Mengapa Kebanyakan Pilot AI Gagal di Pabrik Kimia – Pelajaran dari Pakar Industri

Ekspektasi yang sangat tinggi, data yang tidak konsisten, dan uji coba yang tertutup dapat menghambat keberhasilan penerapan AI di dunia nyata. Solusinya terletak pada kecerdasan industri yang menutup kesenjangan antara prediksi dan kondisi pabrik, tulis Stephen Reynolds, Industry Principal, Chemicals di AVEVA .

Setiap mobil Formula 1 menghasilkan ratusan gigabyte data telemetri selama balapan – mulai dari degradasi ban dan pembakaran bahan bakar hingga suhu rem, perubahan cuaca, dan perilaku pesaing. Data tersebut dialirkan ke para insinyur di lintasan dan laboratorium jarak jauh secara real-time, memungkinkan mereka menganalisis performa, mengoptimalkan strategi, dan mendapatkan keunggulan kompetitif dalam olahraga yang setiap milidetiknya berarti. Hal ini merupakan pengingat bahwa kesuksesan bukan bergantung pada ukuran kumpulan data atau seberapa canggih model Anda, namun apakah wawasan dapat diubah menjadi keputusan operasional yang tepat waktu.

Berlangganan PII dan terima:

Majalah digital dua bulanan kami yang telah lama berdiri Informan Industri Proses , menampilkan artikel eksklusif, berita, dan pembaruan di seluruh Industri Proses, ditambah komentar dari tiga pakar industri kami:

Sean Moran

Gavin Smith

Dave Hijau

TAMBAHAN:

• Pembaruan Industri Proses – buletin elektronik mingguan kami
• Podcast PII
• Pesan khusus dari mitra periklanan kami

Pabrik kimia dapat mengungguli pasar dengan memperlakukan AI seperti mobil balap berperforma tinggi. Mereka telah menghasilkan miliaran titik data dari sensor, laboratorium, dan sistem ERP. Perusahaan menjalankan uji coba AI, menguji model, dan meluncurkan bukti konsep, dengan McKinsey melaporkan bahwa 78% organisasi menggunakan AI setidaknya dalam satu fungsi bisnis.

Sebagian besar pilot AI terhenti

Namun sebagian besar proyek percontohan terhenti sebelum memberikan nilai. Survei terbaru menunjukkan bahwa 88% proyek percontohan AI tidak pernah mencapai produksi, dan MIT melaporkan pada bulan Agustus bahwa 95% inisiatif AI generatif yang bertujuan untuk menghasilkan pendapatan secara cepat gagal.

“Api penyucian AI” ini bukan berarti kurangnya imajinasi – melainkan kurangnya strategi dan tindakan. Menerjemahkan wawasan ke dalam tindakan dunia nyata, seperti strategi F1 yang sempurna tanpa mengganti ban, sangatlah penting.

AI tidak bersifat plug and play

Tim sering kali menjadi korban sindrom objek berkilau, yang memperlakukan AI sebagai solusi plug-and-play. Ketika ambisi melampaui infrastruktur, model diterapkan pada tugas-tugas yang tidak dirancang untuknya, memberikan data laboratorium dan sensor yang tidak konsisten atau tertunda, dan tetap terisolasi dari operasi. Wawasan yang dihasilkan tidak dapat diterapkan pada proses di dunia nyata.

“Sebanyak 88% uji coba AI gagal mencapai produksi, menurut survei terbaru.”

Bahkan ketika AI memperkirakan adanya pengotoran dalam reaktor atau katalis yang tidak aktif, nilai tersebut akan hilang jika operator tidak dapat bertindak karena alur kerja yang tidak selaras. Ketidaksabaran untuk mendapatkan hasil yang instan dan kurangnya umpan balik yang berkelanjutan dari bahan baku baru menambah masalah. Teknologi yang terfragmentasi sama dengan hasil yang terfragmentasi.

Mencapai posisi terdepan – tetap menjadi yang terdepan dalam persaingan – memerlukan kolaborasi lintas fungsi dan ekosistem terhubung yang menyatukan sistem kimia industri. Hal ini berarti menghubungkan MES, LIMS, ERP, sejarawan, dan sistem kontrol proses dalam satu platform, menciptakan satu sumber kebenaran yang memecah silo data dan memberikan wawasan cerdas ke dalam loop kontrol yang ada di tingkat pabrik dan eksekutif.

“Hanya dengan tiga elemen ini – data yang dikurasi, model cerdas yang peka terhadap proses, dan manusia yang terinspirasi – barulah AI bergerak melampaui konsep teoritis menuju hasil operasional dan penelitian dan pengembangan yang nyata, memberikan waktu henti yang lebih rendah, hasil yang lebih tinggi, dan siklus inovasi yang lebih pendek.”

AI bertambah, manusia meningkat

Kurasi dan sentralisasi data industri adalah titik awalnya. Model harus dirancang untuk menghormati ketergantungan upstream dan downstream. Yang terpenting, tim harus memercayai informasi intelijen yang mereka terima dan diberdayakan untuk bertindak berdasarkan informasi tersebut. Menghindari penyucian AI harus dilihat sebagai perubahan budaya, bukan sekadar peningkatan teknologi.

Hanya dengan data yang dikurasi, model yang peka terhadap proses, dan manusia yang terinspirasi, AI dapat bertransisi dari konsep menjadi manfaat operasional dan penelitian dan pengembangan yang nyata.

Begitulah cara SCG Chemicals mencapai 99% keandalan pabrik dan laba atas investasi sembilan kali lipat hanya dalam waktu enam bulan. Untuk menjaga salah satu rantai pasokan bahan kimia terbesar di Asia tetap berjalan, SCG membangun platform keandalan digital yang menyematkan AI di seluruh siklus hidupnya.

Dengan mengintegrasikan analitik prediktif, data terpusat, dan lingkungan kembar digital di satu tempat, platform ini memungkinkan tim mengambil keputusan proses dengan cepat, seperti mempersenjatai tim balap F1 dengan kecerdasan real-time.

Dengan dasbor mulai dari tingkat unit bisnis hingga peralatan individual, tim SCG mengakses informasi yang dapat ditindaklanjuti dan menghubungkannya dengan data real-time dalam waktu 10 detik. Mengidentifikasi titik-titik penting untuk menghindari kegagalan aset telah menutup kesenjangan keandalan, dan biaya pemeliharaan turun 40%.

Menskalakan ke seluruh sektor bahan kimia, kasus penggunaan AI mencakup peningkatan waktu aktif aset dengan analisis prediktif, pemodelan hibrid untuk mempercepat inovasi produk, dan bahkan penemuan bahan untuk bahan yang ramah lingkungan.

“Ketika perusahaan bahan kimia mengadopsi pendekatan langkah demi langkah ini, mereka bergerak lebih dari sekadar pemecahan masalah reaktif.”

Mencegah api penyucian pilot AI

Keberhasilan di setiap bidang memerlukan lebih dari sekadar memperlakukan uji coba AI sebagai eksperimen teknologi – sebuah jalur yang menjamin dimasukkannya statistik kegagalan sebesar 95%. Seiring dengan diadopsinya alat digital dan analisis, perusahaan memerlukan pendekatan menyeluruh untuk mengubah analisis menjadi peningkatan operasional, seperti yang disoroti Deloitte dalam prospek sektor kimia terbarunya.

Mengatasi api penyucian AI dimulai dengan perubahan cara pandang, termasuk perubahan budaya. Pertama, tentukan KPI yang ingin Anda ubah dan ukur dampak alur kerjanya. Pilot yang mencoba melakukan segalanya tidak menghasilkan apa-apa.

Berikutnya, membangun ekosistem yang terhubung dengan data, mengintegrasikan sejarawan, MES, LIMS, dan program vendor. Keberhasilan bergantung pada kualitas data, seperti yang dicatat oleh Arthur D. Little; skema harus distandarisasi, metadata dianotasi, dan protokol lab harus dibuat.

Kemudian pilih AI yang tepat dan buat agar dapat diamati. Misalnya, pengenalan pola dapat memperkirakan kegagalan peralatan, LLM dapat mencari dokumen kepatuhan, dan pemodelan hibrid dapat mendorong aplikasi inovatif seperti formulasi.

Setelah itu, produksi dan skalakan kasus penggunaan satu per satu. Terakhir, evaluasi dan tata kelola lintas fungsi – McKinsey merekomendasikan untuk menugaskan para pemimpin senior untuk melakukan pengawasan – mengurangi penyimpangan model dan risiko adopsi.

Ketika perusahaan bahan kimia mengadopsi pendekatan langkah demi langkah ini, mereka tidak hanya melakukan pemecahan masalah secara reaktif. Operator dapat mengantisipasi fouling, menyesuaikan kondisi reaksi dan mencegah downtime. Tim penelitian dan pengembangan mempercepat formulasi sekaligus memastikan peningkatan yang konsisten. Industri ini akhirnya dapat memperoleh manfaat nyata dari investasi AI-nya, seperti halnya tim F1 yang mengubah telemetri menjadi keputusan pemenang perlombaan dalam sepersekian detik.