在制造业领域，关于“人工智能制造”的讨论往往始于传感器、数字孪生、预测模型和机器人等技术要素。然而，对于制造企业而言，劳动力转型已成为支撑人工智能运营的基础设施核心组成部分。这一环节的重要性不亚于工厂硬件或数据管道本身，绝非次要的人力资源职能或简单的培训项目。
自动化并未取代人类主导
德勤 2026 年制造业展望数据显示，即便未来几年内人工智能采用率预计将从 9% 增至 22%，约翻一番，但超过 81% 的制造业任务时间仍将主要由人类驱动。尽管行业正迈向自动化加速期，绝大多数工作仍依赖人类的执行与判断。这并非矛盾，而是转型的本质：人工智能并未消除对人类监督的需求，而是改变了操作员所需掌握的技能结构。
基于“自动化减少熟练人才需求”假设制定的劳动力战略存在根本性缺陷。虽然狭窄的单学科专业知识价值可能降低，但对能够跨学科灵活工作的复合型人才需求正在上升。
多学科能力成为关键竞争力
现代联网工厂需要既懂机械电气工程，又熟悉光纤网络的人才；需要精通人工智能与自动化的专业人员与智能系统协同工作；还需要操作员、质量工程师和维护负责人具备阅读和理解数据的能力。
制造商若能最大化发挥硬件潜力，并在模型出错时及时质疑和改进，将直接体现在运行效率、质量控制、生产率提升以及组织对技术变化的适应速度上。真正的竞争优势不在于拥有多少自动化设备，而在于团队利用这些设备创造价值的能力。
学习模式需转向持续化
传统的按步骤进行的技术培训（如招生、里程碑认证或年度复习）已无法匹配现代制造业的节奏。鉴于支持智能制造的技术迭代迅速，18 个月前的技能可能已过时。因此，学习必须被视为一种持续的操作节奏，而非离散事件。
这意味着建立更短、更频繁的升级周期，紧扣实际变化而非通用课程；同时让工程师接触人工智能工具和数据基础，即使这些并非其核心职责。持续学习将成为新的稳定状态，而非通往某个静态未来的过渡阶段。
打破部门隔离是功能要求
在人工智能制造语境下，“打破孤岛”不仅是文化目标，更是功能要求。支持人工智能的生产线无法清晰划分“制造”、“IT”或“数字化转型”的界限。例如，单一传感器的数据可能同时服务于预测性维护模型、生产时间表、数据工程和 IT 基础设施。若相关团队以独立的优先级和词汇体系运作，将阻碍协作。
构建具有弹性的互联运营体系，需要组织主动设计并促进不同职能间的协作。
面向下一个十年的投资逻辑
上述观点并非主张放缓技术采用速度，而是呼吁以对待重大基础设施投资的严谨态度来对待劳动力能力建设。正如不会在不稳定的电力或网络连接上部署联网工厂一样，也不应在未准备好的劳动力基础上部署人工智能。
未来十年领先的制造商，将是那些能让人工智能在实际场景中有效落地的人，他们围绕问题而非组织结构图进行组织。建议制造业领导者尽早开始投资人力基础设施，以免技术演进速度超越管理能力。
