모든 제조업체는 이미 마이크로소프트와 MIT 테크놀로지 리뷰가 "산업 지능"이라고 부르는 것을 보유하고 있다. 이는 축적된 노하우, 운영 관행, 생산 데이터, 그리고 현재 문서화된 절차와 곧 은퇴할 경험 많은 근로자들의 머릿속에 뒤섞여 존재하는 조직 기억을 가리키는 고급스러운 용어일 뿐이다. 기사의 첫 사례: 교체 작업 후 라인을 재가동하는 운영자는 기계 설정뿐만 아니라 특정 재료가 어떻게 거동하는지, 이전 교대조에서 무슨 일이 있었는지, 그리고 겉보기에 사소한 변화가 언제 더 자세히 살펴볼 가치가 있는지를 아는 데 의존한다. 절차서는 순서를 설명할 수 있지만, 성공적인 실행은 경험에서 나오는 판단에 달려 있다. 다시 말해, 매뉴얼에는 데이브가 게이지를 흘끗 보며 "이건 아닌데"라고 말하는 부분이 빠져 있다.

우리가 듣기로는, 기회는 그 지능을 의사 결정이 이루어지는 모든 곳에서 더 많이 활용 가능하게 하고 제조의 물리적 세계와 연결하는 것이다. 전략적 목적지는 더 많은 에이전트가 아니라, 기존 비즈니스 인텔리전스를 수익성 있는 성장의 엔진으로 전환하는 것이다. 전문성은 한 사람, 한 시스템, 한 공장에 머물 때 그 도달 범위가 제한된다. 이는 지식을 유용하게 만드는 맥락을 제거하지 않고 리더들이 이제 해결해야 할 문제다. 공정 변경을 평가하는 엔지니어는 생산 기록 이상의 것이 필요하다. 그 이면의 상황, 즉 장비 구성, 품질 요구 사항, 운영자가 감수한 트레이드오프를 알아야 한다. 이러한 요소를 연결하면 사람들이 경험이 시작된 곳을 넘어 경험을 적용하는 데 도움이 되며, 이는 정비 작업장, 계획 사무실, 엔지니어링 팀, 생산 현장이 모두 기여할 수 있음을 의미한다. 더 많은 사람이 조직이 아는 것으로 작업할 수 있기 때문이다.

그러나 지식에 대한 접근은 기회의 일부일 뿐이다. 제조는 궁극적으로 물리적이며, 재료, 기계, 제품에 의존한다. 여기서 "피지컬 AI"가 등장한다. 이는 조건을 인지하고, 추론하며, 물리적 세계 내에서 행동할 수 있는 시스템이다. 기계와 공정을 연결함으로써 제조업체는 공장 현장을 더 명확하게 볼 수 있고, 에이전트는 그 정보 위에서 추론하여 패턴을 식별하고, 문제를 예측하며, 최적의 행동 방침을 결정할 수 있다. 부품 변동이 발생하는 로봇 핸들링 작업을 생각해 보자. 비전이 부품의 위치를 평가하고, 재료와 작업에 기반한 모델이 적절한 움직임을 결정하며, 연결된 제어 장치가 검증된 한도 내에서 조정을 실행한다. 가치는 단순히 변동을 보는 것이 아니라 적절하게 대응하는 것이다. 이는 로봇이 자신 있게 잘못된 일을 하는 것을 본 적이 있는 사람이라면 누구나 공감할 차이다.

같은 원칙이 품질 운영에도 적용된다. 도요타 산업은 이전에 분산되어 있던 페인트 공정 데이터를 연결하여 엔지니어링 및 운영 팀이 결함 원인을 이해하는 데 필요한 맥락을 제공했다. 회사에 따르면 분석 주기는 5일에서 4시간 미만으로 줄었고, 파일럿은 관련 페인트 결함을 약 25% 감소시켰다. 돌파구는 단순히 또 다른 신호를 식별하는 것이 아니라, 사람들이 결함이 발생하는 이유를 이해하고 결과가 확정되기 전에 대응하도록 돕는 것이었다. 데이터는 무슨 일이 일어나고 있는지 보여줄 수 있지만, 산업 지능은 무엇이 일어나야 하는지, 어떤 제약을 위반할 수 없는지, 언제 불확실성이 인간의 판단을 필요로 하는지에 대한 맥락을 제공한다. 이상적으로는 라인이 멈추고 모두가 신입 사원을 쳐다보기 시작하기 전에 말이다.

시뮬레이션은 제안된 조치를 장비에 적용하기 전에 검토할 수 있는 방법을 제공하여 제조업체가 변경이 공정에 어떤 영향을 미칠지 디지털 환경에서 탐색할 수 있게 한다. 이는 물리적 검증의 필요성을 없애지는 않지만, 생산 라인을 첫 번째 실험으로 취급하지 않고도 배울 수 있는 공간을 만든다. 제조업에서 일해 본 사람이라면 누구에게나 새로운 개념이다. 책임 있는 배포는 운영 규율에서 시작된다. 시스템에 대한 명확한 권한, 즉...