人工智能（AI）的应用热潮已渗透至绝大多数行业，航空维修、修理与大修（MRO）领域的早期布局正开始收获切实成果。波音公司通过生成式AI（GenAI）处理重复性任务或解读海量文本类工作，部分业务板块生产率提升达70%。

  AI的潜在应用场景、效益与挑战，成为今年MRO行业活动中技术议题的核心。无论MRO企业是已大举投入AI研发，还是持谨慎态度以“快速跟进者”身份试水，如今多数企业均在探索该技术如何简化MRO流程、提升安全性与效率。

  奥利弗·怀曼（Oliver Wyman）2025年MRO调研显示，64%的收房的人说已采用AI技术，较去年的58%有所上升；称AI投资价值达到或超出预期的企业比例从去年的20%飙升至58%；近三分之一的受访机构已组建专门的MRO AI团队。

  例如，法航荷航工程维修公司（AFI KLM E&M）向《Inside MRO》透露，其近期新增“数据分析翻译官”岗位，负责衔接公司数据、信息技术（IT）团队与业务部门；GA Telesis去年成立数字创新小组，下设专注AI项目的团队；国际航空集团（IAG）则有约70名AI专家分布在9个团队中，并在西班牙巴塞罗那设立了AI实验室。

  “我们注意到，关于如何在技术运营中部署AI的需求咨询与相关讨论正缓慢但稳步增加。”奥利弗·怀曼运输与运营业务负责人山姆·萨金特（Sam Sargent）表示，“回溯一两年前，所有人都在谈论AI，但实际落地进展寥寥；而过去12个月里，公司开始围绕AI启动更贴合实际的项目。”

  奥利弗·怀曼调研中提及的最广泛应用场景包括：航材与库存预测及规划、维修方案制定与可靠性分析、预测性分析，以及维修计划编排。许多受访者也表示将AI用于提升通用生产力及支持性职能。

  萨金特指出，库存预测等传统机器学习应用之所以成为调研中最常见的场景，是因为这类技术已应用多年；而他在客户对接中发现，最具吸引力的应用集中在生成式AI（GenAI）与智能体AI（agentic AI）——前者可基于用户指令生成原创内容，后者能依据有关数据自主决策并行动。

  例如，萨金特观察到，AI在自动化缩短“技术人员翻阅PDF文档、梳理手册文件以分析维修方案并查找先例”的研究时间方面颇具潜力。他提到，这类AI应用在飞机停场（AOG）场景中关注度颇高：AOG状态下，修东西的人需从多个渠道检索信息，以优化人员、工具及备件的决策。

  过去一年，众多OEM厂商、航空公司与MRO企业纷纷发布AI驱动的产品，或披露借助AI提升效率的成果。

  GA Telesis数字创新集团总裁杰森·里德（Jason Reed）在1月沃斯堡举办的《航空周刊》网络“美洲航空发动机峰会”上表示，AI实现了“在正确时间、正确地点储备正确库存”的转型；他在6月杰富瑞投资银行主办的虚拟售后市场峰会上进一步阐述，公司正利用AI整合内部数据，目标实现35%的年增长率。

  “凭借我们的生态规模，能够整合内部及与运营商、供应商、采购商、维修商的外部数据，构建数据仓库……并通过建模驱动业务发展。”里德称，“我们已将AI应用于采购模型、维修模型、零件分级、零件定价及公允市场价值评估等所有的环节。”在MRO板块，GA Telesis利用AI预测车间进场需求，提前采购并调配所需零件，从而缩短维修周转时间。

  Setna iO合伙人兼首席商务官亨特·埃登斯（Hunter Edens）在杰富瑞峰会上指出，AI借助库存管理系统内置的文本识别功能，帮助公司快速评估飞机价值。

  “我们可将‘状态监控部件清单’或‘定寿部件清单’（这两类文档最能反映飞机装机部件信息）的PDF文件导入AI文本识别工具，”埃登斯解释道，“15分钟内即可生成Excel表格，包含每个零件的最新售价、过去四次维修的综合均价、平均成本及单件净值。”他补充，这让公司能基于库存逐行精准评估飞机价值，为日常销售订单与维修订单处理提供依据。

  Setna iO运营高级副总裁莎拉·克莱因（Sarah Klein）在2月巴拿马城举办的《航空周刊》网络“拉丁美洲MRO峰会”上进一步透露，公司AI驱动的库存与优化工具“在最简单的应用场景中创造了最大价值”，例如重复性行政工作：通过文本与图像识别，可即时处理工作订单，替代原本需10分钟以上的人工操作。

  9月新加坡举办的《航空周刊》网络“亚太MRO峰会”上，GE航空、HAECO、新加坡航空工程（SIA Engineering）与ST Engineering分享了各自优先推进的AI应用。

  新加坡航空工程企业规划与持续改进高级副总裁David So表示，公司正探索利用GenAI分析历史数据，预测故障并优化维修计划。

  HAECO集团数字总经理Alex Chen称，公司已借助AI分析维修工作包，目前正拓展至计划环节，以更高效地进行排班，“从根本上优化机库内人员、物料与工具的调配”。他补充，AI将原本需数天甚至数周的工作包理解时间缩短至数小时。

  ST Engineering首席技术官、高级副总裁兼创新与可持续发展负责人Kenneth Low指出，公司机体MRO业务的一大挑战是，全球6个维修站点需处理海量文档：“每个维修站为生成飞机维修任务卡，需处理500-1000万页文档，且这一过程高度依赖人工，易受人为误差影响。”传统模式下，梳理文档并完成飞机维修进场准备需约15天，而AI帮助将耗时缩短约90%；不过他强调，公司仍在优化模型的一致性与准确性，需投入额外精力进行复核。

  GE航空客户服务机队支持总监David Harper提到，该发动机制造商十多年前便在监控与诊断领域应用AI，以避免运营中断与非计划维修；去年联合微软与埃森哲开发GenAI工具，帮助航空公司与租赁商更快获取关键维修记录，将原本耗时数小时的检索工作缩短至数分钟。

  Harper还强调了AI在发动机检测中的广泛应用：GE航空5月在纽约尼斯卡于纳的研发中心向《Inside MRO》透露，目视检测占其全球售后设施工作量的最大份额；该研发中心正开发并测试多种AI辅助检测技术，包括“机器人+孔探仪”采集图像、再通过机器学习等AI技术分析的方案；此外，GE将摄像系统与机器学习结合用于荧光渗透检验测试，准确率较人工目视提升约15%。

  FEAM Aero正评估AI系统通过一系列分析摄像头画面识别潜在安全风险隐患的能力，例如技术人员未穿戴合规防护装备、地面支持设备停放距飞机过近等情况。

  IAG近期开发AI工具，通过一系列分析数百万种涵盖运营、财务与技术因素的场景，为机队制定最优发动机维修计划。爱尔兰航空已在部分空客A320搭载的CFM国际CFM56-5B发动机上启用该系统，IAG预计集团内其他航空公司将在年底前跟进；其AI团队还有多项发动机相关项目在研，计划未来一两年内落地。

  汉莎技术（LHT）3月在其Aviatar数字平台推出首款AI工具——Technical Repetitives Examination工具。该工具可分析技术日志中的缺陷描述，识别拼写错误、错误的航空运输协会（ATA）章节归类或不同语言表述的同一问题（例如“咖啡机”“咖啡壶”“浓缩咖啡机”被识别为同一部件，并自动归类至正确ATA章节），确保缺陷记录准确；同时可识别早期重复性故障，最终目标是自动生成故障排除建议。

  MRO软件提供商AireXpert正探索利用AI打破语言壁垒：其Aire-Xpert平台聚焦飞机维修相关方的实时沟通协作，近期推出AI翻译功能，助力不同国家团队高效沟通。产品负责人Kamal Patel表示，AireXpert还利用AI优化维修计划会议效率。

  “全球每家航空公司天天都会召开1小时的维修计划会议，参会人数达80-150人，所有人都在相互核对信息，”Patel告诉《Inside MRO》，“参会者可能仅发言30秒，却要花费1小时参会——这相当于150人×1小时的人力成本，且时间并未用于解决实际问题。AireXpert可通过AI即时生成会议摘要，参会者无需逐一梳理即可获取关键信息。”

  AireXpert正与多家AI软件开发商合作，将其功能整合至平台，例如集成AIXI的ATA AutoCoder工具：该工具利用AI解析技术人员的维修日志，生成详细问题描述、自动分配ATA代码并预测维修成功率。Patel表示，整合更多AI工具的核心目标是，为需同时管理多个软件平台的客户简化操作。

  1. TRAK系统（Transparent Reliable Accessible Knowledge System）：专注解决AOG案例。Van Leeuwen指出，资深工程师可快速定位AOG故障解决方案，但受人员配置与退休等因素影响，这类专业知识并非随时可用，传统模式下需数小时翻阅文档；TRAK整合数万份相关文档，通过GenAI生成文档标题与摘要，大幅度的提高检索效率。

  2. Voice to Admin语音转行政工具：借助语音识别技术录入维修文档，替代手写笔记与数据录入。Van Leeuwen提到，手写记录不仅耗时，还可能会引起信息错误（如汉莎技术提及的“咖啡机”表述差异问题），且易造成轮班交接混乱；该工具会提示工程师核对模糊表述（如仅写“损坏”而未说明具体缺陷类型），并校验数据格式，在提升数据质量与生产率的同时，让工程师专注于维修而非文书工作，员工满意度显著提升。

  3. Charlie工具：帮助工程师快速在航空公司与OEM文档中查找正确零件号并加速备件订购，平均缩短零件维修/更换流程超1小时。

  波音数据与AI战略副技术研究员Michael Williams在4月亚特兰大举办的《航空周刊》网络“MRO系统集成峰会”上表示，GenAI系统非常适合于文本密集型场景：“重复性任务、需处理大量文本且认知负荷高的工作，或是需对海量文本/多模态数据来进行目视检查分析的场景，都是GenAI的优势领域——因为AI不会疲劳，能反复处理同一合同文档。”

  波音通过在这类场景应用GenAI，实现约70%的生产率提升。“另一大优势是缩短时间周期：减少任务交接环节就可以实现这一目标。”Williams解释，“传统模式下，一份文档在大多数情况下要多人审核、反复修改，虽单环节人力成本不高，但整体耗时漫长。”

  波音内部聊天机器人“Boeing Conversational AI”允许员工调用企业专有信息“探索无限应用场景”。Williams表示：“我们投入大量精力梳理AI在产品与服务中的应用场景及商业案例……但价值最高、应用最广泛的场景，实则来自员工借助该聊天机器人自主探索的需求。”

  FEAM技术副总裁Joseph Hernandez在拉丁美洲MRO峰会上提到，公司采取类似策略：允许员工试用各类AI工具，同时设置管控机制“防止数据删除或合同违规等问题”。

  “我们为员工、部门团队提供‘沙盒环境’，让他们自主开发并测试AI应用场景；经审核落地后，再提供技术上的支持并联合多方优化方案。”Hernandez解释，“核心思路是将研发主动权下放给员工……由他们发现AI的价值所在。”

  Van Leeuwen在5月布拉格举办的《航空周刊》网络“MRO BEER活动”上透露，ChatGPT兴起时，AFI KLM E&M在企业内部开展多场路演，“确保员工掌握AI的正确使用方式，同时规避误用风险”；在孵化出潜力应用场景后，公司与谷歌合作推进产业化：“我们搭建了专属平台，将数据集中处理并开发通用模型，同时保持模型选择的开放性，不局限于单一模型。”他补充，公司可对ChatGPT、谷歌Gemini等不同模型进行基准测试。

  汉莎技术企业战略与市场分析负责人Sven Taubert对此表示认同：“过去企业倾向于全流程自研，如今大家意识到，对于大语言模型（LLM）等技术，自研并非最优解——更合理的模式是搭建专属后端，对接本地部署的ChatGPT等模型。”尽管这需要内部IT团队信任外部合作方，但能大幅加速AI研发进程并支持实时原型验证。

  Legion Intelligence（原Yurts AI）企业事业部总经理Maddie Wolf在MRO系统集成峰会上分析了AI研发“自建vs外购”的利弊：“许多企业选择自研AI，但我认为多数企业并无必要。”

  她指出，自研的合理诉求包括：需与老旧系统集成、避免供应商锁定、关注数据安全隐私与部署问题；“但核心思路不应是‘非此即彼’，而是‘组合策略’：自研核心关键组件并掌握所有权，外购非核心能力。因为自研不仅需投入开发时间与人力，还需承担长期维护成本。”

  Williams补充了自研的成本考量：“若选择自研，需确保投入能与前沿模型开发商的数十亿美元投入抗衡——否则模型将在6-12个月内过时，前期投入全部白费。”

  Setna iO的Klein表示：“若资源充足，自研无疑是最优选择，可完全适配企业业务与AI发展阶段；但若无自研资源，第三方应用也是可行方案。关键是配备‘技术赋能型内部人才’——AI失败的主因往往是数据预处理与链路搭建不当，需专人深度理解业务与AI部署，才能确保第三方合作成功。”

  FEAM的Hernandez认可与谷歌、微软、OpenAI等大型AI服务商合作的模式：“自研LLM难度极高。”但他强调，企业的核心价值在于自有数据，因此在布局AI前，必须建立完善的内部数据治理体系。

  HAECO的Alex Chen提到，公司最初凭借数十年历史数据推进AI项目时，发现不同部门数据采集与解读标准差异导致的缺口；目前公司正通过后端系统现代化、统一流程与数据标准来解决这一问题。

  ST Engineering的Kenneth Low表示，AI帮助公司将非结构化历史数据梳理为可用格式，但这是一个学习过程：需明确核心数据范围，并推动全公司参与主数据管理。

  Williams对此表示认同，波音拥有百余年数据（包括纸质文档、微缩胶片及仓库存档资料），“数据治理的最大挑战是确定需重点治理的数据——即影响运营、产品服务或关乎安全合规的战略数据”。

  尽管MRO行业已大举投入AI，但多数专业的人建议采取系统化方法，审慎评估系统准确性及技术的实际必要性。

  汉莎技术的Taubert透露，企业内部测试显示，AI处理数据的准确率约90%，较人工提升10%；“但对于适航相关工作，准确率需接近甚至达到100%，因此AI输出必须经人工复核。”

  “切勿盲目将所有任务交给AI，”Taubert提醒，“AI并非所有场景的最优解，且能耗较高、存在成本；在部分场景中，其他技术可能更高效。”

  Williams指出：“企业的一大误区是不了解不同AI技术的适用边界——AI擅长部分任务，但在其他任务中表现不佳，全程需人工监督。明确AI的能力边界，能有效解决落地中的问题（如幻觉现象，或出现‘用AI计算扭矩却出错，而计算器可精准完成’的情况）。”

  Wolf提到，尽管AI在预测性维修中价值显著，但在MRO场景中，微小的表述差异可能会引起难以处理的后果：“多数LLM具有生成性，若将GenAI或LLM用于MRO故障排除，它可能修改表述——例如将‘拧紧至指定扭矩’改为‘稍微拧紧’。需严格确保AI输出精确文本，且内容可验证。”

  ST Engineering的Kenneth Low观察到，AI在“个人行政辅助”（如ChatGPT处理文档）中的使用率较高，但在“业务单元核心任务”（如飞机/发动机交付）中使用率降至15%，在OEM-MRO-资产管理全链路中甚至低至5-10%。“核心原因是员工将其视为‘辅助工具’，而非‘核心生产力工具’。当前阶段，我们将AI定位为辅助技术——它无法凭空解决所有问题，但长远来看，未来企业必然是‘AI赋能型’而非‘无AI型’。”