【行業動態】航空MRO領域AI研發投入迎來回報，企業效率顯著提升

導讀：據aviationweek網站11月7日報道，人工智能（AI）的應用熱潮已滲透至絕大多數行業，航空維修、修理與大修（MRO）領域的早期布局正開始收獲切實成果。波音公司通過生成式AI（GenAI）處理重復性任務或解讀海量文本類工作，部分業務板塊生產率提升達70%。

AI的潛在應用場景、效益與挑戰，成為今年MRO行業活動中技術議題的核心。無論MRO企業是已大舉投入AI研發，還是持謹慎態度以“快速跟進者”身份試水，如今多數企業均在探索該技術如何簡化MRO流程、提升安全性與效率。

奧利弗·懷曼（Oliver Wyman）2025年MRO調研顯示，64%的受訪者表示已采用AI技術，較去年的58%有所上升；稱AI投資價值達到或超出預期的企業比例從去年的20%飆升至58%；近三分之一的受訪機構已組建專門的MRO AI團隊。

例如，法航荷航工程維修公司（AFI KLM E&M）向《Inside MRO》透露，其近期新增“數據分析翻譯官”崗位，負責銜接公司數據、信息技術（IT）團隊與業務部門；GA Telesis去年成立數字創新小組，下設專注AI項目的團隊；國際航空集團（IAG）則有約70名AI專家分布在9個團隊中，并在西班牙巴塞羅那設立了AI實驗室。

“我們注意到，關于如何在技術運營中部署AI的需求咨詢與相關討論正緩慢但穩步增加。”奧利弗·懷曼運輸與運營業務負責人山姆·薩金特（Sam Sargent）表示，“回溯一兩年前，所有人都在談論AI，但實際落地進展寥寥；而過去12個月里，企業開始圍繞AI啟動更貼合實際的項目。”

奧利弗·懷曼調研中提及的最廣泛應用場景包括：航材與庫存預測及規劃、維修方案制定與可靠性分析、預測性分析，以及維修計劃編排。許多受訪者也表示將AI用于提升通用生產力及支持性職能。

薩金特指出，庫存預測等傳統機器學習應用之所以成為調研中最常見的場景，是因為這類技術已應用多年；而他在客戶對接中發現，最具吸引力的應用集中在生成式AI（GenAI）與智能體AI（agentic AI）——前者可基于用戶指令生成原創內容，后者能依據相關數據自主決策并行動。

例如，薩金特觀察到，AI在自動化縮短“技術人員翻閱PDF文檔、梳理手冊文件以分析維修方案并查找先例”的研究時間方面頗具潛力。他提到，這類AI應用在飛機停場（AOG）場景中關注度頗高：AOG狀態下，維修人員需從多個渠道檢索信息，以優化人員、工具及備件的決策。

應用場景落地加速

過去一年，眾多OEM廠商、航空公司與MRO企業紛紛發布AI驅動的產品，或披露借助AI提升效率的成果。

GA Telesis數字創新集團總裁杰森·里德（Jason Reed）在1月沃斯堡舉辦的《航空周刊》網絡“美洲航空發動機峰會”上表示，AI實現了“在正確時間、正確地點儲備正確庫存”的轉型；他在6月杰富瑞投資銀行主辦的虛擬售后市場峰會上進一步闡述，公司正利用AI整合內部數據，目標實現35%的年增長率。

“憑借我們的生態規模，能夠整合內部及與運營商、供應商、采購商、維修商的外部數據，構建數據倉庫……并通過建模驅動業務發展。”里德稱，“我們已將AI應用于采購模型、維修模型、零件分級、零件定價及公允市場價值評估等各個環節。”在MRO板塊，GA Telesis利用AI預測車間進場需求，提前采購并調配所需零件，從而縮短維修周轉時間。

Setna iO合伙人兼首席商務官亨特·埃登斯（Hunter Edens）在杰富瑞峰會上指出，AI借助庫存管理系統內置的文本識別功能，幫助公司快速評估飛機價值。

“我們可將‘狀態監控部件清單’或‘定壽部件清單’（這兩類文檔最能反映飛機裝機部件信息）的PDF文件導入AI文本識別工具，”埃登斯解釋道，“15分鐘內即可生成Excel表格，包含每個零件的最新售價、過去四次維修的綜合均價、平均成本及單件凈值。”他補充，這讓公司能基于庫存逐行精準評估飛機價值，為日常銷售訂單與維修訂單處理提供依據。

Setna iO運營高級副總裁莎拉·克萊因（Sarah Klein）在2月巴拿馬城舉辦的《航空周刊》網絡“拉丁美洲MRO峰會”上進一步透露，公司AI驅動的庫存與優化工具“在最簡單的應用場景中創造了最大價值”，例如重復性行政工作：通過文本與圖像識別，可即時處理工作訂單，替代原本需10分鐘以上的人工操作。

亞太地區企業實踐

9月新加坡舉辦的《航空周刊》網絡“亞太MRO峰會”上，GE航空、HAECO、新加坡航空工程（SIA Engineering）與ST Engineering分享了各自優先推進的AI應用。

新加坡航空工程企業規劃與持續改進高級副總裁David So表示，公司正探索利用GenAI分析歷史數據，預測故障并優化維修計劃。

HAECO集團數字總經理Alex Chen稱，公司已借助AI分析維修工作包，目前正拓展至計劃環節，以更高效地進行排班，“從根本上優化機庫內人員、物料與工具的調配”。他補充，AI將原本需數天甚至數周的工作包理解時間縮短至數小時。

ST Engineering首席技術官、高級副總裁兼創新與可持續發展負責人Kenneth Low指出，公司機體MRO業務的一大挑戰是，全球6個維修站點需處理海量文檔：“每個維修站為生成飛機維修任務卡，需處理500-1000萬頁文檔，且這一過程高度依賴人工，易受人為誤差影響。”傳統模式下，梳理文檔并完成飛機維修進場準備需約15天，而AI幫助將耗時縮短約90%；不過他強調，公司仍在優化模型的一致性與準確性，需投入額外精力進行復核。

GE航空客戶服務機隊支持總監David Harper提到，該發動機制造商十多年前便在監控與診斷領域應用AI，以避免運營中斷與非計劃維修；去年聯合微軟與埃森哲開發GenAI工具，幫助航空公司與租賃商更快獲取關鍵維修記錄，將原本耗時數小時的檢索工作縮短至數分鐘。

Harper還強調了AI在發動機檢測中的廣泛應用：GE航空5月在紐約尼斯卡于納的研發中心向《Inside MRO》透露，目視檢測占其全球售后設施工作量的最大份額；該研發中心正開發并測試多種AI輔助檢測技術，包括“機器人+孔探儀”采集圖像、再通過機器學習等AI技術分析的方案；此外，GE將攝像系統與機器學習結合用于熒光滲透檢測，準確率較人工目視提升約15%。

機庫與運營場景

FEAM Aero正評估AI系統通過分析攝像頭畫面識別潛在安全隱患的能力，例如技術人員未穿戴合規防護裝備、地面支持設備停放距飛機過近等情況。

IAG近期開發AI工具，通過分析數百萬種涵蓋運營、財務與技術因素的場景，為機隊制定最優發動機維修計劃。愛爾蘭航空已在部分空客A320搭載的CFM國際CFM56-5B發動機上啟用該系統，IAG預計集團內其他航空公司將在年底前跟進；其AI團隊還有多項發動機相關項目在研，計劃未來一兩年內落地。

漢莎技術（LHT）3月在其Aviatar數字平臺推出首款AI工具——Technical Repetitives Examination工具。該工具可分析技術日志中的缺陷描述，識別拼寫錯誤、錯誤的航空運輸協會（ATA）章節歸類或不同語言表述的同一問題（例如“咖啡機”“咖啡壺”“濃縮咖啡機”被識別為同一部件，并自動歸類至正確ATA章節），確保缺陷記錄準確；同時可識別早期重復性故障，最終目標是自動生成故障排除建議。

MRO軟件提供商AireXpert正探索利用AI打破語言壁壘：其Aire-Xpert平臺聚焦飛機維修相關方的實時溝通協作，近期推出AI翻譯功能，助力不同國家團隊高效溝通。產品負責人Kamal Patel表示，AireXpert還利用AI優化維修計劃會議效率。

“全球每家航空公司每天都會召開1小時的維修計劃會議，參會人數達80-150人，所有人都在相互核對信息，”Patel告訴《Inside MRO》，“參會者可能僅發言30秒，卻要花費1小時參會——這相當于150人×1小時的人力成本，且時間并未用于解決實際問題。AireXpert可通過AI即時生成會議摘要，參會者無需逐一梳理即可獲取關鍵信息。”

AireXpert正與多家AI軟件開發商合作，將其功能整合至平臺，例如集成AIXI的ATA AutoCoder工具：該工具利用AI解析技術人員的維修日志，生成詳細問題描述、自動分配ATA代碼并預測維修成功率。Patel表示，整合更多AI工具的核心目標是，為需同時管理多個軟件平臺的客戶簡化操作。

AFI KLM E&M的AI工具矩陣

AFI KLM E&M的AI負責人Marc Van Leeuwen向《Inside MRO》透露，在法航全業務板塊80余個GenAI項目中，公司已開發出三款核心工具：

1. TRAK系統（Transparent Reliable Accessible Knowledge System）：專注解決AOG案例。Van Leeuwen指出，資深工程師可快速定位AOG故障解決方案，但受人員配置與退休等因素影響，這類專業知識并非隨時可用，傳統模式下需數小時翻閱文檔；TRAK整合數萬份相關文檔，通過GenAI生成文檔標題與摘要，大幅提升檢索效率。

2. Voice to Admin語音轉行政工具：借助語音識別技術錄入維修文檔，替代手寫筆記與數據錄入。Van Leeuwen提到，手寫記錄不僅耗時，還可能導致信息錯誤（如漢莎技術提及的“咖啡機”表述差異問題），且易造成輪班交接混亂；該工具會提示工程師核對模糊表述（如僅寫“損壞”而未說明具體缺陷類型），并校驗數據格式，在提升數據質量與生產率的同時，讓工程師專注于維修而非文書工作，員工滿意度顯著提升。

3. Charlie工具：幫助工程師快速在航空公司與OEM文檔中查找正確零件號并加速備件訂購，平均縮短零件維修/更換流程超1小時。

產業化落地策略

波音數據與AI戰略副技術研究員Michael Williams在4月亞特蘭大舉辦的《航空周刊》網絡“MRO系統集成峰會”上表示，GenAI系統尤其適用于文本密集型場景：“重復性任務、需處理大量文本且認知負荷高的工作，或是需對海量文本/多模態數據進行目視檢查分析的場景，都是GenAI的優勢領域——因為AI不會疲勞，能反復處理同一合同文檔。”

波音通過在這類場景應用GenAI，實現約70%的生產率提升。“另一大優勢是縮短時間周期：減少任務交接環節即可實現這一目標。”Williams解釋，“傳統模式下，一份文檔可能需要多人審核、反復修改，雖單環節人力成本不高，但整體耗時漫長。”

波音內部聊天機器人“Boeing Conversational AI”允許員工調用企業專有信息“探索無限應用場景”。Williams表示：“我們投入大量精力梳理AI在產品與服務中的應用場景及商業案例……但價值最高、應用最廣泛的場景，實則來自員工借助該聊天機器人自主探索的需求。”

FEAM技術副總裁Joseph Hernandez在拉丁美洲MRO峰會上提到，公司采取類似策略：允許員工試用各類AI工具，同時設置管控機制“防止數據刪除或合同違規等問題”。

“我們為員工、部門團隊提供‘沙盒環境’，讓他們自主開發并測試AI應用場景；經審核落地后，再提供技術支持并聯合多方優化方案。”Hernandez解釋，“核心思路是將研發主動權下放給員工……由他們發現AI的價值所在。”

Van Leeuwen在5月布拉格舉辦的《航空周刊》網絡“MRO BEER活動”上透露，ChatGPT興起時，AFI KLM E&M在公司內部開展多場路演，“確保員工掌握AI的正確使用方式，同時規避誤用風險”；在孵化出潛力應用場景后，公司與谷歌合作推進產業化：“我們搭建了專屬平臺，將數據集中處理并開發通用模型，同時保持模型選擇的開放性，不局限于單一模型。”他補充，公司可對ChatGPT、谷歌Gemini等不同模型進行基準測試。

漢莎技術企業戰略與市場分析負責人Sven Taubert對此表示認同：“過去企業傾向于全流程自研，如今大家意識到，對于大語言模型（LLM）等技術，自研并非最優解——更合理的模式是搭建專屬后端，對接本地部署的ChatGPT等模型。”盡管這需要內部IT團隊信任外部合作方，但能大幅加速AI研發進程并支持實時原型驗證。

Legion Intelligence（原Yurts AI）企業事業部總經理Maddie Wolf在MRO系統集成峰會上分析了AI研發“自建vs外購”的利弊：“許多企業選擇自研AI，但我認為多數企業并無必要。”

她指出，自研的合理訴求包括：需與老舊系統集成、避免供應商鎖定、關注數據安全隱私與部署問題；“但核心思路不應是‘非此即彼’，而是‘組合策略’：自研核心關鍵組件并掌握所有權，外購非核心能力。因為自研不僅需投入開發時間與人力，還需承擔長期維護成本。”

Williams補充了自研的成本考量：“若選擇自研，需確保投入能與前沿模型開發商的數十億美元投入抗衡——否則模型將在6-12個月內過時，前期投入全部白費。”

Setna iO的Klein表示：“若資源充足，自研無疑是最優選擇，可完全適配企業業務與AI發展階段；但若無自研資源，第三方應用也是可行方案。關鍵是配備‘技術賦能型內部人才’——AI失敗的主因往往是數據預處理與鏈路搭建不當，需專人深度理解業務與AI部署，才能確保第三方合作成功。”

FEAM的Hernandez認可與谷歌、微軟、OpenAI等大型AI服務商合作的模式：“自研LLM難度極高。”但他強調，企業的核心價值在于自有數據，因此在布局AI前，必須建立完善的內部數據治理體系。

HAECO的Alex Chen提到，公司最初憑借數十年歷史數據推進AI項目時，發現不同部門數據采集與解讀標準差異導致的缺口；目前公司正通過后端系統現代化、統一流程與數據標準來解決這一問題。

ST Engineering的Kenneth Low表示，AI幫助公司將非結構化歷史數據梳理為可用格式，但這是一個學習過程：需明確核心數據范圍，并推動全公司參與主數據管理。

Williams對此表示認同，波音擁有百余年數據（包括紙質文檔、微縮膠片及倉庫存檔資料），“數據治理的最大挑戰是確定需重點治理的數據——即影響運營、產品服務或關乎安全合規的戰略數據”。

理性看待AI：并非“萬能解”

盡管MRO行業已大舉投入AI，但多數專家建議采取系統化方法，審慎評估系統準確性及技術的實際必要性。

漢莎技術的Taubert透露，公司內部測試顯示，AI處理數據的準確率約90%，較人工提升10%；“但對于適航相關工作，準確率需接近甚至達到100%，因此AI輸出必須經人工復核。”

“切勿盲目將所有任務交給AI，”Taubert提醒，“AI并非所有場景的最優解，且能耗較高、存在成本；在部分場景中，其他技術可能更高效。”

Williams指出：“企業的一大誤區是不了解不同AI技術的適用邊界——AI擅長部分任務，但在其他任務中表現不佳，全程需人工監督。明確AI的能力邊界，能有效解決落地中的問題（如幻覺現象，或出現‘用AI計算扭矩卻出錯，而計算器可精準完成’的情況）。”

Wolf提到，盡管AI在預測性維修中價值顯著，但在MRO場景中，微小的表述差異可能導致嚴重后果：“多數LLM具有生成性，若將GenAI或LLM用于MRO故障排除，它可能修改表述——例如將‘擰緊至指定扭矩’改為‘稍微擰緊’。需嚴格確保AI輸出精確文本，且內容可驗證。”

ST Engineering的Kenneth Low觀察到，AI在“個人行政輔助”（如ChatGPT處理文檔）中的使用率較高，但在“業務單元核心任務”（如飛機/發動機交付）中使用率降至15%，在OEM-MRO-資產管理全鏈路中甚至低至5-10%。“核心原因是員工將其視為‘輔助工具’，而非‘核心生產力工具’。當前階段，我們將AI定位為輔助技術——它無法憑空解決所有問題，但長遠來看，未來企業必然是‘AI賦能型’而非‘無AI型’。”

原 創文章，轉載請注明來自@兩機動力控制

（歡迎加小編微信號：gtc6000；QQ群：603094810；資料都存在QQ群文件夾中）

免責聲明：本公眾號所載內容為本公眾號原創或網絡轉載，轉載內容版權歸原作者所有。如涉及作品內容、版權或其他問題，請跟我們聯系！轉載內容為作者個人觀點，并不代表本公眾號贊同其觀點和對其真實性負責。本公眾號擁有對此聲明的最終解釋