メーカーは AI の ROI を達成 — より大きな効果を得るために規模を拡大するときが来た

AI は製造業に ROI をもたらしていますが、その拡大には依然として課題が残っています。データとネットワークの基盤が強化されなければ、 進歩は停滞してしまいます。

Riverbed Technology 社 UKI プリンシパル ソリューション エンジニア、Nic Leszczynski 氏

製造現場からサプライチェーンに至る人工知能 (AI) は、すでに製造全体にわたって目に見える利益をもたらしています。 2025 年の Riverbed Global Survey で、IT 運用のための人工知能 (AIOps) による ROI が期待以上か期待を上回ったと答えたセクターリーダーの 87% に聞いてみましょう。

ただし、課題は、これらの利益を企業全体に拡大することです。現時点で製造業全体に完全に展開されている AI イニシアチブは 12% のみであり、現在、AI を大規模に運用する準備が十分に整っていると感じている組織は、このセクター内の組織の 37% にすぎません。この構造的な分断により、AI は進行中の作業として描かれます。つまり、部分的には実現されていますが、完成までは進められていません。

インダストリー 4.0 が順調に進んでいる現在、AI が利益をもたらすことを証明する必要はありません。すでにデータが効果を示しています。しかし、管理されたテストでは効果的であることが実証されていますが、大多数のメーカーはその利点を複雑な現実世界の環境全体に拡張することに苦労しています。適切なデジタル基盤が整備されるまでは、この状況が続く可能性があります。

製造業で AI の最適化が妨げられている理由

Deloitte によると、AI を活用して予知保全、品質保証、サプライ チェーンの最適化、エネルギー効率の監視などを推進する「スマート マニュファクチャリング」により、すでに生産高の 10% ～ 20% の向上と、解放された生産能力の 10% ～ 15% の向上が可能になっています。したがって、正味の可能性は膨大ですが、その影響が広範囲に及ぶ可能性があるため、AI のスケーリングが複雑になります。

それは、スマート製造環境は、すべてのデバイス、機械、施設、物流ネットワーク間の信頼性が高く安全なデータ フローに依存しているためです。 AI モデルは、多くの場合、レガシー システム、エッジ デバイス、クラウド プラットフォームにわたって、このテレメトリの絡み合いをリアルタイムで取り込み、解釈し、処理する必要があります。意思決定者は、この情報も確認して分析できる必要があります。

データ パイプラインが複雑またはボトルネックになると運用上の負担が生じ、システム動作の可視性が制限されると、最適化とスケーリングが大幅に困難になります。これらの問題にインフラストラクチャ レベルで対処するというプレッシャーが高まっています。

新たなデータ準備ギャップ

AI によるパフォーマンスの向上は否定できません。しかし、一連の構造的な問題のおかげで、これらの利点の拡張性はわかりにくいです。このテクノロジーを企業全体に導入するには、メーカーがそのテクノロジーをサポートするために必要なインフラストラクチャを厳密に確立する必要があります。新しい研究結果は、この AI 対応の追求をより詳細に示しています。

– 91% のメーカーは、AI データの移動が自社の戦略にとって重要であると回答しています。

– 96% ネットワークのパフォーマンスと信頼性を最優先事項として挙げています。

– ほぼ半数 (47%) ) データの正確性と完全性に自信がありません。

総合すると、これらの数字は、まだ多くの進歩が必要であることを証明しています。リーダーの 10 分の 9 以上がデータの移動とネットワークのパフォーマンスを重要視している場合、AI の統合は、データを迅速かつ確実に移動するために構築されたインフラストラクチャにかかっています。しかし同時に、ほぼ 2 組織に 1 組織が、移動されるデータを完全には信頼していません。非生産的な投資を回避するには、両方のコンポーネントに取り組む必要があります。

メーカーは AI の成長に何が必要かを明確に理解していますが、多くの企業は依然として、AI を大規模に対応できるほど堅牢かつ柔軟ではないデジタル基盤上で事業を行っています。これに、複数の可観測性ツールによって引き起こされる断片化が加わると、本番運用をサポートするシステムが概念実証の取り組みから脱却できない理由が明らかになります。

AI を運用するための基盤の構築

組織レベルでは、AI の成功はデータの品質、データの移動速度、データを運ぶシステムに対するチームの透明性によって決まります。したがって、本格的な導入に投資する前に、メーカーは次のことを行うことが不可欠です。

– ネットワーク パフォーマンスとデータ フローを戦略的優先事項として扱う
製造 AI システムは、分散した生産環境と相互接続されたサプライ チェーン全体で動作する必要があり、すべてが大量のリアルタイム データによって駆動されます。その結果、ネットワーク パフォーマンスをバックグラウンドの IT 問題として扱うことはできなくなりました。

パイロットモデルから運用モデルへの移行には、意図的なリーダーシップと調整が必要であるため、組織はデータの取得方法と移動方法に一貫性を持たせる必要があります。 OpenTelemetry のようなフレームワークは、複雑なネットワーク全体でテレメトリを標準化し、AI が企業全体で統合するために必要な安定した高機能のデータ バックボーンを作成することで、戦略的な調整を実現するのに役立ちます。

– データの品質と信頼を強化する
AI モデルの効果は、AI モデルが消費するデータによって決まります。また、製造業では、データが生成され、さまざまなアクティブなソースに集められるため、不一致や不正確さがリスクをもたらし、完全性が損なわれます。

– ツールの無秩序な広がりと盲点を減らし、リーダーがパフォーマンスのギャップを認識できるようにする
通常、組織は 9 つのベンダーの 13 種類の可観測性ツールを実行しているため、断片化が AI の拡張に対する大きな障壁として残ります。これらのツールはそれぞれ特定の課題を解決する可能性がありますが、それらが集合的に重なり合うと重複が生じ、可視性が制限されるため、AI 主導のワークロード下でシステムがどのように相互作用するかを理解することが困難になります。

このアーキテクチャ上の緊張が、95% の製造業者がツール統合のプロセスを経ている理由です。これに関連して、自社の技術スタックを統合可観測性プラットフォームに統合することで、世界的な製造組織はデータ駆動型で実用的な洞察にアクセスして生産性とパフォーマンスを向上できるようになりました。この種の法医学的明快さにより、組織は摩擦なく自信を持って AI を拡張できるようになります。

AI の可能性を運用上の現実にする

野心的には、製造業者の 85% が 2028 年までに AI に対応できると予想しています。しかし、現時点で完全に準備ができていると感じているのは 37% だけだとすると、そのタイムラインが実行可能かどうかは、組織がどれだけ早く準備ギャップを埋めることができるかによって決まります。

今後数年間で、AI は現在よりもさらに深く組み込まれることになるでしょう。生産ライン、サプライ チェーン、意思決定プロセスに与える影響により、テレメトリと可観測性の有効性にはさらなるプレッシャーが加わるだけです。

完全忠実度のデータとフルスタックの可視化に今投資しているメーカーは、戦略原則を適応させてインダストリー 4.0 の新たな需要を予測しており、成功した AI パイロットを継続的な運用上および商業上の利点に変えるのに最適な立場にあることは、かつてないほど明白です。

Nic Leszczynski は、Riverbed Technology の UKI プリンシパル ソリューション エンジニアです。