מחיבור מכונות למערכות חושבות: כך מתעצבת הארכיטקטורה של הדור הבא בתעשייה
Industry 4.0 הייתה רק ההתחלה
במהלך העשור האחרון עברה התעשייה העולמית שינוי עמוק. תחת הכותרת Industry 4.0 השקיעו מפעלים ברחבי העולם בחיבור מכונות לרשת, בהטמעת חיישנים, במערכות MES ו-ERP, ברובוטיקה, בבקרת איכות מתקדמת ובכלי אנליטיקה. המטרה הייתה ברורה: לאסוף יותר נתונים, לשפר את הנראות של תהליכי הייצור ולהגדיל את היעילות.
התוצאות היו משמעותיות. קווי ייצור הפכו מחוברים יותר, יכולות הניטור השתפרו, תקלות זוהו מוקדם יותר ותהליכים רבים עברו אוטומציה. אולם ככל שהיקף הנתונים גדל, התברר שגם האתגר השתנה. במפעלים רבים המידע אמנם זמין, אך הוא עדיין מפוזר בין מערכות שונות, נשמר בפורמטים שונים ודורש מהנדסים ואנשי תפעול כדי לחבר בין חלקי התמונה.
במילים אחרות, התעשייה הצליחה לחבר את המכונות – אך עדיין מתקשה לחבר את הידע.
כיום מתחיל להסתמן השלב הבא בהתפתחות הייצור התעשייתי. הדגש עובר מאיסוף מידע ליכולת להבין אותו, לשלב בין מקורות שונים, להסיק מסקנות ולסייע בקבלת החלטות בזמן אמת. השינוי הזה אינו נשען על טכנולוגיה אחת, אלא על שילוב בין מספר התפתחויות המתרחשות במקביל: מודלי בסיס (Foundation Models), סוכני AI (Agentic AI), תאומים דיגיטליים (Digital Twins), רובוטיקה מתקדמת, ומודלים המשלבים ידע פיזיקלי עם למידת מכונה.
גם גופי מחקר ותקינה מובילים, ובהם NIST, מזהים את השילוב בין תחומים אלה כאחד הכיוונים המרכזיים בהתפתחות הייצור החכם. במקביל, ספקיות תוכנה, אוטומציה ומחשוב מאיצות את הפיתוח של פלטפורמות המאפשרות לחבר בין העולמות הללו לכדי סביבת ייצור אחת, אינטליגנטית וגמישה יותר.
עם זאת, כבר היום ניתן לזהות את קווי המתאר של השלב הבא בהתפתחות התעשייה – ואת השינויים הטכנולוגיים שמובילים אליו.
מ־Industry 4.0 ל־Industrial AI
Industry 4.0 חיבר בין מכונות, חיישנים ומערכות מידע. Industrial AI מבקש לעשות את הצעד הבא – להפוך את המידע הזה לידע, ואת הידע לקבלת החלטות.
המעבר הזה אינו מבטל את התשתיות שנבנו בעשור האחרון, אלא מוסיף מעליהן שכבת אינטליגנציה חדשה. מערכות הייצור ממשיכות להתבסס על בקרים, רובוטים, מערכות MES, ERP ופלטפורמות תעשייתיות, אך אליהן מצטרפות יכולות חדשות של ניתוח מידע, הסקת מסקנות, תכנון פעולות ותמיכה בקבלת החלטות.
אחד המאפיינים הבולטים של השינוי הוא המעבר ממערכות המיועדות למשימה אחת בלבד למערכות המסוגלות לשלב מידע ממקורות שונים ולהבין את ההקשר הרחב יותר שבו מתקבלת כל החלטה. במקום מודל שמזהה חריגה אחת או חוזה תקלה אחת, מתפתחות מערכות המסוגלות לבחון במקביל נתוני ייצור, תחזוקה, איכות, לוגיסטיקה ותכנון – ולהציג תמונת מצב כוללת.
במקביל, מתרחבת גם חשיבותו של Edge Computing. במערכות תעשייתיות רבות אין די בשליחת הנתונים לענן לצורך עיבוד. יישומים כגון רובוטיקה, בקרת תנועה, ראייה ממוחשבת או מערכות בטיחות מחייבים זמני תגובה של מילישניות בודדות. לכן יותר ויותר יכולות AI עוברות להתבצע ישירות בבקרים, במחשבי קצה ובמערכות המשולבות ברצפת הייצור.
מנקודת מבט הנדסית, Industrial AI אינו מחליף את האוטומציה התעשייתית המוכרת. הוא מוסיף לה שכבת אינטליגנציה המאפשרת למערכות להבין טוב יותר את סביבת העבודה, להציע דרכי פעולה ולהסתגל למצבים משתנים. אפשר לראות ב־Industrial AI את המשך ההתפתחות של Industry 4.0 – שלב נוסף בהתפתחות המפעל החכם, הנשען על התשתיות שנבנו בעשור האחרון.
חמש אבני הבניין של המפעל החכם ב־2030
המעבר ל־Industrial AI אינו מבוסס על טכנולוגיה אחת, אלא על שילוב של מספר יכולות המשלימות זו את זו. לכל אחת מהן תפקיד שונה, אך הערך האמיתי נוצר כאשר הן פועלות כמערכת אחת. חמש הטכנולוגיות הבאות מסתמנות כיום כבסיס שעליו ייבנה הדור הבא של מערכות הייצור.
- Foundation Models – בסיס ידע משותף ליישומים תעשייתיים
מרבית יישומי הבינה המלאכותית בתעשייה פותחו עד היום כדי לבצע משימה מוגדרת היטב: לזהות פגם במוצר, לחזות תקלה בציוד, לנתח תמונה ממצלמה או לבצע אופטימיזציה של תהליך מסוים. כל מודל אומן למטרה ייעודית, ולעיתים קרובות התקשה להתמודד עם משימות אחרות או עם מידע שהגיע ממקורות שונים.
מודלי בסיס (Foundation Models) מציעים גישה שונה. במקום לפתח מודל חדש עבור כל יישום, הם יוצרים בסיס ידע רחב שניתן להתאים למגוון רחב של משימות. בדומה לטכנולוגיה שעליה מבוססים רבים מכלי ה־AI המוכרים כיום, גם בעולם התעשייה מתפתחים מודלים המסוגלים להבין סוגים שונים של מידע ולשלב ביניהם.
האתגר התעשייתי מורכב במיוחד. מידע אינו מגיע רק כמספרים מטבלאות או כחיישנים, אלא גם כתמונות ממערכות ראייה ממוחשבת, שרטוטים הנדסיים, הוראות תחזוקה, מסמכי יצרן, נתוני MES ו־ERP, דוחות איכות ומידע המגיע ממערכות הבקרה. כדי לתמוך בתהליכי קבלת החלטות, המערכת נדרשת להבין לא רק כל מקור מידע בנפרד, אלא גם את הקשרים ביניהם.
כך למשל, עלייה בטמפרטורת מנוע עשויה להיראות בתחילה כחריגה פשוטה. אולם כאשר משלבים את נתוני החיישנים עם היסטוריית התחזוקה, מפרט הציוד, שרטוטי המערכת והוראות היצרן, מתקבלת תמונה רחבה יותר המאפשרת לזהות את מקור הבעיה ולהציע דרכי פעולה מתאימות.
המשמעות היא שמודלי הבסיס אינם מחליפים את הידע ההנדסי שנצבר במפעל, אלא מספקים שכבה חדשה המאפשרת לקשור בין מקורות מידע שבעבר נותרו מנותקים זה מזה.
אולם גם כאשר מערכת מצליחה להבין מגוון רחב של מידע, עדיין נותרת שאלה מהותית: כיצד הופכים את הידע הזה לרצף של פעולות? כאן נכנסת לתמונה ההתפתחות הבאה – Agentic AI.
- Agentic AI – השלב הבא באוטומציה התעשייתית
במפעל מודרני מתקבלות מדי יום אלפי החלטות קטנות: האם לעצור קו ייצור בעקבות חריגה? האם לדחות פעולת תחזוקה כדי להשלים הזמנה דחופה? האם השינוי במדידות מצביע על תקלה מתפתחת או על סטייה זמנית בתהליך? ברוב המקרים, המידע הדרוש לקבלת ההחלטה כבר קיים – אך הוא מפוזר בין מערכות שונות ודורש מהמהנדס לחבר את התמונה.
זו בדיוק הנקודה שבה מתחיל להסתמן תפקידם של סוכני AI.
בשונה ממערכות שפותחו למשימה אחת בלבד, סוכן AI אינו מתמקד רק בזיהוי חריגה או בהפקת דוח. הוא מיועד לתזמר תהליך עבודה: לאסוף מידע ממספר מקורות, להבין את מטרת המשימה, לבחור אילו כלים להפעיל ולהציג למהנדס או למפעיל תמונת מצב והמלצה המבוססת על כלל הנתונים הזמינים.
במילים אחרות, מוקד השינוי אינו ביכולת של המערכת לענות על שאלה, אלא ביכולת שלה לתאם בין שלבים שונים בתהליך העבודה.
כך, למשל, טיפול בתקלה במכונה אינו מסתכם עוד בהתראה על חריגה. סוכן תוכנה יכול לאסוף את נתוני החיישנים, להשוות אותם להיסטוריית התחזוקה, לבדוק אם התקלה הופיעה בעבר, לעיין בהוראות היצרן ולהציג למהנדס את סדר הפעולות המומלץ. אם הוגדרו לכך הרשאות מתאימות, הוא יכול גם להכין את הפעולות הבאות – למשל פתיחת קריאת שירות או עדכון משימת תחזוקה – תוך השארת ההחלטה הסופית בידי האדם.
המעבר הזה כבר אינו תיאורטי. בשנים האחרונות החלו ספקיות טכנולוגיה מובילות לתרגם את הרעיון לארכיטקטורות מעשיות. כך, למשל, בשנת 2025 הציגה Siemens את תפיסת ה־Industrial AI Agents, המרחיבה את תפקידם של כלי ה־AI מעבר למענה על שאלות או סיוע בכתיבת קוד, לכיוון של תזמור תהליכי עבודה שלמים. שנה לאחר מכן הרחיבה החברה את התפיסה והציגה ארכיטקטורה שבה Copilots וסוכני AI פועלים לאורך שרשרת הערך – משלב התכנון וההנדסה ועד הייצור והתפעול.
לצד הפוטנציאל, המעבר לסוכני AI מעלה גם שאלות חדשות. ככל שמערכת מסוגלת לבצע יותר פעולות באופן עצמאי, כך גדלה החשיבות של מנגנוני בקרה, ניהול הרשאות, יכולת להסביר כיצד התקבלה כל החלטה ואפשרות להתערבות אנושית בכל שלב. זו גם אחת הסיבות לכך שהאימוץ בתעשייה צפוי להיות הדרגתי: לא בגלל מגבלה טכנולוגית בלבד, אלא משום שבסביבות ייצור נדרשות אמינות, עקיבות ובטיחות ברמה גבוהה במיוחד.
במובן זה, Agentic AI אינו נועד להחליף את המהנדס או את מערכת האוטומציה, אלא להוסיף שכבת תיאום וקבלת החלטות, המאפשרת לחבר בין מערכות קיימות ולנצל טוב יותר את הידע שכבר קיים במפעל.
אולם כדי שסוכן AI יוכל לקבל החלטות מושכלות, הוא זקוק להבנה מדויקת של סביבת הייצור שבה הוא פועל. כאן נכנסים לתמונה התאומים הדיגיטליים.
- Digital Twins – הרבה יותר ממודל תלת־ממדי
כאשר מהנדס מחליט לשנות פרמטר בקו ייצור, הוא עושה זאת בדרך כלל על סמך שילוב של ניסיון, נתוני עבר ומידע המתקבל בזמן אמת. אולם ככל שמערכות הייצור הופכות מורכבות יותר, קשה יותר להעריך כיצד שינוי בנקודה אחת ישפיע על כלל התהליך. ניסוי ישיר על קו פעיל אינו תמיד אפשרי, ולעיתים גם אינו כדאי מבחינה כלכלית או בטיחותית.
כאן נכנסים לתמונה התאומים הדיגיטליים (Digital Twins). בשונה ממודל הנדסי סטטי או מסימולציה חד־פעמית, תאום דיגיטלי הוא ייצוג דינמי של מערכת פיזית, המתעדכן באופן רציף באמצעות נתונים המגיעים מהציוד, מהחיישנים וממערכות התפעול. המשמעות היא שלא מדובר רק בהמחשה של המערכת, אלא בסביבה שבה ניתן לבחון תרחישים, להבין את השפעתם של שינויים ולקבל החלטות המבוססות על תמונת מצב עדכנית.
היכולת הזו מקבלת משמעות חדשה כאשר משלבים אותה עם Industrial AI. התאום הדיגיטלי אינו רק "עותק" של המפעל, אלא שכבת ההקשר שעליה נשענות מערכות קבלת ההחלטות. הוא מאפשר להבין לא רק מה קורה, אלא גם היכן זה קורה, כיצד רכיבים שונים משפיעים זה על זה ומה עשויות להיות ההשלכות של כל פעולה.
היישומים מגוונים: מתכנון קווי ייצור חדשים, דרך אופטימיזציה של תהליכים, ועד תחזוקה חזויה וניהול אנרגיה. בשנים האחרונות מסתמנת מגמה נוספת – שימוש בתאומים דיגיטליים כסביבת ניסוי עבור מערכות AI. במקום לבחון אלגוריתם חדש ישירות על ציוד יקר או על קו ייצור פעיל, ניתן לאמן, לבדוק ולכוונן אותו בסביבה המדמה את התנהגות המערכת האמיתית, ורק לאחר מכן להעבירו להפעלה בשטח.
גם גופי תקינה ומחקר רואים בתאומים דיגיטליים רכיב יסודי בדור הבא של הייצור החכם. מפת הדרכים של NIST לשנת 2026 מציגה אותם כאחת מטכנולוגיות הליבה שיאפשרו את שילובם של Foundation Models, מערכות AI וסוכנים אוטונומיים בתעשייה.
במקביל, ספקיות תוכנה ואוטומציה מרחיבות את השימוש בתאומים דיגיטליים לאורך כל מחזור החיים של המוצר והמפעל, בעוד שחברות מחשוב כדוגמת NVIDIA מפתחות פלטפורמות סימולציה ותשתיות מחשוב, ובהן Omniverse, המאפשרות ליצור, לסנכרן ולהריץ תאומים דיגיטליים מורכבים בקנה מידה תעשייתי. החיבור בין שתי הגישות – ייצוג דיגיטלי של מערכות הייצור מצד אחד, ותשתיות חישוב וסימולציה מתקדמות מצד שני – הוא שמאפשר את הדור הבא של יישומי Industrial AI.
תאום דיגיטלי, מתקדם ככל שיהיה, אינו מטרה בפני עצמה. ערכו האמיתי נמדד ביכולתו לשמש בסיס לקבלת החלטות ולפעולה בעולם הפיזי. ככל שמערכות AI מתחילות לעבור מניתוח מידע לביצוע משימות בפועל, כך גדלה חשיבותו של ייצוג דיגיטלי מדויק ועדכני של סביבת הייצור.
זהו בדיוק החיבור שמוביל אל השלב הבא בהתפתחות ה־Industrial AI: Physical AI.
- Physical AI – כאשר הבינה המלאכותית מתחילה לפעול בעולם הפיזי
במשך שנים התמקדו מרבית יישומי הבינה המלאכותית בתעשייה בניתוח מידע ובהפקת תובנות. מערכות AI סייעו לזהות חריגות, לחזות תקלות או לייעל תהליכים, אך ההחלטה כיצד לפעול בפועל נותרה כמעט תמיד בידי האדם או בידי מערכות בקרה שתוכננו מראש.
כעת מתחיל להסתמן השלב הבא: מעבר ממערכות שמבינות את המציאות למערכות המסוגלות גם לפעול בתוכה. זהו הרעיון העומד בבסיס Physical AI – שילוב בין מודלים מתקדמים, חיישנים, מערכות בקרה ורובוטיקה, המאפשר למכונות להבין את סביבתן, להגיב לשינויים ולבצע משימות מורכבות בסביבה דינמית.
בשונה מאוטומציה קלאסית, המבוססת על רצף פעולות מוגדר מראש, מערכות Physical AI נדרשות להתמודד עם מצבים משתנים. רובוט תעשייתי, למשל, אינו מסתפק עוד בביצוע אותה תנועה אלפי פעמים בדיוק גבוה, אלא מסוגל לזהות שינויים במיקום החלק, להתאים את מסלול התנועה, לשתף פעולה עם רובוטים נוספים או עם עובדים, ולהגיב לאירועים בלתי צפויים – וכל זאת תוך עמידה בדרישות המחמירות של בטיחות, אמינות וזמני תגובה.
Physical AI אינו עומד בפני עצמו. הוא נשען על התשתית שנבנתה בפרקים הקודמים – מודלי בסיס המספקים את בסיס הידע, סוכני AI המתזמרים את תהליך קבלת ההחלטות ותאומים דיגיטליים המספקים ייצוג עדכני של סביבת הייצור. השילוב ביניהם מאפשר, לראשונה, לתרגם תובנות וניתוחים לפעולה בעולם הפיזי.
גם התשתיות הטכנולוגיות הדרושות לכך מתחילות להבשיל. NVIDIA, למשל, מקדמת את תפיסת ה-Physical AI באמצעות שילוב בין פלטפורמת הסימולציה Omniverse, סביבת פיתוח הרובוטיקה Isaac ומודלי AI מתקדמים, המאפשרים לאמן ולאמת התנהגות של רובוטים ומערכות אוטונומיות בסביבה וירטואלית לפני פריסתם במפעל. במקביל, יצרניות רובוטיקה ואוטומציה משלבות בהדרגה יכולות AI במערכות קיימות, בעיקר בתחומי הראייה הממוחשבת, בקרת התנועה, שיתוף הפעולה בין אדם לרובוט ואוטונומיה תפעולית.
למרות ההתקדמות, המעבר ל-Physical AI צפוי להיות הדרגתי. בניגוד לעולמות התוכנה, כל החלטה בעולם הפיזי עשויה להשפיע על ציוד יקר, על איכות המוצר ועל בטיחות העובדים. לכן, האתגר אינו רק לפתח מודלים חכמים יותר, אלא להבטיח שהם יהיו אמינים, צפויים וניתנים לאימות גם בתנאי עבודה אמיתיים.
במובן זה, Physical AI אינו מחליף את האוטומציה התעשייתית הקיימת, אלא מוסיף לה שכבת הסתגלות וגמישות, המאפשרת למערכות להתמודד עם מצבים שלא תוכננו מראש.
אולם גם מערכות כאלה נשענות במידה רבה על נתוני עבר. כדי לאפשר להן להבין טוב יותר את העולם הפיזי שבו הן פועלות, מתחזק בשנים האחרונות תחום נוסף המשלב בין בינה מלאכותית לבין חוקי הפיזיקה.
- Physics-Informed AI – כאשר המודל מכיר גם את חוקי הפיזיקה
אחד האתגרים המרכזיים של מערכות בינה מלאכותית הוא שהן לומדות מתוך נתונים. ככל שהמידע שעליו אומן המודל עשיר ומגוון יותר, כך גדלה יכולתו לזהות דפוסים ולבצע חיזויים. אולם בסביבה תעשייתית, נתונים לבדם אינם תמיד מספיקים. תהליכי ייצור נשלטים על ידי חוקים פיזיקליים, אילוצי חומרים, מגבלות מכניות, תהליכים תרמודינמיים ומשוואות הנדסיות שאינן משתנות גם כאשר תנאי ההפעלה משתנים.
זו הסיבה שבשנים האחרונות גובר העניין בגישה המכונה Physics-Informed AI. במקום להסתמך אך ורק על למידה מתוך נתונים, מודלים מסוג זה משלבים כבר בשלב האימון ידע פיזיקלי, משוואות מתמטיות ואילוצים הנדסיים המתארים את התהליך. בכך הם אינם רק "לומדים" כיצד מערכת מתנהגת, אלא גם מביאים בחשבון את החוקים המכתיבים את התנהגותה.
לגישה זו יתרון משמעותי במיוחד במקרים שבהם קשה או יקר לאסוף כמויות גדולות של נתונים, כמו בפיתוח תהליכי ייצור חדשים, אופטימיזציה של תהליכים מורכבים או סימולציה של מצבי קיצון שאינם מתרחשים לעיתים קרובות. שילוב הידע הפיזיקלי מאפשר למודלים להגיע לתוצאות אמינות יותר גם כאשר המידע הזמין חלקי או מוגבל.
בשנים האחרונות מתרחב השימוש בגישות אלו בתחומים מגוונים, בהם זרימת נוזלים, מעבר חום, עיבוד חומרים, תהליכי ייצור מתקדמים ותכנון רכיבים. במקביל, גופי מחקר, ובהם NIST ואוניברסיטאות מובילות, מצביעים על שילוב בין למידת מכונה לבין מודלים פיזיקליים כאחד הכיוונים המרכזיים בהתפתחות הייצור החכם. גם ספקיות תוכנה תעשייתית משלבות בהדרגה יכולות מסוג זה בכלי הסימולציה, התכנון והאופטימיזציה שלהן, במטרה לשפר את איכות התחזיות ולקצר את מחזורי הפיתוח.
חשוב להדגיש כי Physics-Informed AI אינו מחליף את מודלי הלמידה המודרניים, אלא משלים אותם. השילוב בין נתונים, תאומים דיגיטליים, מודלי בסיס וידע פיזיקלי מאפשר להגיע לרמת דיוק, אמינות ויכולת הכללה גבוהה יותר – תכונות חיוניות כאשר מדובר במערכות ייצור מורכבות ובעלות השפעה כלכלית ובטיחותית.
החסמים בדרך ל-2030
למרות ההתקדמות המרשימה בשנים האחרונות, המעבר למפעלים המבוססים על Industrial AI לא יתרחש בן לילה. מרבית הטכנולוגיות שתוארו בכתבה כבר קיימות ברמות בשלות שונות, אולם שילובן בסביבות ייצור אמיתיות עדיין מציב אתגרים משמעותיים.
האתגר הראשון הוא איכות הנתונים. מפעלים רבים מפעילים ציוד ממספר דורות טכנולוגיים ומיצרנים שונים, שאינו מתקשר באופן מלא עם יתר המערכות. נתונים חסרים, פורמטים שונים ומידע שאינו מסונכרן מקשים על יצירת תמונה אחידה של תהליך הייצור.
אתגר נוסף הוא יכולת הפעולה ההדדית בין מערכות. ככל שמספר פתרונות ה-AI גדל, כך גוברת החשיבות של סטנדרטים פתוחים, ממשקים אחידים ושפה משותפת שתאפשר למערכות של ספקים שונים לעבוד יחד. בשנים האחרונות מתבצעת פעילות ענפה בתחום זה, אך הדרך לסטנדרטיזציה מלאה עדיין ארוכה.
גם סוגיית האמון במערכות AI צפויה להשפיע על קצב האימוץ. בעולם התעשייה אין די בכך שמודל מספק תשובה נכונה ברוב המקרים. מהנדסים ומנהלי ייצור נדרשים להבין כיצד התקבלה ההמלצה, באילו נתונים השתמשה המערכת ומהי מידת הוודאות שלה. מסיבה זו, Explainable AI, ניהול הרשאות, עקיבות ובקרת החלטות הופכים לחלק בלתי נפרד ממערכות Industrial AI.
ולבסוף, קיים גם אתגר אנושי. שילוב AI בתעשייה אינו מבטל את תפקידם של מהנדסים, מפעילים ואנשי תחזוקה, אלא משנה אותו. ככל שהמערכות הופכות מתוחכמות יותר, כך גדל הצורך באנשי מקצוע המסוגלים להבין הן את תהליכי הייצור והן את אופן פעולתם של כלי ה-AI. במובן זה, ההשקעה בהכשרת עובדים צפויה להיות חשובה לא פחות מההשקעה בטכנולוגיה עצמה.
מבט אל המפעל של 2030
אם קיימת תובנה אחת העולה מכל ההתפתחויות שתוארו בכתבה, הרי שהיא שעתיד הייצור לא יישען על טכנולוגיה אחת שתשנה את כללי המשחק, אלא על שילוב הדוק בין מספר שכבות טכנולוגיות הפועלות יחד.
מודלי בסיס יספקו את היכולת להבין מגוון רחב של מקורות מידע. סוכני AI יתזמרו תהליכי עבודה מורכבים ויחברו בין מערכות שונות. תאומים דיגיטליים יספקו ייצוג עדכני של המפעל ושל תהליכי הייצור. מערכות Physical AI יתרגמו החלטות לפעולה בעולם הפיזי, ואילו מודלים המשלבים ידע פיזיקלי יסייעו לקבל החלטות מדויקות ואמינות יותר גם בתנאי אי־ודאות.
הדרך אל החזון הזה עדיין רצופה אתגרים, וייתכן שמפעלים שונים יאמצו את הטכנולוגיות בקצבים שונים. אולם הכיוון הכללי כבר מסתמן בבירור. במקום מערכות הפועלות בנפרד, מתפתחת בהדרגה סביבת ייצור שבה מידע, סימולציה, קבלת החלטות וביצוע פועלים כחלק ממערכת אחת.
ייתכן שזהו השינוי המשמעותי ביותר מאז ראשית מהפכת Industry 4.0. אם העשור הקודם עסק בעיקר בחיבור המכונות, הרי שהעשור הקרוב צפוי לעסוק בחיבור הידע, ההבנה והפעולה. זהו השלב שבו Industrial AI מתחיל להפוך מחזון טכנולוגי לארכיטקטורה של המפעל החכם.
