آیا هوشمندسازی کارخانه همیشه هزینه را کاهش میدهد و بهرهوری را افزایش میدهد؟ پاسخ کوتاه این است: نه همیشه. اجرای موفق یک پروژه آزمایشی روی یک خط تولید با پیادهسازی آن در کل کارخانه تفاوت زیادی دارد. بخش مهمی از چالشهای هوش مصنوعی در صنعت نیز در همین فاصله نمایان میشود.
امروزه هوش مصنوعی در صنایع تولیدی فرصتهای متعددی برای افزایش بهرهوری، کاهش هزینههای عملیاتی و بهبود کیفیت محصولات ایجاد کرده است. بااینحال، هزینه پیادهسازی، کیفیت دادهها، امنیت سایبری و نیاز به نیروی متخصص از موانعی هستند که نباید نادیده گرفته شوند. بنابراین، تأثیر هوش مصنوعی بر صنعت فقط به مزایای فنی آن محدود نیست و جنبههای اقتصادی، مدیریتی و انسانی را نیز در بر میگیرد.
در این مقاله، مزایا و چالشهای هوش مصنوعی در صنعت را از جنبههای مختلف بررسی میکنیم؛ از بهبود عملکرد خطوط تولید تا هزینههای اجرا، امنیت اطلاعات، تأثیر بر نیروی انسانی و روندهای آینده. آمارها همراه با دامنه و منبع آنها ارائه میشوند و هرجا شواهد کافی وجود نداشته باشد، به این محدودیت اشاره میکنیم.
مزایای هوش مصنوعی در صنعت چیست؟
مزایای هوش مصنوعی در صنعت زمانی قابلمشاهده میشوند که این فناوری برای حل یک مسئله مشخص به کار گرفته شود. استفاده از مدلهای هوشمند میتواند فرایندهای مختلف تولید را بهبود دهد، اما میزان تأثیر آن به شرایط کارخانه، کیفیت دادهها و نوع کاربرد بستگی دارد.
پنج مورد از مهمترین مزایای استفاده از هوش مصنوعی در صنایع عبارتاند از:
• افزایش بهرهوری و سرعت تولید: مدلهای هوشمند میتوانند دادههای خطوط تولید را در لحظه تحلیل کنند. این قابلیت، نیاز به بررسی دستی حجم زیادی از اطلاعات را کاهش میدهد و به اپراتورها کمک میکند سریعتر تصمیم بگیرند.
• کاهش هزینههای عملیاتی و اتلاف منابع: پیشبینی خرابی تجهیزات، کاهش ضایعات و شناسایی مشکلات تولید میتوانند هزینه توقف دستگاهها و دوبارهکاری محصولات را کاهش دهند.
• بهبود دقت و کیفیت محصولات: سیستمهای مبتنی بر بینایی ماشین میتوانند محصولات را با معیارهای مشخص بررسی کنند و احتمال نادیدهماندن برخی عیوب را کاهش دهند.
• بهبود تصمیمگیری مدیریتی: تحلیل لحظهای دادهها به مدیران امکان میدهد وضعیت تولید را سریعتر ارزیابی کنند و بهجای اتکا به گزارشهای دورهای، تصمیمهای مبتنی بر اطلاعات بهروز بگیرند.
• بهینهسازی مصرف انرژی و منابع: الگوریتمهای هوشمند میتوانند الگوهای مصرف را شناسایی کنند و برای استفاده کارآمدتر از انرژی، مواد اولیه و ظرفیت تجهیزات پیشنهادهایی ارائه دهند.
این قابلیتها از مهمترین دلایل حرکت صنایع به سمت هوشمندسازی صنایع و استفاده از فناوریهای دادهمحور هستند. بااینحال، نباید آنها را نتایج تضمینشده در نظر گرفت. برای مثال، کارخانهای که بازرسی محصولات را بهصورت دستی و نمونهای انجام میدهد، ممکن است از سیستم بازرسی هوشمند بیشتر از کارخانهای سود ببرد که پیشتر به سامانههای خودکار مجهز شده است.
در نتیجه، هرکدام از این مزایا زمانی محقق میشوند که مسئله مناسب انتخاب شده باشد و داده، زیرساخت و نیروی انسانی موردنیاز فراهم باشند.
مهمترین چالشها و معایب هوش مصنوعی در صنعت چیست؟
در کنار مزایا، معایب هوش مصنوعی در صنعت و محدودیتهای اجرایی آن نیز اهمیت زیادی دارند. پیادهسازی این فناوری ممکن است به سرمایهگذاری قابلتوجه، تغییر زیرساختها و بازنگری در فرایندهای مدیریتی نیاز داشته باشد.
آمارهای این بخش عمدتاً از نظرسنجیها به دست آمدهاند. بنابراین، این ارقام دیدگاه پاسخدهندگان را نشان میدهند و نباید آنها را معادل اندازهگیری مستقل عملکرد تمام صنایع دانست.
هزینه اولیه و زیرساخت
اجرای یک پروژه هوش مصنوعی در کارخانه فقط به خرید نرمافزار یا طراحی مدل محدود نمیشود. پیش از پیادهسازی، ممکن است به حسگرهای صنعتی، شبکه ارتباطی، تجهیزات پردازشی، فضای ذخیرهسازی و نیروی متخصص نیاز باشد.
در گزارش Manufacturers Alliance در سال ۲۰۲۶ که حدود ۱۰۰ مدیر تولید در شرکتهای میانرده و بزرگ را بررسی کرده است، ۲۹ درصد پاسخدهندگان هزینههای عملیاتی بالا را از موانع پذیرش هوش مصنوعی دانستهاند. حجم پایه پاسخگویی به هر سؤال در این گزارش مشخص نشده است.
در نظرسنجی RSM نیز نیمی از ۱۲۹ تولیدکننده میانرده اعلام کردهاند که برای سال جاری بودجهای دستکم یک میلیون دلاری در نظر گرفتهاند. این رقم بودجه برنامهریزیشده است و هزینه واقعی اجرای یک پروژه مشخص را نشان نمیدهد.
بنابراین، هنگام محاسبه هزینه پیادهسازی هوش مصنوعی در صنعت باید تمام مخارج احتمالی، از آمادهسازی زیرساخت تا آموزش کارکنان و نگهداری سیستم، در نظر گرفته شوند. نادیدهگرفتن این موارد میتواند باعث کمبود بودجه در مراحل بعدی پروژه شود.
کمبود دادههای باکیفیت و نیروی متخصص
عملکرد مدلهای هوش مصنوعی تا حد زیادی به کیفیت دادههای ورودی وابسته است. اگر اطلاعات ثبتشده ناقص، پراکنده یا دارای خطا باشند، خروجی مدل نیز ممکن است دقیق و قابلاعتماد نباشد.
در گزارش Manufacturers Alliance، ۶۳ درصد پاسخدهندگان گفتهاند دادههای آنها پیش از اجرای پروژه آزمایشی به پاکسازی و نگاشت نیاز داشته است. در مقابل، فقط ۳ درصد اعلام کردهاند که به هیچگونه پاکسازی داده نیاز نداشتهاند.
در نظرسنجی RSM نیز ۳۲ درصد پاسخدهندگان کیفیت و دسترسی به دادهها و ۲۴ درصد کمبود مهارت را از عوامل محدودکننده توسعه هوش مصنوعی معرفی کردهاند.
این مسئله یکی از مهمترین محدودیتهای هوش مصنوعی در محیطهای صنعتی است. مدل ممکن است بر اساس دادههای ناقص، الگوهای اشتباه یاد بگیرد و نتیجهای گمراهکننده ارائه دهد. در چنین شرایطی، اپراتورها نیز بهتدریج اعتماد خود را به سیستم از دست میدهند.
برای آشنایی بیشتر با کاربرد این فناوریها در محیط تولید، میتوان مقاله هوش مصنوعی در صنعت و تولید را مطالعه کرد.
امنیت سایبری و حفاظت از اطلاعات صنعتی
با افزایش ارتباط میان تجهیزات، حسگرها و سامانههای مدیریتی، امنیت اطلاعات به یکی از موضوعات مهم در تحول دیجیتال در صنعت تبدیل شده است.
بر اساس شاخص X-Force شرکت IBM در فوریه ۲۰۲۶، صنعت تولید در سال ۲۰۲۵ سهم ۲۷٫۷ درصدی از حوادث امنیتی بررسیشده را داشته و برای پنجمین سال متوالی بیشترین سهم را میان صنایع به خود اختصاص داده است. این عدد سهم تولید از حوادث ثبتشده در این شاخص است، نه تعداد کل حملات سایبری یا میزان خسارت آنها.
در نظرسنجی RSM نیز امنیت و حریم خصوصی با ۳۷ درصد، رایجترین عامل محدودکننده استفاده از هوش مصنوعی معرفی شده است.
راهنمای NIST SP 800-82 نسخه سوم که در سال ۲۰۲۳ منتشر شده، بر الزامات ویژه سیستمهای فناوری عملیاتی (OT) از نظر عملکرد، پایداری و ایمنی تأکید میکند.
اهمیت این موضوع در محیط صنعتی دوچندان است؛ زیرا نفوذ به یک سامانه متصل به تجهیزات تولیدی ممکن است علاوه بر افشای اطلاعات، عملکرد دستگاهها و حتی ایمنی کارکنان را تحت تأثیر قرار دهد. به همین دلیل، امنیت سایبری باید از مراحل اولیه طراحی سیستمهای هوشمند در نظر گرفته شود.
اتصال سیستمهای هوشمند به تجهیزات و سیستمهای قدیمی
بسیاری از کارخانهها از ماشینآلات و نرمافزارهایی استفاده میکنند که طی سالهای مختلف نصب شدهاند. این تجهیزات همیشه امکان ارتباط مستقیم با سامانههای جدید را ندارند.
در نظرسنجی RSM، ۲۷ درصد پاسخدهندگان یکپارچهسازی با سیستمهای قدیمی را از موانع استفاده از AI دانستهاند. گزارش Manufacturers Alliance نیز شکاف میان سیستمهای فناوری اطلاعات (IT) و فناوری عملیاتی (OT) را یکی از چالشهای مهم معرفی میکند.
طبق توضیحات NTT DATA، یک پروژه آزمایشی ممکن است در محیط آزمایشگاهی موفق باشد، اما هنگام اتصال به سیستمهایی مانند ERP و MES کارخانه با مشکل مواجه شود.
آمار مستقلی درباره سهم تجهیزات قدیمی بهتنهایی پیدا نکردهایم؛ بنابراین این موضوع بر اساس گزارشهای مربوط به یکپارچهسازی و ارتباط میان سیستمهای صنعتی مطرح میشود.
پیچیدگی نگهداری، ارزیابی و بهروزرسانی مدلها
پیادهسازی مدل هوش مصنوعی پایان کار نیست. مدلها به پایش مداوم، ارزیابی عملکرد و بهروزرسانی نیاز دارند. تغییر شرایط تولید، نوع مواد اولیه یا رفتار تجهیزات ممکن است باعث شود عملکرد مدل در طول زمان کاهش پیدا کند.
شرکت NTT DATA در یادداشتی در سال ۲۰۲۶ به افت عملکرد مدلها در گذر زمان و ضرورت پایش مستمر آنها اشاره میکند. کارشناسان نقلشده در Manufacturing Dive نیز معتقدند تفاوت دادهها میان کارخانهها میتواند اعتماد به یک مدل مشترک را در چند سایت کاهش دهد.
این موارد دیدگاههای کارشناسی هستند و آمار مستقلی از میزان افت عملکرد تمام مدلهای صنعتی محسوب نمیشوند.
اگر فرایند نگهداری و ارزیابی بهدرستی انجام نشود، ممکن است یک مدل بهتدریج خروجیهای کمدقتتری تولید کند، بدون اینکه مدیران یا اپراتورها متوجه این تغییر شوند.
آیا سرمایهگذاری در هوش مصنوعی برای کارخانهها مقرونبهصرفه است؟
یکی از پرسشهای مهم مدیران هنگام بررسی مزایا و معایب هوش مصنوعی این است که آیا منافع احتمالی آن، هزینههای پیادهسازی را جبران میکند یا خیر.
برای هزینه اجرا و میزان بازگشت سرمایه هوش مصنوعی در همه کارخانهها عدد قابلتعمیمی وجود ندارد. نوع صنعت، اندازه مجموعه، وضعیت زیرساخت و مسئله موردنظر میتوانند نتیجه اقتصادی پروژه را تغییر دهند.
برای ارزیابی منطقی یک پروژه، پنج معیار اهمیت دارند:
• وضعیت فعلی و خط پایه: هزینه توقف تجهیزات، میزان ضایعات و ساعت کاری موردنیاز برای بازرسی پیش از اجرای پروژه چقدر است؟
• هزینه کل پیادهسازی: نرمافزار، حسگرها، آمادهسازی داده، آموزش، امنیت و نگهداری مدل چه هزینهای دارند؟
• منافع قابلاندازهگیری: پروژه تا چه اندازه میتواند هزینهها را کاهش دهد، کیفیت را بهبود ببخشد یا ظرفیت تولید را افزایش دهد؟
• بازه بازگشت سرمایه: چه مدت طول میکشد تا منافع اقتصادی پروژه هزینههای اولیه را جبران کنند؟
• اجرای مرحلهای: آیا میتوان ابتدا یک پروژه کوچک با معیار موفقیت مشخص اجرا کرد و پس از ارزیابی، آن را توسعه داد؟
برای مثال، میتوان نرخ ضایعات، ساعت توقف برنامهریزینشده، زمان بازرسی هر محصول و میزان مصرف انرژی بهازای هر واحد تولید را بهعنوان شاخصهای ارزیابی انتخاب کرد.
بدون ثبت وضعیت اولیه، اندازهگیری دقیق تغییرات ممکن نیست. اگر مسئله بهدرستی تعریف نشده یا داده کافی وجود ندارد، بهتر است کارخانه پیش از خرید فناوری، ابتدا این دو مشکل را برطرف کند.
کارخانههای کوچک معمولاً با محدودیت بیشتری در بودجه، داده و نیروی فنی مواجهاند؛ درحالیکه کارخانههای بزرگ میتوانند هزینه برخی زیرساختها را میان خطوط تولید بیشتری تقسیم کنند. این مقایسه یک تحلیل اجرایی است و بهعنوان نتیجه یک پژوهش آماری مطرح نمیشود.
در گزارش Manufacturers Alliance، پاسخدهندگان درباره روشهای ارزیابی بازگشت سرمایه (ROI) اعلام کردهاند که صرفهجویی هزینه با ۷۲ درصد، افزایش کارایی با ۶۷ درصد، بهبود کیفیت محصول با ۴۲ درصد و کاهش توقف تجهیزات با ۴۱ درصد از معیارهای مورد استفاده آنها هستند.
این ارقام نشاندهنده معیارهای سنجش شرکتها هستند، نه میزان بهبود واقعی حاصل از پروژهها. همچنین ۱۱ درصد پاسخدهندگان هیچ راهبرد مشخصی برای ارزیابی ROI نداشتهاند.
در نظرسنجی RSM نیز ۹۸ درصد از ۱۲۹ پاسخدهنده از ارزش تجاری ایجادشده رضایت داشتهاند. البته این میزان رضایت مدیران، بهتنهایی بازگشت سرمایه تمام پروژههای هوش مصنوعی را اثبات نمیکند.
یکی از مدیران نقلشده در گزارش Manufacturers Alliance نیز اشاره میکند که ممکن است در سال نخست تغییر قابلتوجهی دیده نشود و ارزیابی بازدهی پروژه به بازه زمانی طولانیتری، از سال دوم تا پنجم، نیاز داشته باشد.
همین نظرسنجی نشان میدهد در پروژههای آزمایشی با موفقیت متوسط یا محدود، کیفیت داده با ۵۱ درصد، یکپارچهسازی با ۴۳ درصد و نامشخصبودن بازگشت سرمایه با ۳۰ درصد از دلایل مطرحشده بودهاند.
هوش مصنوعی چه تأثیری بر نیروی انسانی در صنعت دارد؟
یکی از مهمترین بحثها درباره تأثیر هوش مصنوعی بر صنعت به آینده مشاغل و نقش نیروی انسانی مربوط میشود. گسترش اتوماسیون و سیستمهای هوشمند میتواند بعضی وظایف را تغییر دهد، اما به معنای حذف قطعی تمام مشاغل صنعتی نیست.
گزارش آینده مشاغل مجمع جهانی اقتصاد (WEF) در سال ۲۰۲۵، اطلاعات بیش از هزار شرکت را در ۲۲ صنعت و ۵۵ اقتصاد بررسی کرده است. این گزارش به تمام صنایع میپردازد و آمار آن مختص تولید نیست.
بر اساس این گزارش، تا سال ۲۰۳۰ حدود ۱۷۰ میلیون شغل ایجاد و ۹۲ میلیون شغل حذف خواهد شد. برآیند این تغییرات، افزایش خالص ۷۸ میلیون شغل پیشبینی شده است. همچنین حدود ۴۰ درصد مهارتهای موردنیاز تغییر میکنند، ۷۷ درصد کارفرمایان قصد آموزش مجدد کارکنان را دارند و ۴۱ درصد نیز اعلام کردهاند ممکن است به دلیل خودکارشدن برخی وظایف با هوش مصنوعی، نیروی انسانی خود را کاهش دهند.
گزارش مشترک Manufacturing Institute و Deloitte در سال ۲۰۲۴ فقط بازار کار ایالات متحده را بررسی کرده است. بر اساس این گزارش، تا سال ۲۰۳۳ حداکثر به ۳٫۸ میلیون نیروی جدید در بخش تولید نیاز خواهد بود و احتمال دارد حدود ۱٫۹ میلیون شغل تخصصی خالی بماند.
این گزارش درباره نیازهای مهارتی در تولید است و نباید تمام این اعداد را نتیجه مستقیم گسترش هوش مصنوعی دانست. همان صفحه به پژوهشی از Deloitte اشاره میکند که کارکنان دارای مهارتهای آیندهمحور را ۲٫۷ برابر کماحتمالتر برای ترک شغل طی ۱۲ ماه معرفی کرده است؛ جامعه آماری این پژوهش در اطلاعات ارائهشده مشخص نشده است.
با درنظرگرفتن این شواهد، چند نتیجه محتاطانه درباره آینده نیروی انسانی در صنایع تولیدی میتوان مطرح کرد:
• تغییر وظایف شغلی: اپراتورها ممکن است علاوه بر کار با تجهیزات، وظیفه بررسی هشدارهای مدل و ارزیابی پیشنهادهای سیستمهای هوشمند را نیز بر عهده بگیرند. در نتیجه، مهارت دیجیتال و توانایی تحلیل داده اهمیت بیشتری پیدا میکند.
• ضرورت آموزش مجدد: در گزارش Manufacturers Alliance، ۷۸ درصد پاسخدهندگان از آموزش و ارتقای مهارت کارکنان استفاده کردهاند. همچنین ۳۳ درصد آموزش با شبیهسازی، محیط سندباکس یا دوقلوی دیجیتال را به کار گرفتهاند.
• افزایش همکاری انسان و ماشین: در بسیاری از محیطهای صنعتی، ترکیب توانایی انسان و سیستمهای هوشمند میتواند رویکرد عملیتری از جایگزینی کامل نیروی انسانی باشد. البته این موضوع یک برداشت تحلیلی است و نتیجه قطعی گزارشهای اشتغال محسوب نمیشود.
بنابراین، موفقیت هوشمندسازی صنایع فقط به خرید تجهیزات و نرمافزارهای جدید وابسته نیست؛ آموزش کارکنان و آمادهسازی نیروی انسانی نیز بخشی از فرایند تحول محسوب میشود.
آینده هوش مصنوعی در صنعت و تولید چگونه خواهد بود؟
آینده هوش مصنوعی در صنعت به توسعه مدلهای هوشمند، رباتیک، زیرساخت داده و ارتباط میان تجهیزات بستگی دارد. بااینحال، تمام فناوریهایی که امروز درباره آنها صحبت میشود به یک اندازه در محیطهای صنعتی استفاده نشدهاند.
برای ارزیابی واقعبینانه روندهای آینده، بهتر است فناوریهای در حال استفاده را از راهکارهای آزمایشی و موضوعات نامطمئن جدا کنیم.
|
فناوری یا روند |
وضعیت |
|
بازرسی تصویری کیفیت |
در حال استفاده |
|
نگهداری و تعمیرات پیشبینانه |
در حال استفاده |
|
آموزش و آزمون با شبیهسازی و دوقلوی دیجیتال |
در حال استفاده |
|
هوش مصنوعی عاملی (Agentic AI) |
در مرحله پایلوت و بررسی |
|
رباتهای انساننما |
در مرحله پایلوت |
|
کارخانه کاملاً خودگردان |
هنوز نامطمئن |
|
اعتماد به یک مدل واحد در چند کارخانه |
هنوز نامطمئن |
|
تأثیر خالص هوش مصنوعی بر اشتغال تولید |
هنوز نامطمئن |
برای هوش مصنوعی عاملی،Manufacturers Alliance اعلام کرده است حدود ۶ درصد پاسخدهندگان از آن در تولید زنده استفاده کردهاند، ۳۲ درصد پایلوت فعال دارند و ۳۹ درصد در حال شناسایی کاربردهای آن هستند.
آمار فدراسیون بینالمللی رباتیک (IFR) در سال ۲۰۲۴ نشان میدهد ۵۴۲ هزار ربات صنعتی در جهان نصب شده و تعداد رباتهای فعال به ۴٫۶۶۴ میلیون دستگاه رسیده است. البته این آمار شامل تمام رباتهای صنعتی است و مشخص نمیکند چه تعداد از آنها از هوش مصنوعی استفاده میکنند.
با گسترش سیستمهای متصل، امنیت دادهها و زیرساختهای صنعتی نیز اهمیت بیشتری پیدا میکنند. RSM هشدار میدهد که کارخانهها نباید برای تأمین بودجه پروژههای هوش مصنوعی، هزینههای ضروری امنیت سایبری را کاهش دهند.
برای ارزیابی واقعبینانه روندهای آینده تولید هوشمند، سه شاخص اهمیت دارند: نسبت پروژههای آزمایشی به استقرار واقعی، انتشار گزارشهای مستقل در کنار بیانیههای شرکتها و شفافیت در تعریف شاخصهای آماری.
در مجموع، تحول دیجیتال در صنعت احتمالاً بهتدریج از اتوماسیون وظایف مشخص به سمت سامانههای یکپارچهتر و تصمیمگیری دادهمحور حرکت میکند. بااینحال، توسعه کارخانههای کاملاً خودگردان و میزان تأثیر نهایی AI بر اشتغال همچنان به شواهد بیشتری نیاز دارد.
جمعبندی
مزایا و چالشهای هوش مصنوعی در صنعت نشان میدهند که این فناوری نه راهحل قطعی تمام مشکلات تولید است و نه سرمایهگذاری پرریسکی که باید از آن دوری کرد. نتیجه استفاده از AI به کیفیت دادهها، زیرساخت، توانایی نیروی انسانی، انتخاب مسئله مناسب و برنامهریزی اقتصادی بستگی دارد.
از یک سو، افزایش بهرهوری، کاهش ضایعات، بهبود کنترل کیفیت و پیشبینی خرابی تجهیزات از مهمترین فرصتهای هوش مصنوعی هستند. از سوی دیگر، هزینه اولیه، ضعف زیرساخت، امنیت سایبری، کمبود نیروی متخصص و دشواری نگهداری مدلها از محدودیتهایی هستند که باید برای آنها برنامه داشت.
پیش از خرید فناوری، مسئله عملیاتی و معیار موفقیت را مشخص کنید و با یک پروژه آزمایشی قابلاندازهگیری شروع کنید. اگر دادههای کارخانه هنوز پراکنده یا ناقصاند، سرمایهگذاری روی زیرساخت داده ممکن است از خرید یک مدل پیشرفته منطقیتر باشد. همچنین بهتر است کارکنان از ابتدای فرایند در طراحی و اجرای پروژه مشارکت داشته باشند.
برای آشنایی با نمونههای عملی این فناوری&zw