人工智能推向金属制造走向何方？

定制金属加工业务归根结底就是要在正确的时间获得正确的信息。这适用于每一个商机的每一个步骤，不仅包括每个订单周期（从最初报价到最终装运），还包括这些订单随着时间的推移而发生的变化。良好的信息使制造商更具竞争力，而在未来几年，人工智能（AI）将证明良好的信息有多么强大。

总体而言，软件已经改变了定制制造商收集、处理和分析数据的方式。考虑到企业资源规划（ERP）平台的进步，特别是其与机器和外部软件程序（如套料和装运软件）进行通信和集成的能力，以降低成本并提高效率。人工智能将这些能力提升到了新的水平。

由此产生的竞争优势将促使人们更加重视收集正确的数据，无论是客户关系管理（CRM）系统、作业报价、作业跟踪，还是将客户图纸转换为可用格式所花费的时间。所有这些都将为人工智能提供定制制造商所需的基础，从而真正改变工作在业务中的流动方式，并最终改变他们在市场中取得成功的方式。与时俱进的制造技术能让制造商在竞争中立于不败之地，但谁能更好地利用信息，谁就能胜出。

销售工作将如何变化

想象一下销售人员典型的工作日。他们检查常规客户；研究关键市场领域；接触现有和新的潜在客户；与经理、报价和估算人员就新的和潜在的工作进行会谈。

高效的销售人员要管理复杂的外部和内部信息网。客户关系管理软件中漏掉的一个电话、一封电子邮件或一张客户便条都可能造成巨大损失。季度报告、美国证券交易委员会（SEC）文件或一般新闻来源中记录的竞争情报可能会带来极大的益处。快速发展的人工智能大型语言模型（LLM）将能够捕捉这一切，并将信息归纳为可操作的步骤。

LLM可以查看与客户和潜在客户的通信、识别变化并汇总客户关系管理数据。与之相配套的是来自企业各处的内部数据：原材料的库存、交付和质量（激光切割的平整度、成型的厚度和化学性质的一致性等）；某些行业中某类工作的胜率；ERP和工作跟踪报告中的估计工作成本与实际工作成本；等等。所有这些都有助于找出制造商的真正优势和劣势，从而为销售和高层管理人员提供维持和发展业务所需的信息。

随着LLM的发展和智能化程度的提高，它们将帮助销售人员记录和收集信息，例如从最近的电话中获得的见解或从新闻提要中获得的报告。LLM将检测并纠正数据录入问题，如多余的零或错位的小数点（不仅对销售人员，而且对店里的每个人）。

他们还会分析当前的情况，如客户流失，将其与过去的事件进行比较，并就如何采取不同的做法提出有理有据的建议。客户流失的原因是价格、可靠性还是两者兼有？客户流失说明了什么？客户所在的行业，以及这一切如何与制造商的整体业务战略相匹配？

报价、定价策略和预测

了解精益生产中的典型 "浪费"--缺陷、过度加工、等待、运输等--的人都知道如何识别哪些活动能增加价值，哪些不能。但报价呢？传统上，工厂可能会使用中标率来确定报价。如果制造商很少从特定客户那里赢得工作，那么商店在花费大量时间对其工作进行报价时可能会三思而后行。尽管如此，如果不对某些工作进行报价，制造厂商可能会错失一些重要机会。

在这方面，人工智能以及工业物联网（IIoT）和企业资源规划平台的进步，可能会带来真正的变革。如今，报价平台已经实现了某些工作的大部分流程自动化，而在未来几年中，这种由软件支持的自动化可能会变得更加复杂。CAD 技术人员不再需要手动从 SolidWorks 文件中提取和解释组件。

软件自动提取正确信息的能力越来越强，甚至可以从 PDF 文件中提取信息。

来自 IIoT 平台的数据可以为报价人员提供真实的机器设置、运行时间和材料处理数据。这可以补充企业资源规划中的时钟输入和时钟输出数据以及材料数据。一致的材料可能成本更高，但更少的设置和处理时间可能会为更高的材料质量带来数倍的回报--如果数据支持这一假设的话。

在人工智能时代，数据是王道，因此让信息更易于记录比以往任何时候都更加重要。这些信息可以缩小估算成本与实际工作成本之间的差距。差距越小，商店的定价就越有竞争力和战略性。多年来，ERP 系统一直在帮助制造厂商实现这一目标，而人工智能将使这一目标更上一层楼。

例如，人工智能的深度数据处理将使制造商能够根据历史销售数据，模拟客户对价格变化的反应。人工智能的预测并非百分之百准确，但却能为有效定价策略提供直觉信息。

同样，人工智能将用于根据历史数据、市场趋势和客户行为预测产品需求。所有这些都有助于优化生产计划、缩短交货时间和避免缺货。

生产、质量、培训和维护
一托盘坯料运抵压力折弯机后，工作票将被扫描，显示工作已准备就绪，可以进行折弯。操作员准备就绪后，再次扫描工作票。根据作业和车间情况，操作员可能会扫描工作票或出差记录，以记录设置时间、作业运行时间和材料处理时间。

在已采用IIoT技术的车间，机器可以直接报告此类信息，但操作员仍可能需要手动打卡上下班。

机器运行时间固然重要，但在大多数定制工厂中，人们仍然需要在这些工作中心之间搬运零件，而这些工作的时间也需要计算在内。切割好的零件不会自己从板材骨架中脱落，不会自己成型、焊接或喷漆，也不会自己包装装运。

同样，在人工智能时代，收集和使用正确数据的车间将胜出。人工智能可以检查不同的工作，并对所有工作进行排序，以达到最佳生产量。这对于同时进行数百项不同工作的制造厂来说是一项艰巨的任务，因为他们既要考虑外购部件的时间安排，又要考虑电镀和热处理等外部服务的时间安排。

但只要有合适的数据集，人工智能就能胜任这项任务。在一张纸上嵌套不同的工作，在计划表中提前一定天数的真实成本是多少？移动和维护在制品（WIP）的真实成本是多少？将不同的工作背靠背排程（更多的设置时间）与将同类工作分组（更多的在制品，如果下游不立即需要零件）相比，真正的成本是多少？

一个看似微小的变化都会在价值流的上下游引起连锁反应，如果有正确的信息和足够的历史数据，人工智能可以帮助计划人员选择最佳的前进方向。

当然，那些扫描、点击和手动数据录入任务怎么办？大多数车间经理都希望操作员能生产零件，而不是乏味地报告任务。在这方面，人工智能可以在多个方面提供帮助。

首先，由于人工智能有助于将大量数据转化为可操作的信息，报告作业时间的行为将产生更大的效益，因为人工智能可以帮助计划人员以新的、更好的方式组织和发布作业。一线工人记录的工作越多，他们的工作就越轻松。

其次，人工智能将使报告和数据收集工作更加自动化。如今，无线射频识别（RFID）和相关技术可以跟踪工作的位置；当操作员取回工作时，系统可以检测并记录这些任务，自动启动"工作开始"时间。人工智能视觉技术可能会让这种自动跟踪变得更加灵活和无缝。有朝一日，摄像头可能会不断扫描车间内的在制品和正在处理的工作。在这个世界上，操作员不需要扫描任何东西，因为人工智能会通过视频捕捉所有信息，并将这些信息反馈给综合系统。它将知道何时从一个巢穴中分拣出哪些零件，特定的板材残留物存放在哪里，以及将材料从一个点移动到另一个点需要多长时间。

所有这些都与质量保证息息相关。如今，车间可能会记录产生的废料，但可能无法完全掌握产生废料的原因。为什么在压力机制动器上的安装时间如此之长？为什么某些工件没有通过焊接检查？人工智能可以查看堆积如山的不合格报告（NCR），然后综合这些信息，为未来的改进提供指导。当前的问题与过去类似工作的 NCR 有何关联？比如说，一项五年前的小任务，没有人记得，但人工智能不会忘记。

人工智能也不会忘记机器停机，无论是计划内的还是计划外的。这项技术将提升基于传感器的预测性维护，并利用历史数据来完善预防性维护计划。

例如，如果某种特定的切割工作会在工作台板条上留下过多的熔渣，系统就会知道板条需要尽早清理，甚至会在生产和产能规划中考虑到这一点。

以上所述都与劳动力管理和培训有关。当生产计划人员考虑到真正可用的产能时，当精细化的维护实践使意外停机成为罕见情况时，每个人的工作都变得更可预测。员工在积极主动的环境中工作。

他们不是在救火，而是在预防火灾。培训被纳入工作日程--同样由人工智能来指导谁需要在何时接受培训，甚至是如何接受培训（考虑到个人的学习风格、重复学习的需求等）。

库存和采购

通过使用最新的企业资源规划平台，企业开发出了一些关键指标，帮助他们在何时保留哪些库存方面做出明智的决策。但是，这些指标无法与能够获取实时数据的人工智能驱动工具相媲美。为了满足客户需求和可制造性要求，什么类型的材料应该库存，何时库存？哪些材料可以在几小时内交付，哪些材料需要很长时间？人工智能可以即时回答这些问题以及更多问题。

人工智能也不会只从车间内部的数据中获取信息。一家上市公司的大客户可能会发布下一季度某些产品的增长预测。这将如何影响供应链中的其他环节，或外部服务提供商（如定制涂层或热处理商）的业务？地缘政治事件可能会以各种方式影响供应。恶劣天气又会如何？这些趋势与过去每年类似时期发生的事件有何关联？人工智能将考虑到所有这些，甚至更多。