据TechRadar报道，工业人工智能在维护领域的采用速度已超过其实际发挥作用的进度。福禄克公司总裁在署名文章中指出，一项最新研究显示，约78%的进展障碍都与劳动力相关，技术进入工厂的速度快于员工持续使用它的能力。
研究数据显示，预测性维护的采用率同比翻了一倍多，而反应性维护使用率保持平稳，主动性维护的比例则较上年下降。这种组合意味着新方法正在进入工厂，但并未完全取代旧方法。文章指出，早期试点证明模型在熟悉设备上配合专注团队能够工作，但真正的考验是模型要跨班次、跨地点以及在不同经验水平的团队中支持决策。工作习惯、信任、决策权和一线信心需要更长时间改变。
投资数据表明，企业领导者并未放弃AI，而是对投入方向变得更加挑剔。投资正从探索性AI转向运营优先级，包括网络安全、数据管理、生成式AI和工业AI。约40%的领导者预计转型需要一到四年的过程。
文章作者是美国福禄克公司总裁。他认为，78%的劳动力障碍数据容易被误读为招聘问题，但实际包含专业知识缺乏、知识短缺、技能人才缺口和更广泛的能力缺陷。这些类别描述的不是招人就能解决的难题，而是组织吸收不同工作方式的能力。研究用“吸收能力”一词概括这种能力，即企业识别并吸收新知识、转化为实际产出的速度。
文章援引英国政府《AI Skills for the UK Workforce》报告指出，高级制造业除了需要训练AI模型、集成实时分析等技术应用技能，更需要解释AI输出、围绕新见解调整工作流程、向一线团队沟通变化等能力。这些能力决定了一次警报是改变行为还是被忽略。
商业后果体现在投入与回报之间的滞后上。预测性维护采用率上升，资本投入增加，但反应性维护基线未变。许多工厂同时运行两种模式：一方面为数据驱动的执行投入，另一方面仍因可避免的救火式工作而损失时间。