核心摘要
- 使用AI的制造企业中83.5%仅停留在部门或项目层面
- 瓶颈不在模型，而在现场数据的循环
- 比起选择解决方案，更应先做“数据体检”
- 本周需确认事项：导入前的基准线
政府在6月发布的“制造业AI 2030战略”提出，到2030年通过官民投资20万亿韩元，创造100万亿韩元以上的经济附加值。该战略构想包括建设国家制造业数据库、制造业AI基础模型、全栈式AI工厂、地区制造业AI大转型（M.AX）集群，并培养专业人才；AI工厂数量目标是从2025年的102座，到2026年增至200座以上，2030年达到500座。
News1（Newspim）策划系列《用AI解读经济》第9期（经济部部长郑成勋撰写）以这一数字为起点，从此前七篇分别探讨的炼钢厂、精准农业、新药研发、半导体设计、自主航行船舶、物流中心、无人出租车案例中，总结出一个共通公式：测量、学习、判断、控制、验证与再学习这五个阶段构成的循环。Newspim表示，该系列报道是记者基于AI助手分析内容整理而成。
“只要这个循环中的任何一环断裂——即没有数据（测量）、设备未联网（控制）、或成果未经验证（验证）——无论引入多好的模型，AI都只会停留在屏幕上的仪表盘而已。”
关键不在引入率，而在应用深度
据韩国智能信息社会振兴院（NIA）针对制造业进行的分析资料显示，2023年韩国制造业的AI引入率为25.4%，低于全行业平均水平30.3%。即便在已引入AI的企业中，应用范围也十分有限。在使用AI的制造企业中，83.5%仅在1至2个相关部门或个别项目层面使用，13.8%的企业实现了跨部门联动，而实现全企业应用的仅为2.8%。此外，65.9%的受访企业表示公司内部完全没有AI使用指南。
引入AI也并未直接带来人力成本的削减。调查显示，66.5%的制造企业表示引入后人力成本没有变化，25.8%的企业反而表示成本有所上升。报道解释称，这是因为企业需要额外的人力来负责数据整理、系统运营以及验证与培训工作。
大企业缺数据，中小企业缺资金
报道指出，大企业同时拥有生产设备、数据中心、AI工程师和维护团队，能够将通过AI节省下来的成本重新投入到传感器和模型中，从而形成良性循环；而中小企业则需要同时承担连接不同年限、不同厂商设备的费用，以及数据整理、云服务使用费、模型更新、安全维护和运维等多项成本。据NIA调查，制造企业面临的主要困难依次为：缺乏适合的信息与基础设施（36.8%）、缺乏专业人才（34.7%）、缺乏优质的AI技术与服务（28.3%）、资金不足（27.1%）。
据经济合作与发展组织（OECD）最新可获得年度的数据显示，员工人数250人以上的大企业中有40%使用AI，50至249人规模的企业为20.4%，10至49人规模的企业为11.9%；在自主机器人、自动驾驶、无人机领域，大企业的使用率为7.2%，小企业仅为0.7%。报道说明，由于该统计以欧盟（EU）为标准，并非直接适用于韩国，仅作为趋势比较参考引用。
对韩国企业AX转型的启示
报道提出的“数据体检”可直接作为企业内部的自查清单使用。其顺序并非先挑选AI解决方案，而是应优先诊断设备联网性、数据质量、工艺流程中的经济瓶颈，以及现场人力与安全水平。正如报道所言，“有些企业需要的不是AI，而是先做好传感器和数据标准化；有些企业则需要先简化工艺流程本身”，这一判断正是从此诊断中得出。
将五阶段循环套用到自身企业的课题上，就能看出哪个环节存在空白。请分别核查：传感器是否持续生成包含上下文的数据（测量）；在人工审批下，实际设备是否已联网并能够执行AI的判断（控制）；经济效益与失败案例是否被测量并反馈到下一版模型中（验证与再学习）。若其中任一环节缺失，比起更换模型，先补上这一环节才是当务之急。
成本判断不应仅以初期建设费用为依据，这样更为稳妥。报道中提到的联网、云服务、更新、安全、培训、停机等总体拥有成本项目，应从审查阶段起就纳入报价考量；同时应在合同条款中确认数据与模型的迁移权及互操作性，以避免被特定供应商锁定。调查显示，25.8%的制造企业在引入AI后人力成本有所增加，因此在导入前也应明确由谁来负责数据整理、运营、验证与培训等工作。
本周需要确认的一项内容是导入前的基准线。请核查当前正在评估或已在推进的AI项目，是否记录了导入前的产量、不良率、能耗、作业时间、事故及维护成本等数据，以及是否计划在1年、3年后以相同标准再次测量。若没有基准线，就既无法证明成果，也无法从失败中总结经验。