As empresas industriais podem consertar seus motores AI?

Quando se trata de Inteligência Artificial (AI), existem essencialmente dois tipos de empresas industriais: aqueles que hesitaram em se comprometer com os programas de IA e aqueles que fizeram investimentos significativos apenas para ficar insatisfeitos com os resultados. Os do segundo grupo não estão sozinhos. UM 2020 MIT Sloan/BCG Survey descobriram que cerca de 70% das empresas em todos os setores haviam pilotado ou implantado soluções de IA; Dessas empresas, apenas cerca de 10% relataram ganhos significativos de projetos de IA. Mas o

For companies in the industrial sector—manufacturers of materials and heavy equipment, automotive OEMs and the like, and companies in subcategories like transport and logistics—this period of scattered and frustrating AI uptake might have continued for some time. But the A pandemia mudou completamente a paisagem . Para permanecer lucrativo durante o que promete ser uma recuperação econômica global longa e instável, as empresas industriais procurarão aumentar bastante a eficiência, reduzirão as despesas operacionais e melhorarão processos e produtos acelerando a digitalização operacional - incluindo a adoção de executivos avançados e IA. em

This is no secret to industry executives; in Outra pesquisa recente do BCG , 85% de Mercados industriais As empresas disseram que a transformação digital assumirá uma maior urgência após a pandemia. Com os esforços de digitalização esquentando entre seus concorrentes - e com as tecnologias associadas que avançam em um ritmo vertiginoso - as empresas industriais devem atuar agora na IA. Mas primeiro, eles precisam entender por que esses esforços falharam no passado. A pesquisa do BCG constatou que, entre as empresas industriais, apenas 34% disseram

Taking a Second Look at AI

While a few industrial companies can aptly be termed AI success stories, they are rare. The BCG survey found that, among industrial firms, only 34% said their Transformações digitais - De que alguma forma de IA é cada vez mais um elemento crítico - consome seus objetivos. Normalmente, as iniciativas de IA foram lideradas por especialistas técnicos, os especialistas se concentraram no que são mais apaixonados: brincar com os mais recentes recursos digitais de alta potência. As unidades de negócios, por sua vez, são frequentemente solicitadas a adaptar seus processos a aplicativos de IA recém -desenvolvidos, em vez de criar os aplicativos em conjunto com os usuários para atender às necessidades imediatas dos negócios. No processo, o poder que a IA poderia trazer para esforços estratégicos específicos - onde o valor real e o potencial de crescimento residem - geralmente se torna uma consideração secundária.

The limited returns from AI may puzzle some industrial company executives, but there are logical reasons for it. Typically, AI initiatives have been led by technical specialists, experts focused on what they’re most passionate about: toying with the latest high-powered digital features. Business units, in turn, are too often asked to tailor their processes to newly developed AI applications, rather than having the applications created in tandem with users to address immediate business needs. In the process, the power that AI could bring to specific strategic efforts—where real value and growth potential reside—often becomes a secondary consideration.

Não surpreendentemente, a resistência organizacional à IA é abundante e a cultura se separa cada vez mais dos lados técnicos e de negócios das empresas - sustentando o potencial da IA ​​para melhorar os processos e o desempenho dos negócios. Entre os ganhos que os aplicativos de IA podem oferecer estão as melhorias na resiliência da cadeia de suprimentos usando modelos preditivos e transparência de ponta a ponta; melhor eficiência de fabricação por meio de automação de fábrica e colaboração de pessoa/máquina; qualidade e recursos aprimorados do produto; definição de preços mais eficaz usando dados do cliente; e removendo o atrito das interações do cliente, para citar alguns. Acreditamos que três equívocos comuns estão dificultando as chances das empresas de aplicativos de IA bem -sucedidos. (Consulte o Anexo 1.)

To unlock these benefits, players in the industrial sector must overcome their own resistance to AI. We believe that three common misconceptions are hampering companies’ chances for successful AI applications. (See Exhibit 1.)

“We’re not ready for AI.” It’s easy to find reasons not to launch an artificial intelligence program. Some companies avoid AI because they mistakenly believe such an initiative has to be perfect from the start, accounting for all complexities and special cases—a large-scale, all-encompassing effort with no incremental steps. Others assume they don’t have enough data, or data of sufficient quality, to power AI; these companies worry that their factory sensors may not be distributed widely enough, or that they lack access to the kinds of external information needed to enable useful advanced analytics. And some companies fear their networks cannot handle a modern AI system.

These concerns are understandable, but they are overblown. Many of the best AI implementations start small, expanding further into the business as the application proves its value. As for data issues, in our experience industrial companies usually have large enough data assets to make a performance step change with AI in their corporate networks—although the data might not be easily accessible or coherently organized. Moreover, the process of developing an AI solution would help determine the required IT infrastructure and point out any shortcomings in data management and usage.

Enquanto isso, há enormes desvantagens para adiar os esforços da IA. Uma empresa que escolhe esperar pelo momento certo para começar - até que, por exemplo, os líderes têm todos os dados que acham que precisam - ficarão mais adiante na digitalização sem ter nada para mostrar. Esse não é um lugar vantajoso para se estar, principalmente quando quase metade dos executivos pesquisados ​​pelo MIT e BCG disseram que percebiam o risco de seus negócios da IA.

Esse risco pode vir de várias formas. Primeiro, outras empresas industriais poderiam implementar projetos ambiciosos de IA para obter uma vantagem competitiva sobre seus rivais tradicionais. E, segundo, empresas mais tecnologicamente orientadas podem usar a IA - por exemplo, um sistema de aprendizado de máquina que pode projetar e construir com peças personalizadas de impressão 3D para uma variedade de veículos na mesma linha de montagem com base nas preferências do cliente - para interromper e entrar em setores industriais. O que significa que os principais players industriais têm uma oportunidade que podem não ver imediatamente: emparelhar sua valiosa experiência técnica e seus vastos ativos de dados com a IA e ficar à frente de rivais novos e existentes a longo prazo. Entre os mais comuns está que seus investimentos em aprendizado de máquina e análises avançadas geralmente deixam de gerar um retorno óbvio. De acordo com a pesquisa do MIT Sloan/BCG, empresas que poderiam ser denominadas pioneiras em AI - as empresas mais avançadas em sua adoção e comprometimento com a IA - são frequentemente desapontadas pelo ROI. operação. Em outras palavras, esses projetos de IA são vistos como brinquedos experimentais de tecnologia que podem ter algum impacto no futuro, em oposição a pilares estratégicos sérios intrínsecos ao sucesso da empresa. No final, esses programas estão fadados para serem decepcionantes - desenvolvidos como órfãos, com apelo e viabilidade mínimos.

In both instances, AI solutions would be used to overcome the technical knowhow and institutional knowledge of incumbent companies. Which means leading industrial players have an opportunity they might not immediately see: to pair their valuable technical expertise and their vast data assets with AI, and stay ahead of new and existing rivals over the long term.

“We’re not getting a return on investment.” Industrial companies that have made previous investments in AI raise different concerns. Among the most common is that their investments in machine learning and advanced analytics often fail to generate an obvious payback. According to the MIT Sloan/BCG survey, companies that could be termed AI pioneers—the businesses that are most advanced in their adoption and commitment to AI—are frequently underwhelmed by the ROI.

When returns are lacking, the problem frequently is that the company has many AI initiatives underway but none of them is sufficiently robust or mature, and none is linked to improving a clearly identified business operation. In other words, these AI projects are seen as experimental technology toys that may have some impact in the future, as opposed to serious strategic pillars intrinsic to the company’s success. In the end, such programs are fated to be disappointing—developed as orphans, with minimal appeal and viability.

Não precisa ser assim. De fato, nossa pesquisa constatou que metade de todas as empresas que investem em projetos de IA de alto risco receberam valor real em troca, em comparação com apenas 25% dos que investem em esforços de baixo risco. Por exemplo, uma empresa química com a qual trabalhamos foi prejudicada por uma rotatividade de clientes extremamente alta - até 15% a cada ano - que afetou significativamente o EBITDA. Depois de implementar um sistema de IA que se concentrou na identificação de clientes que provavelmente iriam para outro lugar - e, por sua vez, criando programas personalizados de retenção e upseling para expandir o fluxo de receita - a mudança foi reduzida em quase 50%.

"Não podemos escalá -lo". Outra queixa frequente sobre IA de empresas industriais é que mesmo os programas mais bem -sucedidos são difíceis de escalar para outras regiões ou produtos. Essa preocupação não é totalmente infundada-existe, de fato, uma desvantagem de "primeiro movimento" com a IA. Os mercados diferem muito, das preferências dos clientes aos regulamentos locais aos quais uma empresa deve aderir; Como resultado, um sistema de IA não pode ser simplesmente transferido de um local ou de outro. Além disso, cada instalação de IA em uma nova região requer extração e limpeza de dados locais e abordando idiossincrasias locais exclusivas. Portanto, muitas organizações preferem adiar, esperando que outra unidade em sua região mergulhe primeiro. Como eles geralmente não entendem os meandros do programa, os gerentes geralmente sentem que não podem controlar seu sucesso ou fracasso. Esse medo é amplificado apenas se o programa estiver operando bem em alguma outra região; Se não produzir resultados localmente, o gerente poderá ser responsabilizado. Enquanto isso, os chefes de equipes de IA são normalmente incapazes de deixar esses gerentes à vontade porque tendem a ser mais jovens e tecnocêntricos - e, com muita frequência, mostram pouco conhecimento sobre como o lado dos negócios e os usuários em potencial do programa operam. A escala nunca é fácil, mesmo quando se trata de projetos menos complexos que a IA. Muitas empresas não têm as capacidades apropriadas e o talento interno para distribuir suavemente uma tecnologia sofisticada em suas regiões.

Some regional managers also feel threatened by the prospect of scaling an AI program. Since they usually don’t understand the program’s intricacies, managers often feel they cannot control its success or failure. This fear is only amplified if the program is operating well in some other region; if it doesn’t produce results locally, the manager could be blamed. The heads of AI teams, meanwhile, are typically unable to put these managers at ease because they tend to be younger and technocentric—and, all too frequently, they show little knowledge about how the business side and the potential users of the program operate.

Finally, organizational culture often dictates against scaling an AI program. Scaling is never easy, even when it comes to projects less complex than AI. Many companies do not have the appropriate capabilities and the internal talent to smoothly distribute a sophisticated technology across its regions.

Ainda assim, esses problemas podem ser superados se a gerência apoiar o esforço da IA ​​como uma meta estratégica crítica e destaca recursos suficientes para o projeto-incluindo o recrutamento e o desenvolvimento de talentos adequados a uma organização focada na IA. Além disso, os gerentes regionais devem ter certeza de que não serão penalizados por quaisquer soluços de curto prazo no desempenho que possam ocorrer ao incorporar a nova tecnologia.

Cinco maneiras de facilitar a adoção da IA ​​

The challenges industrial companies face when implementing an artificial intelligence solution are real, but they are largely self-imposed. By approaching AI with the right mindset—and with the needed capabilities and talent—players can ensure benefits across the industrial goods value chain. (See Exhibit 2.)

To that end, here are five imperatives for companies looking to fix their AI engines.

Put strategy first, AI next. Implementações de IA bem -sucedidas apoiam diretamente as metas e estratégias gerais da empresa. Eles começam como uma solução operacional, não um avanço tecnológico iniciado pelos cientistas de dados. Os executivos da empresa industrial devem se perguntar: “Quais são os drivers de valor essencial da minha empresa e quais são os pontos problemáticos em termos de gerar mais valor? Quais são as principais decisões de negócios que tomamos e como podemos melhorá-las?”

In answering those questions, the focus of a company’s initial AI applications—whether locations, operations, functions, processes, or decision-making procedures—should become apparent. This doesn’t have to be a complicated or long-term effort. More than likely, the first candidates for AI solutions are also the parts of the business that are already in need of digital transformation. Simply put, look backward from strategy, not forward from AI—and always keep the business at the center of the initiative. AI outcomes must have a direct and unambiguous link to how they will create value and improve KPIs.

A logistics operator showed the benefit of this approach when it spent the first months of its AI initiative studying all the possible artificial intelligence applications in its organization. The company then clustered these programs into groups, evaluating each by its value potential, its feasibility, and its likely contribution to overall company strategy. Following that, pilot efforts were launched and the most promising AI programs were subsequently scaled across the organization. This stepwise plan succeeded in a way that a random approach would have failed.

Start simple. Depois de identificar as partes da cadeia de valor que podem obter a maior alavancagem de uma implementação de IA, novos algoritmos devem ser projetados, desenvolvidos e instalados em doses de tamanho de mordida. Pequenas vitórias iniciais são uma maneira poderosa de inculcar lentamente o valor da IA ​​na cultura da organização. Coletar, analisar e trabalhar em rede os dados que formarão o núcleo de um programa de IA é uma etapa crítica e árdua - e pode ser feita apenas de maneira lenta e disciplinada. Isso é dificultado pelo fato de que, como observamos, a maioria dos bancos de dados da empresa possui campos incompreensíveis para praticamente todos - campos tão antigos, em alguns casos, que ninguém se lembra de como os dados foram calculados ou para o que foram usados. Os esforços nascentes e limitados da IA ​​podem ser um motivo de prova para projetos que mais tarde podem ser adaptados para resolver problemas análogos em uma organização. Isso é particularmente verdadeiro na análise de dados complexos-classificando e extraindo informações de documentos não estruturados, por exemplo-que podem ser tratados através do processamento de linguagem natural em pequena escala antes de implementar o mesmo programa em vários departamentos. seus clientes. Enquanto isso, uma boa regra para um projeto de IA é que o sucesso depende de 70% dos negócios, pessoas e processos, 20% em tecnologia e 10% no algoritmo. Essa proporção garante que as soluções de ciência de dados sejam ancoradas nos negócios e impulsionadas por ela. Além disso, essas proporções incentivam os gerentes de unidades de negócios e os proprietários de processos da organização a adotar uma solução de IA - porque ela foi projetada para oferecer as principais métricas de desempenho.

And in truth, there really is no other option besides starting with the basics. Collecting, analyzing, and networking the data that will form the core of an AI program is a critical and arduous step—and it can be done only in a slow, disciplined fashion.

To build an AI system, a company needs to define the data it collects, identify how and in what form that data is generated, and then determine which data is useful. This is made more difficult by the fact that, as we have observed, most company databases have fields that are incomprehensible to virtually everyone—fields so old, in some cases, that no one remembers how the data was calculated or what it was used for.

Still, if your initial AI projects are limited enough, data transparency should not impede getting a project up and running relatively quickly. Nascent and limited AI efforts can be a proving ground for projects that later can be adapted to address analogous problems across an organization. This is particularly true of complex data analysis—classifying and extracting information from unstructured documents, for example—that can be handled through natural language processing on a small scale before implementing the same program in multiple departments.

Consider 70/20/10 the new 80/20. It is a well-worn business concept that 80% of a company’s sales come from 20% of its customers. A good rule of thumb for an AI project, meanwhile, is that success depends 70% on business, people, and processes, 20% on technology, and 10% on the algorithm. This ratio ensures that data science solutions are anchored in the business and driven by it. Moreover, these proportions encourage business unit managers and process owners in the organization to embrace an AI solution—because it has been designed to deliver on key performance metrics.

Para aplicar essas proporções, as empresas devem criar equipes multidisciplinares de líderes do lado dos negócios e cientistas de dados. Juntos, eles podem garantir que qualquer esforço de IA tenha um forte foco na geração de valor e ROI e resolva um problema de negócios central. Somente então uma empresa deve voltar sua atenção à produção de uma solução software sofisticada e sofisticada. Usando a proporção 70/20/10, as empresas que possuem uma variedade de pequenas campanhas de prova de conceito de IA em andamento podem reduzir sua série de iniciativas para se concentrar naquelas que podem ter um impacto significativo nos negócios. Para garantir o ROI satisfatório, os benchmarks devem ser criados para monitorar de perto o sucesso do portfólio inicial de projetos de IA - e as equipes de desenvolvimento devem estar preparadas para mudar o curso conforme necessário para melhorar ainda mais os retornos. Enquanto vários algoritmos de IA de última geração foram desenvolvidos, os algoritmos e a tecnologia foram apenas uma pequena parte do esforço geral; Os líderes empresariais, bem como as equipes de vendas recém -recrutadas, defenderam o novo programa de IA e apoiaram sua evolução contínua. O programa agora está implantado em oito países - usado em cadeia de suprimentos, preços, estoque, interações com clientes e previsão de demanda.

The 70/20/10 ratio has generated numerous success stories, including the digital transformation of a large B2B power equipment distributor. While multiple state-of-the-art, proprietary AI algorithms were developed, the algorithms and technology were only a small part of the overall effort; business leaders, as well as newly recruited sales staffs, championed the new AI program and supported its continuing evolution. The program is now deployed in eight countries—used in supply chain, pricing, inventory, customer interactions, and demand forecasting.

Foster a startup culture. Outro benefício significativo, mas muitas vezes esquecido, de adotar a IA em pequenas quantidades é que ela pode impulsionar uma cultura de empreendedorismo e experimentação. Em vez de desenvolver a tecnologia através de uma grande ciência de dados ou departamento de TI, os programas de IA podem ser iniciados por equipes ágils que trabalham com unidades de negócios individuais. Essas equipes podem ser designadas para criar novas idéias para inteligência de máquina que melhorassem as operações em suas unidades e que possam ser escalonadas em todo o negócio. (No mundo do desenvolvimento de software ágil, essa idéia é mais conhecida como

Such teams should be allowed to experiment and not be punished for temporary failures. (In the world of agile software development, this idea is better known as FAIL FAIL, FAIL BARATO, Aprenda rápido.) E as equipes devem receber o privilégio de ciclos de decisão curtos e a autoridade para fazer as mudanças no programa de IA em vez de ser sobrecarregadas pela burrura corporativa. Mesmo com as melhores intenções, as unidades de inovação podem falhar se os processos de tomada de decisão longos e avessos ao risco no lado dos negócios não estiverem relaxados. A empresa criou uma equipe de ciência de dados com a autoridade para desenvolver novas idéias baseadas em dados e baseadas em dados, como se fossem adequadas e o que sua criatividade permitia. Muitos programas de prova de conceito se seguiram, mas a equipe foi frustrada pela falta de interesse do restante da organização. Somente depois que o OEM implementou as políticas de governança de ciência de dados, que alinham os objetivos da equipe de dados com a evolução estratégica da organização, fez a força de produção da equipe ganhou em outras partes da empresa e gerou valor para os negócios em geral.

This was nearly the case at a leading automotive OEM. The company created a data science team with the authority to develop new AI-based and data-driven ideas as they saw fit and as their creativity allowed. Many proof-of-concept programs followed, but the team was stymied by a lack of interest from the rest of the organization. Only after the OEM implemented data-science governance policies, which aligned the goals of the data team with the strategic evolution of the organization, did the team’s output gain traction elsewhere in the company and generate value for the overall business.

Be a champion for change. Em muitas empresas industriais, as implementações de IA em unidades de negócios individuais são frustradas pela resistência da gerência local. Para superar essa resistência e incentivar atitudes e ações flexíveis de gerenciamento de mudanças, a gestão corporativa sênior deve transmitir frequentemente seu apoio a projetos de IA. Os líderes da empresa devem enfatizar que a IA possui ampla aplicabilidade em toda a organização e que é uma parte essencial dos esforços de digitalização necessários para sobreviver em um ambiente industrial difícil. Acima de tudo, eles devem comunicar que a gerência local estará totalmente envolvida ao longo do processo de desenvolvimento e que os próprios gerentes têm a chance de serem líderes de inovação na organização. E depois que a solução de IA estava em pleno andamento, eles se tornaram embaixadores da tecnologia, defendendo -a a seus colegas em outras regiões, unidades de negócios e sites.

They should counter the concerns of unit managers by stressing that, in the new “fail fast” culture, no one will be blamed if an AI project runs into glitches, and that applications will be customized around the needs of individual business units. Above all, they should communicate that local management will be fully involved throughout the development process, and that the managers themselves have the chance to be innovation leaders in the organization.

Indeed, many of the best AI implementations in the industrial sector are due to change agents within the organization—unit managers who engaged with data scientists as the application was built, challenging them and making demands based on local user needs and business unit expectations. And after the AI solution was in full swing, they became ambassadors for the technology, championing it to their peers in other regions, business units, and sites.

Um novo começo para ai

Entre as revoltas para os negócios globais causados ​​pelo Covid-19 e pela rápida evolução das tecnologias de IA-não mencionar os esforços de digitalização renovados de seus concorrentes-o tempo chegou às empresas industriais para rastrear suas conceitos errôneos sobre a inteligência artificial. Após um longo período de iniciativas de IA que foram em geral decepcionantes, as empresas industriais têm a chance de fazê -lo corretamente, usando nossos cinco imperativos como um roteiro para sair da crise mais forte do que antes. análise para negócios em empresas e organizações líderes. A equipe inclui mais de 800 cientistas e engenheiros de dados que aplicam IA e experiência avançada de análise (por exemplo, aprendizado de máquina, aprendizado profundo, otimização, simulação, análise de texto e imagem) para criar soluções que transformem o desempenho dos negócios. A abordagem da BCG Gamma cria valor e vantagem competitiva na interseção de ciência de dados, tecnologia, pessoas, conhecimento de negócios, processos e maneiras de trabalhar. Para mais informações, visite nosso