随着美国制造商加速推进运营数字化，数据管理与标准化已成为日益突出的行业议题。

美国全国制造商协会（NAM）近期发布的一项调查显示，超过60%的制造企业已制定数据管理战略或指导方针，但仅有15%的企业能够完整遵循该计划。44%的制造企业领导者表示，仅在过去两年内，其收集的数据量就翻了一番，预计到本十年末这一数字将再增长两倍。

调查还发现，86%的受访者认为有效利用制造数据至关重要，但只有四分之一的人对正在收集正确数据抱有高度信心。

SymphonyAI工业部门总裁Prateek Kathpal指出，AI模型及智能体系统在每次决策时都依赖准确、实时的数据，因此当数据在源头出错时，可能对模型输出产生连锁影响，并造成数百万美元的损失。该公司推出的IRIS Foundry平台专门用于整合IT、OT及工程数据，以提供面向AI的分析能力。

“工厂中的机器会产生海量数据，但这些数据往往被困在孤立系统中，限制了可见性，并拖慢了从根因分析到预测性维护的一切流程。”Kathpal表示。

AI雄心与AI就绪度之间的鸿沟

尽管多数企业对AI的潜力充满期待，但真正准备好实施AI的企业却寥寥无几。

Infosys执行副总裁兼全球制造业负责人Jasmeet Singh表示，AI雄心与AI就绪度之间存在明显差距。“正如物理基础设施决定工厂运行效率一样，数据基础设施如今决定企业能否实现智能化运营。”

数据管理平台Specright与UserEvidence合作，对45家不同行业的制造商进行了调查，结果显示60%的企业仍在使用Excel或Google Sheets等电子表格管理规格数据，近一半依赖SharePoint或Google Drive等共享驱动器，38%则从并非为规格级复杂度设计的ERP系统中提取数据。近七成受访者承认在维护最新数据方面存在困难，平均每个团队每年因手动处理规格任务而损失468小时。

Specright首席执行官Mike Boese表示，许多团队多年来一直在围绕有缺陷的系统开展工作。“改变这些习惯——并在研发、包装、质量、运营和IT部门获得支持——既需要文化转变，也需要高管层的推动，而并非每家公司都已调动起这些资源。”

“如果这是你构建AI的基础，那么你不会得到智能化的结果。”他补充道，“你得到的将是‘垃圾进，垃圾出’——只是速度更快。”

这一问题可能源于对即时成果的追求。德勤智能制造与运营专家负责人Brian Zakrajsek表示：“董事会希望在尚不存在的数据基础上获得AI回报。”他补充说，展示AI价值的压力促使企业为用例提供资金，却对基础建设投入不足。

自建与第三方方案之争

即使企业决定着手数据管理与标准化，一个主要障碍在于：是自主研发技术，还是采用第三方解决方案。

为机械工程领域构建AI的Leo AI公司创始人兼首席执行官Maor Farid表示：“大型制造商几乎总是从内部尝试开始。他们拥有数据科学团队、预算，并且有一种可以理解的本能——工程知识过于敏感和特殊，不能交给外部供应商，尤其是国防和医疗器械客户，他们的要求最为严格。”

Singh认为，制造商比任何人都更了解自己的产品、流程、工厂和客户，这种领域专业知识至关重要。“然而，在大型制造企业中扩展AI和数据现代化，还需要在云、平台工程、网络安全、数据治理、AI模型运营、系统集成和变更管理方面具备专业能力。”

Kathpal表示，这正促使更多制造商转向外部解决方案，尤其是因为从零开始构建系统可能导致漫长且昂贵的部署。竞争加剧也是一个关键因素，因为“你的竞争对手可能正在大规模部署项目并已看到成果”。

效果最佳的用例

其中一些成果正在解决困扰行业数十年的最大难题。

Farid指出，其中之一是“保存和传递知识——这些知识存在于即将退休的资深员工的头脑中，以及埋藏在从未被记录的老项目设计决策中”。当这些知识以可访问、可搜索的形式被捕获时，新员工入职将更高效，资深员工可以专注于重要任务而非培训新人，公司也不会因人员离职而丢失关键数据。

“当工程师可以用自然语言提问，并立即从公司自身数据和相关行业标准中获得答案时，节省的时间是惊人的。”他补充道，“对于受监管行业，这还能带来合规优势，因为可追溯、有来源的知识正是FDA或ISO审计所期望看到的。”

Boese表示：“可持续发展报告要求正在迅速扩大——仅‘生产者责任延伸’（EPR）执法就可能使企业面临每天、每州数万美元的罚款。”EPR是一项要求企业对产品及包装的报废回收和处理负责的政策。

“随着监管环境日益收紧，拥有干净、互联规格数据的企业将获得显著的竞争优势。”Boese补充道。

另一个用例是供应链优化。Singh表示：“通过更好地了解供应商、库存、物流和需求，制造商可以利用AI改进预测、优化流程并更快地应对中断。”

可访问的数据还有助于实现更高效的预测性维护。Kathpal表示，制造商可以对设备异常进行实时警报，并减少计划外停机。这一做法帮助其一家客户避免了因运营效率低下而每年损失250万美元，而对于超大型企业，这一数字还要高得多。

“赢得未来十年的制造商不会是那些拥有最花哨AI的企业。”Farid说，“而是那些将数据视为基础而非事后补充的企业。”