بیشتر مدیران تولیدی که با آن‌ها حرف می‌زنم، کمبود ایده هوش مصنوعی ندارند؛ کمبود نتیجه دارند. یک پایلوت بینایی ماشین هست که روی یک خط عالی جواب داد و هیچ‌وقت گسترش پیدا نکرد، یک مدل پیش‌بینی که واحد برنامه‌ریزی به آن اعتماد ندارد، و یک دموی چت‌بات که هیئت‌مدیره را تحت تأثیر قرار داد و بعد بی‌سروصدا فراموش شد. در همین حال ایمیل‌های فروشنده‌ها هم یکی پس از دیگری می‌رسند.
در ۲۴ سال کار در صنعت و تولید یاد گرفته‌ام که مشکل معمولاً خود فناوری نیست؛ انتخاب اولین مسئله است. اگر کاربردی را انتخاب کنید که داده تمیز ندارد، مالک ندارد و به هیچ تصمیمی وصل نیست، حتی بهترین مدل هم در مرحله پایلوت می‌میرد. اما اگر یک مسئله معمولی و خوش‌تعریف را بردارید، هوش مصنوعی آرام‌آرام هزینه خودش را درمی‌آورد.
آمارها هم همین را می‌گویند. در نظرسنجی جهانی مک‌کینزی در سال ۲۰۲۵ فقط ۳۹٪ پاسخ‌دهندگان گفته‌اند هوش مصنوعی هر اندازه‌ای اثر روی سود عملیاتی (EBIT) کل سازمان داشته و بیشترشان این اثر را کمتر از ۵٪ دانسته‌اند. با این حال، تولید یکی از حوزه‌هایی بوده که بیشترین گزارش صرفه‌جویی هزینه از کاربردهای مشخص را داشته است. نظرسنجی تولید هوشمند دیلویت در ۲۰۲۵ هم روی ۶۰۰ تولیدکننده بزرگ نشان داد ۲۹٪ از هوش مصنوعی و یادگیری ماشین در مقیاس کارخانه یا شبکه استفاده می‌کنند و ۲۳٪ هنوز در مرحله پایلوت‌اند. یعنی ارزش واقعی است، فقط خودبه‌خود نمی‌آید.
پنج کاربردی که در کارخانه‌های واقعی مدام تکرار می‌شوند
هیچ‌کدام از این‌ها آینده‌نگرانه نیست. برای هر کدام امروز ابزارهای جاافتاده وجود دارد و هر کدام به عددی وصل است که مدیر کارخانه همین حالا دنبالش می‌کند.
- بازرسی کیفی تصویری. یک دوربین و یک مدل بینایی ماشین، قطعه را در انتهای ایستگاه بررسی می‌کنند و خط‌وخش، قطعه جاافتاده یا برچسب اشتباه را علامت می‌زنند. سودش از کاهش عیب‌های فرار کرده و کم شدن بازرسی دستی می‌آید.
- نگهداری پیش‌بینانه روی یک تجهیز حیاتی. داده ارتعاش، جریان موتور یا دما چند روز قبل از خرابی هشدار می‌دهد. سودش از کاهش توقف‌های برنامه‌ریزی‌نشده است، ولی به داده حسگر و مقداری سابقه خرابی نیاز دارد.
- پیش‌بینی تقاضا و فروش. یک مدل یادگیری ماشین روی دو تا سه سال سابقه فروش، با درنظر گرفتن پروموشن‌ها و فصلی بودن، عدد شروع بهتری به برنامه‌ریزی می‌دهد. سودش از موجودی کمتر و سفارش‌های فوری کمتر است.
- دستیار هوش مصنوعی مولد برای نگهداری و عملیات. تکنسین‌ها به زبان ساده سؤال می‌پرسند و جواب را از دل دستورالعمل‌ها، روش‌های اجرایی (SOP) و دستور کارهای قبلی خود سازمان می‌گیرند، همراه با صفحه منبع. سودش از تعمیر سریع‌تر و آموزش سریع‌تر نیروهای تازه‌وارد است.
- تشخیص ناهنجاری مصرف انرژی. مدل از داده کنتورها الگوی عادی مصرف کمپرسورها، کوره‌ها یا سیستم تهویه را یاد می‌گیرد و اتلاف را علامت می‌زند؛ مثلاً نشتی هوای فشرده در روز تعطیل. سودش از قبض انرژی کمتر است.
این روزها درباره «هوش مصنوعی عامل‌محور» (Agentic AI) هم زیاد می‌شنوید؛ نرم‌افزارهایی که خودشان بین چند سیستم کار انجام می‌دهند. این موج در راه است: طبق نظرسنجی Manufacturing Leadership Council که دیلویت به آن استناد کرده، ۶٪ تولیدکنندگان از آن استفاده می‌کنند و ۲۴٪ انتظار دارند ظرف دو سال استفاده کنند. ولی عامل‌ها هم دقیقاً به همان پایه‌ها نیاز دارند: داده تمیز، مالک روشن و تصمیمی که باید پشتیبانی شود. پس انتخاب اولین کاربرد از این هم مهم‌تر می‌شود.
مثال عملی: امتیازدهی در یک ساعت
روش ساده‌ای که دوست دارم با تیم مدیریت اجرا کنم این است: برای هر گزینه سه چیز را از ۱ تا ۵ امتیاز بدهید: ارزش (چقدر پول یا ریسک در میان است)، آمادگی داده (آیا داده از قبل وجود دارد، قابل استفاده است و مالک دارد) و زحمت (یکپارچه‌سازی، مدیریت تغییر، سخت‌افزار). بعد حساب کنید: امتیاز = ارزش × آمادگی داده ÷ زحمت. عمداً ساده است؛ ارزشش در گفت‌وگویی است که راه می‌اندازد.
امتیازهای زیر یک مثال فرضی برای یک تولیدکننده متوسط قطعه‌ای است، نه داده یک شرکت واقعی.
| کاربرد | ارزش | آمادگی داده | زحمت | امتیاز |
|---|---|---|---|---|
| دستیار هوش مصنوعی مولد روی دستورالعمل‌ها، SOPها و دستور کارها | ۳ | ۴ | ۲ | ۶٫۰ |
| پیش‌بینی تقاضا و فروش | ۳ | ۴ | ۲ | ۶٫۰ |
| بازرسی کیفی تصویری روی یک ایستگاه | ۵ | ۳ | ۳ | ۵٫۰ |
| تشخیص ناهنجاری مصرف انرژی | ۲ | ۳ | ۲ | ۳٫۰ |
| نگهداری پیش‌بینانه روی یک پرس حیاتی | ۴ | ۲ | ۴ | ۲٫۰ |
ببینید چه اتفاقی می‌افتد. نگهداری پیش‌بینانه، یعنی همان کاربردی که همه اول از آن اسم می‌برند، ته جدول می‌نشیند؛ نه چون ایده بدی است، بلکه چون در این مثال تقریباً هیچ سابقه خرابی و هنوز هیچ حسگری وجود ندارد. این یعنی «هرگز» نه؛ یعنی «از همین حالا جمع‌آوری داده را شروع کنید و یک سال دیگر برگردید». دو برد سریع، دستیار اسناد و پیش‌بینی فروش‌اند و بازرسی تصویری موج دوم قدرتمندی است.
یک حساب سرانگشتی بازگشت سرمایه برای گزینه برنده
قبل از اینکه کسی پولی خرج کند، یک عدد تقریبی رویش بگذارید. همه اعداد زیر فرض‌های نمونه‌اند؛ اعداد خودتان را جایشان بگذارید.
| قلم | فرض (نمونه) | در سال |
|---|---|---|
| صرفه‌جویی در وقتی که تکنسین‌ها صرف گشتن در دستورالعمل‌ها و دستور کارهای قدیمی می‌کنند | ۲۵ تکنسین × ۱۰ دقیقه در روز × ۲۵۰ روز ≈ ۱٬۰۴۰ ساعت × ۱۵ واحد پول در ساعت | ≈ ۱۵٬۶۰۰ |
| تعمیر سریع‌تر خرابی‌هایی که خط را متوقف می‌کنند | ۱۲۰ خرابی × ۱۵ دقیقه کوتاه‌تر × ۲٬۰۰۰ واحد حاشیه سود در هر ساعت خط | ۶۰٬۰۰۰ |
| جمع منفعت | ≈ ۷۵٬۶۰۰ | |
| هزینه یک‌باره (مرتب کردن اسناد، راه‌اندازی، یکپارچه‌سازی، آموزش) | ۲۰٬۰۰۰ | |
| هزینه جاری (لایسنس، میزبانی، پشتیبانی) | ۶٬۰۰۰ |
دوره بازگشت در این مثال: ۲۰٬۰۰۰ ÷ (۷۵٬۶۰۰ − ۶٬۰۰۰) ≈ ۰٫۲۹ سال، یعنی حدود سه ماه و نیم. دقت کنید که بیشتر ارزش از کاهش توقف می‌آید، نه از دقیقه‌های صرفه‌جویی‌شده. این الگوی رایجی است: کاربرد را به عددی وصل کنید که واقعاً درد دارد، توجیه اقتصادی خودش نوشته می‌شود. اگر سطر توقف صفر بود، توجیه خیلی ضعیف‌تر می‌شد و بهتر است این را قبل از پایلوت بدانید، نه بعد از آن.
کارت یک‌صفحه‌ای کاربرد
هر گزینه‌ای که از امتیازدهی سالم بیرون بیاید، فقط یک صفحه می‌گیرد، نه بیشتر. اگر نتوانید پرش کنید، هنوز برای شروع آماده نیستید.
| بخش | چه بنویسید |
|---|---|
| مسئله | یک جمله که سرپرست خط هم با آن موافق باشد |
| شاخص و خط مبنا | عدد امروز، به همان روشی اندازه‌گیری‌شده که پایلوت را می‌سنجید |
| داده و مالک | کدام سیستم، چند ماه داده، چه کسی کیفیت آن را تأیید می‌کند |
| تصمیمی که تغییر می‌کند | چه کسی بر اساس خروجی عمل می‌کند و چه کاری را متفاوت انجام می‌دهد |
| آستانه موفقیت | نتیجه‌ای در روز ۹۰ که گسترش را توجیه کند |
| معیار توقف | نتیجه‌ای در روز ۶۰ که پروژه را بی‌دلخوری متوقف کند |
برنامه ۹۰ روزه‌ای که پایلوت را ابدی نمی‌کند
- هفته‌های ۱ تا ۲: کارت را پر کنید، خط مبنا را بسنجید و داده را با مالکش بررسی کنید.
- هفته‌های ۳ تا ۶: کوچک‌ترین نسخه کارا را برای یک خط، یک تیم یا یک خانواده محصول بسازید.
- هفته‌های ۷ تا ۱۰: آن را کنار آدم‌ها اجرا کنید، نه به‌جای آن‌ها، و هر جواب اشتباه را ثبت کنید.
- هفته‌های ۱۱ تا ۱۳: با خط مبنا مقایسه کنید و تصمیم بگیرید: گسترش، اصلاح یا توقف.
چه چیزی به دست می‌آورید
وقتی اولین کاربرد این‌طور انتخاب شود، چیزی باارزش‌تر از یک دمو به دست می‌آورید: نتیجه‌ای که کارخانه باورش دارد، تیمی که یک بار کار را تا آخر برده، و مسیرهای داده‌ای که برای کاربرد بعدی دوباره قابل استفاده‌اند. پروژه دوم ارزان‌تر از اولی تمام می‌شود و سومی از آن هم ارزان‌تر. این‌طوری هوش مصنوعی از یک اسلاید در سند استراتژی به ریتم روزانه کارخانه می‌رسد.
این کار به بقیه سازمان هم وصل است. هوش مصنوعی باید بداند کدام سیستم چه داده‌ای دارد؛ برای همین درباره تبدیل نقشه‌های ثابت معماری به یک مدل زنده نوشتم. نتیجه‌ها هم باید دیده شوند، و برای همین یک داشبورد زنده اغلب همراه طبیعی اولین پروژه هوش مصنوعی است. اگر مطلب چرا بهبود OEE همیشه به سود نمی‌رسد را خوانده باشید، همان قانون اینجا هم صدق می‌کند: پول را اندازه بگیرید، نه فقط دقت مدل را.
چک‌لیست همین ماه
- پنج تا هشت ایده هوش مصنوعی را که همین حالا در سازمان مطرح است فهرست کنید.
- در یک جلسه یک‌ساعته به هر کدام برای ارزش، آمادگی داده و زحمت امتیاز بدهید.
- برای دو گزینه اول یک حساب تقریبی بازگشت سرمایه با فرض‌های کاملاً مشخص انجام دهید.
- کارت یک‌صفحه‌ای را، همراه با معیار توقف، پر کنید.
- قبل از ساختن هر چیزی خط مبنا را اندازه بگیرید.
- توافق کنید چه کسی بر اساس خروجی عمل می‌کند و چه کاری را متفاوت انجام می‌دهد.
- ساعت ۹۰ روزه را فقط برای یک خط یا یک تیم روشن کنید.
برای انتخاب اولین کاربرد هوش مصنوعی کمک می‌خواهید؟
اگر سازمان شما بیشتر از نتیجه، ایده هوش مصنوعی دارد، خوشحال می‌شوم کمک کنم. می‌توانیم جلسه امتیازدهی را با هم برگزار کنیم، با اعداد خودتان یک حساب واقع‌بینانه بازگشت سرمایه بسازیم و یک پایلوت ۹۰ روزه راه بیندازیم که به یک تصمیم روشن ختم شود، نه یک اسلاید دیگر.
تماس با من بخوانید: هوش مصنوعی در معماری سازمانی
منابع
- McKinsey & Company (2025). The state of AI in 2025: Agents, innovation, and transformation. ۳۹٪ اثر روی EBIT کل سازمان را گزارش کرده‌اند؛ صرفه‌جویی هزینه از کاربردها بیشتر در مهندسی نرم‌افزار، تولید و فناوری اطلاعات.
- Deloitte (2025). 2025 Smart Manufacturing Survey. ۶۰۰ مدیر صنعتی؛ ۲۹٪ استفاده از هوش مصنوعی و یادگیری ماشین در مقیاس کارخانه یا شبکه، ۲۳٪ در مرحله پایلوت.
- Deloitte (2025). Agentic AI in the manufacturing industry، به نقل از نظرسنجی Manufacturing Leadership Council: ۶٪ تولیدکنندگان از هوش مصنوعی عامل‌محور استفاده می‌کنند و ۲۴٪ انتظار دارند ظرف دو سال استفاده کنند.
- NIST. AI Risk Management Framework (AI RMF 1.0).