Benchmarks

封面故事

中国制造业如何应对 AI 时代

L2: 基础数据完整但组织内存在信息孤岛。

L3: 数据整合度高但不能支持业务决策。

L4: 可以进行数据驱动的业务决策但不能实时响应业务变化。

L5: 支持数据驱动的业务决策并能实时响应业务变化。

当企业的数据基础成熟度处于较低级别时，如关键数据缺失的 L1 级，需要做的往往不是马上实施 AI 方案，而是先进行数字化（或信息化）改造以打好基础。互联网和金融行业由于每天发生的业务天然就能产生大量数据，相对而言数字化程度最高，最早有机会尝试利用 AI 技术；对于数据基础建设还未完成的其他传统行业，则必须通过业务流程的改进将数字化的程度提高才能考虑 AI 解决方案。有了大数据，人工智能的落地就成功了一半！

（四）组建团队及搭建伙伴关系

企业如果想打造 AI 能力，至少需要以下几类人才所组成的团队。

（1）AI 技术专家——包括数学、统计学方面的科学家，进行底层算法的研究；同时也包括传统意义上的 IT 技术专家，能使用最新的 AI 算法开发技术原型以及后续的商业产品。

（2）行业专家——对于特定行业的 AI 解决方案，团队中需要有经验的行业专家。

（3）AI 应用专家——AI 应用专家首先是一名优秀的产品经理，其次要了解算法特性，最后还要能理解行业问题，这样才能将 AI 技术专家和行业专家的优势整合在一起构建适合行业的技术解决方案。

组建内部人工智能团队的同时，企业也可通过伙伴关系快速引进人工智能相关专业知识，特别是在人工智能战略、实施流程、技术实践、项目交付等方面可以借助合作伙伴的协助填补能力空白。

（五）验证及大规模实施

有了应用场景，完善了数据基础，搭建好团队以后，接下去要做的是基于 AI 的过程设计原型验证 (proof of concept)。在确认技术原型可行的情况下进行迭代和最终的大规模实施。

全球制造业与新技术融合的动力与日俱增。随着制造企业累计的数据量增加以及人工智能技术的成熟和配套工程能力的发展，人工智能将能够发挥其全部潜力。

在喧嚣的人工智能热潮下，工业企业切忌盲目投资，在大规模实施落地前，应该明确自身战略，找准应用场景，坚实数据基础，打造团队并构建合作伙伴关系，进行验证和测试，让人工智能真正为企业创造价值。

董伟龙 | 德勤中国工业产品及建筑子行业、中国工业 4.0 卓越中心领导人

rictung@deloitte.com.cn

屈倩如 | 德勤研究制造业、能源行业研究高级经理

jiqu@deloitte.com.cn

德勤中国版权所有。未经许可，不得以任何形式转载。

14 | 德勤新视界

德勤新视界 | 15