罗克韦尔自动化（Rockwell Automation）发布的《2026年智能制造现状报告》显示，数据利用不足已成为食品饮料制造商将人工智能从试点推向规模化的核心障碍。
尽管近90%的食品饮料制造商已部署或计划近期引入AI及机器学习技术，但其对收集数据的有效利用率仅为45%左右。这一短板严重制约了早期AI项目向广泛运营变革的转化。研究表明，行业关注点已从质疑“AI的实用价值”转向如何将成功试点推广至整个制造网络，数据质量、系统集成及人员准备的重要性因此超越了单一工具的开发。
打破数据孤岛
进展顺利的企业通常将AI纳入更广泛的数字化转型计划，通过连接运营系统与业务系统，改善数据访问权限，并将AI工作与品质、生产力、成本控制及风险降低等具体业务目标挂钩。相比之下，许多公司的AI努力仍处于孤立状态，分散的数据和非标准化流程使得成果难以在不同站点或部门间复制。
报告强调，具备上下文信息的互联数据对AI至关重要。碎片化数据集限制了洞察质量，而随着AI在日常流程中的渗透，这一问题愈发紧迫。受访者预计，由AI支持的制造流程占比将从目前的约37%上升至2030年的60%以上。
信息技术（IT）与运营技术（OT）的整合被视为破局关键。结合这两类系统能提升工厂和供应链可见性，消除信息孤岛，为快速决策提供基础。对于面临产品一致性、吞吐量及安全控制压力的食品饮料行业而言，未与这些核心优先级挂钩的AI项目很难在试验阶段后获得持续支持。
劳动力重塑
除了技术架构，劳动力技能也是影响AI落地的关键变量。研究发现，93%的制造商预计智能制造倡议将重塑其劳动力结构，40%的企业表示在过去一年中已对员工进行再培训。这种再培训旨在帮助员工解读AI洞察、管理集成数据环境或监督自动化流程。
罗克韦尔自动化消费品全球行业副总裁Greg Schmidt指出，市场讨论已超越“AI是否创造价值”的阶段，焦点转向如何在企业范围内扩展成功试点。“这需要互联的数据、集成的运营，以及AI举措与业务成果之间的清晰联系。”
总体而言，早期AI热情催生了大量试点，但数据不完整、系统分离及人员规划滞后阻碍了其转化为持续运营收益。在罗克韦尔看来，能将AI视为运营模式一部分、夯实数据基础并整合IT/OT系统的制造商，更有可能应对未来趋势，实现广泛成果。