生成式AI技术有望全面提升从一线维修技师到行政助理等各类人员的工作效率，有效缓解航空业面临的劳动力短缺困境。那么，航空公司及其相关企业应如何抓住这一机遇，奠定坚实的应用基础呢？
原文：The generative AI opportunity in airline maintenance – McKinsey
飞机维护、维修与大修（MRO）是航空业安全高效运行的幕后支柱，是保障行业平稳运作的关键环节之一。正是MRO的有力支持，航空公司才能在全球范围内，每日安全运送近千万名乘客，完成约130亿航空里程的宏大运输任务。
当前，这一至关重要的MRO行业正面临前所未有的严峻挑战。近期商业航空客运量的高速增长（呈两位数）、全球范围内的飞机供给不足，以及因新冠疫情导致的维护工作积压，共同将MRO服务的需求推向了历史新高。在新增飞机供应持续受限的背景下，航空公司亟需依赖MRO来保障现有飞机的可用性与可靠性，并尽可能延长其服役周期，以满足日益增长的旅客出行需求。
与此同时，航空维修行业还承受着劳动力市场紧张和运营成本急剧攀升的双重压力。受通货膨胀以及劳动力供不应求等因素影响，自2019年以来，飞机技术维护人员和维修工程师的小时薪资已上涨超过20%。此外，“退休潮”也导致行业内经验相对不足、生产力有待提升的年轻员工比例有所上升。展望未来，劳动力短缺问题预计将持续存在，甚至可能进一步加剧。据预测，到2033年，航空维修技术员的职位空缺率或将高达五分之一（如图1所示）。不仅如此，航空公司和MRO服务商还必须积极应对供应链中断和原材料成本上涨所带来的持续挑战。
生成式AI带来的发展机遇
在过去一年中，生成式AI（GenAI）技术取得了飞速发展，为应对上述诸多挑战提供了广阔的机遇。这项技术能够基于用户指令，从海量数据中学习并生成高度相关的内容，目前已在积极重塑未来工作模式，并显著提升其他多个行业的生产力水平。
生成式AI工具尤其适用于航空MRO这类知识密集型和数据密集型业务。在飞机MRO行业中，许多岗位的工作都高度依赖对各类信息的分析和解读，这些信息不仅来源广泛，而且格式各异，具体包括：飞机制造商和运营商提供的服务手册、维修工单、详尽的维护任务说明（即“工卡”）、技术人员记录的工作笔记、飞行员提交的飞行记录，以及由飞机传感器和各类仪表设备产生的大量实时数据等。
为了有效组织和深度解读这些海量、复杂的数据，航空公司和MRO服务商早已开始应用多种人工智能技术，例如预测性分析和机器学习算法。然而，相较于这些已广泛应用的技术，整个行业对于大型语言模型和生成式AI的探索与应用仍处于较为初级的阶段。迄今为止，其应用场景主要集中在提升企业营收、增强乘客互动体验以及提高客户忠诚度等方面。
去年，随着业界对生成式AI巨大潜力的关注与讨论日益热烈，部分航空公司开始积极尝试引入这项新兴技术。它们主要针对客户服务中心、个性化旅行规划等面向消费者的应用场景启动了试点项目，并尝试利用生成式AI工具来辅助软件开发的自动化流程，以期降低相关成本。尽管如此，生成式AI在航空公司核心运营领域的应用案例尚不多见。多数航空公司高管对于投资新一代AI技术的商业价值和潜在回报，尚未形成充分的共识与信心。
至了2025年，生成式AI在航空维修领域的应用前景已变得更为清晰和乐观。众多航空公司及MRO服务商已开始将生成式AI工具和解决方案视为提升运营效率的重要手段，旨在帮助一线维修人员以及后台支持团队更轻松、高效、智能地完成各项工作任务。特别是考虑到MRO行业当前面临的严重劳动力短缺问题，这些新技术有望成为提升整体生产力的关键驱动因素。我们有充分的理由相信，生成式AI平台的广泛应用，不仅能够显著提高维护工作的质量、一致性和准确性，还将最终有效提升飞机的在翼率（飞机实际可用于飞行的时间比例），并最大限度地缩短飞机因维修而停场的时间。
我们观察到，航空公司和MRO（维修、修理和大修）服务提供商在多个方面都有应用生成式AI（gen AI）的潜力，例如：
一、虚拟AI维护维修专家（“智能副驾”）
在车间、机库及航线维护站，飞机技术人员常常需要花费大量时间研究和排除故障。生成式AI能够显著简化这一过程，让员工可以与数据进行“对话”。试想一位机械师与数字助理互动的情景：“压缩机漏油，可能是什么问题？”或“调出我上一班次的工作记录”。系统将引导员工找到最可能的初步解决方案，并由具备专业技术知识的助理提供问题解决建议和后续步骤。生成式AI能够通过“阅读”并理解那些未被充分利用的非结构化信息（如维修手册和历史维修数据）来生成这些内容。例如，一家领先的支线航空公司目前正在试点一个项目，允许员工在聊天框中输入疑问或问题，系统会利用生成式AI识别并提供手册中的相关章节。
二、AI增强的可靠性工程工具
为确保飞机设备在役期间功能正常、避免故障，可靠性工程师团队需要筛选海量的非结构化维护记录。他们致力于寻找故障模式，并评估飞机维护任务的执行是否得当。生成式AI工具能够近乎实时地完成筛选、模式识别和分析工作，从而彻底改变这一流程的效率。工程师随后可以通过指令调取这些信息。例如，一家领先的美国航空公司的MRO运营可靠性团队正在尝试使用此类工具，从维护日志中提取故障模式，并自动设定计划性维护任务。这种由生成式AI带来的功能增强，减少了工程师的重复性工作，让他们能腾出更多时间运用专业知识解决最棘手的可靠性问题。最终，这有望促成主动识别并修复可靠性难题，从而减少飞机停场时间。
在上述这些场景以及后续提及的应用中，最终的决策权始终掌握在工程师或技术人员手中，他们将根据生成式AI模型提供的信息来决定如何行动。人类始终掌握主导权。
三、处理繁杂事务的智能助理
一旦生成式AI“智能副驾”协助完成了故障排除或维修工作，还可以让它填写工作报告，从而为技术人员节省大量时间。经过训练，它们还能自动生成并提交更换零件或额外服务的工单和采购订单。这样，技术人员可以将更多精力投入到“实际操作时间”（即直接进行技术工作），而不是像以往那样，将大约60%的时间花费在查阅资料、故障排除和手动准备报告上。
在后台，生成式AI同样能带来效率提升。 额外的记录保存自动化和审计功能将帮助采购、人力资源、财务和行政人员识别数据中的缺漏或不一致之处，并标记潜在的违规问题。一些航空公司正考虑使用生成式AI工具，以辅助将新购飞机的记录集成到其企业资源规划（ERP）系统中。目前，这项工作往往需要数周的人工审查和飞机维护历史数据的迁移。
四、常备的质量控制“主管”
近年来，部分航空公司由于技术人员经验不足，导致维护过程中出现错误或疏漏的几率增加，这常常引发昂贵的维修或返工。为解决此问题，一些航空公司正考虑使用摄像头记录维护工作，并通过AI检测任何错误或遗漏的步骤。在这种模式下，AI学习模型将被部署和优化，用于分析连续的视频流，然后标记出异常事件供管理人员评估。管理人员可以与这个AI“主管”互动，针对潜在问题形成有针对性的反馈。这一概念类似于航空公司非常成功的飞行运行质量监控（FOQA）项目。FOQA项目使用的是详细的定位数据而非视频，在飞行结束后对比飞机实际位置与飞行计划、进近指示位置的差异，通过分析偏差和趋势来改进飞行员的培训和表现。
五、供应链“经理”
许多公司都运营着某种形式的供应链控制塔——一个集成了整个供应链数据、关键业务指标和事件的实时数据看板。具备预测分析能力的生成式AI工具可以通过分析不同的通信和交付模式，自动识别供应和交付问题的早期预警信号，从而增强这一指挥中心的功能。供应链分析师可以利用生成式AI聊天机器人来深入研究这些问题，或获取缓解问题的建议措施。
通过帮助员工更高效地完成工作，这些应用案例有望帮助航空公司和MRO服务商缓解一部分劳动力短缺的挑战。来自其他行业的证据表明，生产率有显著提升的潜力。例如，一家矿业公司预计，在其用于根本原因分析和测试的生成式AI支持工具全面推广后，技术人员解决设备问题所需的时间将至少减少35%，进行计划外维修所需的时间将至少减少25%（如图2）。
生成式AI工具和学习模型也为技能培训提供了有效途径，能够加快新员工的上手速度，支持现有员工的持续技能提升，并有助于确保在员工退休时，宝贵的经验知识和专业技能不致流失。
掌握基础至关重要：生成式AI的挑战不仅限于技术开发实现
近期实践显示，发掘生成式AI的全部潜力比预期更为艰难。开发技术本身固然重要，但这远非全部。回顾约二十年前，当预测性维护等人工智能应用初次登场时，许多航空公司也曾面临相似的困境：如何让这些方案真正创造价值。例如，在成功运用预测性维护技术以识别飞机潜在故障、减少停机时间之前，企业普遍经历了一个漫长的试错和摸索期。如今，挑战依旧。航空公司及维修、修理和大修（MRO）服务商正积极探索，如何将生成式AI从一个引人注目的新概念，转变为能带来实际盈利的工具。要实现这一目标，他们必须克服若干挑战。
在审慎与敏捷间寻求平衡
航空业是一个受严格监管、高度依赖安全且资本密集的行业，当前利润率又处于历史低位。因此，航空公司及MRO服务商难以采用“快速试错”的策略，即同时投入资源进行大量实验以寻找可行方案。这种行业特性使得航空业在接纳变革、应用尖端技术方面，尤其是在非面向客户的运营领域，通常比其他行业更为迟缓。目前，许多航空公司和MRO服务商仍在使用老旧系统，在与第三方供应商交互时甚至依赖纸质或PDF格式的维修记录。要充分释放生成式AI的潜力，必须先解决这些技术短板和落后的记录方式，它们是当前的主要障碍。
整合生成式AI与现有系统：数字化是前提
要将生成式AI的虚拟专家能力与现有维护系统相结合，必须具备数字化的流程、集成化的IT架构以及可用的数据。实施这些变革时，既要保证不影响日常运营，更要确保安全与适航性不受任何影响，这需要各相关职能部门的通力合作。此外，由于在航空业中，失败和反复试错的成本过高，任何解决方案在正式部署前都必须经过全面、严格的测试与再测试。
生成式AI并非万能药
尽管生成式AI能有力推动运营效率的提升，但它并非解决所有问题的万能钥匙。这项技术的成功应用，必须建立在有效且周全的管理策略和工作方法基础之上，才能避免潜在的障碍，确保顺利实施。
恪守安全与合规的底线
商用飞机的维护工作风险极高，安全问题不容妥协。一旦准确性出现偏差或质量未达高标准，便可能引发严重后果。短期内，生成式AI平台尚无法做到完美无缺，因此航空公司和MRO服务商在关键应用场景中不应盲目依赖。为有效管理安全风险，当前最佳的人工智能应用模式是作为“生成式AI助手”，辅助并提升人类的判断能力。即便如此，这些应用仍需投入大量资源建立严格的质量保证和质量控制流程。同时，为打消监管机构的顾虑，相关人员必须接受培训，学会识别并纠正AI可能产生的“幻觉”——即生成虚假或误导性信息。
招募合适的专业人才
开发与集成生成式AI解决方案，需要的不仅仅是高超的技术能力。除了构建和调优大型语言模型的经验，数据科学家和软件开发人员还需具备多方面才能：例如，能够洞察生成式AI解决方案应用重点与方向的设计规划能力，以及强大的故障诊断与问题溯源能力。此外，为了确保生成式AI平台能产出高质量的专业答案，部分技术人员还必须具备航空维修领域的专业知识——而这种复合型人才往往一将难求。作为一种变通办法，航空公司和MRO服务商可以考虑引入能够促进技术专家与一线维修人员顺畅沟通和协作的协调角色或顾问。
掌握高质量的数据资源
航空业在运营过程中会产生海量的运营及性能数据。要将这些数据有效应用于生成式AI平台，航空公司和MRO服务商必须能够获取并使用这些丰富的数据资源。这往往需要航空公司、MRO服务商以及设备制造商之间建立紧密的合作伙伴关系，以实现数据共享与整合。
立足当下：生成式AI应用的准备之道
尽管许多航空企业仍在努力从新冠疫情的冲击中恢复，对于商业前景尚不明朗的新技术，在投资上普遍持谨慎态度。“生成式AI仍是一项需要探索以验证其效果的技术。我们在此过程中遇到了一些挑战，尤其是在商业变现方面。”一位航空公司运营副总裁如是说。
虽然实现可观的经济效益尚需时日，但企业当下即可着手布局。以下三个关键步骤，将助力航空公司与MRO（维护、修理和大修）服务商抢占先机，并为未来新技术应用涌现时，将生成式AI全面融入运营做好充分准备。
一、聚焦核心要务
生成式AI的应用场景测试相对容易，但要将这些试点应用规模化，以创造显著价值则颇具挑战。为找到与企业当前挑战和优先战略最匹配的应用场景，领导层首先需要明确，哪个领域能带来更大机遇：是提升员工效率，还是加强质量控制与风险管理？某航空航天公司曾为此专门举办研讨会，以明确方向，并识别出企业内部及各细分领域的核心价值驱动因素。在此基础上，该公司为开发生成式AI应用制定了清晰的路线图，并明确了关键的成功要素。尽管各企业对生成式AI应用的优先级不尽相同，但多数航空公司和MRO服务商可能会在便捷访问数字化记录、利用聊天机器人辅助故障排查、合规审计自动化以及库存规划虚拟助手等方面发现近期的应用机会。
二、明确战略定位与参与方式
这一点看似显而易见，但若缺乏清晰的战略愿景，企业很容易在多个方向上分散精力，导致事倍功半。生成式AI的最佳应用场景，对于MRO服务商和航空公司而言可能有所不同。MRO服务商可能会发现，率先采用生成式AI不仅能帮助其建立竞争优势、降低成本，还能通过向航空公司销售解决方案开辟新的营收渠道。另一方面，航空公司则可能优先考虑提升飞机运营效能（如减少停场时间），并将重点放在优化自身运营上，而非寻求第三方商业变现。各类企业均需决策：是自主研发、外部采购，还是合作开发这项技术。例如，一家大型区域性航空公司在评估后认为，AI软件供应商在响应特定客户的定制化需求时可能较为迟缓，因此决定自主开发更适合自身特定运营场景和战略需求的产品。
三、果断迈向实施阶段
鉴于生成式AI技术的飞速发展，企业可能会倾向于持观望态度，等待技术发展明朗后再做决策。我们认为这并非明智之举。那些寻求建立竞争优势的企业，应立即在以下三个方面采取行动：
- 构建支持生成式AI的底层基础设施。 除了构建生成式AI技术栈的各个层面（例如云计算）、引进或培养技术人才（或双管齐下）之外，企业还需要制定清晰的数据战略，明确通过合作伙伴关系或生态系统获取数据的途径。在此基础上，开发结构化、适应性强的数据基础设施，为生成式AI解决方案提供多样化的信息来源。
- 在监管限制较少的领域快速取得成效。 那些基于现有功能构建的早期应用案例，能够帮助航空公司和MRO服务商在内部点燃对生成式AI的热情。例如，在维护记录、手册和工卡的现有数字化搜索功能中加入智能自然语言查询能力，有助于消除对生成式AI的神秘感，并通过迅速提升各维护环节的生产力来快速彰显其价值。另一项可快速见效的应用，是在当前的预测性维护分析中集成生成式AI功能。通过生成式AI增强现有的机器学习能力，能更有效地利用非结构化数据，从而提升预测的准确性，帮助航空公司更好地应对和规划计划外事件。生成式AI解决方案能够更有效地处理和融合“人员相关数据”到预测模型中，从而进一步提升整体效能。
- 为实现更深层次的融合奠定基础。 从长远来看，航空公司和MRO服务商将探索超越现有功能增强范畴的应用场景，致力于将生成式AI的智能深度嵌入到航空维修价值链的各个环节。这将催生全新的工作模式。例如，一线员工不仅会使用AI赋能的数字助手，还将培养新的技能组合，包括持续洞察和监控风险，并在问题影响运营前主动识别和解决。要推动员工更深入地应用新技术，并提升他们对新技能的适应性与熟练度，离不开领导层的积极推动以及周密的变革管理计划。
面对颠覆性的技术变革，领导者往往面临关键抉择。在航空维修（MRO）这类相对保守的行业，采取观望策略、等待时机成熟再介入，以此降低风险，这看似颇具吸引力。然而，这种立场本身也潜藏着巨大风险。生成式AI解决方案将在不远的将来从根本上颠覆航空维修业，届时，袖手旁观将不再是一种可行的选择。那些现在就积极制定清晰战略愿景、并投资于以价值为核心的试验性项目的企业，将更有能力充分释放生成式AI的价值。
