طبق دومین نظرسنجی سالانه‌ی Rootstock از تولیدکننده‌ها (ژانویه ۲۰۲۵)، بیش از ۷۷ درصد تولیدکننده‌ها یه‌جوری از AI استفاده می‌کنن. ولی ۵۶ درصدشون مطمئن نیستن ERPشون برای این کار آماده باشه. طبق نظرسنجی Manufacturing Leadership Council در اوایل ۲۰۲۵ که Deloitte به آن استناد کرده، فقط ۶ درصد تولیدکننده‌ها از AI عامل‌محور استفاده می‌کنن و ۲۴ درصد انتظار دارن ظرف دو سال ازش استفاده کنن، یعنی تقریباً چهار برابر — ولی نکته اینجاست که گلوگاه هیچ‌وقت خودِ AI نبوده. گلوگاه واقعی، دیتاییه که نه تمیزه، نه لحظه‌ای‌ست، و نه اونقدر ساخت‌یافته که یه الگوریتم بتونه روش تصمیم بگیره.
این نکته مهم‌تر از چیزیه که خیلی از کارخونه‌ها فکرش رو می‌کنن. یه مدل AI هرچقدر خوب باشه، فقط به‌اندازه‌ی دیتایی که می‌بینه ارزش داره. و توی بیشتر خطوط تولید، اون دیتا یا با تأخیر می‌رسه، یا ناقصه، یا آخر شیفت از روی حافظه‌ی یه نفر بازسازی می‌شه.
برنده‌ها اونایی نیستن که بیشترین AI رو دارن
هر آماری که از صنعت توی ۲۰۲۶ بیرون میاد، به یه نتیجه می‌رسه: کارخونه‌هایی که واقعاً از AI سود می‌برن، اونایی نیستن که بیشترین مدل رو نصب کردن — اونایی هستن که یه جریان دیتای تمیز و لحظه‌ای از خط تولیدشون دارن. موضوع اصلاً جمع‌کردن دیتای بیشتر نیست. موضوع اینه که دیتای درست رو، با دقت درست، همون لحظه‌ای که اتفاق می‌افته بگیری — تا الگوریتم بتونه چیزی رو ببینه که واقعاً روی خط داره می‌گذره، نه چیزی که یه اکسل سه شیفت قبل نوشته.
هرجا این انضباط دیتایی رعایت شده، نتیجه‌ش کاملاً ملموسه: نگهداری پیش‌بینانه‌ای که به‌جای تقویم، روی رفتار واقعی ماشین‌آلات ساخته شده، به برآورد McKinsey معمولاً توقف ماشین‌آلات رو ۳۰ تا ۵۰ درصد کم می‌کنه. بینایی ماشین هم وقتی کنار مدل‌های تخصصی بشینه، می‌تونه بخش بزرگی از بازرسی چشمی تکراری رو به عهده بگیره — البته فقط جایی که دیتای فرآیند اونقدر قابل‌اعتماده که بشه مدل رو باهاش آموزش داد.
خودمختاری با چارچوب، نه یه جعبه‌ی سیاه
مسیری که توی ۲۰۲۶ داریم می‌ریم، سمت agentهاییه که دیگه فقط پیشنهاد نمی‌دن، بلکه توی یه چارچوب مشخص خودشون عمل می‌کنن: صف کار رو اولویت‌بندی می‌کنن، مسیر مواد رو عوض می‌کنن، یا خودشون یه تیکت نگهداری باز می‌کنن. ولی هر پیاده‌سازی جدی‌ای که تا حالا دیدیم، یه شرط مشترک داره، همون شرطی که ابزارهای قدیمی‌تر و فقط-پیشنهادی هم داشتن: هر عملی باید شفاف باشه، بر اساس یه سیاست مشخص انجام بشه، و بشه ردش رو تا همون دیتایی که باعثش شده دنبال کرد. یه عمل خودکار که بعداً هیچ‌کس نمی‌تونه توضیحش بده، خودمختاری نیست؛ فقط یه ریسکه که روابط عمومی بهتری داره.
این دقیقاً همون مسئله‌ایه که Fidar MES برای صنعت فولاد طراحی شده تا حلش کنه؛ جایی که مستندات باید بی‌نقص باشن و شبکه‌ی روی کف کارخونه اغلب اونقدر پایدار نیست که بشه روی اتصال دائمی حساب کرد. دیتای BOM مستقیم از مدل‌های Tekla میاد، نه اینکه یه نفر دوباره دستی تایپش کنه — دقیقاً همون جایی که خیلی از کیفیت دیتا حتی قبل از رسیدن به خط تولید از بین می‌ره. ردیابی تولید روی هر ایستگاه به‌صورت آفلاین کار می‌کنه، پس یه قطعی شبکه یعنی گم‌شدن یه دیتا نیست؛ فقط منتظر می‌مونه تا شبکه برگرده و sync بشه. هر تغییری هم audit می‌شه، یعنی وقتی وضعیت یه قطعه عوض می‌شه، دقیقاً معلومه کی، کِی، و چرا این تغییر رو داده — نه یه جعبه‌ی سیاه. ردیابی جوش تا قطعه و دیتای کیفیت WPS-WPQ و NDT هم از همون لحظه‌ی ثبت ساخت‌یافته‌ان، نه اینکه بعداً برای یه گزارش مرتب‌شون کنیم.
هیچ‌کدوم از اینا AI پیچیده و عجیبی نیست. اینا همون کار زیرساختیِ کسل‌کننده‌ست: ثبت دیتای تمیز از همون مبدأ، ردیابی که آفلاین هم کار کنه، و یه audit trail کامل. ولی دقیقاً همین‌ها باید از قبل وجود داشته باشن تا اون ابزارهای عامل‌محور و خودمختاری که الان همه دارن ازشون حرف می‌زنن، چیزی قابل‌اعتماد برای عمل‌کردن روش داشته باشن. تولیدکننده‌هایی که ۲۰۲۶ رو صرف درست‌کردن همین پایه کنن، وقتی رقباشون هنوز دارن توضیح می‌دن چرا پایلوتشون هیچ‌وقت از آزمایشگاه بیرون نیومد، آماده‌ی مقیاس‌دادن AI هستن.
برای کارخانه‌ای در امارات، ارزیابی یک‌روزه ITTI راه عملی سنجیدن همین پایه است؛ آنچه یک کارگاه سازه فلزی در آن روز می‌تواند نشان دهد را جدا نوشته‌ایم.
