機械の魂: 未来の工場における AI の応用について

未来の工場はどのようなものになるでしょうか? AI を主要な原動力として、工場はより機敏かつカスタマイズ可能になります。この点に関しては、米国や中国など一部の国や企業が先頭に立って取り組み始めています。しかし、ほとんどの国や企業では、この点に関する認識や能力がまだ欠けています。将来、AI は工場をどのように変革するのでしょうか? 将来の工場ではどのようなユースケースが考えられますか? 理想と現実のギャップはどこにあるのでしょうか? 工場は AI を実装するためにどのような戦略を採用すべきでしょうか?

人工知能（AI）はビジネステクノロジーの世界でホットな話題であり、産業企業の注目を集めています。 AI テクノロジーを適切に組み合わせて適用することで、製造業者は効率を高め、柔軟性を向上させ、プロセスを高速化し、さらには自己最適化された運用を促進することができます。 BCG の分析によると、AI の使用により製造業者の処理コストを最大 20% 削減でき、この削減の最大 70% は労働生産性の向上によるものであることがわかりました。メーカーは AI を活用して、特定の顧客に合わせた革新的な製品を開発・生産し、注文から納品までの時間を大幅に短縮して、売上を伸ばすこともできます。したがって、AI は将来の工場にとって不可欠な要素であり、このテクノロジーによって工場の構造とプロセスの柔軟性が向上します。

[[228898]]

世界中のさまざまな業界の企業が、業務に AI を適用する可能性を模索していることは驚くことではありません。しかし、AIが約束された利益をもたらすことができるかどうかについて、一部の経営幹部は依然として懐疑的だ。ボストン コンサルティング グループ (BCG) は最近、機会と課題をより深く理解するために、AI と産業界の業務における AI の導入に対する一般の期待を調査しました。

BCG の調査は、幅広い製造業の 1,000 人を超える経営幹部および管理職を対象とした世界規模の調査結果に重点を置いています。全体的に、製造業者は AI が生産性向上の重要な手段になると期待していることがわかりました。しかし、実装は期待どおりに進んでいません。その主な理由は、多くの企業に AI の 4 つの実現要素、つまり戦略 (包括的なロードマップを含む)、実装のためのガバナンス モデル、関連する労働力の能力、およびサポート IT インフラストラクチャが欠けていることです。

背景

調査では、運輸、物流、自動車、テクノロジー企業が AI 導入の最前線に立っている一方で、プロセス産業 (化学など) は遅れをとっていることがわかりました。米国、中国、インドは、日本、フランス、ドイツに比べて AI 導入において目覚ましいリードを持っています。国ごとの導入速度の違いは、AI の利点に関する期待の偏りを反映しています。

中国のような新興国はこうした恩恵に熱心だが、ドイツなど多くの先進国はより保守的だ。ドイツ企業もAI導入に向けた詳細な計画策定が遅れているため、この夏の停滞は続くとみられる。ドイツでは自動車業界が AI 技術の導入に最も積極的ですが、加工業界ではまだ道のりは長いです。

調査結果は、産業メーカーが AI の目標を実現するには、実装の取り組みを大幅に強化する必要があることを示唆しています。テクノロジーだけでは不十分です。 AI の可能性を最大限に引き出すには、企業は組織レベルで必要なすべての実現要因を考慮する必要があります。

AIはビジネスを変革する

AI は、コンピューターやマシンにインテリジェントな方法でタスクを実行する能力を提供します。 AI は、製造業者が目標を達成するための最適な一連のアクションを決定するのに役立ち、リモートでリアルタイムに操作を管理できるようにします。

運用AIの基盤

業務における AI の多くの用途では、データ マイニングとデータ サイエンスのためのアルゴリズム ファミリである機械学習が採用されています。これらのアルゴリズムは、静的な事前設定されたルールや指示に従うのではなく、データを分析して学習し、その洞察を使用して予測を生成したり、予測モデルをトレーニングしたりします。

AI テクノロジーは、運用においてさまざまな用途に活用されています。

1. マシンビジョン。可視光、X 線、レーザー信号を通じて生産環境を感知します。たとえば、カメラを使用して部品や製品を分類します。
2. 音声認識。音声などの聴覚信号の処理 - たとえば、Alexa や Siri などの仮想アシスタントを使用して、品質の問題に関するオペレーターのコメントを処理します。
3. 自然言語処理。テキストを分析して最も可能性の高い意味を解釈します。たとえば、さまざまなパフォーマンス レポートから要約を生成します。
4. 情報処理。構造化されていないテキストから知識を抽出し、クエリに対する回答を取得します (たとえば、製品関連のテキスト レポートを検索します)。
5. データから学ぶ。生産に関する経験的データに基づいて値を予測または分類します。たとえば、マシンやプロセスによって生成された履歴データを使用してイベントを予測します。
6. 計画と探索。特定の目標を最大化するために一連のアクションを選択します。たとえば、自動ガイド車両 (AVG) が最適な次のステップを識別できるようにします。
7. 音声生成。指示を声に出して読むなど、テキストまたは音声で他の人とコミュニケーションをとります。
8. 処理と制御。オブジェクトを操作します。たとえば、特別なトレーニングを必要とせずに、ロボットが保管箱から未分類の部品を取り出せるようにします。
9. ナビゲーションと移動。物理環境内での操作。たとえば、AGV が自律的に移動し、工場内のルートを最適化できるようにします。

多くの業界リーダーは、AI によって、エンジニアリング、調達、サプライ チェーン管理、産業オペレーション (生産および関連機能)、マーケティング、販売、顧客サービスなど、プロセスとバリュー チェーンがエンドツーエンドで変革されることを期待しています。最近の調査では、産業企業の幹部らは、AI の影響を最も受けそうな分野として業務を挙げています。

AI の役割は、製造業者が生産性を継続的に向上させるための既存の手段を置き換えるのではなく、強化することです。 AI は、インダストリー 4.0 の主要な技術的構成要素の 1 つです。さらに、製造業者は AI を使用して、自動化や無駄のない管理などの従来の効率化対策を強化できます。たとえば、AI は品質問題の根本原因を特定し、欠陥を排除することで無駄を削減し、無駄のない管理をサポートできます。実際、当社の調査参加者の 40% は、AI が 2030 年までに生産性向上の非常に重要な推進力になると予想しています。一方、AI が現在生産性向上に非常に重要な役割を果たしていると考えている回答者は 29% でした (図 1 を参照)。

AI の導入により、労働力の構成が大きく変わり、生産プロセスにおける手作業が削減されるため、処理コストが削減されます。たとえば、今日の品質管理関連のタスクには人間の集中的な参加が必要ですが、AI の広範なサポートにより、これらのタスクは高度に自動化されるようになります。しかし、既存の仕事がなくなったとしても、AIを補完するスキルを必要とする新しい仕事が生まれるでしょう。全体的に、調査参加者は、AI の純粋な影響は総労働力の削減になるだろうと信じる傾向がわずかに見られました。

しかし、AIに対する期待は国によって大きく異なります。たとえば、中国企業の回答者は、AI の導入により総労働力が大幅に減少すると考えています (低技能労働者の技術的代替を反映)。一方、ドイツ企業は、高技能労働者が大幅に減少するとは予想していません。

AIのユースケース

AIは工場におけるパラダイムシフトを表しています。今日の工場自動化プロセスとツールはルールベースのアプローチを使用し、今日のロボットプログラミングは固定されたシナリオを処理します。代わりに、未来の工場では、AI を使用して自動化されたプロセスと機械製造をサポートし、未知の状況や予期しない状況に対応してインテリジェントな意思決定を行います。その結果、技術システムはより柔軟で適応性の高いものになります。たとえば、ルールベースのアプローチでは、部品の無数の向きを処理するために必要な詳細なプログラミングがないため、ロボットは分類されていない部品のバッチから必要なコンポーネントを識別して選択することができません。対照的に、AI 搭載ロボットは、部品の向きに関係なく、乱雑な部品の山から必要な部品を取り出すことができます。

さまざまな AI の使用事例には、工場内外のさまざまな業務領域における生産性の向上が含まれます。調査回答者のうち 37% は、工場運営の生産性向上に AI が最も重要な役割を果たすと考えています。また、12% が AI が最も大きな影響を与える可能性がある分野として物流を選択しました。これらの調査結果と一致して、企業は自己最適化マシン、品質欠陥の検出、パフォーマンス損失の予測を最も重要な AI 使用例として挙げています。企業によってユースケースごとに価値は異なりますが、メーカーが自らの役割を取り戻すには、AI を適用し、社内のさまざまな機能やサプライヤー、顧客からのデータを統合するしかありません。

工場の外。工場外では、エンジニアリングとサプライ チェーン管理が AI アプリケーションにとって最も重要な運用領域です。

エンジニアリング:製造業者は AI を使用して研究開発の取り組みを推進し、設計を最適化し、顧客のニーズと期待への対応を改善し、生産を合理化できます。 AI は、確立された目標と制約に基づいてさまざまな設計ソリューションを探索するアルゴリズムを使用する生成的な製品設計をサポートします。 AI アルゴリズムは反復的なテストと学習を通じて設計を最適化し、人間には型破りと思われるソリューションを推奨します。一部の航空宇宙企業は、ジェネレーティブ デザインを使用して、従来の設計と同じ機能を提供しながらもはるかに軽量な生体模倣構造など、まったく新しい設計の航空機部品を開発しています。

サプライチェーンマネジメント。需要予測は、サプライチェーン管理に AI を適用するための重要なトピックです。需要の変化をより正確に予測することで、企業は生産計画を効果的に調整し、工場の稼働率を向上させることができます。 AIは、製品リリース、メディア情報、気象状況などの関連データを分析・学習することで、顧客の需要予測をサポートします。一部の企業では、倉庫やエンタープライズ リソース プランニング (ERP) システムのデータと顧客の洞察を統合して需要パターンを特定するために機械学習アルゴリズムも使用しています。

工場内部。工場内では、AI はメンテナンス、品質、物流などの生産およびサポート機能にさまざまなメリットをもたらします。

生産。私たちの研究は、連続処理（化学薬品や建築資材の生産など）だけでなく、個別生産（組み立て作業など）を含むすべての生産環境を網羅しています。あらゆる環境において、製造業者は AI を使用してコストを削減し、スピードを上げ、生産性を向上させます。また、カスタムメイドの製品の製造など、生産の複雑さに対処する柔軟性を向上させるためにもこれを使用します。 AI は、機械や部品を自己最適化システムにし、現在のデータと過去のデータから継続的な分析と学習を通じて、独自のパラメータをリアルタイムで調整することもできます。一部の製鉄所ではすでに AI を使用して炉の設定を自動的に最適化しています。 AI は鋳造溝の材料構成を分析し、安定したプロセス条件の最低温度を特定することで、全体的なエネルギー消費を削減します。もう 1 つの重要な生産ユースケースでは、インテリジェントな画像認識機能を備えたロボットが、ビンやコンベア ベルトなどの未定義の場所から未分類の部品を拾い上げることができます。これはすでに自動車業界で実用化されています。

維持する。製造業者は AI を活用して機器の故障を減らし、資産の活用率を向上させます。 AI により、実際の状況に基づいて摩耗した部品を交換することで故障を回避するなど、予測メンテナンスが可能になります。 AIは、機械や部品によって生成されたデータ（センサーデータや製品構造など）を継続的に分析し、学習します。この技術は、故障が売上の損失につながる可能性があるプロセス産業に特に有益です。たとえば、一部の製油所では、機器が故障するまでの残り時間を推定する機械学習モデルを導入しています。このモデルでは、材料入力、材料出力、プロセスパラメータ、気候条件に関連する 1,000 を超える変数を考慮に入れています。

品質。製造業者は AI を利用して品質の問題を早期に検出できます。ビジョンシステムは画像認識技術を使用して、製品の欠陥や機能からの逸脱を識別します。これらのシステムは継続的に学習できるため、時間の経過とともにパフォーマンスが向上します。自動車部品サプライヤーは、アルゴリズムのトレーニングに使用されたデータセットには現れなかった欠陥の検出など、品質上の問題のある部品を特定するために、機械学習アルゴリズムを備えたビジョンシステムを使い始めています。 AI は、マシンや生産環境によって生成されたデータを継続的に分析し、学習することもできます。たとえば、AI は材料の特性と動作をドリルプレスのセットアップ情報と比較して、許容範囲を超えて掘削するリスクを予測できます。

ロジスティクス。私たちの研究は、外部のサプライチェーン物流ではなく、生産内の物流と倉庫保管に重点を置いています。 AI は、施設内での材料供給の自動移動と効率化を促進します。これは、複数の製品バリエーションやカスタマイズされた製品の製造に伴う複雑性の増大を管理するために必要となります。工場や倉庫内で物品を輸送する自動運転車は、AI を活用して障害物を感知し、車両のルートを調整して最適なルートを実現します。建設用医療キットのメーカーはすでに修理センターで自律走行車を使い始めている。これらの車両は、誘導用の磁気テープやコンベアベルトを必要とせず、障害物に遭遇すると停止し、最適なルートを自動的に決定できます。機械学習アルゴリズムは、入庫および出庫資材、在庫レベル、部品回転率などの物流データを使用して、倉庫が業務を自律的に最適化できるようにします。たとえば、あるアルゴリズムでは、需要の低い部品を遠くに移動し、需要の高い部品をより早く入手できる近くのエリアに配置することを推奨する場合があります。

一部の AI ユースケースは、複数の運用領域に適用することもできます。たとえば、音声を生成して処理できる仮想アシスタント（Apple の Siri や Amazon の Alexa など）は、IT システムから関連するコンテキスト情報をオペレーターに提供できます。一部の企業では、仕分け、梱包、受領、補充の処理に音声ベースのピッキング システムをすでに使用しています。これらのアプリケーションでは、音声システムが ERP システムの部品表に接続し、オペレーターを正しいビンに誘導します。

AIシステムは、イベントレポート（写真や書面によるレポートなど）に基づいて、対応するイベント（機械の故障、品質の逸脱、パフォーマンスの低下など）に対する解決策を推奨し、これらのレポートを分析して学習し続けます。航空機メーカーは、インシデントレポートを使用して製造上の問題のパターンを識別し、現在のイベントを過去の同様のイベントと照合して解決策を提案する自己学習アルゴリズムを実装しています。

中国の調査参加者のうち、上記のユースケースが 2030 年までに非常に重要になると予想する人の割合は 81% から 88% の範囲ですが、この機能が複数の生産分野で完全に実現されていると考える人の割合は非常に低くなっています (6% から 8%)。図 2 は、回答者が将来の工場で重要な役割を果たすと考えるユースケースのランキングの概要を示しています。

野心と現実のギャップ

多くの企業が AI の導入を加速させようとしていますが、当社の調査によると、平均すると中国、インド、シンガポールの企業が近い将来に AI を本番環境に導入することに最も意欲的であることがわかりました。調査対象の個別産業のうち、ヘルスケアとエネルギーは短期的な野心が最も大きく、プロセス産業とエンジニアリング製品はそれほど熱心ではない傾向にあります。

私たちの調査に参加したほとんどの企業は、AIの重要性が高まっていることに気づいていると述べています。しかし、彼らの投資、言葉、実行は彼らの野望と一致していない。回答者の 87% が今後 3 年以内に AI を本番環境に導入することを計画していますが、完全導入のロードマップを持っているのは 28% のみです。残りの 72% には詳細な計画がありません。32% は選択されたユースケースをテストしており、27% は予備的なアイデアしかなく、13% は AI を優先していないか、まだ検討していません。

実施レベルが限られているのは、包括的な計画が欠如していることを反映しており、理想と現実のギャップが明らかになっています。これまで、AI ユースケースの実装に関しては、目標を達成した企業はわずか 50% 程度でした。したがって、複数のサイトで 1 つ以上の AI ユースケースを完全に実装している企業がわずか 16% 程度であることは驚くことではありません。これは、当社の定義によれば早期導入企業として認められる実績です。私たちの調査に含まれる 12 か国のうち、早期導入率が最も高いのは米国 (25%)、中国 (23%)、インド (19%) であり、最も低いのは日本 (11%)、シンガポール (10%)、フランス (10%) です (図 3 を参照)。調査対象となったドイツ企業のうち、早期導入企業はわずか15%でした。

米国企業における高い導入レベルは、米国における AI 技術の幅広い導入を反映しているのかもしれない。それでも、中国は依然としてAI投資において米国を上回っており、昨年のAIスタートアップへの世界投資のほぼ半分を占めた。中国国務院も2017年に「次世代人工知能発展計画」を公布し、3段階の戦略を用いて2030年までにAIで世界をリードするレベルを達成することを意図している。天津市政府はAI産業を支援するために300億元の基金を設立した。インドなどの他の新興国も同様に、AI の導入を世界的な製造競争力の維持に必要な要素とみなし、AI に多額の投資を行っています。対照的に、日本などの一部の先進国では、過去に競争力を高めてきた伝統的な手段（リーン生産方式など）に依然として重点が置かれています。

私たちが注目する 8 つの業界のうち、運輸・物流 (21%) と自動車 (20%) の早期導入者の割合が最も高く、エンジニアリング製品 (15%) とプロセス産業 (13%) は遅れをとっています。 （図4を参照）これらの違いは、業界ごとの特異性とデジタル化との親和性の違いを反映しています。当然のことながら、自動車業界やテクノロジー業界が最初に前進した企業の一つです。他の業界では、その業界のバリューチェーンに不可欠な要素となっている多くのデジタル戦略を学んでさえいません。

企業内の従業員数も AI 導入に影響を与えます。中小企業は大企業に比べて早期導入する可能性が低いです。これはおそらく、中小企業は予算が限られており、AI 導入に充てる能力が少ないためでしょう。最近の技術の進歩とデータ保存およびデータ処理のコスト低下により、AI への投資のハードルは下がるものの、全体的な能力のギャップは残る可能性が高い。

ギャップを埋める

運用における AI の実装を成功させるには、戦略とロードマップ、ガバナンス モデル、従業員の能力、IT インフラストラクチャという 4 つの重要な要素が重要です。早期導入企業は、後進企業に比べ、AI イネーブラーを最大限に活用する点ではるかに大きな進歩を遂げています。 （図5参照）

戦略とロードマップ。すべての AI 実装活動に方向性とガイダンスを提供するには、企業には明確な戦略が必要です。 AI 戦略は、最も価値のあるユースケース、つまり企業の特定のビジネスニーズと課題に対処するユースケースに重点を置き、企業の全体的なデジタル戦略と整合させる必要があります。企業には、ビジネスケースと測定可能な投資目標を構築する明確な実装ロードマップも必要です。調査参加者は、運用のための明確な AI 戦略を持つことが最も重要な実現要因であると評価しました。

ガバナンスモデル。潜在的な改善を実現するには、経営陣からの目に見えるコミットメントが重要です。上級管理職は、組織内で AI が明確に理解されるように、構造化されたコミュニケーションを活用する必要があります。企業は、AI 導入における明確な役割と責任を確立し、明確な組織構造を構築する必要があります。 AI アプリケーションに対する文化的な抵抗を克服するには、関連する機能部門間の効果的なコラボレーションとコミュニケーションが不可欠です。

従業員の能力。 AI、そしてより広義のデジタル化を導入するには、企業は従業員にプログラミング、データ管理、分析の高度なスキルを身につけさせる必要があります。企業は、必要なスキルセットを明確に把握し、それらのニーズと従業員が現在持っているスキルとのギャップを評価する必要があります。

運用 AI の基礎の理解などのトピックについては、社内または社外のトレーニング プログラムを通じて従業員が必要なスキルを習得できます。高度な分析など、より正式な学習コースを必要とする IT 関連分野では、企業はデータ サイエンティストを含む新しいタイプの従業員を採用する必要があります。

調査の参加者のうち 93% が、業務に AI を導入するのに十分な能力が社内にないと回答しました。 4 人に 1 人以上 (29%) が、自社ではすでに AI に特化して働く従業員の数を増やしていると回答しており、半数近く (47%) が今後数年間でこの数が増加すると予想しています。

IT インフラストラクチャ。従来の IT システムと機械デバイスの相互運用性は、AI 実装の成功に不可欠であり、API とネットワーク標準に​​よって促進される必要があります。サイバーセキュリティは、AI とインダストリー 4.0 に取り組む実務者にとってもう 1 つの重要な懸念事項です。

AI を導入する場合、企業はニーズの変化に応じて戦略やロードマップを調整できるアジャイルな作業モデルの採用を検討する必要があります。 AI テクノロジーを適用する場合、企業はフェイルファストで最小限の実行可能な製品のアプローチを採用する必要があります。これにより、新しいアイデアを小規模でテストし、迅速な反復を通じて調整してから、最終的に全面的に展開することができます。早期導入者は、遅れている者よりもこのアジャイルな作業モデルを採用する可能性が高くなります。

はじめる

この調査の結果は、業界企業だけでなく、産業機械およびオートメーションメーカーによる行動の必要性を指摘しています。

機械・自動化部門への影響

機械およびオートメーションメーカーは、他のあらゆる業界の企業へのサプライヤーとして、AI テクノロジーの可能性を実現し、工場における AI 対応アプリケーションの需要を満たす上で重要な役割を果たします。 AI により、機械および自動化メーカーは「サービスとしての機械」などの新しい収益を生み出すビジネス モデルを形成できるようになります。この市場に参入するには、メーカーは設備を強化し、AI技術の実験のためのデータを収集する必要があります。

調査回答者は、すべての業界において、自己最適化マシンをマシンの重要な AI ユースケースと見なしています。機械および自動化メーカーは、機械学習テクノロジーを使用してパラメータを分析し、プロセスをリアルタイムで最適化するマシンを産業企業に提供できます。

調査回答者は、マシンビジョンシステムの重要性が高まっていることにも言及しました。機械メーカーは、マシンビジョンを自社の機械システムに直接統合できます。基盤となる AI テクノロジーは有名なサプライヤーから提供されていますが、機械メーカーは特定のサプライヤーへの依存を避けるために独自の AI ソリューションの開発を検討する必要があります。

AI 対応の分析および自己最適化マシンの開発に向けた第一歩として、機械およびオートメーションメーカーは、マシンのパフォーマンスを完全に透明化する必要があります。これにより、ユーザーは、マシンのパラメータを感知したり、データから継続的に学習したりするなど、AI の取り組みを前進させることができます。感知と行動では、機械の状態や製造された部品の品質に関する洞察を得るために、温度、トルク、振動などのプロセス パラメータを監視する必要があります。最後に、透明性は自己調整システムの基盤も提供します。さらに、機械およびオートメーションメーカーは、自社の機械からアクセスされるデータが安全かつ機密に保たれていることを顧客に保証する必要があります。

AI 実装の競争に遅れを取らないために、産業企業は構造化された 3 段階の戦略を採用する必要があります。

現在の状況を評価します。企業はまず Apple 自身の問題点と AI の成熟度を把握し、その後、自社の現状を同業他社や業界平均と比較する必要があります。 AI の実装には堅牢な IT インフラストラクチャが不可欠であるため、企業は運用 IT の現状を評価する必要があります。ワークショップ評価を実施するための前提条件は、特定の機器に関する評価トピックとベンチマークのライブラリを用意することです。

イネーブラーを確立します。企業は、ヘルスチェック中に特定された問題点に対処するために、AI ユースケースの包括的なリストを作成する必要があります。すべての関係者がワークショップに集まり、ユースケースについて詳細に議論し、どのユースケースを最初に実装するかを決定する必要があります。優先ユースケースの財務的および非財務的メリットを評価する際に、企業は投資のビジネスケースを作成する必要があります。この段階では、必要なメリットと投資を定量化する経験を持つ AI 専門家からの意見が非常に貴重です。優先順位をつけたユースケースを特定した後、企業は業務への AI の適用に関する目標マップを作成し、実装のロードマップを作成できます。

企業のガバナンス モデルでは、AI 実装の役割と責任を明確に記述し、調整された組織構造を確立する必要があります。企業は、現在の従業員の質と、実装する必要がある AI ユースケースを比較し、そのギャップを埋める方法を決定する必要もあります。さらに、企業はユースケースの実装に関する IT 要件を定義し、効果的かつ効率的なデータ管理のための第 2 のガバナンス モデルを開発する必要があります。要件の定義には、AI の知識を持つデータ サイエンティストと IT 専門家が関与する必要があります。

テストとソリューションの開発。企業は工場内の特定の場所で AI の使用事例をテストする必要があります。プロセスをスピードアップするために、企業はビジョンを定義し、実現手段を確立しながら、最初のパイロット プログラムを開始する必要があります。各パイロットの目標は、最小限の実行可能なソリューションを迅速に開発し、その後、アジャイル開発手法を使用してパイロットの設計を複数の反復で改良することです。従業員は、パイロット プログラムに参加することで、AI ユースケースの使用がどのようなものか体験できます。こうしたパイロットを促進するために、企業は資産監視センサーやスマートグラスなど、すぐに効果を発揮できるテクノロジー ツールを活用する必要があります。企業はパイロットで成功したソリューションを拡大する必要もあります。最後に、AI 実装の可能性を最大限に引き出すには、企業は全面的に統合ソリューションを実装する必要があります。

私たちの調査によると、AI は業務生産性を向上させる最も重要な手段になりつつあることがわかりました。しかし、多くの企業は、AI のメリットを享受するには、テクノロジーへの投資以上のものが必要であることにまだ気づいていません。明確に表現された戦略は重要な出発点ですが、それだけでは十分ではありません。企業は、適切なガバナンスとサポート インフラストラクチャを整備するとともに、従業員の再構成と再トレーニングも行う必要があります。 AI の実装についてまだ包括的な見解を持っていないメーカーは、早期導入企業に追いつくために、競争力を迅速に向上させる必要があります。