消费者的成功不过是一场骗局 | 大幻灭：当人工智能在工厂车间失灵时

Konrad Wolfenstein

5个月前

消费者成功不过是一场骗局 | 大幻灭：当人工智能在工厂车间失灵时 – 图片来源：Xpert.Digital

人工智能泡沫会在2026年崩盘吗？投资者警告称，这将是史上最昂贵的泡沫。

“思维的错觉”：ChatGPT热潮为何在工厂车间遭遇惨败

当全世界仍在惊叹于 ChatGPT 的创造力时，现实经济中却上演着截然不同的景象。最新数据显示，人工智能在工业领域掀起革命的梦想，正面临着成为数字史上代价最惨重的失望的风险。.

淘金热过后总会有些许疲态。三年来，生成式人工智能占据了各大媒体的头条，推高了股价，并预示着一个生产力无限增长的时代即将到来。然而，任何深入了解这些光鲜亮丽的技术演示背后的真相，看到真正价值创造发生的地方——生产车间、物流中心和企业的资产负债表——的人，都会经历一场残酷的现实。.

在私人生活中行之有效的聊天机器人，在复杂的工业制造环境中往往会彻底失败。相关数据令人震惊：尽管科技巨头在数据中心投入数万亿美元，但根据麻省理工学院和麦肯锡的最新研究，企业中95%的人工智能应用都收效甚微。我们非但没有迎来预期的效率爆炸，反而面临着成本飙升且投资回报甚微的局面。.

从“学习差距”和数据战略的缺失，到德国中小企业的溃败：本文无情地揭露了人工智能泡沫可能即将破裂的原因，为什么人工智能常常只是模拟一种“思考的幻觉”，以及为什么2026年将是整个科技行业的关键一年。本文分析了普遍存在的幻灭感，并探讨了炒作过后究竟会剩下什么。.

与此相关：

“结构性破产”？ChatGPT 的亏损业务：OpenAI 商业模式的惊人真相

为什么自动化工厂的梦想正成为数字历史上最昂贵的幻灭？

在经历了三年围绕 ChatGPT 和生成式人工智能的铺天盖地的宣传之后，一个转折点正在出现。曾经被誉为生产力革命的事物，如今却越来越显露出技术夸大宣传的典型模式：令人印象深刻的演示效果与令人清醒的商业现实相碰撞。尽管全球数百万人都在使用人工智能处理文本、图像和日常数字任务，但这项被承诺的突破性进展却未能在真正创造经济价值的领域——生产车间、装配线和复杂的工业流程中——得以实现。.

数据本身就说明了一切。麦肯锡2025年的一项分析揭示了这种差距的严重程度：虽然目前78%的公司以某种形式使用人工智能，但同样比例的公司却无法感受到任何可衡量的收益。麻省理工学院在其全面的研究中更进一步，得出了一个令人震惊的结论：95%的企业人工智能实施项目对损益表没有任何影响。只有5%的试点项目能够从测试阶段过渡到实际生产阶段。这并非暂时的调整困难，而是根深蒂固的结构性缺陷，其后果将十分深远。.

消费者的成功是一种欺骗

人工智能在私人领域的广泛应用造成了一种危险的错觉。OpenAI 报告称，到 2025 年 9 月，ChatGPT 的每周用户量将达到惊人的 8 亿，比 2023 年 11 月增长了八倍。在德国，64% 的人口每周至少使用一次人工智能聊天机器人或语音助手；在 16 至 29 岁的年轻人中，这一比例高达 89%。这些令人瞩目的普及率给人一种错觉，仿佛这项技术已经成功站稳脚跟。然而，如果我们考虑到它实际创造的价值，就会发现这种印象从根本上来说是误导性的。.

消费者的使用主要集中在经济影响较小的应用上：例如回答日常问题、创建个人用途的文本以及生成娱乐图像。87% 的用户仅使用免费版本。仅此一点就足以说明用户付费意愿有限，以及由此带来的经济价值认知不足。尽管 OpenAI 的年收入估计高达 120 亿美元，但其成功主要源于庞大的用户数量和企业授权，而非实体经济中可衡量的生产力提升。.

人工智能的真正考验不在于生成社交媒体内容或回答琐碎问题，而在于复杂的工业制造、物流和生产控制环境。在这些环境中，系统必须应对物理过程、多样化的产品组合、不断变化的规格以及复杂的机器生态系统。也正是在这些环境中，人工智能的缺陷才会显露出来。.

生产力悖论再次出现。

当前出现的现象令人担忧，它与经济学家在20世纪80年代就已熟知的索洛悖论如出一辙。诺贝尔经济学奖得主罗伯特·索洛在1987年曾指出，计算机时代无处不在，唯独在生产力统计数据中却不见踪影。这种悖论在21世纪初的数字化进程中再次上演。根据经合组织的数据，尽管德国在数字化领域投入巨资，但2010年至2018年间，其生产力年均增长率仅为0.7%。而在1992年至2010年间，德国的生产力甚至出现了年均1.55%的下降。.

我们现在正目睹这种生产力悖论的第三次演变，这一次，人工智能被视为颠覆性技术。麦肯锡对2025年的分析显示，92%的公司将增加对人工智能的投资，但只有1%的公司实现了成熟的应用。事实上，67%的公司表示，至少有一项人工智能举措降低了整体生产力。这些数据揭示了投资规模与实际回报之间存在的巨大差距。.

这种反复出现的悖论的原因错综复杂。一个根本性的挑战在于现代人工智能系统的本质。目前主流的大型语言模型基于训练数据中的统计模式识别，而非系统性的逻辑推理或真正的理解。苹果公司2025年6月的一项研究精辟地概括了这个问题：即使是所谓的“可解释人工智能”，尽管它逐步展示了解决问题的过程，也仅仅产生了一种思考的假象。这种根本性的局限性使得这些系统在那些对精度和一致性要求极高的应用场景中变得不可靠——而这恰恰是工业制造过程中不可或缺的要素。.

工业现实中的失败

人工智能在生产环境中的应用面临一系列长期存在的障碍，这些障碍仅靠技术改进无法克服。麻省理工学院的一项研究指出，所谓的“学习鸿沟”是核心问题：大多数人工智能系统无法从运行反馈中学习，无法适应不断变化的环境，也无法随着时间的推移而改进。90%的受访企业用户表示，对于复杂、长期的项目，他们更倾向于使用人类同事而非人工智能，因为人工智能系统每次使用都需要大量输入，而且无法构建持久的上下文。.

这种结构性缺陷因诸多组织和技术因素而加剧。德国经济研究所 (IW) 和多项行业调查均呈现出一致的趋势：76% 的中小企业 (SME) 面临数据质量不足和数据孤岛分散的问题；68% 的企业缺乏完善的人工智能战略；82% 的企业表示存在严重的人工智能技能缺口。德国目前 STEM（科学、技术、工程和数学）专业人才缺口高达 24.4 万人，其中包括 2.95 万名 IT 专业人员。这些数据表明，问题远不止技术限制那么简单。.

对于制造企业而言，成功实施人工智能需要一系列先决条件：来自不同来源的高质量、结构化且集成的数据；用于采集、存储和处理这些数据的技术基础设施；既精通数据科学又熟悉特定生产流程的专家；用于变革管理和促进接受的组织架构；以及清晰的责任和风险管理治理框架。如果缺少其中任何一个要素，项目都极有可能失败。.

德国制造业企业的现状令人担忧。科布伦茨大学的一项研究表明，在接受调查的120家企业中，三分之二的企业表示已在使用人工智能，但其中80%的企业使用人工智能的时间仅有两年左右。深入分析实际的生产流程就会发现，对于大多数制造企业而言，基于人工智能的流程仍然遥不可及。最大的障碍在于数据的整合和可用性，其次是熟练工人的短缺，这进一步加剧了本已有限的IT资源的紧张。.

成本暴增却没有投资回报

与运营效益的匮乏相伴而来的，是令人瞠目结舌的投资成本。据估计，2025年全球人工智能数据中心支出将达到6000亿美元，预计到2030年将增长至3万亿至4万亿美元，年均增长率高达46%。麦肯锡甚至预测，到2030年，仅数据中心基础设施一项就需要7万亿美元。OpenAI通过与甲骨文和软银合作的Stargate计划，正计划投资5000亿美元建设数据中心。Meta首席执行官马克·扎克伯格预计，到2028年，相关成本将达到6000亿美元。.

这些巨额投资最终必须有所回报。红杉资本计算得出，人工智能行业需要每年创造6000亿美元的收入才能证明当前投资的合理性，而这在短期内几乎是不可能实现的。高盛也发出严厉警告，1万亿美元的人工智能投资可能无法带来预期的回报。分析师吉姆·科韦洛直言不讳地指出：过度投入世界用不上或还没准备好的东西，通常都会以失败告终。.

能源部分尤其棘手。在美国至关重要的PJM区域，2026/2027交付年度的容量价格已攀升至每兆瓦日329美元，较2025/2026年度增长近九倍。这种对效率的迫切需求迫使超大规模数据中心运营商立即采用节能架构。然而，即便架构有所改进，2026年中期仍将出现一个爆发式增长点，届时资本支出驱动的供应增长速度将超过货币化使用量的增长速度。在这种情况下，每个代币的成本可能接近于零，导致新建推理容量迅速贬值。.

这种情况让人想起2000年代初的互联网泡沫，当时对光纤电缆的大规模投资导致产能过剩，而这些产能从未得到充分利用。如果需求未能按预期速度增长，许多新建的人工智能数据中心可能会面临类似的命运。Gartner技术成熟度曲线（Hype Cycle）是公认的技术周期预测工具，它预测人工智能可能在2026年进入第三阶段——幻灭低谷。在这个阶段，人工智能的局限性和高昂成本将变得尤为突出，规模化问题和缺乏可行的商业模式将导致许多项目失败，服务提供商也将退出市场。.

德国中产阶级正在屈服。

尽管科技巨头持续向人工智能领域投入数十亿美元，德国中小企业却出现了一种引人注目的趋势：战略性撤退。管理咨询公司Horvath于2026年1月发布的一项针对200家中小企业的调查显示，这些企业在2025年仅会将收入的0.35%用于人工智能技术，而2024年这一比例为0.41%。这意味着中小企业的投资比整体市场低约30%，而且这一差距还在不断扩大。.

这一发展背后的原因颇具启发性。地缘政治紧张局势令许多中型企业感到不安，并促使它们将重心转向成本优化。然而，更重要的是，早期人工智能应用可能并未带来预期的效率提升。霍瓦特研究主管兼董事会成员海科·芬克郑重警告：如果人工智能转型现在不大幅加速，技术差距将演变为关乎企业生存的战略风险。.

中小企业面临的挑战错综复杂，根深蒂固。官僚主义障碍和数字化进程缓慢严重阻碍了它们实施人工智能的能力。对数据保护和数字主权的担忧进一步阻碍了人工智能的普及应用。一项针对2025年中小企业的人工智能综合研究描绘了一幅令人担忧的图景：尽管86%的企业认识到人工智能的重要性，但只有23%的企业成功实施了具体的人工智能项目。仅有32%的企业制定了完善的人工智能战略，而只有19%的企业设立了专门的人工智能经理或团队。.

数据问题正成为中小企业的一大软肋。76%的中小企业面临数据质量不足和系统间数据孤岛的困境。83%的企业缺乏全面的数据战略。69%的企业甚至不清楚人工智能应用需要哪些数据。58%的企业缺乏数据治理架构。这些数据表明，问题早在实际部署人工智能之前就已经存在：基础数字基础设施的匮乏。.

此外，治理缺陷也是一个重要因素。尽管91%的企业认为人工智能的安全性和合规性至关重要，但76%的企业缺乏人工智能治理框架。这种差距构成了重大的法律和声誉风险，尤其是在欧盟人工智能法案于2024年8月生效的情况下。虽然该法案为负责任地使用人工智能创建了必要的框架，但许多公司认为这是过度监管，使它们与美国和中国相比处于竞争劣势。当欧洲企业在新法规的重重迷雾中艰难前行时，北美和亚洲的科技巨头却继续享有相对的自由。.

借助“托管人工智能”（人工智能）实现数字化转型的新维度——平台及B2B解决方案 | Xpert咨询

“托管式人工智能”开启数字化转型新篇章——平台及B2B解决方案 | Xpert Consulting - 图片来源：Xpert.Digital

在这里，您将了解到您的公司如何快速、安全地实施定制化的人工智能解决方案，且无需承担过高的准入门槛。.

托管式人工智能平台是您实现人工智能的全方位、无忧解决方案。您无需处理复杂的技术、昂贵的基础设施和漫长的开发流程，即可从专业合作伙伴处获得根据您的需求量身定制的现成解决方案——通常只需几天时间。.

主要优势一览：

⚡ 快速实施：从构思到可立即使用的应用，只需几天而非几个月。我们提供切实可行的解决方案，创造即时附加值。.

🔒 最高数据安全保障：您的敏感数据始终由您掌控。我们保证安全合规地处理您的数据，绝不与任何第三方共享。.

💸 无财务风险：您只需为结果付费。完全无需前期投入大量资金用于硬件、软件或人员。.

🎯 专注于您的核心业务：集中精力做好您最擅长的事情。我们将负责您人工智能解决方案的全部技术实施、运营和维护。.

📈面向未来且可扩展：您的AI将与您一同成长。我们确保持续优化和可扩展性，并灵活调整模型以适应新的需求。.

更多信息请点击这里：

托管式人工智能解决方案——工业人工智能服务：服务业、工业和机械工程领域保持竞争力的关键

人工智能革命夭折了吗？炒作过后，令人清醒的现实是什么？

人工智能真正创造附加值的地方

尽管整体形势令人担忧，但在某些领域和应用案例中，人工智能确实能创造显著的附加值。然而，这些成功案例具有高度针对性，并遵循着可识别的模式，与失败的大规模项目截然不同。.

IBM 2025 年 10 月的一项研究表明，德国 62% 的企业已经通过人工智能显著提高了生产力。近半数企业预计在 12 个月内获得可衡量的投资回报，主要体现在员工满意度提升、时间节省和收入增加等方面。SAP 的一项研究也得出了类似的结论：人工智能投资的平均回报率在第一年为 16%，预计两年内将翻一番，达到 31%。64% 的受访者表示对目前的投资回报率感到满意，高于其他任何技术投资。.

然而，当我们仔细审视价值的创造地点和方式时，这些积极的数据就会显得不那么令人信服。麻省理工学院的研究揭示了一个关键模式：成功的AI应用侧重于后台自动化，而非生产流程革命性的宏伟蓝图。文档自动化、采购流程和风险评估的回报最高。成功的应用通过减少业务流程外包，每年可节省200万至1000万美元。当AI工具接管创意和分析任务时，代理机构的成本可降低30%。.

与此相关：

从实验到规模化和产业化：企业人工智能2026年是迈向结构化业务运营的转折点

投资分配方面存在一个根本性问题。

超过一半的生成式人工智能预算都花在了市场营销和销售上，尽管后台自动化往往能带来更高的回报。这种资源错配反映出，技术应用更多地是受炒作而非理性成本效益分析驱动的现象。.

在工业生产领域，成功案例零星分散，且仅限于特定应用。预测性维护利用机器数据及早发现磨损或故障，已展现出显著成效。大众汽车等汽车制造商在其工厂中使用人工智能分析传感器数据，最大限度地减少计划外停机时间。福特汽车利用人工智能实现焊接和装配等制造流程的自动化。通用汽车通过预测性维护将停机时间减少了20%。.

利用计算机视觉进行质量控制是另一个已取得显著成效的领域。人工智能支持的系统能够实时分析摄像头图像，甚至检测出微小的缺陷，从而显著提高可靠性。分析表明，全面部署的人工智能基础设施可以通过减少缺陷和加快检测周期，实现 200% 至 300% 的投资回报率。供应链和库存优化通过防止缺货和改进供应链管理，可实现 150% 至 250% 的投资回报率。.

至关重要的是，这些成功并非源于简单即插即用的标准人工智能解决方案，而是源于与特定流程的深度定制化集成，并辅以重要的变更管理和持续调整。麻省理工学院的数据显示，外部合作项目达到生产就绪状态的概率约为内部开发的两倍，分别为 67% 和 33%。成功的买家将人工智能提供商视为业务合作伙伴而非软件供应商，并以业务成果而非技术指标来衡量成功。.

影子人工智能经济作为一项指标

对使用模式进行深入分析后，一个引人入胜的现象浮现出来：在90%的受访公司中，员工使用私有人工智能工具开展工作，而只有40%的公司获得了官方的人工智能许可。这种所谓的“影子人工智能经济”揭示了一个根本性的矛盾：如果工具灵活易用，个人就能成功使用人工智能；然而，由于复杂性、缺乏整合以及组织障碍，机构层面的实施却往往失败。.

这种非官方人工智能使用的平行世界具有多重意义。首先，它表明，如果人工智能技术易于获取，那么它本身就能带来益处。其次，它揭示了一个巨大的治理问题：81% 的公司没有人工智能工具使用指南；64% 的公司存在数据隐私方面的担忧；73% 的公司无法衡量生产力提升；58% 的公司反映人工智能输出存在质量问题。如果没有一个全面的人工智能工作场所理念，影子 IT 和低效的工具体系将构成切实的风险。.

个人消费者使用体验与企业实施失败之间的巨大差异，正是当前人工智能核心问题的典型体现。这些系统针对风险和复杂度较低的简单个人应用场景进行了优化。然而，一旦需要将其嵌入到对质量和可靠性要求极高的复杂组织环境中，它们就会系统性地失效。所谓的“学习鸿沟”——即系统无法从反馈中学习并适应环境变化——使得它们不适用于工业企业中常见的长期复杂项目。.

行业特有差异

麻省理工学院的分析揭示了另一个关键模式：在所研究的九个行业中，只有科技和媒体这两个行业通过人工智能实现了真正的结构性变革。在包括制造业在内的其他七个行业中，尽管开展了大量的试点项目，但转型仍然难以实现。这种行业差异并非偶然，而是反映了不同行业在复杂性和需求方面的根本性差异。.

科技和媒体公司在数字化环境中运营，拥有结构化数据、高度流程标准化和短迭代周期。它们的商业模式基于软件和数字服务，而非拥有复杂供应链和制造流程的实体产品。它们拥有庞大的数据科学家和人工智能专家团队。它们的组织文化也倾向于快速采用新技术。所有这些因素都有利于人工智能的成功实施。.

制造业和工业企业面临着截然不同的挑战。生产环境充满细微差别：产品组合多变、规格不断演变、需求波动以及机器生态系统复杂。如果人工智能模型忽略这些现实情况，误报就会激增，员工信任度也会下降。制造业领导力委员会估计，大多数真实的制造业数据仍未被充分利用。如果缺乏背景信息，人工智能很容易犯下代价高昂的错误，例如将过程噪声误判为缺陷，或忽略真正需要改进的信号。.

此外，IT 和 OT 环境的碎片化也是一个问题。沿用数十年的架构通常将生成机器数据的运营技术系统与负责流程和业务数据的信息技术系统隔离开来。这种碎片化掩盖了关键信号，导致人工智能模型只能基于片面、过时或不一致的实际情况进行运行。克服这些结构性障碍需要巨额的基础设施投资，而这些投资只有在长期才能见效。.

德勤发布的《2025年智能制造调查》发现，92%的制造商认为智能制造将推动未来的竞争力，但84%的制造商无法自动响应数据智能。标普全球的一项调查报告显示，到2025年，42%的企业将放弃大部分人工智能项目，而2024年这一比例仅为17%。兰德公司2024年的一份报告指出，超过80%的工业人工智能项目以失败告终，这一数字归因于流程复杂、数据质量差以及缺乏实际应用场景。.

违背承诺的规模

要充分理解这种失望的程度，回顾一下2023年和2024年做出的承诺很有必要。2025年1月，OpenAI首席执行官Sam Altman在他的博客上得意洋洋地宣布，他们现在已经掌握了构建通用人工智能的方法。他声称，人工智能代理将在同年晚些时候对公司业绩产生显著影响。然而，到了2025年11月，Altman却认为ChatGPT终于能够正确处理连字符是一项重大成就。这种愿景与现实之间的巨大落差，恰恰说明了预期与实际能力之间存在着多么巨大的差距。.

受谷歌委托的经济研究咨询公司预测，生成式人工智能的应用可使德国制造业的增加值增长高达7.8%，相当于560亿欧元。然而，现实情况却截然不同。自2018年以来，机械工程和其他制造业领域的劳动生产率几乎没有变化，年增长率仅为0.4%。迄今为止，人工智能带来的红利尚未显现。.

麦肯锡预测人工智能将大幅提升生产力，对全球经济具有巨大潜力。而高盛则警告称，尽管人工智能成本高昂，但目前远未达到实用水平。过度投入世界尚无用处或尚未准备好的事物，往往会导致糟糕的结局。风险投资公司红杉资本和对冲基金艾略特基金已经认为科技公司正处于泡沫边缘。.

科学界的批评之声日益高涨。认知科学家加里·马库斯警告说，尽管越来越多的公司正在尝试这项技术，但他们并未看到任何实质性的改进。弗雷斯特公司的一项研究预测，到2026年，约有四分之一的AI投资计划将被推迟。波士顿咨询集团描绘了一幅以高昂代价换来的停滞景象：迄今为止，只有极少数公司能够将巨额投资转化为真正的附加值。.

结构性故障原因

对失败的人工智能项目的分析揭示了一种一致的结构性原因模式，这些原因无法通过迭代算法改进来解决。主要障碍在于缺乏治理。大多数公司将人工智能视为普通的IT项目，而不是需要持续维护的生态系统。明确的责任划分、风险管理框架和持续质量保证机制都十分缺乏。.

数据成熟度问题是第二个根本性障碍。一项基于对50多家公司超过2万小时调研的科技公司分析显示，仅有14%的公司具备成功实施人工智能所需的必要基础。大多数公司都面临着数据碎片化、系统不一致以及缺乏数据治理等问题。如果没有高质量、结构化且易于访问的数据，即使是最先进的算法也难以发挥作用。.

技能缺口进一步加剧了这一问题。德国目前缺少24.4万名STEM（科学、技术、工程和数学）专业人才，其中包括2.95万名IT专家。预计到2027年，包括数据科学家和人工智能专家在内的计算机科学专家的技能缺口将达到18655人。IT网络工程和IT管理领域的管理人员预计将面临最大的相对增长。企业面临着两难的境地：他们需要成功实施人工智能所需的专业知识，而这些知识在市场上却十分稀缺。.

变革管理缺陷构成了失败的第四个支柱。技术实施只是成功的一半。如果没有全面的变革管理，接受度就会被忽视。一家金融服务提供商实施了一套复杂的欺诈检测系统，但由于缺乏与审批流程的整合，员工经常绕过系统，因此该系统收效甚微。当人工智能的建议与实际操作不符，或者源自无法提供透明逻辑的黑箱系统时，操作员和工程师往往会持怀疑态度。.

资源错配加剧了这些结构性问题。超过一半的生成式人工智能预算都花在了销售和市场营销上，尽管后台自动化往往能带来更高的回报。企业在尚未建立起基础数字基础设施的情况下，就盲目追求不切实际的项目。他们基于完美的演示数据进行开发，而这些数据在现实世界中却会立即崩溃。他们系统性地低估了集成、维护和持续调整所需的工作量。.

接下来的二十四个月将是十字路口

未来两年对于人工智能在生产和工业领域的进一步发展至关重要。多项趋势表明，2026年和2027年将是决定性时期，届时赢家和输家将泾渭分明。.

Gartner技术成熟度曲线预测，人工智能将在2026年进入幻灭低谷。在此阶段，其局限性和高昂成本将变得显而易见。规模化难题和缺乏可行的商业模式导致许多项目失败，供应商也随之消失。然而，这并非灾难，而是必要的市场调整。经历技术成熟度曲线的各项技术，在度过幻灭低谷后，将达到生产力高峰期，并在此阶段创造真正的价值。.

投资动态表明，2026 年年中可能出现爆发式增长。如果资本支出驱动的供应增长速度超过货币化使用量的增长速度，则每个代币的成本可能接近于零。这将导致新建推理能力迅速贬值，并迫使企业进行大规模减记。那些过晚意识到其人工智能投资未能产生回报的公司将不得不做出痛苦的调整。.

与此同时，新一代人工智能系统——智能体人工智能——正在兴起。这些系统拥有持久记忆和迭代学习能力，从而直接解决了企业普遍认为的学习差距这一主要障碍。早期的实验表明，能够自主处理完整咨询的客服代理，以及能够监控日常交易的金融流程代理，都展现出了巨大的潜力。现在投资于自适应、深度集成人工智能系统的企业，正在创造未来难以追赶的竞争优势。.

监管环境也将发挥至关重要的作用。欧盟人工智能法案建立了一个具有约束力的法律框架，过渡期为6至36个月，不合规者可能面临巨额罚款。虽然这带来了合规义务和文件编制负担，但“欧洲制造的人工智能”也可以被视为一种质量保证。尽早落实合规要求的公司可以将自己定位为可信赖人工智能领域的先驱。问题在于，欧洲的监管能否如预期般在信任方面带来先发优势，还是会主要成为与美国和中国相比的竞争劣势。.

幻灭之后会发生什么？

当前围绕人工智能在生产和工业领域的失望并非暂时的适应困难，而是过高的期望与结构不完善的技术相遇的必然结果。目前被称为人工智能的系统是针对特定应用场景的高度复杂的工具，而非通用问题解决者。它们可以识别数据中的模式，但无法进行系统性和逻辑性思考；它们可以自动化简单的任务，但无法独立优化复杂的生产流程；它们可以辅助人类的专业知识，但无法取代人类的专业知识。.

这一认识并非意味着人工智能创新的终结，而是标志着一个更加务实阶段的开始。未来几年能够取得成功的公司，并非那些将人工智能视为万能灵药，而是将其视为一种需要精心整合、持续维护和合理预期才能发挥作用的工具的公司。他们不会投资于不切实际的登月计划，而是会投资于基础性的数字化建设：数据质量、系统集成、技能发展和组织变革管理。.

未来几年的价值创造将主要体现在人工智能、大数据集模式识别、重复性任务自动化以及结构化信息快速处理等技术优势得以充分发挥的特定应用场景中。预测性维护的重要性将持续提升。基于计算机视觉的质量控制将得到广泛应用。后台自动化将带来显著的成本节约。然而，在可预见的未来，自主运行、自我优化的工厂愿景仍将停留在科幻层面。.

德国中小企业正面临战略转折点。鉴于早期项目令人失望的成果，目前企业不愿投资人工智能是可以理解的。然而，完全放弃并非良策。那些现在就着手构建基本前提条件——数据基础设施、数字化流程和技能发展——的企业，将在下一代人工智能系统成熟后从中受益。而那些继续观望的企业，则将面临彻底落后的风险。.

围绕人工智能在生产和工业领域的幻灭，归根结底是对过高期望的必要修正。它迫使我们直面一些令人不安的现实：技术本身并不能带来变革；组织和人为因素至少与算法同等重要；可持续的价值创造需要时间和系统性的努力。人工智能在文本和图像处理方面已经证明了其附加价值。至于它在生产和工业的经济层面上的作用，目前尚待验证，其价值何时能够得到体现，仍有待观察。.

您的全球营销和业务拓展合作伙伴

☑️ 我们的业务语言是英语或德语。

☑️ 新增：用您的母语进行通信！