人工智能对研发活动的变革性影响研究报告

人工智能如何转变研发 目录 315627814420执行摘要行业挑战研发领域的AI革命AI 在产品生命周期内的支持产品生命周期内今天可用的关键有价值的使用案例建设人工智能驱动型研发组织结论幕后的真相：研发与运营的今日现实43成功的AI实施是以业务为导向，而非技术导向17 执行摘要 随着行业面临快速创新和可持续发展的压力，将人工智能（AI）融入研发（R&D）流程已成为必要。人工智能有可能通过应对加速上市时间、复杂的产品规格和严格的监管要求等挑战来革新研发。 通过将海量数据转化为可操作的洞察，人工智能使组织能够简化开发、提高资源效率并加强合规性。借助当前技术状态，可以实现的关键应用包括在整个产品生命周期中进行变体管理、需求工程和法规合规。采用人工智能需要战略调整，重点在于数据质量、安全性、可用性，并赋予员工新的能力。 普华永道框架为克服实施障碍和培育持续创新文化奠定了基础，使组织在日益注重可持续性的市场中获得长期成功。 幕后人当今研发与运营的现实 行业挑战 作为普华永道与微软人工智能在运营方面合作的2025年研究显示：制造业正在发生革命性变革，离散制造业面临着巨大的创新压力。快速发展的客户期望和技术进步意味着产品和流程必须不断改进。创新不再是可选项；它是差异化必不可少的。 市场上市时间已经成为竞争力决定性因素。PwC的一项关于研发未来的即将发布的研究显示，企业必须加速其开发周期以抓住机遇，同时平衡速度与质量和合规性。与此同时，不断增长的产品复杂性和产品组合多元化正挑战传统的研发流程，需要工程、设计和供应链职能之间更复杂的协调。 叠加这些压力的是专业技能人才的稀缺。对工程师、设计师和先进制造业专家的需求很高，这限制了创新发展规模的扩大。可持续性问题又增加了另一层复杂性。组织被迫设计和改进产品及流程，以减少环境影响、优化资源并符合新兴的监管和社会期望。 这些因素共同创造了一个挑战性的环境，在这个环境中，渐进式改进已不再足够。公司必须采用新的方法来提高研发效率并加速创新。 与此同时，人工智能也带来了一个独特的机遇。我们的调查人工智能在运营中：革新制造业报告，行业，联合微软发布的显示，人工智能通过优化数据分析、识别模式和趋势，并赋能明智决策和创造性解决方案，在企业环境中促进创新。近60%的受访者预计通过使用人工智能将提高营业利润率。 研发领域的AI革命 研发是创新的基石，也是这些挑战的核心，使其成为应用人工智能的理想领域。人工智能有能力转变组织创新的方式，将数据转化为可操作的见解，并加速开发和决策过程。 通过分析庞大而复杂的数据集，人工智能能够实现更快的概念验证，尤其是在复杂系统、预测建模和优化设计流程方面，减少对昂贵物理原型的依赖。人工智能还有助于尽早识别风险，最大限度地减少低效现象，并更准确地使产品开发与市场需求保持一致。 可持续性效益同样具有说服力。人工智能可以支持资源高效设计的创建和材料的优化，以及循环产品策略的开发，从而从一开始就将环境责任嵌入研发中。 将人工智能融入研发是一种战略转变，而不仅仅是一项技术升级。它增强了创新能力，缩短了开发周期，并使制造商能够在快速变化、复杂且可持续发展的市场中有效竞争。 AI 在产品生命周期内的支持 产品生命周期内今天可用的关键有价值的使用案例 在当今动态的商业世界中，使用人工智能越来越重要，以提升公司的效率和竞争力。特别是在产品生命周期背景下，人工智能开辟了众多机遇。 产品生命周期中的五个主要阶段——创新、产品开发、实现、订单处理和淘汰——都面临着可通过当今人工智能技术解决的挑战。这些技术使企业能够简化运营、预测市场需求并迅速适应变化。这为加速上市时间表、通过成本和创新改进产品、减轻资源工作负担、通过促进协作、一致性和协调来提升研发能力提供了机会，仅举人工智能价值驱动因素中的几个例子。以下几节介绍了产品生命周期中人工智能的成熟用例。 人工智能优化变种和复杂度管理 在产品开发中，掌握变体管理往往充满挑战，由于其固有的复杂性，需要在研发中寻求创新解决方案。关键在于有效管理外部和内部的复杂性——平衡产品组合、模块和组件变体与客户需求。目标并非消除复杂性，而是协调市场需求与公司供应。利用真实数据，如销售数据，对于量化和评估这种复杂性至关重要。 有效的变体管理能够区分“高发变体”和“低发变体”，并将这些与技术影响联系起来，例如所需组件变体的数量和严重程度。对复杂性的成本判断失误会导致财务效率低下和过度设计。许多复杂性管理解决方案往往不切实际，并使问题进一步复杂化。 当前的面向研发的AI解决方案，例如PwC的METUS*，通过使用先进的算法优化产品配置来应对这些挑战。它们有助于减少不必要的复杂性，最小化组件数量，并保持广泛的配置选项。METUS利用人工智能来量化外部多样性对产品组合的影响，评估技术选择，并提出平衡的解决方案。基于我们客户参与和经验中的见解，这带来了资源效率，实现了高达50%的变体节省，25%的组件减少，以及高达33%的成本节省——增强了敏捷性和市场响应能力。 人工智能驱动需求工程 需求工程为产品开发提供了基础。薄弱的需求工程会延缓进程并增加风险。它可能导致沟通碎片化、文档不完整或不一致、范围错位——有时甚至导致商业失败，当产品未能满足客户或市场的期望时。 从运营角度看，糟糕的需求管理会导致延误、成本超支和资源效率低下。团队间的不协调以及对项目目标的不明确进一步加剧了这些挑战，损害了产品质量及与客户需求的契合度。 生成式人工智能通过利用语义和光学字符识别(OCR)技术，实现即时提取和整合需求，将手写信息翻译成机器可读文本，从而解决这些问题。我们与客户合作表明，人工智能驱动系统可以通过提高需求一致性来减少需求推导时间约60%，文档工作量高达30-40%，并将返工减少约25%，从而实现更快的开发周期，并使设计成果与客户期望更好地对齐。 人工智能助力研发合规 在当今世界，研发与合规的功能正变得越来越紧密——甚至整合。这归因于不断增长的监管要求，使得合规成为产品创建和修改阶段不可或缺的一部分。当前产品合规面临的挑战包括：解读复杂法规需要大量人工工作、评估和缓解因实施不一致而产生的非合规风险，以及耗时的审计准备工作。人工智能技术已经可以支持这些任务。 我们的经验表明，AI驱动的合规助手是一种有效的解决方案。它能识别全球监管变化，将其转化为您的投资组合，并帮助评估跨系统和子系统所需的修改。我们已看到这项技术从自动扫描到当前合规评估，再到连接到研发部门执行所需更改，有效地贯穿整个过程。从而简化了流程并减少了人为错误。这种AI集成系统的益处是显著的，它实现了约50%的时间节省，最多可减少60-70%的人工工作量，并将错误率降低了约40%。这些改进不仅降低了审计成本，还提高了准确性和效率，营造了更可靠、更合规的研发环境。 人工智能将提升数据迁移 数据迁移项目通常需要数年时间来执行。在研发中，产品生命周期管理（PLM）转型很常见——它们通常涉及迁移大量数据。我们经常看到大量资源被专门用于此类数据迁移。传统上，在产品开发过程中（例如，CAD、BOM），数据的验证、导出和导入通常是一个非常手动的过程。公司经常处理大量需要处理的数据，并寻求专业知识和持续参与，这使得整个工作既耗时又昂贵。 基于人工智能的解决方案，凭借当今的技术水平，已经可以自动化数据迁移和验证流程。它们可以支持数据提取、文档集成以及验证结果的交叉核对。在我们的项目中观察到的主要优势包括通过加速任务执行节省高达60%的时间，项目交付成本减少约50%的潜力，以及只需要专家人员约25%的参与即可实现全面的数据保护。人工智能驱动效率的实施，增强了大规模数据迁移和适应性验证。 建设人工智能驱动型研发组织 人工智能的实施在各个行业和业务流程中展现出巨大的潜力和变革力量，正如普华永道和微软的《运营中的人工智能》研究报告详细分析的那样。然而，尽管技术进步和人工智能承诺的好处，组织面临着多种阻碍成功部署和利用的挑战。以下图表展示了一些普遍存在且深深植根于运营和战略流程中的若干值得注意的因素。我们将在下一节中对这些因素进行更详细的讨论。 为什么干净一致的数据对AI成功至关重要 数据是任何人工智能实施的基础，其质量从根本上决定了算法的效率和性能。在研发中，数据质量问题通常源于测试台测量不一致和未记录的设计迭代。传统的PLM和仿真系统可能以不兼容的格式存储结果或缺乏标准化的元数据，这使得跨项目分析变得复杂。因此，在这样碎片化且容易出错的数据库集上训练的人工智能模型可能产生不可靠的预测，并限制有意义的 设计见解的发现。 在一个日益互联的世界中保护系统 保护敏感信息并确保数据完整性是在实施人工智能系统时至关重要。系统日益集成和互联互通加剧了网络攻击和数据泄露的风险。组织必须实施强有力的安全措施来应对这些威胁。这一挑战源于不断演变的威胁态势和针对新安全要求的准备通常不足。 打破壁垒以释放可用数据 另一个重大挑战关系到用于训练人工智能模型所需的数据的必要数量和多样性。通常，关键数据要么以期望的格式不存在，要么难以获取。这一挑战深深植根于历史上形成的信息孤岛和专有数据库，这些阻碍了数据的顺畅流动。企业必须制定策略来更有效地收集和提供数据。 平衡创新与投资 投资人工智能技术可能需要大量的资金和人力资源。开发、部署和维护人工智能系统的相关成本对许多企业构成了巨大的经济障碍。这一挑战通常与获取专业软件解决方案以及聘请专业人员负责系统监管和开发的需要有关。 紧随人工智能的快速发展 人工智能技术的快速演变既带来了机遇也带来了挑战。组织发现难以跟上创新的步伐并持续更新他们的系统。这一挑战源于技术本身的性质，因为新的突破和改进接踵而至，导致现有系统和流程迅速过时。 构建能力以推动采用 另一个显著的障碍在于劳动力普遍缺乏与人工智能相关的知识和技能。要成功整合人工智能，必须广泛传播该技术的知识，这需要有针对性的培训和教育工作。这一挑战的根源在于人工智能技术的相对新颖性以及既定教育框架的短缺。 这些挑战凸显了人工智能实施过程的复杂性，并阐明其成因和普遍性深深植根于企业文化现有技术之中。为克服这些障碍并取得成功，必须采取一种涵盖技术和组织解决方案的战略方法。 成功的AI实施是以业务为导向，而非技术导向 需要一种以业务为导向的方法，才能有效地将人工智能计划与组织战略相结合，将人工智能融入一个涵盖关键维度的综合框架——战略、产品、流程、it技术以及组织。这种协同方法始于激励和定义人工智能采用的愿景，确保与组织的战略目标和高层次商业抱负保持一致。 最初，通过专注于使AI能力与战略目标相一致，组织可以识别有影响力的用例，并从业务和技术角度评估准备情况。这种一致性对于确保AI解决方案增强现有流程、推动创新和竞争优势至关重要。 战略制定成为重点，制定详细计划以支持人工智能的采用。这涉及优先考虑高影响力的用例，促进流程端到端的连续性，并创建可扩展的解决方案，这些解决方案可以无缝集成到现有的IT框架中。这里的重点是通过高效的工程实践和强大的数据基础设施提高运营效率，并实现更快的上市时间。 后续将开发试点用例，其中指定技术架构并实施最小可行产品（mvp）解决方案以产生即时价值。此阶段强调人工智能的实际应用，展示有形的成果并指导更广泛的集成战略，并由无缝的工具链支持以增强能力。为有效开发和集成人工智能用例，与像微软这样的技术提供商合作具有显著优势并带来改进的成果。 利用预配置服务并遵循既定的最佳实践可降低开发和实施复杂度，从而加快价值实现速度。此外，协作使得应用最先进的IT安全控制成为可能，以降低安全和合规风险，并确保AI在整个组织中的安全合规部署。 最终，组织赋能是人工智能方法的关键组成部分，强化了以业务为主导的方法论。通过专注于提升员工能力并实施有效的治理模型，组织培养了持续研发和创新的文化。全面的培训和战略变革管理确保了可持续整合，将人工智能嵌入到组织精神之中，并推动长期成功。 通过集