صنعت در مسیر خودمختاری؛ هوش مصنوعی چگونه کارخانه را تغییر می‌دهد؟

صنعت در آستانه تغییری قرار گرفته که دامنه آن بسیار فراتر از ورود ربات‌های بیشتر به خطوط تولید است. گزارش «چشم‌انداز عملیات صنعتی هوشمند ۲۰۲۶» مجمع جهانی اقتصاد، از شکل‌گیری مدلی سخن می‌گوید که در آن سیستم‌های صنعتی فقط مجموعه‌ای از تجهیزات خودکار نیستند بلکه می‌توانند اطلاعات محیط را دریافت کنند، از داده‌ها بیاموزند، تغییرات را پیش‌بینی کنند و بخشی از تصمیم‌های عملیاتی را با دخالت محدودتر انسان بگیرند.

این تحول تنها نتیجه پیشرفت فناوری نیست. بی‌ثباتی‌های ژئوپلیتیکی، پیچیده‌تر شدن مقررات، اختلالات اقلیمی، تغییر انتظارات مشتریان، کمبود مهارت‌های موردنیاز صنایع و افزایش تهدیدهای سایبری، مدل سنتی اداره عملیات صنعتی را نیز تحت فشار قرار داده‌اند. گزارشی که زمانی ممکن بود بر افزایش بهره‌وری خطوط تولید تمرکز کند، اکنون مسئله بزرگ‌تری را مطرح می‌کند: چگونه می‌توان صنعتی ساخت که نه‌تنها کارآمدتر، بلکه در برابر شوک‌ها انعطاف‌پذیرتر، سریع‌تر و قادر به تطبیق مستمر باشد؟

اتوماسیون دیگر مقصد نهایی نیست

برای چند دهه، تحول صنعتی عمدتا مترادف با خودکارسازی بود. ماشین جای بخشی از کار انسان را می‌گرفت و نرم‌افزار نیز برای کنترل و هماهنگی فرایندها به کار گرفته می‌شد. اما چارچوبی که مجمع جهانی اقتصاد ارائه می‌کند، یک مرحله جلوتر می‌رود. مساله دیگر صرفا خودکار کردن یک فعالیت نیست، بلکه ایجاد سیستم‌هایی است که بتوانند در واکنش به شرایط جدید تصمیم خود را تغییر دهند.

گزارش «چشم‌انداز عملیات صنعتی هوشمند ۲۰۲۶» این مسیر را در سه افق زمانی ترسیم می‌کند. در مرحله اکنون یا صفر تا دو سال آینده، تمرکز عمدتا بر پذیرش اولیه فناوری‌های پیشرفته است. در افق سه تا پنج ساله، همکاری انسان و ماشین گسترده‌تر می‌شود و بخشی از تصمیم‌گیری و هماهنگی عملیات به سیستم‌های هوشمند منتقل می‌شود. در افق بیش از پنج سال نیز تصویری از اکوسیستم‌های تقریبا خودمختار ترسیم شده است. محیط‌هایی که انسان و ماشین در آنها به‌صورت پیوسته با یکدیگر کار می‌کنند و بسیاری از فرایندها قادر به تنظیم و هماهنگ‌سازی خود هستند.

این تحول دو جنبه خودمختاری و یکپارچگی دارد. یک کارخانه ممکن است تعداد زیادی سیستم هوشمند داشته باشد، اما اگر این سیستم‌ها در جزایر جداگانه فعالیت کنند، تأثیر تحول محدود می‌ماند. هدف نهایی، اتصال تصمیم‌ها از سطح دستگاه و خط تولید تا شرکت، تأمین‌کنندگان، شبکه لجستیک و مشتریان است. به همین دلیل، گزارش عملیات صنعتی را در سه سطح کارخانه، شرکت و اکوسیستم زنجیره تأمین و در مجموع ۱۳ حوزه عملیاتی بررسی می‌کند.

کارخانه‌ای که خودش را با شرایط تنظیم می‌کند

بخش ملموس این تحول در خود کارخانه اتفاق می‌افتد. در مدل مورد نظر گزارش، برنامه‌ریزی تولید دیگر الزاما مجموعه‌ای از برنامه‌های ثابت نیست که پس از هر اختلال توسط مدیران اصلاح شود. داده‌های سفارش، ظرفیت خطوط، نیروی انسانی، انرژی و وضعیت تجهیزات می‌توانند وارد مدل‌های هوش مصنوعی و شبیه‌سازی شوند تا برنامه تولید به‌صورت مستمر اصلاح شود.

همین منطق به خط تولید گسترش پیدا می‌کند. سیستم‌های هوشمند می‌توانند انحراف از شرایط مطلوب را شناسایی کنند، پارامترهای ماشین را تغییر دهند یا مسیر مواد را متناسب با شرایط تولید اصلاح کنند. در کنترل کیفیت نیز حرکت از «کشف نقص پس از تولید» به سمت «پیش‌بینی و جلوگیری از نقص» است. نگهداری تجهیزات نیز از سرویس دوره‌ای و واکنش به خرابی، به سمت پیش‌بینی خرابی و در مرحله بعد هماهنگی خودکار تعمیرات، قطعات یدکی و نیروی فنی حرکت می‌کند.

در چنین کارخانه‌ای، نقش انسان نیز تغییر می‌کند. گزارش پیش‌بینی نمی‌کند که انسان به‌سادگی از کارخانه حذف شود؛ بلکه نقش او به سمت نظارت بر سیستم‌های خودمختار، اعتبارسنجی تصمیم‌ها و مدیریت شرایط استثنایی حرکت می‌کند. ماشین‌ها بخش بیشتری از بهینه‌سازی و اجرای سریع عملیات را بر عهده می‌گیرند و نیروی انسانی بیشتر روی قضاوت، کنترل و تصمیم‌هایی متمرکز می‌شود که به درک گسترده‌تری از شرایط نیاز دارند.

نمونه‌های موردی گزارش نشان می‌دهد بخشی از این تغییر همین حالا آغاز شده است. در وسترن دیجیتال، استفاده از دستیاران مجازی فرایند در عملیات کنترل کیفیت، داده‌گیری، تحلیل، پشتیبانی تصمیم و اقدامات خودکار را با یکدیگر ترکیب کرده است. براساس ارقام ارائه‌شده در گزارش، این پروژه با کاهش ۳۰ درصدی خطاهای دستی کیفیت و افزایش پنج‌برابری بهره‌وری نیروی کار از طریق دستیارهای دیجیتال همراه بوده است. نکته مهم‌تر این است که سیستم برای یک کارخانه طراحی نشده و دانش حاصل از یک سایت می‌تواند در سایت‌های دیگر شبکه تولید نیز مورد استفاده قرار گیرد.

در Schneider Electric نیز ترکیب ربات‌های متحرک خودمختار، ربات‌های همکار، سیستم مدیریت انبار و بینایی مبتنی بر هوش مصنوعی برای خودکارسازی جابه‌جایی مواد به کار گرفته شده است. گزارش از حذف ریسک‌های ارگونومیک در فرایند مورد بررسی، بهبود ۱۵ درصدی بهره‌وری مسیرهای انبار و افزایش ۴ درصدی بهره‌وری نیروی انسانی خبر می‌دهد.

وقتی هوشمندی از دیوار کارخانه عبور می‌کند

اما بخش مهم‌تر تحول زمانی اتفاق می‌افتد که این قابلیت‌ها از کارخانه خارج می‌شوند. مجمع جهانی اقتصاد حوزه‌هایی مانند خرید و تدارکات، مهندسی تولید، توسعه محصول، کیفیت تأمین‌کنندگان، برنامه‌ریزی زنجیره تأمین، لجستیک خارجی و ارتباط با مشتری را نیز بخشی از عملیات صنعتی هوشمند می‌داند.

نمونه Agilent Technologies در گزارش نشان می‌دهد این روند فقط یک سناریوی آینده نیست. این شرکت از ترکیبی از یادگیری ماشین، تحلیل شرایط بازار و تحلیل پیش‌بینانه برای شبیه‌سازی مذاکرات خرید، پیش‌بینی حرکت قیمت‌ها و خودکارسازی پایش هزینه استفاده کرده است. براساس داده‌های گزارش، زمان آماده‌سازی برای مذاکره ۹۰ درصد کاهش یافته و این پروژه طی دو سال بیش از ۱۰ میلیون دلار صرفه‌جویی تجمیعی ایجاد کرده است.

زنجیره تأمین نیز در همین مسیر حرکت می‌کند. در مدل سنتی، برنامه‌ریزی معمولاً بر داده‌های گذشته و بازنگری‌های دوره‌ای متکی است. در مدل هوشمند، داده‌های تقاضا، موجودی، حمل‌ونقل و ظرفیت تولید می‌توانند در زمان نزدیک به واقعی وارد یک حلقه تصمیم‌گیری شوند.

Unilever در مرکز توزیع Hefei از سیستم‌های AI و یادگیری ماشین برای ترکیب ۱۲ منبع داده و بیش از ۱۰ متغیر تقاضا و عملکرد استفاده کرده است. موتور دیگری نیز با استفاده از بیش از ۱۰۰ پارامتر بسته‌بندی، سناریوهای ارسال سفارش را ارزیابی می‌کند. گزارش برای این پروژه افزایش ۳۹ درصدی دقت پیش‌بینی SKU، کاهش ۷۵ درصدی موجودی کم‌گردش و کاهش ۲۴ درصدی هزینه لجستیک به ازای هر سفارش را ذکر می‌کند.

در سمت مشتری نیز تغییر مشابهی رخ می‌دهد. به‌جای اینکه داده مشتری در سیستم فروش یا خدمات باقی بماند، سیگنال‌های تقاضا، استفاده از محصول و نیازهای خدماتی می‌توانند مستقیماً وارد برنامه‌ریزی تولید، موجودی و لجستیک شوند. گزارش این مرحله را حرکت به سمت شبکه‌هایی می‌داند که قادرند تغییر تقاضا، ریسک عرضه و حتی نوسانات هزینه و کربن را پیش‌بینی و قبل از وقوع مشکل، عملیات را تنظیم کنند.

مسابقه برای خرید جدیدترین فناوری کافی نیست

یکی از مهم‌ترین پیام‌های گزارش این است که تحول صنعتی را نباید به مسابقه خرید فناوری تبدیل کرد. Edge و IoT، هوش مصنوعی پیش‌بینانه، رباتیک، دوقلوهای دیجیتال، هوش مصنوعی مولد، Agentic AI، Physical AI و حتی رایانش کوانتومی در افق‌های مختلف نقش خواهند داشت، اما ارزش آنها به ترتیب و نحوه استقرار وابسته است.

گزارش صراحتاً تأکید می‌کند که ترتیب ساخت قابلیت‌ها از انتخاب یک فناوری خاص مهم‌تر است. قابلیت‌های پایه امکان هماهنگی در مقیاس بزرگ را فراهم می‌کنند و این هماهنگی پیش‌شرط رسیدن به خودمختاری بیشتر است. بنابراین اجرای چند پروژه پراکنده AI بدون یکپارچگی داده، فرایند و معماری عملیاتی الزاماً به تحول منجر نمی‌شود. ارزش زمانی افزایش پیدا می‌کند که فناوری از بهینه‌کردن یک فعالیت منفرد عبور کند و چندین فرایند را به‌صورت سرتاسری به یکدیگر متصل کند.

چالش اعتماد

افزایش اختیار سیستم‌های هوشمند یک مساله جدید نیز ایجاد می‌کند: چه کسی مسئول تصمیم است؟ با گسترش عامل‌های AI، ربات‌های خودمختار و سیستم‌های سایبرفیزیکی، سطح حمله دیجیتال نیز بزرگ‌تر می‌شود. یک رخنه امنیتی دیگر ممکن است فقط یک پایگاه داده را تحت تأثیر قرار ندهد؛ بلکه بتواند روی تولید، ایمنی یا کیفیت اثر بگذارد و از طریق سیستم‌های متصل گسترش پیدا کند. به همین دلیل، گزارش امنیت سایبری را نه یک لایه‌ای که پس از طراحی به سیستم اضافه شود، بلکه بخشی از طراحی اولیه عملیات هوشمند می‌داند.

حاکمیت تصمیم‌های AI نیز اهمیت بیشتری پیدا می‌کند. گزارش مفهومی با عنوان «Intelligent Operations Boardroom» مطرح می‌کند؛ محیطی تصمیم‌گیری که داده‌های کارخانه، شرکت و شبکه تأمین را در یک تصویر مشترک گردآوری کرده و با کمک دوقلوهای دیجیتال و شبیه‌سازی مبتنی بر AI، به مدیران امکان می‌دهد پیامدهای یک تصمیم را پیش از اجرا بررسی کنند. هدف این نیست که هیئت‌مدیره جای خود را به AI بدهد؛ بلکه مدیران بتوانند اثرات درجه دوم و سوم تصمیم‌های پیچیده را بهتر ببینند و مشخص کنند در کدام نقاط AI فقط اطلاعات ارائه می‌کند، کجا توصیه می‌کند و در چه محدوده‌ای اجازه تصمیم‌گیری دارد.

ریسک دیگری نیز در سطح اکوسیستم وجود دارد. هرچه شرکت‌ها به پلتفرم‌ها، استانداردهای داده و موتورهای تصمیم‌گیری مشترک وابسته‌تر شوند، کنترل این زیرساخت‌ها می‌تواند در اختیار تعداد محدودی بازیگر قرار گیرد. گزارش هشدار می‌دهد که شرکت‌ها و تأمین‌کنندگان میانی باید ضمن مشارکت در اکوسیستم‌های هوشمند، بخشی از کنترل داده، تمایز رقابتی و نقش خود در قواعد حاکمیت شبکه را حفظ کنند.

برندگان عصر عملیات هوشمند

نتیجه گزارش شاید برخلاف تصور اولیه، توصیه به استقرار سریع همه فناوری‌های جدید نیست. نقشه راه پیشنهادی از اصول پایه شروع می‌شود: ابتدا فرایندها باید تثبیت، ساده و دیجیتالی شوند. سپس به‌جای تلاش برای کامل کردن تمام داده‌های سازمان، داده‌هایی که برای تصمیم‌های مهم لازم‌اند باید قابل اعتماد و در دسترس شوند. سازمان نیز باید تعداد محدودی کاربرد دارای اثر واقعی بر هزینه، انعطاف‌پذیری یا تاب‌آوری را انتخاب کند و نتیجه مالی آنها را اندازه‌گیری کند.

این نکته زمانی اهمیت بیشتری پیدا می‌کند که براساس نظرسنجی جهانی Accenture که گزارش به آن استناد می‌کند، تنها حدود یک‌چهارم شرکت‌ها حرکت جدی خود به سمت خودمختاری بیشتر در عملیات را آغاز کرده‌اند و بسیاری از سازمان‌ها همچنان با قابلیت‌های پراکنده و تصمیم‌گیری دستی دست‌وپنجه نرم می‌کنند.

در نهایت، تصویری که مجمع جهانی اقتصاد از آینده صنعت ارائه می‌دهد، کارخانه‌ای بدون انسان یا مجموعه‌ای از ربات‌های کاملا مستقل نیست. مسئله اصلی ایجاد شبکه‌ای از انسان‌ها، ماشین‌ها، نرم‌افزارها و سازمان‌هاست که بتوانند اطلاعات را سریع‌تر به تصمیم و تصمیم را سریع‌تر به عمل تبدیل کنند.

رقابت آینده نیز احتمالاً کمتر بر سر مالکیت یک فناوری خاص و بیشتر بر سر توانایی سازمان‌ها در ترکیب فناوری، داده، فرایند و نیروی انسانی خواهد بود. گزارش تأکید می‌کند که گذار به عملیات هوشمند خطی نخواهد بود و حتی با دوره‌هایی از بازنگری و کاهش انتظارات نسبت به AI همراه می‌شود. اما سازمان‌هایی که از امروز پایه‌های داده، مدل عملیاتی، حکمرانی و مهارت‌های انسانی خود را آماده کنند، شانس بیشتری دارند که از پروژه‌های پراکنده هوش مصنوعی عبور کرده و آن را به یک قابلیت عملیاتی پایدار تبدیل کنند.

در این نگاه، «تحول دیجیتال» دیگر پروژه‌ای با نقطه آغاز و پایان مشخص نیست. عملیات هوشمند به قابلیتی تبدیل می‌شود که باید به‌طور مداوم یاد بگیرد، اصلاح شود و با تغییرات محیط تطبیق پیدا کند؛ درست همان ویژگی‌ای که از خود سیستم‌های صنعتی آینده انتظار می‌رود.

چشم‌انداز عملیات صنعتی هوشمند ۲۰۲۶ مجمع جهانی اقتصاد