すべての製造業者はすでに、MicrosoftとMIT Technology Reviewが「インダストリアル・インテリジェンス」と呼ぶもの——つまり、文書化された手順と、おそらくまもなく引退する経験豊富な労働者の頭の中に混在する、蓄積されたノウハウ、運用慣行、生産データ、組織の記憶を、立派なマーケティング予算で包んだだけのもの——を保有している。記事の冒頭の例：段取り替え後にラインを再起動するオペレーターは、機械の設定だけでなく、特定の材料がどう振る舞うか、前のシフトで何が起きたか、そして一見些細な変動がいつ注意深く見るべきものかを知っていることに依存している。手順書は順序を説明できるが、成功する実行は経験から来る判断にかかっている。要するに、マニュアルにはデイブがゲージをじっと見て「これはおかしい」と言う部分は載っていないのだ。

機会とは、そのインテリジェンスを意思決定が行われるあらゆる場所で利用可能にし、製造業の物理的な世界と結びつけることだと我々は言われている。戦略的な目的地は、より多くのエージェントではなく、既存のビジネスインテリジェンスを収益性の高い成長のエンジンに変えることだ。専門知識は、一人の人、一つのシステム、一つの工場にとどまっていると、その到達範囲は限られる——リーダーたちは今、知識を有用にする文脈を剥ぎ取ることなく、この問題を解決しなければならない。プロセス変更を評価するエンジニアは、生産記録以上のものを必要とする。その背後にある状況——設備構成、品質要件、オペレーターが行ったトレードオフ——が必要なのだ。これらの要素を結びつけることで、人々は経験をその起源を超えて応用できるようになる。つまり、メンテナンス工房、計画オフィス、エンジニアリングチーム、生産フロアのすべてが貢献できる。なぜなら、より多くの人が組織の知っていることを活用できるからだ。

しかし、知識へのアクセスは機会の一部に過ぎない。製造業は最終的に物理的であり、材料、機械、製品に依存している。そこで「フィジカルAI」の登場だ——状況を認識し、それについて推論し、物理世界の中で行動を起こすことができるシステム。機械とプロセスを接続することで、製造業者は工場フロアをより明確に見渡せるようになり、エージェントはその情報の上で推論してパターンを特定し、問題を予測し、最善の行動方針を決定できる。ロボットハンドリング作業がステーションに到着する部品のばらつきに遭遇する場合を考えてみよう。視覚が部品の位置を評価し、材料とタスクに基づくモデルが適切な動きを決定し、接続された制御が検証済みの限界内で調整を実行する。価値は単にばらつきを見ることではなく、適切に応答することにある——この区別は、ロボットが自信満々に間違ったことをするのを見たことがある人なら誰でも共感できるだろう。

同じ原則が品質業務にも当てはまる。トヨタ自動車工業は、以前は分断されていた塗装工場のデータを接続し、エンジニアリングとオペレーションのチームに欠陥の要因を理解するために必要な文脈を提供した。同社は、分析サイクルが5日から4時間未満に短縮され、パイロットでは関連する塗装欠陥が約25%削減されたと報告している。画期的だったのは、単に別のシグナルを特定したことではなく、人々がなぜ欠陥が発生しているのかを理解し、結果が確定する前に応答できるようにしたことだ。データは何が起きているかを明らかにするかもしれないが、インダストリアル・インテリジェンスは、何が起きるべきか、どの制約を破ってはならないか、いつ不確実性が人間の判断を必要とするかについての文脈を提供する——理想的には、ラインが停止して誰もが新人を見始める前に。

シミュレーションは、提案された行動を設備に適用する前に検討する方法を提供し、製造業者が変更がプロセスにどのように影響するかをデジタル環境で探求できるようにする。それは物理的な検証の必要性を取り除くものではないが、生産ラインを最初の実験として扱うことなく学ぶ余地を生み出す——製造業で働いたことがある人にとっては目新しい概念だ。責任ある展開は運用規律から始まる：どのシステムに対する明確な権限