Комп'ютерний зір у виробництві: які задачі вже вирішуються надійно
Практична класифікація задач комп'ютерного зору за рівнем зрілості у виробництві — що працює, що потребує доопрацювання, а що залишається передчасним.
Serhiy Andrejev
Lead Machine Learning Developer
Ринок промислового машинного зору, за прогнозами, досягне 23,63 млрд доларів США до 2030 року, проте значна частка проєктів із комп'ютерного зору на виробництві досі не забезпечує очікуваної віддачі. Розрив між лабораторними показниками та реальною продуктивністю на виробничому майданчику залишається одним із найбільш недооцінених ризиків промислової цифровізації. У цій статті представлено практичну класифікацію задач комп'ютерного зору за рівнем зрілості, що ґрунтується на досвіді впровадження, а не на обіцянках постачальників.
Вступ: між реальними результатами та завищеними очікуваннями
Комп'ютерний зір став однією з найпомітніших та найбільш обговорюваних сфер застосування штучного інтелекту у виробництві. Презентації постачальників демонструють вражаючі можливості — системи, що виявляють мікроскопічні дефекти із надлюдською швидкістю, камери, що відстежують кожен рух на виробничому майданчику, алгоритми, які обіцяють замінити цілі відділи контролю якості. Реальність, як ми спостерігаємо на основі десятків промислових впроваджень, значно складніша.
Світовий ринок промислового машинного зору оцінювався у 15,83 млрд доларів США у 2025 році та зростає із середньорічним темпом 8,3% [1]. Це зростання є реальним і зумовлене справжнім підвищенням продуктивності. Однак наратив навколо комп'ютерного зору у виробництві часто змішує те, що є технічно можливим у контрольованих умовах, із тим, що надійно досяжне у виробничому середовищі. Модель, що досягає 98% точності на бенчмарку виявлення аномалій MVTec [2], не гарантує автоматично 98% точності на конвеєрній стрічці зі змінним освітленням, вібрацією, запиленістю та варіативністю продукції.
У нашій практиці ми спостерігаємо чітку закономірність: успіх впровадження комп'ютерного зору залежить менше від складності архітектури нейронної мережі й більше від зрілості самої задачі — наскільки чітко визначена візуальна проблема, наскільки стабільні умови експлуатації та який обсяг якісних навчальних даних доступний. Це спостереження лежить в основі класифікаційної системи, представленої нижче.
Мета цієї статті — не відлякати від впровадження комп'ютерного зору у виробництві. Натомість ми прагнемо надати особам, що ухвалюють рішення, реалістичну систему оцінювання того, які задачі комп'ютерного зору готові до промислового впровадження, які потребують ретельного пілотування, а які залишаються задачами дослідницького рівня і поки що не повинні визначати рішення щодо капіталовкладень.
Задачі з доведеною надійністю: зрілий рівень
Певні категорії задач комп'ютерного зору досягли такого рівня зрілості, коли надійна, промислова якість роботи є стабільно досяжною. Ці задачі мають спільні характеристики: чітко визначені візуальні цілі, контрольовані умови зйомки та достатній обсяг навчальних даних. На основі досвіду впровадження та опублікованих бенчмарків ми виділяємо три основні категорії цього рівня.
Підрахунок об'єктів та перевірка наявності на конвеєрах
Підрахунок дискретних об'єктів на конвеєрі — пляшок, упаковок, комплектуючих — є найбільш зрілим застосуванням промислового комп'ютерного зору. Візуальна задача є чітко обмеженою: об'єкти зазвичай відокремлені один від одного, фон є однорідним, а кут зйомки — фіксованим. Сучасні моделі розпізнавання об'єктів, зокрема сімейство YOLO, досягають рівня виявлення понад 99% для таких задач за належного налаштування [3].
Економічне обґрунтування є простим. Система на основі однієї камери, що замінює ручний підрахунок на високопродуктивній пакувальній лінії, зазвичай окупається протягом трьох-шести місяців. Критичним фактором успіху є не модель, а налаштування зйомки — стабільне освітлення, відповідна роздільна здатність камери та швидкість конвеєра, сумісна з частотою кадрів камери.
Розпізнавання штрих-кодів, QR-кодів та серійних номерів
Оптичне розпізнавання символів (OCR) та зчитування штрих-кодів є одним із найстаріших і найнадійніших застосувань комп'ютерного зору в промисловості. Сучасні системи OCR на основі глибокого навчання працюють із друкованим текстом, тисненими символами і навіть частково пошкодженими кодами з точністю, що перевищує 99,5% у контрольованих умовах. Ці системи масштабно впроваджені у фармацевтичній, харчовій та автомобільній промисловості для забезпечення простежуваності та відповідності вимогам.
Зрілість цієї категорії задач відображається у доступності готових комерційних рішень, що потребують мінімального налаштування. З нашого погляду, основний ризик у таких впровадженнях є не технічним, а операційним — недостатнє обслуговування друкувального обладнання, що призводить до погіршення якості коду, або забруднення поверхні, що перекриває символи.
Виявлення великих та очевидних дефектів
Виявлення великих, візуально чітких дефектів — тріщин шириною понад 1 мм, відсутніх компонентів, значного знебарвлення, грубих відхилень розмірів — це задача, де системи комп'ютерного зору стабільно перевершують людей-інспекторів. Ключовою перевагою є не точність як така, а стабільність: на відміну від людей-інспекторів, камерні системи не страждають від втоми, відволікання чи суб'єктивних відхилень між змінами.
Дослідження демонструють, що гібридні системи глибокого навчання, які поєднують архітектури виявлення та класифікації, досягають точності понад 96% на промислових наборах даних дефектів із чітко визначеними категоріями [4]. За нашими спостереженнями, виробничі впровадження, спрямовані на великі дефекти на однорідних поверхнях — такі як виявлення тріщин на керамічній плитці або відсутніх етикеток на упаковці — надійно досягають точності понад 95% після належного калібрування.
Задачі із середньою надійністю: рівень, що розвивається
Другий рівень охоплює задачі, які є технічно здійсненними, але потребують значно більших зусиль при впровадженні, калібруванні та поточному обслуговуванні. Ці задачі часто добре працюють в пілотних умовах, але погіршуються при масштабуванні або зміні умов експлуатації.
Виявлення дрібних та непомітних дефектів
Виявлення волосяних тріщин, мікроподряпин, тонких текстурних аномалій або незначних нерівностей поверхні залишається складною задачею. Хоча наукові публікації повідомляють про точність понад 97% на бенчмаркових наборах даних, таких як NEU-DET для дефектів поверхні сталі [5], продуктивність у виробничих умовах зазвичай на 10–20 відсоткових пунктів нижча. Цей розрив зумовлений кількома факторами: бенчмаркові набори даних курируються з однаковими умовами зйомки, тоді як виробничі середовища вносять варіативність в освітлення, партії матеріалу та оздоблення поверхні.
Бенчмарк MVTec AD 2, випущений у 2025 році, цілеспрямовано адресує цей розрив, запроваджуючи сценарії з прозорими об'єктами, змінним освітленням та надзвичайно малими дефектами [2]. Сучасні найкращі методи все ще мають складнощі з цими розширеними сценаріями, що підтверджує: виявлення тонких дефектів залишається сферою активних досліджень, а не вирішеною задачею.
У виробничій практиці ми виявляємо, що системи виявлення дрібних дефектів потребують значного доменно-специфічного налаштування. Система, навчена виявляти подряпини на полірованому алюмінії, не перенесеться на матову нержавіючу сталь без суттєвого перенавчання. Економічний наслідок полягає в тому, що витрати на впровадження для виявлення тонких дефектів зазвичай у три-п'ять разів вищі, ніж для задач зрілого рівня, описаних вище.
Класифікація та сортування за візуальними ознаками
Класифікація продукції за візуальними характеристиками — градація кольору, текстура поверхні, категорія розміру, ступінь стиглості в харчовій промисловості — є застосуванням із помірним рівнем зрілості. Коли категорії класифікації чітко розділені, а кількість класів обмежена (зазвичай менше десяти), сучасні згорткові мережі досягають надійних результатів. Мережа ESG-ConvNeXt, наприклад, досягає точності розпізнавання 97,5% при класифікації поверхні сталі з чітко визначеними категоріями дефектів [6].
Однак задачі класифікації стають значно складнішими, коли категорії візуально перетинаються, коли кількість класів зростає або коли візуальні характеристики є суб'єктивними. Сортування сільськогосподарської продукції за ґатунками якості, наприклад, часто передбачає категорії, щодо яких навіть людські експерти не можуть дійти згоди. У таких випадках системи комп'ютерного зору посилюють неоднозначність, а не розв'язують її.
Моніторинг поведінки на робочому місці та безпеки праці
Використання комп'ютерного зору для моніторингу поведінки працівників — дотримання вимог щодо засобів індивідуального захисту (ЗІЗ), контроль наближення до небезпечних зон, оцінка ергономічних ризиків — є сферою застосування, що швидко зростає. Моделі розпізнавання об'єктів здатні надійно ідентифікувати каски, захисні жилети та захисні окуляри в контрольованих умовах. Однак реальна продуктивність зазнає впливу перекриття (працівники частково приховані обладнанням), змінного освітлення в промислових приміщеннях та різноманітності конструкцій ЗІЗ на різних об'єктах.
На основі наших спостережень, системи виявлення ЗІЗ досягають надійних показників (понад 90% рівня виявлення) у добре освітлених, відкритих зонах із стандартизованим обладнанням. Продуктивність суттєво знижується у захаращених середовищах, у зонах із поганим освітленням або коли працівники використовують нестандартні засоби захисту. Рівень хибних спрацьовувань — сигналів про порушення за його відсутності — залишається практичною проблемою, що впливає на довіру користувачів та прийняття системи.
Задачі з низькою надійністю: передчасний рівень
Певні застосування комп'ютерного зору у виробництві часто обговорюються в маркетингових матеріалах постачальників та на галузевих конференціях, але залишаються передчасними для промислового впровадження, виходячи з поточного рівня технологічної зрілості.
Повністю автономний контроль якості
Ідея повністю автономної системи контролю якості — такої, що повністю замінює людей-інспекторів, обробляє всі типи дефектів, адаптується до нової продукції без перенавчання та ухвалює остаточні рішення про прийняття чи відхилення без людського нагляду — залишається нереалізованою. Хоча окремі інспекційні задачі можна автоматизувати, інтеграція кількох типів інспекції в єдину автономну систему породжує проблему кумулятивного зниження надійності.
Розглянемо типовий процес контролю якості для автомобільного компонента: він може потребувати перевірки точності розмірів, оздоблення поверхні, сталості кольору, повноти збирання та правильності маркування. Кожна окрема перевірка може досягати 95% точності, але система, яка виконує всі п'ять перевірок незалежно, матиме комбіновану точність лише 77% (0,95^5). Цей ефект кумуляції є однією з найбільш недооцінених проблем автономного контролю якості.
На нашу оцінку, поточні технології комп'ютерного зору найкраще використовувати як доповнення до людської інспекції, а не як її заміну — позначати потенційні дефекти для перевірки людиною, попередньо сортувати очевидний брак та надавати кількісні вимірювання для підтримки людського судження.
Складна 3D-інспекція та вимірювання
Задачі тривимірної інспекції — вимірювання об'ємних деформацій, оцінка геометрії зварних з'єднань, інспекція внутрішніх порожнин через обмежені точки доступу — являють собою принципово складнішу задачу порівняно з аналізом 2D-зображень. Хоча системи 3D-машинного зору (структуроване підсвічування, стереозір, камери на основі часу прольоту) існують, їхня точність, швидкість та надійність у виробничих умовах значно відстають від 2D-аналогів.
Ринок 3D-машинного зору зростає, а його впровадження стимулюється застосуваннями в автомобільній та аерокосмічній галузях [1]. Однак технічна складність 3D-реконструкції, чутливість до дрейфу калібрування та обчислювальні вимоги аналізу в реальному часі означають, що ці системи потребують спеціалізованого інжинірингу та постійного експертного обслуговування — структура витрат, що обмежує їхню застосовність сценаріями високовартісного дрібносерійного виробництва.
Розуміння неструктурованого середовища
Задачі, що вимагають від системи комп'ютерного зору «розуміння» неструктурованого виробничого середовища — навігація захаращеним складом, ідентифікація довільних об'єктів у неорганізованому робочому просторі, оцінка загального стану виробничої ділянки — залишаються на передньому краї досліджень. Хоча універсальні візуально-мовні моделі досягли вражаючого прогресу на академічних бенчмарках, їхня надійність у критично важливих для безпеки промислових застосуваннях є недостатньою для промислового впровадження.
Фактори успіху: що визначає працездатність системи комп'ютерного зору
На основі накопиченого досвіду впровадження ми визначаємо п'ять критичних факторів, що визначають успіх або невдачу реалізації комп'ютерного зору у виробництві.
Стабільність освітлення є найбільш недооціненим фактором. Система комп'ютерного зору, навчена під LED-панельним освітленням, відмовить, коли сонячне світло з найближчого вікна змінюватиме колірну температуру протягом дня. Контрольоване, стабільне, спеціалізоване освітлення — що часто потребує фізичних кожухів — є не опціональним, а обов'язковим.
Фіксована геометрія камери забезпечує сталість візуальної задачі. Навіть незначні зміни кута камери, робочої відстані або поля зору можуть різко знизити продуктивність. Промислове кріплення з віброгасінням та періодичною перевіркою юстування є обов'язковими.
Якість камери та оптики повинна відповідати інспекційній задачі. Виявлення дефектів 0,1 мм за допомогою 2-мегапіксельної камери та споживчого об'єктива — це конфігурація, приречена на невдачу. Роздільна здатність, динамічний діапазон, частота кадрів та якість об'єктива мають визначатися на основі найменшої деталі, яку система повинна виявити.
Обсяг та якість навчальних даних залишаються найбільш значущим вузьким місцем на практиці. Мінімум 500–1 000 анотованих прикладів на кожну категорію дефектів зазвичай потрібен для надійного виявлення, а понад 5 000 прикладів необхідні для категорій тонких дефектів. Принципово важливо, щоб навчальні дані відображали повний діапазон виробничої варіативності — різні партії матеріалів, сезонні зміни освітлення, стани зношення обладнання.
Інтеграція з наявними процесами визначає, чи приносить технічно успішна система бізнес-цінність. Система виявлення дефектів, що не може взаємодіяти з ПЛК, який керує механізмом відбракування, або система підрахунку, що не інтегрується з MES, створює інформаційний острівець, а не покращення автоматизації.
Економічний поріг: коли комп'ютерний зір є виправданим
Не кожна задача візуальної інспекції потребує рішення на основі комп'ютерного зору. Економічна доцільність впровадження комп'ютерного зору визначається перетином трьох факторів: обсягу задач, вартості дефектів та заміщення витрат на працю.
Мінімальний обсяг задач. На основі нашого досвіду, системи комп'ютерного зору стають економічно виправданими, коли обсяг інспекції перевищує приблизно 5 000–10 000 одиниць за зміну. Нижче цього порогу витрати на впровадження та обслуговування системи комп'ютерного зору зазвичай перевищують витрати на ручну інспекцію. Виняток становлять інспекційні задачі в небезпечних середовищах, де присутність людини несе ризики для безпеки, або задачі, що вимагають точності вимірювань, яка перевищує людські можливості.
Вартість пропущеного дефекту. Економічний вплив невиявленого дефекту — пропущена тріщина в безпекокритичному компоненті, неправильно марковане фармацевтичне пакування — може варіюватися від незначного (косметичний дефект на виробі низької вартості) до катастрофічного (відкликання продукції, претензії щодо відповідальності, регуляторні штрафи). Коли вартість одного пропущеного дефекту перевищує місячні експлуатаційні витрати системи комп'ютерного зору, інвестиційне обґрунтування є однозначним незалежно від обсягу.
Порівняння витрат на працю. У регіонах із високою вартістю робочої сили точка беззбитковості для впровадження комп'ютерного зору є нижчою. Тризмінний інспекційний пост, що потребує трьох операторів за європейського рівня зарплат, представляє річні витрати 120 000–180 000 євро — бюджет, здатний забезпечити складну систему комп'ютерного зору з поточним обслуговуванням. У регіонах із нижчою вартістю робочої сили точка беззбитковості зміщується вгору, обґрунтовуючи комп'ютерний зір лише для застосувань із більшим обсягом або вищим ризиком.
Класифікація задач комп'ютерного зору за рівнем зрілості
Наступна таблиця підсумовує нашу класифікацію задач комп'ютерного зору за рівнем зрілості, типовою точністю, ключовими вимогами та економічним порогом. Ця класифікація базується на синтезі опублікованих бенчмарків, галузевих звітів та безпосереднього досвіду впровадження.
| Задача | Зрілість | Типова точність | Ключові вимоги | Економічний поріг |
|---|---|---|---|---|
| Підрахунок об'єктів на конвеєрах | Висока | >99% | Фіксована камера, однорідний фон, стабільне освітлення | >5 000 одиниць/зміна |
| Зчитування штрих-кодів / QR / OCR | Висока | >99,5% | Контроль якості друку, чиста поверхня, фіксована фокусна відстань | >2 000 зчитувань/зміна |
| Виявлення великих дефектів (>1 мм) | Висока | >95% | Контрольоване освітлення, однорідна поверхня, достатній обсяг навчальних даних | >5 000 одиниць/зміна |
| Виявлення дрібних дефектів (<1 мм) | Середня | 80–92% | Високоякісна оптика, закрите освітлення, великий навчальний набір даних | >10 000 одиниць/зміна або висока вартість дефекту |
| Візуальна класифікація / сортування | Середня | 85–97% | Чітко розділені категорії, контрольовані умови, достатній обсяг навчальних даних | >8 000 одиниць/зміна |
| Моніторинг ЗІЗ / безпеки | Середня | 85–93% | Якісне освітлення, відкритий огляд, стандартизовані ЗІЗ | Обґрунтовано вимогами безпеки |
| Автономний контроль якості (мультидефектний) | Низька | 70–85% (комбінована) | Значна інфраструктура, експертне обслуговування, людський нагляд | Рідко виправданий без гібридного підходу |
| Складна 3D-інспекція | Низька | 75–90% | Спеціалізовані сенсори, експертне калібрування, великі обчислювальні ресурси | Лише високовартісне дрібносерійне виробництво |
| Розуміння неструктурованого середовища | Низька | <80% | Дослідницький рівень, не рекомендовано для виробництва | Поки що економічно невиправдане |
Джерела: бенчмарки Ultralytics YOLO26 [3], результати бенчмарку MVTec AD 2 [2], опубліковані дослідження з промислового виявлення дефектів [4][5][6], досвід впровадження.
Задачі комп'ютерного зору: технічна складність проти економічного ефекту
Взаємозв'язок між технічною складністю та економічним ефектом різних категорій задач комп'ютерного зору можна представити наступним чином. Задачі у верхньому лівому квадранті — високий економічний ефект, низька складність — є оптимальною відправною точкою для впровадження комп'ютерного зору. Задачі у нижньому правому квадранті — низький економічний ефект, висока складність — зазвичай слід відкладати.
| Категорія задачі | Технічна складність (1–10) | Економічний ефект (1–10) | Зрілість рішення |
|---|---|---|---|
| Підрахунок об'єктів | 2 | 7 | Висока |
| Штрих-код / OCR | 2 | 8 | Висока |
| Виявлення великих дефектів | 3 | 8 | Висока |
| Моніторинг ЗІЗ | 5 | 6 | Середня |
| Візуальне сортування | 5 | 7 | Середня |
| Виявлення дрібних дефектів | 7 | 8 | Середня |
| Мультидефектний автономний КЯ | 8 | 9 | Низька |
| 3D-інспекція | 8 | 6 | Низька |
| Неструктуроване середовище | 9 | 4 | Низька |
Інтерпретація: починайте із задач, які мають високий показник економічного ефекту та низький показник технічної складності. «Премія зрілості» — зменшення ризиків впровадження завдяки вибору перевірених категорій задач — є суттєвою. На основі даних впроваджень AQTeck та галузевих бенчмарків [1][3][7].
Рисунок 1. Категорії задач комп'ютерного зору, розташовані за технічною складністю (вісь X) та економічним ефектом (вісь Y), із кольоровим кодуванням за зрілістю рішення. Оптимальна відправна точка: верхній лівий квадрант (високий ефект, низька складність). Джерела: [1][3][7].
Авторська оцінка та висновки
Спостерігаючи за розвитком комп'ютерного зору у виробництві протягом останніх років, ми вважаємо наступні висновки добре підтвердженими доказами та практичним досвідом.
По-перше, комп'ютерний зір у виробництві — це не єдина технологія, а спектр застосувань із суттєво різними рівнями зрілості. Ставлення до всіх задач комп'ютерного зору як до однаково готових до впровадження є надійним шляхом до розчарування. Класифікаційна система, представлена у цій статті — що розрізняє задачі високої зрілості (підрахунок, OCR, виявлення великих дефектів), задачі середньої зрілості (дрібні дефекти, сортування, моніторинг безпеки) та задачі низької зрілості (автономний контроль якості, 3D-інспекція, неструктуровані середовища) — повинна визначати інвестиційні рішення.
По-друге, розрив між показниками на бенчмарках та виробничою продуктивністю залишається центральним викликом. Моделі, що досягають 97% точності на курированих наборах даних, можуть забезпечувати лише 80% точності у виробництві, і останні 17 відсоткових пунктів часто коштують більше, ніж перші 80%. Особам, що ухвалюють рішення, слід вимагати пілотних результатів зі свого власного виробничого середовища, а не бенчмаркових показників з академічних публікацій.
По-третє, інвестиції в інфраструктуру мають більше значення, ніж вибір алгоритму. У нашій практиці оновлення з моделі YOLO v8 до YOLO 26 [3] може підвищити точність на 2–3 відсоткові пункти. Встановлення належного освітлення, камерних кріплень із віброгасінням та закритої інспекційної камери може підвищити точність на 15–20 відсоткових пунктів. Непомітна інфраструктурна робота забезпечує найвищу віддачу.
По-четверте, економічно оптимальна точка входу є очевидною: починайте із задач високої зрілості на високопродуктивних лініях. Підрахунок об'єктів, верифікація штрих-кодів та виявлення великих дефектів на лініях із обробкою понад 5 000 одиниць за зміну — це впровадження комп'ютерного зору з низьким ризиком та високою віддачею. Використовуйте ці початкові проєкти для нарощування внутрішньої компетенції, встановлення практик збору даних та демонстрації повернення інвестицій перед переходом до більш складних категорій задач.
По-п'яте, архітектури з участю людини залишаються прагматичним стандартом для критичних щодо якості застосувань. Повністю автономний контроль якості є метою, а не поточною здатністю. Найуспішніші впровадження, які ми спостерігаємо, використовують системи комп'ютерного зору для попереднього відбору та маркування, а людські експерти ухвалюють остаточні рішення щодо неоднозначних випадків. Цей гібридний підхід охоплює 70–80% виграшу в ефективності, зберігаючи стандарти надійності, яких вимагає виробництво.
Траєкторія розвитку комп'ютерного зору у виробництві є однозначно позитивною. Моделі стають точнішими, периферійне обладнання — потужнішим, а інструменти впровадження — доступнішими. За даними опитування Deloitte Smart Manufacturing 2025 року, 92% виробників вважають технології розумного виробництва — включно з комп'ютерним зором — необхідними для конкурентоспроможності [7]. Питання для будь-якого конкретного виробника полягає не в тому, чи впроваджувати комп'ютерний зір, а в тому, з чого почати і як швидко просуватися вздовж спектру зрілості. Система, представлена у цій статті, покликана підтримати це рішення.
Джерела
- MarketsandMarkets. "Machine Vision Market — Global Forecast to 2030." 2025. https://www.marketsandmarkets.com/PressReleases/industrial-machine-vision.asp
- MVTec Software GmbH. "MVTec Anomaly Detection 2 Dataset." 2025. https://www.mvtec.com/company/research/datasets/mvtec-ad-2
- Ultralytics. "YOLO26: Edge-First Vision AI for Industrial Applications." 2026. https://docs.ultralytics.com/models/yolo26
- Sharif, M.I. et al. "Attention-guided hybrid learning for accurate defect classification in manufacturing environments." Scientific Reports, 2025. https://www.nature.com/articles/s41598-025-31654-2
- Lu, Z. et al. "An improved YOLOv5n algorithm for detecting surface defects in industrial components." Scientific Reports, 2025. https://www.nature.com/articles/s41598-025-94109-8
- Wang, H. et al. "An ESG-ConvNeXt network for steel surface defect classification based on hybrid attention mechanism." Scientific Reports, 2025. https://www.nature.com/articles/s41598-025-88958-6
- Deloitte. "2025 Smart Manufacturing and Operations Survey." 2025. https://www2.deloitte.com/us/en/insights/industry/manufacturing/2025-smart-manufacturing-survey.html
- McKinsey & Company. "How manufacturing's Lighthouses are capturing the full value of AI." 2025. https://www.mckinsey.com/capabilities/operations/our-insights/how-manufacturings-lighthouses-are-capturing-the-full-value-of-ai