TILLVERKNING

Återindustrialisering och tillverkningens verkligheter

Av: Del Costy, VD och koncernchef, Siemens Digital Industries

Återuppkomsten av amerikansk tillverkning omfattar mycket mer än vad som händer på butiksgolvet.

Återindustrialisering kräver att organisationer behärskar hela innovationscykeln från produktuppfattning till konstruktion, validering, produktion och optimering. USA har länge visat vägen i utmärkt innovation. Utmaningen nu är att harmonisera den innovationen med modern tillverkningskapacitet så att vi kan fortsätta att innovera snabbt.

När vi tänker på det industriella segmentet är vi fortfarande i det tidiga skedet av kurvan för att anta teknik. Det finns enorma vinster att göra - och människor kommer att spela en viktig roll. Och, naturligtvis, du kan inte ha någon konversation utan att fråga: Vad betyder det att anta AI i tillverkningen?

Den mentaliteten har format hur jag tänker på vad som händer inom tillverkningen idag. Vart jag än går pratar folk om AI. De är angelägna om att prata om vad AI kan göra, men färre pratar om vad det är som AI behöver för att fungera effektivt, och det är sammanhang.

Tillverkning kräver en tydlig förståelse för komplexa system, processer, material och begränsningar. Det är här AI i tillverkningen kan vara otroligt kraftfull. Det kan belysa horder av data, hitta mönster i insikterna för att ge rekommendationer för produkt-, system-, process- och anläggningsförbättring. Varningen är att detta bara fungerar om AI är grundad i verkligheten att tillverkning är en precisionsmiljö. Utan sammanhang blir intelligens lite mer än förutsägelse - och förutsägelse ensam räcker inte för att omvandla industrin.

Varför Industrial AI bara är så bra som data bakom den

Vid det här laget har alla hört löftet: ”AI kommer att optimera produktionslinjer, påskynda produktutvecklingen, förbättra kvaliteten och förutsäga fel innan de inträffar.” Dessa möjligheter är verkliga. Men AI kan bara skalas i tillverkningen när data är kontextualiserade och kopplade till fysik inom teknik och produktion.

Du kan ha den mest sofistikerade modellen i världen, men om den saknar förståelse för dina toleranser, material, produktionsbegränsningar, valideringshistorik och driftskrav kommer resultaten i bästa fall att vara opålitliga och i värsta fall skadliga för ditt företag. Tillverkare har inte råd med risken att implementera alltför säker AI De behöver AI som kan ge exakta och pålitliga rekommendationer varje gång

Det är där många Industrial AI-konversationer bryts ner. Alltför ofta återspeglar AI-diskussioner inte butiksgolvets begränsningar, prioriteringar och villkor. Organisationer gör argument som låter övertygande men är frånkopplade från den fysiska världen. Och inom tillverkningen är förtroende utan säkerhet farligt.

Det som ofta blir osagt är att många AI-implementeringar bygger på någon annans modell och körs på någon annans antaganden om hur ett företag fungerar. I själva verket hyr tillverkare intelligens som de borde äga.

Samtidigt är produktutvecklingen fortfarande belastad av decennier gamla processer. Att få ut en ny produkt på marknaden kan ta mellan 40 och 50 månader. Dessutom förbrukas upp till 60 procent av utvecklingskostnaderna ofta av fysiska prototyper. För mycket av FoU-budgeten spenderas på att bevisa design snarare än att förnya dem.

Om amerikanska tillverkare vill konkurrera och vinna måste vi komprimera hela industricykeln från idé till produktion. Industrial AI kan hjälpa till att uppnå det målet, men bara när det bygger på en grund av data som exakt återspeglar hur produkter designas, tillverkas och drivs.

Relaterade länkar:

Tillverkning kräver en tydlig förståelse för komplexa system, processer, material och begränsningar. Det är här AI i tillverkningen kan vara otroligt kraftfull, men bara om AI är grundad i verkligheten att tillverkning är en precisionsmiljö.

Hur man bygger den digitala grunden för tillförlitlig Industrial AI

Förra året investerade Siemens 15 miljarder dollar i amerikanska mjukvaruföretag för att ytterligare säkerställa att kunderna trivs i nästa era av digital och datadriven transformation, och vi har ägnat decennier åt att bygga den relaterade datafundationen.

Vårt tillvägagångssätt börjar med hanteringssystem för produktlivscykel som fångar upp och bevarar varje designrevision, teknisk förändring och valideringsresultat i kundens egen miljö. Den institutionella kunskapen förblir där den hör hemma: hos tillverkaren.

Vi kombinerar det med fysikbaserad simuleringsteknik som validerar AI-rekommendationer mot verkliga tekniska modeller snarare än att enbart förlita sig på statistiska resultat. När AI-förslag kan testas mot fysikens lagar får tillverkarna förtroende för att de kan agera på resultaten.

Den tredje delen är automatisering. Med Siemens teknik som kopplar samman design och produktion stannar data inte vid ingenjörsstadiet. Det sträcker sig till verksamheten och skapar insyn i realtid om hur produkter, linjer och anläggningar presterar i realtid. Tillsammans skapar dessa funktioner något som ingen fristående AI-plattform kan replikera: kontextualiserade data kopplade över hela livscykeln.

Vi kallar detta den digitala tråden. Det kopplar designavsikt till produktionsverkligheten och bevarar organisatorisk kunskap när produkter och system utvecklas. Det ger AI det sammanhang det behöver för att generera meningsfulla resultat.

Och den skillnaden är viktig. Pålitlig Industrial AI kan inte skruvas fast som en eftertanke. Tillverkare kan inte lägga ut sin domänintelligens och förvänta sig bättre resultat. De behöver en sammankopplad grund som kopplar samman produkter, processer och produktion så att Industrial AI kan fungera över hela företaget snarare än i isolerade silor.

Värdet av det tillvägagångssättet blir tydligt när vi tittar på hur företag tillämpar det i praktiken.

Hur vi måste genomföra återindustrialiseringen

USA har satt upp ett ambitiöst mål att återindustrialisera sin ekonomi.

Den amerikanska industrin har redan gjort enorma framsteg genom automatisering, programvara och digital tvillingteknik. Dessa innovationer har hjälpt tillverkare att bli mer produktiva, mer motståndskraftiga och mer anpassningsbara.

Men våra kunder går in i en ny fas. De försöker bygga ny kapacitet, modernisera befintlig verksamhet och förbli globalt konkurrenskraftiga - allt samtidigt som de står inför ihållande brist på kvalificerad arbetskraft.

Industrial AI bygger på den starka digitala grunden och hjälper kunderna att expandera vad deras medarbetare kan. Det ger ingenjörer, operatörer och tekniker nya verktyg för att bli mer produktiva, påskynda innovation och åstadkomma mer.

Utmaningen är inte att uppfinna AI längre. Det distribuerar AI i företagsskala. Idag har bara en liten andel av organisationerna framgångsrikt integrerat AI i sin verksamhet. Att minska distributionsklyftan är en av de avgörande industriella utmaningarna - och möjligheterna - under det kommande decenniet.

Det är vad Siemens fokuserar på: att hjälpa våra kunder att gå från AI-ambition till AI-distribution och omvandla löftet om AI till verkliga produktivitetsvinster i hela den amerikanska industrin.

Hur PepsiCo använder digitala tvillingar och AI för att påskynda tillverkningsprestanda

Med en av våra kunder, PepsiCo, har vi byggt ett replikerbart ramverk som kombinerar Digital Twin-teknik, Industrial AI och en ansluten IT/OT-arkitektur för att hjälpa till att skala förbättringar inom tillverkning, lager och logistik.

Resultaten har varit betydande. Vid en anläggning i Gatorade i USA uppnådde PepsiCo en 20-procentig ökning av genomströmningen inom bara tre månader. Företaget uppskattar också en minskning av investeringarna med 10 till 15 procent genom att använda virtuell validering för att avslöja dold kapacitet innan fysiska investeringar görs.

Den digitala tvillingen har hjälpt till att komprimera tidslinjer för anläggningsdesign och optimering från månader till dagar. Genom att skapa fysikbaserade modeller med hjälp av verkliga operativa data från flera anläggningar kan team fastställa baslinjer för prestanda, identifiera flaskhalsar, förstå materialflödet och fastställa var och varför energi förbrukas.

Mer än 90 procent av produktionsproblemen kan identifieras innan produktionen ens påbörjas.

Detta är kraften i ett digitalt först tillvägagångssätt som PepsiCo utnyttjar. Ingenjörer optimerar layouter innan utrustningen flyttas. Materialflödet valideras innan en transportör berörs. Energiintensiva processer identifieras innan de skapar operativa utmaningar. Beslut drivs av data snarare än antaganden.

När produktinnovation, processutveckling och produktionsexekvering kopplas samman får organisationer den hastighet och det förtroende som krävs för att modernisera äldre infrastruktur. Det är precis så tillverkare vinner loppet mot tiden.

Medan återindustrialisering verkligen handlar om att förbättra befintlig verksamhet, är en annan viktig komponent att bygga helt nya modeller för produktion.

Hur Haddy demonstrerar framtiden för distribuerad tillverkning

Ett annat exempel på ett företag som utnyttjar Siemens integrerade programvara, hårdvara och automationsportfölj är Haddy, ett AI-drivet 3D-utskriftsföretag, som fundamentalt förändrar framtiden för hur vi tillverkar.

Haddys MicroFactory-modell visar den verkligheten och kombinerar industriell produktionskapacitet med högeffektiv ekonomi för att producera allt från nöjesparkdekor till båtar för marinen. Detta företag, en nyligen vinnare av en Siemens Techcellence-utmärkelsen, överbryggar kommersiella och försvarskrav, vilket hjälper till att ansluta företagsinnovation med nationell industriell beredskap.

Det som gör modellen Haddy använder övertygande är hur AI kontinuerligt förbättrar tillverkningsprestanda genom en sluten återkopplingsslinga:

Steg 1 — Delen talar: En kamera upptäcker en liten ytindragning som är nästan omöjlig för en mänsklig märkning.

Steg 2 - Systemet lyssnar: Systemet känner igen en tryckspik fyra minuter innan defekten uppträdde. AI kopplar samman dessa signaler och identifierar en relation.

Steg 3 - Det spårar grundorsaken: Analys avslöjar att en materialnedbrytning inträffade uppströms i torkningsprocessen innan tryckningen började.

Steg 4 - Det fixar sig själv: Torktemperaturen justeras automatiskt. Produktionen fortsätter utan avbrott.

Steg 5 - Det verifierar: De kommande tio lagren skrivs ut framgångsrikt. Problemet loggas och registreras som löst.

Steg 6 — Varje maskin blir smartare: Lösningen delas över alla Haddy-skrivare globalt, gör det permanent och repeterbar.

Denna slinga är inte möjlig endast genom automatisering. Det är en kombinerad hårdvara, mjukvara och automatiseringsstack som underlättar institutionellt lärande i industriell skala.

Återindustrialisering kräver att innovation kopplas till produktion

Den goda nyheten om ansträngningar för att återindustrialisera inom amerikanska industrier är att tillverkare inte behöver återuppfinna teknik för att uppnå banbrytande resultat. Genom att kombinera beprövade tekniska ramverk med simulering och Industrial AI blir extraordinära effektivitetsvinster möjliga.

De organisationer som leder det kommande decenniet av tillverkning kommer att vara de som byggde den starkaste grunden för industriell AI. De kommer att vara de företag som behöll sin domänexpertis, ansluten design och produktion, och säkerställde att varje AI-drivet beslut kunde valideras mot fysik. Förvandla probabilistiska AI-rekommendationer till deterministiska resultat.

Det är lärdomen vi ser från företag som PepsiCo, Haddy och många andra som har insett att detta inte bara är en konkurrensfördel, utan vägen till att påskynda amerikansk tillverkning.

Amerikanska städer och företag som redan förbinder sig till återindustrialisering väntade inte på en signal för att börja bygga om sin framtid. Den amerikanska industrin har inte heller råd att vänta.

Bygg grunden, äg intelligensen, och samarbeta med organisationer som förstår hur man kopplar innovation till produktion och tillsammans kan vi påskynda nästa era av amerikansk återindustrialisering.

Publicerad: 17 augusti 2026