a barra lateral.) No geral, descobrimos que os produtores esperam que a IA se torne uma alavanca crucial para melhorar a produtividade. Mas a implementação não acompanhou as expectativas, em grande parte porque muitas empresas não possuem os quatro principais facilitadores da IA: uma estratégia (incluindo um roteiro abrangente), um modelo de governança para implementação, competências relevantes dos funcionários e uma infraestrutura de TI de suporte, em março. Pesquisa de empresas para avaliar seu progresso na adoção da IA ​​em operações industriais, que definimos como processos principais de transformação dos produtores, incluindo produção e funções relacionadas, como manutenção, qualidade do produto e logística. A pesquisa também abordou o gerenciamento de engenharia e cadeia de suprimentos. Os participantes estavam baseados na Áustria, Canadá, China, França, Alemanha, Índia, Japão, México, Polônia, Cingapura, Reino Unido e EUA. 

BCG’s study focused on the results of a global survey of more than 1,000 executives and managers from a multitude of producing industries. (See the sidebar.) Overall, we found that producers expect AI to become a crucial lever for improving productivity. But implementation has not kept pace with expectations, in large part because many companies lack the four key enablers of AI: a strategy (including a comprehensive roadmap), a governance model for implementation, relevant employee competencies, and a supporting IT infrastructure.

The survey revealed that transportation and logistics, automotive, and technology companies are at the forefront of AI adoption, while process industries (such as chemicals) lag behind. Companies in the US, China, and India have taken an impressive lead in adoption over their counterparts in such countries as Japan, France, and Germany. The differences in speed of AI adoption across countries reflect different expectations regarding AI’s benefits. 

Enquanto empresas em nações emergentes como a China tendem a ficar entusiasmadas com esses benefícios, aquelas em muitas nações industrializadas, como a Alemanha, têm uma visão mais conservadora. Como as empresas alemãs também ficaram para trás no desenvolvimento de planos detalhados para a adoção da IA, seu status de retardatários provavelmente persistirá. Na Alemanha, o setor automotivo está entre os mais avançados na adoção da tecnologia de IA, enquanto as indústrias de processo estão consideravelmente mais longe. A tecnologia por si só não fará isso acontecer. Para explorar todo o potencial da IA, as empresas devem considerar em nível organizacional todos os facilitadores necessários. Ajuda os produtores a decidir sobre a melhor sequência de ações para alcançar objetivos e permite que eles gerenciem remotamente as operações em tempo real. (Consulte a barra lateral.)

The survey results indicate that industrial producers must significantly ramp up their implementation efforts if they are to achieve their ambitions for AI. Technology alone will not make it happen. To tap into the full potential of AI, companies must consider at an organizational level all of the necessary enablers.

AI Will Transform Operations

AI gives computers and machines the ability to perform tasks in a smart way. It helps producers decide on the best sequence of actions to achieve goals, and it enables them to remotely manage operations in real time. (See the sidebar.) 

Many industry leaders expect AI to transform processes along the value chain from end to end, including engineering, procurement, supply chain management, industrial operations (production and related functions), marketing, sales, and customer service. In a recent study, executives of industrial companies cited operations as the company area likely to be most affected by AI. (See Remodelando os negócios com inteligência artificial , um relatório da BCG e MIT Sloan Management Review, outono de 2017.)

AIGE AUGUES, Em vez de substituir, as alavancas existentes que os produtores aplicam para melhorar continuamente a produtividade. Está entre os principais blocos de construção tecnológicos da indústria 4.0. (Ver Indústria 4.0: O futuro da produtividade e crescimento nas indústrias de manufatura , BCG Focus, abril de 2015.) Além disso, os produtores podem usar a IA para aprimorar as alavancas tradicionais de eficiência, como automação e gerenciamento enxuto. (Ver Quando Lean atende à indústria 4.0: o próximo nível de excelência operacional , BCG Focus, dezembro de 2017.) Por exemplo, identificando as causas radiculares de problemas de qualidade e, assim, ajudando a eliminar defeitos, a IA apóia os esforços de gerenciamento magra para reduzir o desperdício. De fato, 40% dos participantes do nosso estudo esperam que a IA se torne um fator muito importante da melhoria da produtividade em 2030, contra 29% que consideram muito importante para a melhoria da produtividade hoje. (Consulte o Anexo 1.)

AI adoption will significantly alter the composition of the workforce, lowering conversion costs as it reduces the need for manual activities in production processes. For example, tasks related to quality control that today require intensive human ­involvement will be highly automated and have extensive AI support. But even as existing jobs are eliminated, new job opportunities requiring skills complementary to AI will arise. Overall, survey participants showed a slight bias toward expecting that AI’s net effect will be a reduction in the total workforce. 

As expectativas variaram significativamente de um país para outro. Por exemplo, os participantes da pesquisa de empresas chinesas acreditam que a adoção da IA ​​reduzirá significativamente sua força de trabalho total (refletindo a substituição da tecnologia por trabalhadores com baixa qualificação), enquanto aqueles de empresas alemãs esperam pequenas, se houver, reduções em sua força de trabalho mais altamente qualificada. 

Os casos de uso para ai

AI representa uma mudança de paradigma para a fábrica. A fábrica de hoje automatiza processos e máquinas por meio de uma abordagem baseada em regras, e a programação de robótica de hoje aborda um conjunto fixo de cenários. Por outro lado, a fábrica do futuro usará o suporte de IA para automatizar processos e máquinas para responder a situações desconhecidas ou inesperadas, tomando decisões inteligentes. Como resultado, os sistemas técnicos serão mais flexíveis e adaptáveis. Por exemplo, sob uma abordagem baseada em regras, um robô não pode identificar e selecionar as peças necessárias em uma caixa de peças não classificadas, porque não possui a programação detalhada necessária para lidar com as inúmeras orientações possíveis das peças. Por outro lado, um robô apoiado pela IA pode escolher peças desejadas de uma massa não classificada, independentemente de sua orientação. Entre os participantes da pesquisa, 37% classificaram a produção como a área de operações de fábrica nas quais a IA é a alavanca mais importante para a melhoria da produtividade, enquanto 25% classificaram a qualidade mais alta e 12% escolheram logística. Consistente com essas descobertas, as empresas consideram os casos de uso de IA mais importantes serem máquinas de otimização, detecção de defeitos de qualidade e previsão de perdas de eficiência. Embora as empresas individuais encontrem diferentes casos de uso especialmente valiosos, os produtores podem obter benefícios completos apenas aplicando IA e integrando pools de dados nas funções e com fornecedores e clientes.

Various AI use cases involve improving productivity across major areas of operations, both outside and inside the factory walls. Among survey participants, 37% rated production as the area of factory operations in which AI is the most important lever for productivity improvement, while 25% rated quality highest and 12% chose logistics. Consistent with those findings, companies regard the most important AI use cases to be self-optimizing machines, detection of quality defects, and prediction of efficiency losses. Although individual companies will find different use cases especially valuable, producers can achieve full benefits only by applying AI and integrating data pools across functions, and with suppliers and customers.

fora da fábrica. AI para promover os esforços de P&D que otimizam os projetos, melhoram a capacidade de resposta à demanda e expectativas dos clientes e simplificam a produção. A IA suporta o design generativo do produto, no qual os algoritmos exploram todas as soluções de design possíveis com base em metas e restrições definidas. Através de testes e aprendizagem iterativos, os algoritmos de IA otimizam os projetos e sugerem soluções que podem parecer não convencionais para a mente humana. Algumas empresas aeroespaciais estão usando design generativo para desenvolver peças de aeronaves com designs completamente novos, como estruturas biônicas que fornecem a mesma funcionalidade que os projetos convencionais, mas pesam significativamente menos.  Outside the factory walls, engineering and supply chain management are the most important operational areas in which to apply AI:

• Engineering. Producers can use AI to promote R&D efforts that optimize designs, improve responsiveness to customer demand and expectations, and simplify production. AI supports generative product design, in which algorithms explore all possible design solutions on the basis of defined goals and constraints. Through iterative testing and learning, AI algorithms optimize designs and suggest solutions that may appear unconventional to the human mind. Some aerospace companies are using generative design to develop aircraft parts with completely new designs, such as bionic structures that provide the same functionality as conventional designs but weigh significantly less. 
• Gerenciamento da cadeia de suprimentos. Ao antecipar melhor mudanças na demanda, as empresas podem ajustar eficientemente os programas de produção e melhorar a utilização da fábrica. A IA suporta a previsão da demanda do cliente analisando e aprendendo com dados relacionados a lançamentos de produtos, informações da mídia e condições climáticas. Algumas empresas usam algoritmos de aprendizado de máquina para identificar padrões de demanda, consolidando dados de sistemas de planejamento de recursos e recursos corporativos (ERP) com insights de clientes.  Demand forecasting is a key topic for applying AI within supply chain management. By better anticipating changes in demand, companies can efficiently adjust production programs and improve factory utilization. AI supports forecasting of customer demand by analyzing and learning from data related to product launches, media information, and weather conditions. Some companies use machine-learning algorithms to identify demand patterns by consolidating data from warehousing and enterprise resource planning (ERP) systems with customer insights. 

Dentro da fábrica. Em todos os ambientes, os produtores usarão a IA para reduzir o custo e aumentar a velocidade, aumentando assim a produtividade. Eles também o usarão para melhorar a flexibilidade e lidar com a complexidade da produção-por exemplo, na fabricação de produtos específicos do cliente. A IA permitirá que máquinas e unidades se tornem sistemas auto-otimizados que ajustam seus parâmetros em tempo real, analisando e aprendendo continuamente com dados atuais e históricos. Alguns produtores de aço já estão usando a IA para permitir que os fornos otimizem autonomamente suas configurações. A IA analisa a composição material da ingestão de ferro e identifica a temperatura mais baixa para condições estáveis ​​do processo, reduzindo assim o consumo geral de energia. Em outro caso de uso importante na produção, os robôs aprimorados com recursos inteligentes de reconhecimento de imagem poderão captar peças não classificadas em locais indefinidos, como de uma lixeira ou correia transportadora. Os primeiros aplicativos já estão disponíveis, por exemplo, na indústria automotiva.  Inside the factory walls, AI will bring various benefits to production and to such support functions as maintenance, quality, and logistics:

• Production. Our study covered the full range of production environments, including continuous processes (such as those for producing chemicals and building materials) and discrete production (such as assembly tasks). In all environments, producers will use AI to reduce cost and increase speed, thereby boosting productivity. They will also use it to improve flexibility and cope with the complexity of production—for example, in manufacturing customer-specific products. AI will enable machines and units to become self-optimized systems that adjust their parameters in real time by continuously analyzing and learning from current and historical data. Already, some steel producers are using AI to enable furnaces to autonomously optimize their settings. AI analyzes the material composition of iron intake and identifies the lowest temperature for stable process conditions, thereby reducing overall energy consumption. In another important use case in production, robots enhanced with intelligent image-recognition capabilities will be able to pick up unsorted parts in undefined locations, such as from a bin or a conveyor belt. First applications are already available in, for example, the automotive industry. 
• MANUTENÇÃO. A IA suporta manutenção preditiva - por exemplo, evitando avarias substituindo as peças gastas com base em sua condição real. A IA analisará e aprenderá continuamente com dados que as máquinas e unidades (por exemplo, dados do sensor e mix de produtos) geram. Essa tecnologia beneficiará especialmente as indústrias de processos, onde as avarias levarão a vendas perdidas. Por exemplo, algumas refinarias de petróleo implementaram modelos de aprendizado de máquina que estimam o tempo restante antes das falhas do equipamento. Os modelos consideram mais de 1.000 variáveis ​​relacionadas à entrada de material, saída do material, parâmetros de processo e condições climáticas.  Producers will use AI to reduce equipment breakdowns and increase asset utilization. AI supports predictive maintenance—for example, avoiding breakdowns by replacing worn parts on the basis of their actual condition. AI will continuously analyze and learn from data that machines and units (for example, sensor data and product mix) generate. This technology will especially benefit process industries, where breakdowns lead to lost sales. For example, some oil refineries have implemented machine-learning models that estimate the remaining time before equipment failures. The models consider more than 1,000 variables related to material input, material output, process parameters, and weather conditions. 
• Qualidade. Os produtores podem usar a IA para ajudar a detectar problemas de qualidade o mais cedo possível. Os sistemas de visão usam a tecnologia de reconhecimento de imagem para identificar defeitos e desvios nos recursos do produto. Como esses sistemas podem aprender continuamente, seu desempenho melhora com o tempo. Os fornecedores automotivos começaram a usar sistemas de visão com algoritmos de aprendizado de máquina para identificar peças com problemas de qualidade, incluindo defeitos não contidos no conjunto de dados usado para treinar o algoritmo. A IA também pode analisar e aprender continuamente com os dados gerados pelas máquinas e pelo ambiente de produção. Por exemplo, a IA pode comparar as configurações da máquina de perfuração com as propriedades e o comportamento do material para prever o risco de que a perfuração exceda os níveis de tolerância. 
• Logística. A IA permitirá o movimento autônomo e o fornecimento eficiente de material dentro da planta, essencial para gerenciar a crescente complexidade que vem com a criação de várias variantes de produtos e produtos contornados pelo cliente. Veículos autônomos que transportam itens dentro da fábrica e armazém usarão a IA para sentir obstáculos e ajustar o curso dos veículos para alcançar a rota ideal. Os produtores de equipamentos de saúde começaram a usar veículos autônomos em seus centros de reparo. Sem depender da orientação de tiras magnéticas ou transportadores, os veículos podem parar se encontrarem obstáculos e, em seguida, determinarem autonomamente a melhor rota. Os algoritmos de aprendizado de máquina usarão dados de logística-como dados sobre saída e entrada de material, níveis de estoque e taxas de giro de peças-para permitir que os armazéns otimizem suas operações. Por exemplo, um algoritmo poderia recomendar mover peças de baixa demanda para locais mais remotos e mover peças de alta demanda para áreas próximas para acesso mais rápido.  Our study focused on in-plant logistics and warehousing, rather than on logistics along the external supply chain. AI will enable autonomous movement and efficient supply of material within the plant, which is essential to managing the growing complexity that comes with making multiple product variants and customer-tailored products. Self-driving vehicles that transport items within the plant and warehouse will use AI to sense obstacles and adjust the vehicles’ course to achieve the optimal route. Producers of health care equipment have begun using self-driving vehicles in their repair centers. Without relying on guidance from magnetic strips or conveyors, the vehicles can stop if they encounter obstacles and then autonomously determine the best route. Machine learning algorithms will use logistics data—such as data on outflow and inflow of material, inventory levels, and turn rates of parts—to enable warehouses to self-optimize their operations. For example, an algorithm could recommend moving low-demand parts to more remote locations and moving high-demand parts to nearby areas for faster access. 

Alguns casos de uso de IA se aplicam a mais de uma área de operações. Por exemplo, agentes virtuais capazes de geração e processamento de idiomas (semelhantes aos Siri da Apple e Alexa da Amazon) fornecerão às operadoras informações específicas de contexto que emanam dos sistemas de TI. Algumas empresas já estão usando sistemas de pick-by-voz para lidar com operações de colheita, embalagem, recebimento e reabastecimento. Nessas aplicações, um sistema de voz conectado à lista de materiais no sistema ERP direciona um operador para o compartimento correto. 

Os sistemas AI sugerirão soluções para incidentes (como quebras de máquinas, desvios de qualidade e perdas de desempenho) com base em relatórios de incidentes (por exemplo, fotografias e relatórios escritos), dos quais analisam e aprendem continuamente. Os fabricantes de aeronaves implementaram um algoritmo de auto-aprendizagem que usa relatórios de incidentes para identificar padrões nos problemas de produção e, em seguida, combina incidentes atuais com incidentes anteriores semelhantes e propõe soluções. 

Entre os participantes do estudo, as expectativas de que cada um dos casos de uso mencionado acima se tornará muito importante até 2030 variou de 81% a 88%, mas a crença de que a capacidade já havia sido totalmente implementada em várias áreas de produção era bastante baixa (6% a 8%). O Anexo 2 fornece uma visão geral dos casos de uso que os participantes da pesquisa classificaram como mais importantes para a fábrica do futuro. 

O intervalo entre a ambição e a realidade

Muitas empresas planejam implementar em breve, mas o nosso estudo encontrou aqueles que estão em China, e a Índia, e a realidade, e a realidade e a realidade e a realidade e a realidade e a realidade e a realidade e a realidade e a realidade do que a realidade e a realidade do que a realidade e o que há de um pouco mais de um pouco de ambição e realidade e a realidade é o que há de um pouco de ambição e realidade e a realidade e a realidade do que a realidade e a realidade do que o mais, o que está no meio do que o mais, o que está no meio do que o que está no meio do que o que está no meio do que o que é o que há de um pouco de realidade. AI em produção. Entre as indústrias discretas pesquisadas, os cuidados de saúde e a energia são os mais ambiciosos no curto prazo; As indústrias de processo e os produtos projetados tendem a ser menos. 

A maioria das empresas que participaram de nosso estudo disse que consideram a IA cada vez mais importante. No entanto, seus investimentos, planejamento e implementação ainda não correspondem às suas ambições. Embora 87% dos participantes do estudo tenham dito que planejam implementar a IA em produção nos próximos três anos, apenas 28% estabeleceram um roteiro abrangente de implementação. Os 72% restantes das empresas carecem de planos detalhados: 32% estão testando casos de uso selecionados, 27% têm apenas idéias preliminares e 13% deprenderam a IA ou ainda não a consideravam. 

O grau limitado de implementação reflete um déficit no planejamento abrangente, revelando uma grande lacuna entre ambição e realidade. No passado, apenas cerca de 50% das empresas atingiram suas metas ao implementar casos de uso de IA. Portanto, não é de surpreender que apenas 16% das empresas tenham implementado totalmente mais de um caso de uso de IA em várias áreas vegetais hoje - uma conquista que, sob as definições que usamos, as qualifica como adotantes iniciais. Para os 12 países incluídos em nosso estudo, as porcentagens de empresas de adoção precoce são mais altas nos EUA (25%), China (23%) e Índia (19%) e mais baixa no Japão (11%), Cingapura (10%) e França (10%). (Ver Anexo 3.) Entre as empresas alemãs pesquisadas, apenas 15% são os primeiros a adotar. 

O alto nível de adoção entre as empresas dos EUA provavelmente reflete a disponibilidade generalizada da tecnologia AI lá. Mesmo assim, a China ultrapassou os EUA no financiamento da IA ​​e, no ano passado, representou quase metade do investimento global em startups de IA. Também em 2017, o Conselho de Estado da China emitiu um plano de desenvolvimento de inteligência artificial de próxima geração, estabelecendo uma estratégia de desenvolvimento em três estágios para alcançar a preeminência da IA ​​até 2030; E o governo municipal de Tianjin, perto de Pequim, anunciou um fundo de US $ 5 bilhões para apoiar a indústria da IA. Outras nações emergentes, como a Índia, consideram a adoção da IA ​​como essencial para manter suas indústrias produtoras internacionalmente competitivas e fizeram grandes investimentos na IA. Por outro lado, algumas nações industrializadas, como o Japão, permanecem focadas nas alavancas convencionais (por exemplo, manufatura enxuta) que promoveram sua competitividade no passado. (Veja o Anexo 4.) Essas diferenças refletem os diferentes pontos de partida e afinidades das indústrias para digitalização. Não é de surpreender que as empresas automotivas e de tecnologia estejam entre as mais avançadas. Outras indústrias ainda não aprenderam muitas das táticas digitais que se tornaram partes integrais da cadeia de valor dessas indústrias ao longo dos anos. As pequenas empresas têm menos probabilidade do que as grandes empresas de serem adotantes antecipados - talvez porque as empresas menores tendam a ter orçamentos menores e menos recursos para se dedicar à adoção da IA. Embora os recentes avanços na tecnologia e os custos decrescentes do armazenamento e processamento de dados diminuam o limite para o financiamento dos investimentos na IA, é provável que a lacuna geral de capacidade persista.

Among the eight industries that our study focused on, transportation and logistics (21%), and automotive (20%) have the highest share of companies that are early adopters, while engineered products (15%) and process industries (13%) lag behind. (See Exhibit 4.) These differences reflect the industries’ different starting points and affinities for digitization. It is not surprising that automotive and technology companies are among the most advanced. Other industries have yet to learn many of the digital tactics that have become integral parts of those industries’ value chain over the years.

The number of people that a company employs also affects its AI implementation. Small businesses are less likely than large businesses to be early adopters—perhaps because smaller companies tend to have smaller budgets and fewer capabilities to dedicate to AI adoption. Although recent advances in technology and the decreasing costs of data storage and data processing will lower the threshold for funding investments in AI, the overall capability gap is likely to persist.

Fechando a lacuna

Quatro facilitadores são críticos para a implementação bem -sucedida da IA ​​em operações: estratégia e roteiro, modelo de governança, competências de funcionários e infraestrutura de TI. Os primeiros adotantes fizeram progressos significativamente maiores do que as empresas retardatárias para tornar os facilitadores da IA ​​totalmente funcionais. (Consulte o Anexo 5.)

Estratégia e roteiro. A estratégia de IA deve se concentrar nos casos de uso mais valiosos - aqueles que abordam as necessidades e desafios de negócios específicos da empresa - e alinham -os à estratégia digital geral da empresa. Uma empresa também precisa de um roteiro de implementação claro que estabeleça casos de negócios e metas mensuráveis ​​para investimentos. Os participantes da pesquisa classificaram ter uma estratégia de IA clara para operações como o facilitador mais importante.  In order to provide direction and guidance for all of its AI implementation activities, a company needs to have a clear strategy. The AI strategy should focus on the most valuable use cases—those that address the company’s specific business needs and challenges—and align them with the company’s overall digital strategy. A company also needs a clear implementation roadmap that establishes business cases and measurable targets for investments. Survey participants rated having a clear AI strategy for operations as the most important enabler. 

Modelo de governança. A alta gerência deve usar comunicações estruturadas para garantir uma compreensão clara da IA ​​dentro da organização. A Companhia deve estabelecer funções e responsabilidades claras para a implementação da IA ​​e elaborar uma estrutura organizacional clara. Colaboração e comunicação eficientes nas funções relevantes são essenciais para superar a resistência cultural à aplicação da IA.  A visible commitment by management is critical to realizing potential improvement. Top management should use structured communications to ensure a clear understanding of AI within the organization. The company should establish clear roles and responsibilities for AI implementation and devise a clear organizational structure. Efficient collaboration and communication across the relevant functions are essential to overcoming cultural resistance to applying AI. 

Competências dos funcionários. Uma empresa deve ter uma idéia clara dos conjuntos de habilidades necessários e deve avaliar as lacunas entre essas necessidades e as habilidades que seus funcionários atualmente possuem.  To adopt AI—and digitization in general—a company must have employees with strong skills in programming, data management, and analytics, among other competencies. A company should have a clear idea of the skill sets it requires and should assess the gaps between those needs and the skills its employees currently possess. 

Para tópicos como entender o básico da IA ​​em operações, os funcionários podem obter as habilidades necessárias através de programas de treinamento, dentro ou fora da empresa. Para tópicos que exigem um curso de estudo mais formal relacionado à TI, como análises avançadas, a empresa deve contratar novos tipos de trabalhadores, incluindo cientistas de dados. 

Entre os participantes do estudo, 93% relataram não ter competências suficientes disponíveis em sua empresa para implementar a IA em operações. Mais de um em cada quatro (29%) disse que sua empresa aumentou o número de funcionários dedicados à IA e quase metade (47%) esperava que o número aumentasse nos próximos anos. 

Infraestrutura de TI. A cibersegurança é outra preocupação importante dos profissionais que trabalham com a IA e a indústria 4.0 em geral.  The interoperability of legacy IT systems and machinery equipment, promoted by application programming interfaces and network standards, is crucial to the success of AI implementation. Cybersecurity is another important concern of practitioners working with AI and Industry 4.0 generally. 

Ao implementar a IA, uma empresa deve considerar a adoção de um modo de trabalho ágil que permita ajustar sua estratégia e roteiro à medida que seus requisitos mudam. Ao aplicar a tecnologia de IA, a empresa deve adotar uma abordagem de produção de falha, mínima e viável, na qual testa novas idéias em pequena escala e depois as refina em iterações rápidas antes de se comprometer com um lançamento em larga escala. Os primeiros adotantes são mais propensos do que os retardatários a empregar esse modo de trabalho ágil. (Veja a barra lateral.)

Getting Started

The study’s findings point to the need for action by both industrial companies and producers of industrial machinery and automation. (See the sidebar.) 

Para recuperar a corrida para implementar a IA, as empresas industriais devem adotar uma abordagem estruturada e em três etapas:

Avaliar o status quo. Como a infraestrutura robusta de TI é essencial para a implementação da IA, a empresa deve avaliar o estado atual de suas operações. Um pré-requisito para a realização de uma avaliação do piso da loja é ter um repositório de tópicos de avaliação e benchmarks disponíveis em dispositivos móveis.  A company should start by evaluating its pain points and AI maturity, and then it should benchmark its current state against that of its peers or against the industry average. Because robust IT infrastructure is essential for AI implementation, the company must assess the current state of its operations IT. One prerequisite to conducting a shop-floor assessment is to have a repository of assessment topics and benchmarks available on mobile devices. 

Estabeleça os facilitadores. Todas as partes interessadas devem se reunir em workshops para discutir os casos de uso em profundidade e determinar quais priorizar para a implementação. Ao avaliar os benefícios financeiros e não financeiros dos casos de uso priorizados, a Companhia deve calcular os casos de negócios para investimento. A contribuição de especialistas de IA que têm experiência em quantificar os benefícios e os investimentos necessários podem ser extremamente valiosos nesta fase. Após identificar os casos de uso prioritário, a empresa pode desenvolver uma imagem de destino para IA em operações e criar um roteiro para implementação. A empresa também precisa comparar as qualificações de sua força de trabalho atual com as necessárias para implementar seus casos de uso de IA e determinar como fechar as lacunas. Além disso, deve definir os requisitos de TI para a implementação de casos de uso e desenvolver um segundo modelo de governança para gerenciamento de dados eficaz e eficiente. Cientistas de dados e especialistas em TI com experiência em IA devem participar da definição dos requisitos.  The company should develop a comprehensive list of AI use cases to address the pain points identified during the health check. All stakeholders should meet in workshops to discuss the use cases in depth and to determine which ones to prioritize for implementation. In assessing the financial and nonfinancial benefits of the prioritized use cases, the company should calculate the business cases for investment. Input from AI experts who have experience in quantifying the benefits and required investments can be extremely valuable at this stage. After identifying the priority use cases, the company can develop a target picture for AI in operations and create a roadmap for implementation.

The company’s governance model should clearly delineate roles and responsibilities for AI implementation and should establish a coherent organizational structure. The company also needs to compare the qualifications of its current workforce with those needed to implement its AI use cases, and determine how to close the gaps. In addition, it should define the IT requirements for use case implementation and develop a second governance model for effective and efficient data management. Data scientists and IT specialists with AI expertise should participate in defining the requirements. 

Teste e escala soluções. Para acelerar o processo, ele deve iniciar seus primeiros programas piloto ao mesmo tempo em que está definindo uma visão e estabelecendo facilitadores. O objetivo de cada piloto deve ser desenvolver rapidamente uma solução mínima viável e, em seguida, através de métodos de desenvolvimento ágil, para melhorar o design do piloto em relação a várias iterações. Ao interagir com os pilotos, os funcionários podem experimentar o toque e a sensação dos casos de uso de IA. Para facilitar os pilotos, a empresa deve ter acesso a ferramentas tecnológicas que permitam impacto rápido, como sensores para monitoramento de ativos e óculos inteligentes. A empresa deve aumentar as soluções que testou com sucesso em pilotos. Finalmente, para alcançar o potencial total da implementação da IA, a Companhia deve implementar soluções integradas em grande escala. Mas muitas empresas não reconheceram que a captura dos benefícios da IA ​​exige mais do que investir em tecnologia. Uma estratégia claramente articulada é um ponto de partida essencial - mas mesmo isso não é suficiente. Uma empresa deve implementar a governança e a infraestrutura de suporte adequadas, e deve reconfigurar e treinar sua força de trabalho. Os produtores que ainda não adotaram uma perspectiva holística sobre a implementação da IA ​​devem aumentar rapidamente seu jogo para alcançar os primeiros a adotar. Daniel Küpper The company should test AI uses cases in specific parts of the plant. To accelerate the process, it should initiate its first pilot programs at the same time that it is defining a vision and establishing enablers. The objective of each pilot should be to quickly develop a minimum viable solution and then, through agile development methods, to improve the pilot’s design over multiple iterations. By interacting with the pilots, employees can experience the touch and feel of AI use cases. To facilitate pilots, the company must have access to technology tools that enable rapid impact, such as sensors for asset monitoring and smart glasses. The company should scale up solutions that it has tested successfully in pilots. Finally, to achieve the full potential of AI implementation, the company should implement integrated solutions at full scale.

---

Our study demonstrates that AI is on the verge of becoming the most important lever for enhancing operational productivity. But many companies have failed to recognize that capturing the benefits of AI requires more than investing in technology. A clearly articulated strategy is an essential starting point—but even that is not sufficient. A company must put appropriate governance and supporting infrastructure in place, and it must reconfigure and retrain its workforce. Producers that have not yet adopted a holistic perspective on AI implementation should quickly raise their game in order to catch up to early adopters.