工业AI分化：AI领跑企业如何在交通、物流及国防领域取得优势

人工智能正成为交通、物流和国防（TLD）领域的下一个竞争分水岭。这一转变已体现在数据上：在 Oliver Wyman 论坛和纽约证券交易所 2026 年 CEO 议程调查的受访行业中，12% 的交通运输、航空和汽车行业 CEO 报告称，人工智能带来的收入增长超过 20%，这是最高比例。随着人工智能从试点项目和生产力工具转向核心运营，一小部分公司正逐渐领先——它们通过提升资产利用率、加速工程周期、减少停机时间，并构建随着每次部署而不断叠加的经营优势。 受监管的行业，优势将源于将人工智能产业化，而非仅仅部署更多用例。这意味着要建立运营规范，以便在物理资产、一线工作流程和关键任务决策中安全地扩展人工智能。 AI规模应用：一小群领导者将AI嵌入运营模式、产品和管理系统；采用者利用AI改进现有核心流程并看到显著影响，但尚未将AI转化为企业级优势；以及进展缓慢、在AI规模化应用上行动迟缓的后来者。 为更深入理解日益扩大的差距以及后来者如何采取实际步骤扩展人工智能应用，奥利弗·怀曼论坛与加州大学伯克利分校合作，组建了一个由学术界和企业界领袖组成的顾问小组，对50多位交通和工业领域的专家进行了访谈。本报告基于这些访谈，并结合了奥利弗·怀曼论坛对首席执行官和首席财务官的最新调查、消费者研究以及航空航天、汽车、航空、国防、工业品、基础设施、物流和铁路等领域的市场分析。 在未来五到十年内，人工智能将使顶级域名公司能够转向全新的运营模式，例如能够自我优化并自主吸收干扰的铁路系统，或自我调度的货运网络。 要释放这种潜力，企业必须为人工智能的规模化应用创造合适的条件，而不仅仅是增加更多试点项目或技术投资。在整个业务中规模化应用人工智能的企业将倍增其优势：更优化的运营能产生更优质的数据；更优质的数据能改进模型；更优化的模型能提升决策质量；而更优化的决策将进一步强化运营模式。 这一转变正在重塑这些行业——从航空、铁路到汽车和物流——的设计、建造、运营和盈利方式。将人工智能嵌入其运营模式的公司正在整个组织中创造学习闭环和竞争优势：每一次部署都会产生运营数据、流程知识、新的边缘案例以及组织信心，从而让下一次部署更加强大。 尽管人工智能在不断进步，但当今可用的技术并非创造即时价值的制约因素。行业参与者理应已开始部署诸如模式学习与优化、虚拟仿真与数字孪生、人工智能代理、物理自动化与机器人技术，以及自动驾驶等技术。 本报告阐述了交通运输、物流和防务领域的CEO及董事会为避免落后需要采取的措施，并指出了价值池正在转移的方向。我们的分析和专家观点中总结出若干关键启示： 与此同时，许多老牌参与者仍持观望态度，有风险在将来发现需要弥补的差距，而这将越来越困难且昂贵。在资产密集型、安全关键型以及 然而，人工智能的采用却并不均衡。如今，企业在这方面的做法可分为三种典型模式。 TLD中的AI转型往往被委托给IT部门，而它本应由业务部门主导。 人工智能的规模化扩展是一项由公司整体愿景驱动、必须在董事会和高管层领导的转型。 错失每个发展阶段，迎头赶上的成本就会增加。例如，58%的航空维护、修理和大修（MRO）专业人员表示，他们从人工智能（AI）投资中获得的预期价值正在得到满足或超出预期（这一比例从2024年的20%有所上升）。 人工智能并非仅仅是IT部门的一个工具集。它将使代理、机器人以及新的核心业务工具能够融入公司运营模式的诸多要素中。随着时间的推移，人工智能还将重塑甚至取代现有IT环境及业务管理软件的某些部分。将人工智能仅仅视为需要集成的一项技术，而非运营模式转型的催化剂，是TLD公司未能成功推广人工智能的最重要原因之一。 企业需要一份多年度路线图，但需适应人工智能时代的快速节奏。执行应通过季度甚至月度的里程碑来管理，并由敏捷方法支持，同时投资于人工智能在数据、基础设施、治理、人才和变革管理等方面的基础能力。 数据必须被视为驱动人工智能组织的最关键资产。对于许多企业而言，要迎头赶上竞争对手，首先要从根本上重新思考数据收集、管理和使用的方式。没有高质量数据，就无法实现可扩展的人工智能。从车队、航线或乘客体验中产生的数据是一项战略资产。将数据管理作为执行委员会的常态化议题，并设立首席数据官负责，可以使该流程正式化。 对于老牌玩家而言，扩展人工智能（AI）在结构上更具挑战性，因为他们必须管理成本高昂的现有资产和碎片化的技术环境。这些公司必须从根本上重新思考运营模式，而不是依赖渐进式进步，而这种方法无法缩小与AI领导者之间的差距。 人工智能技术已准备好重塑运营模式——那些等待实施它的企业将面临落后的风险。 新的人工智能能力不断涌现，但如今能够带来差异化的AI技术已经成熟，涵盖了从预测性维护到路线优化的应用。那些等待下一代AI模型或强效投资回报案例的“传统玩家”可能发现，其现有的IT基础设施、治理体系和运营模式与AI能力及有效部署要求日益脱节，从而更难赶上竞争对手。更重要的是，他们失去了在数据管理、人才模型和治理等领域发现自身弱点的学习周期。 实现这一转型需要巨额投资，并专注于少数具有高影响力的用例，例如工程周期或车队维护，以帮助实现投资回报。这些投资必须得到短期和中期收益的支持，例如提高生产力、加快产品开发或更好地利用资产。请注意，根据奥利弗·惠灵顿论坛和纽约证券交易所2026年CEO调查，那些将AI扩展到两个或多个用例的CEO报告的成本节约和收入增长回报率大约是那些没有这样做的人的两倍。 转向智能顶级域名网络和人机协作，使得新的人才战略变得至关重要。 在高度依赖工厂和制造业的行业中，领导者必须预见到哪些活动将由人工智能代理、机器人或自主设备执行，哪些人类角色和能力将更具价值，以及人类与人工智能如何在工厂车间或控制室中协作。这种预见性将为企业重新设计下一代工作流程提供优势。 等待的公司可能会在工程或机器人等关键领域遭遇人工智能人才短缺。 应对人工智能的约束和风险，必须将其安全措施、网络安全合规及监管遵从的最佳实践嵌入运营模式中。 各地区的法规和市场差异显著，包括规定人工智能设备能做什么、责任归属以及需要何种监管的法律。运输或仓库操作中发生的事故所带来的声誉后果也会加剧风险。扩展人工智能应用本身就创造了新的安全和偏见挑战，需要在整个执行链条中建立防护措施和明确参数。 企业必须监控市场，关注AI原生颠覆者，并考虑进行有针对性的收购。 与过去十年无人机和自动驾驶汽车的情况类似，人工智能对那些未能适应的公司构成威胁。新进入者正进入顶级域名（TLD）领域，不受传统资产或过时工作方式的拖累，他们可能对传统玩家构成生存风险。及早识别这些颠覆者、快速适应以及进行正确的收购，对于在这个向新工业时代过渡的转型中保持竞争力至关重要。 1 人工智能正在交通运输、物流和国防领域拉开结构和竞争上的差距 T LD的竞争优势性人工智能鸿沟是真实且具体的。例如，只有12%的交通、航空和汽车行业CEO报告称人工智能收入增长超过20%，这是所有行业中最高的。在技术、专有数据、运营能力和组织准备力的驱动下，那些从人工智能中获益的公司正在为自己构建战略护城河。 广泛运营：AI采用者，这些企业正在使用AI改进现有流程，但尚未将其转化为企业级优势，以及AI后进者，这些企业的集成有限或较差，在投入资本、构建数据基础、重新设计工作流程或建立将AI安全嵌入运营环境所需的治理方面仍进展缓慢。 积累专有培训数据，并迭代提升车辆效率或提供创新附加功能的软件，而现有企业仍在现代化开始所需的数据基础设施。同时也要考虑投资资金流向：根据Oliver Wyman分析，2024年人工智能的最新进展为互联汽车和自动驾驶领域提供了所有交通领域中最高的资金增长，全球资金达到182亿美元——是2023年的两倍。 在将人工智能大规模嵌入公司的AI领导者之后，两组人跟在后面。 汽车行业展示了这种领先优势的倍增效应：AI原生竞争对手正在 数据和组织的准备状态正在拉大人工智能的竞争力差距。 对于后发竞争对手而言，使这种动态成为生存而非仅仅是竞争的关键在于，人工智能学习是双向复合的。先行者通过每一次部署周期和失败来改进他们的模型。在验证运行中的一次险些失败，维护中的一个边缘案例 预测，或生产线中的异常，都是能让下一个模型变得更好的数据点。 后发者将更难赶上这一群体，因为他们起步时缺乏积累的数据、经验和教训。 许多公司仍然缓慢地采用人工智能。在工业、航空航天和国防领域，不到三分之一的CEO甚至正在试点人工智能，而所有CEO中这一比例为49%，来自这些领域的CEO中只有8%报告称大规模使用人工智能，而所有CEO中这一比例为23%。 宣布人工智能相关收入占比超过20%的CEO比例 不同行业对等待的惩罚力度各不相同。对于AI原生公司而言，它们必须在每个开发周期中竞争，以确保其模型在性能、专有训练数据和产品能力上不落后。而对于将AI整合到运营中的现有企业来说，惩罚体现在组织层面：后进入者必须在竞争压力下，同时更新数据基础设施、流程和技能，且实验的安全周期更少。在这两种情况下，先行者逐步吸收颠覆，而后至者则面临压缩且风险更高的转型。 除了数据，复合壁垒还涵盖人才、治理和组织信心，这些方面相互依存以实现发展，且无法一蹴而就。将人工智能技术与应用嵌入运营模式，不应被视为一次性举措，而应作为一项重大的多年转型。 将人工智能集成到顶级域名（TLD）是一项变革性的变革，需要时间和周密的规划。 获取操作成熟度需要逐步培养，而非在需要时简单获取。人工智能差距正变得自我强化，而治理是后来者最受暴露的领域。人工智能的竞争优势由两组不同的约束条件塑造：每家公司都必须应对的外部压力——例如人工智能开发者或宏观经济压力——以及每家公司都必须弥补的内部治理差距。 端到端数据管道、验证框架、人工监督架构以及监管信心——这些都需要数年才能建立，并且无论底层模型变得多么强大，都无法压缩时间。 并非所有AI应用场景都有相同的时间限制：协作助手和工作流代理通常可以在几个月内进行试用，但交通、国防或物流领域最高影响力的价值领域则完全不同。自主性、机器人技术和安全关键型保证需要重新设计的运营模式，最终... 组织和监管机构需要合适的生态系统来部署这项技术，这通常需要长期而复杂的转型。每年不构建该生态系统都意味着不可逆转的延误；这与模型不同。 在所有人工智能部署类别中，交通运输业均落后于行业平均水平，且更多领导者表示没有人工智能计划。 在业务运营中，报告没有人工智能计划的CEO所占的比例 计算能力和能源的可获得性都受到地缘政治的制约，必须同等对待：尽早确保，尽可能多样化，永不假设。在这两个因素之间协调战略，将比将资源视为无限更能提供结构上更优的人工智能经济。 人工智能的集成依赖于计算能力、能源以及基础设施的获取。 需要资本配置决策、风险容忍框架和问责机制，这些不能委托给技术团队。如果没有早期董事会和首席财务官的战略参与，公司会发现自己在没有治理基础设施的情况下，就做出了具有重大影响的承诺——涉及供应商、架构和运营模式。 每家顶级域名（TLD）公司，无论是开发原生人工智能产品还是将人工智能部署到现有运营中，现在都依赖少数超大规模企业和基础模型提供者获取计算能力、基础设施及模型访问权限。 寻求获取计算能力的企业应关注行业内的动向，因为一些韩国和台湾的半导体企业正在美国城市投资，以改善市场准入。 当前正在积累人工智能能力的公司正在重塑实体经济行业构建和维持战略优势的方式。这正是为什么扩展人工智能最好被理解为一个多年度的工业化努力，而不是一个技术项目。从试点项目转向量产需要专注于有限的一组高影响力机会，明确P&L（损益）所有权，并将资本配置、风险容忍度、劳动力重塑以及运营模式变革视为董事会和执行委员会的决策。 这些服务提供商设定了条款，并且AI的单位经济（例如AI聊天机器人的每查询成本）在规模化之前必须经过压力测试，因为每个用例都应该能够承受计算成本更高而非更低的情况。 人工智能的优势取决于高管和董事会对于