Lokasi acara Forum Elite Industri Peralatan Manufaktur PTC China di Changsha
Saat ini, teknologi kecerdasan buatan tengah bergerak dari tanya jawab umum dan generasi konten menuju fase baru penyematan mendalam ke dalam proses bisnis inti perusahaan. Bagi industri manufaktur peralatan, energi, peralatan kelas atas, dan energi baru, nilai AI tidak lagi berhenti pada "efek demo yang terlihat", melainkan pada kemampuannya masuk ke pengembangan produk, rekayasa persyaratan, manajemen data PLM, manajemen siklus hidup perangkat lunak, kolaborasi rantai pasok, dan operasi layanan, demi menyelesaikan secara nyata persoalan seperti siklus riset-pengembangan yang panjang, kompleksitas data rekayasa, tingginya biaya kolaborasi lintas tim, kesulitan menelusuri dampak perubahan persyaratan, serta beban pengujian dan validasi yang besar.
Pada 17 Juni 2026, Forum Elite Industri Peralatan Manufaktur PTC China di Changsha terselenggara dengan sukses. Dengan tema "AI menggerakkan inovasi digital seluruh rantai nilai industri peralatan dan energi", acara ini menghimpun eksekutif global PTC, pakar teknologi lokal, mitra ekosistem industri, serta penanggung jawab digitalisasi perusahaan dari bidang alat berat konstruksi, energi angin, dan peralatan kelas atas, untuk bersama membahas jalur implementasi industrial AI berskala besar di industri peralatan dan energi.
Sebagai perwakilan mitra ekosistem PTC yang secara berkesinambungan berfokus pada praktik implementasi AI, SOIN AI diundang hadir dalam acara ini dan, di sekitar skenario inti manufaktur seperti "rekayasa persyaratan produk yang diperkuat AI", "Windchill + AI", dan "Codebeamer + AI", memaparkan secara sistematis warisan produktivnya di bidang Agentic AI, model domain industri, pemrosesan pengetahuan rekayasa, tata kelola persyaratan, generasi pengujian, interaksi cerdas data produk, dan penerapan AI terlokalisasi.
Ini merupakan pertunjukan kembali SOIN AI di platform pertukaran ekosistem PTC — setelah Forum Elite Transformasi Digital PTC China di Xiamen, Forum Elite Industri PTC China di Wuhan, dan Forum Elite Industri Otomotif PTC di Qingdao — dengan kemampuan penerapan AI untuk skenario bisnis nyata manufaktur. Sebelumnya, SOIN AI sudah beberapa kali menekankan dalam acara-acara PTC bahwa implementasi AI di manufaktur harus berangkat dari titik nyeri bisnis, menggabungkan data, proses, dan kapabilitas model vertikal perusahaan, dan berkembang bertahap menjadi agen cerdas (Agent) yang mampu men-dispatch dan diterapkan secara mandiri di alur bisnis utama, bukan berhenti pada level alat terisolasi atau demo satu titik.
Strategi siklus hidup produk cerdas PTC: AI sedang masuk ke benang digital manufaktur
Bapak Brad Ferguson, Wakil Presiden Senior Konsultasi Solusi Global PTC
Di lokasi acara, PTC membagikan paparannya seputar sistem siklus hidup produk cerdas, strategi AI, dan peta jalan produk. PTC menyatakan bahwa, menghadapi manufaktur yang semakin cerdas, berbasis perangkat lunak, dan berorientasi layanan, perusahaan perlu bertumpu pada data produk yang tepercaya dan menyematkan AI ke dalam alat dan alur kerja yang digunakan insinyur sehari-hari, agar dapat melepaskan lebih banyak nilai di sepanjang siklus hidup produk. Strategi AI resmi PTC juga menegaskan bahwa AI korporatnya dibangun di atas data produk yang tepercaya dan disematkan dalam alat dan alur kerja harian pelanggan, untuk mendukung inovasi produk, pengambilan keputusan, dan kolaborasi yang lebih efisien.
Dalam sistem produk PTC, Windchill AI menyematkan AI generatif dan AI berbentuk agen ke proses PLM, membantu perusahaan mengotomatiskan alur kerja, menggali wawasan dari data produk, dan meningkatkan produktivitas; Codebeamer AI menyematkan AI generatif ke ALM, mendukung pemrosesan persyaratan, peningkatan kualitas, dan percepatan pengembangan produk. Arah ini selaras tinggi dengan filosofi produk yang selama ini dipegang SOIN AI: "AI masuk ke proses utama, bukan menambah asisten yang terisolasi".
Kompleksitas industri peralatan dan energi menentukan bahwa, untuk menciptakan nilai jangka panjang, AI harus memahami semantik rekayasa, relasi antarproses, batas otorisasi, dan konteks data. Persyaratan, BOM, perubahan, pengujian, kualitas, rantai pasok, operasi perawatan memiliki banyak relasi hulu-hilir, dan sedikit pun deviasi pemahaman di satu mata rantai dapat membesar menjadi biaya pengerjaan ulang yang mahal pada tahap desain, validasi, penyerahan, dan audit berikutnya. Karena itu, kemampuan AI yang benar-benar cocok untuk manufaktur tidak boleh hanya "bisa menjawab pertanyaan", melainkan harus mampu mengeksekusi tugas di sekitar objek rekayasa yang konkret, mengorganisasi konteks, menghasilkan keluaran terstruktur, dan setelah konfirmasi manusia menuliskannya kembali ke benang digital perusahaan.
Rekayasa persyaratan produk yang diperkuat AI: dari "AI yang bisa menjawab pertanyaan" menuju "Agentic AI yang masuk ke alur riset-pengembangan"
Pemaparan Bapak Wang Xienan, pakar penerapan AI generatif SOIN
Dalam sesi tematik "rekayasa persyaratan produk yang diperkuat AI", Bapak Liu Hongxun, konsultan teknis pra-penjualan PTC China, dan Bapak Wang Xienan, pakar penerapan AI generatif SOIN, berbincang tentang transformasi rekayasa persyaratan di era produk terdefinisi perangkat lunak. Menghadapi persoalan yang umum pada perusahaan peralatan kompleks — rantai persyaratan yang panjang, kepadatan parameter yang tinggi, kompleksitas kolaborasi lintas tim, sulitnya menelusuri perubahan persyaratan — kedua pihak menyoroti bagaimana AI dipadukan dengan platform manajemen persyaratan seperti Codebeamer membentuk kemampuan penguatan cerdas ujung-ke-ujung: dari impor persyaratan, pemeriksaan kualitas, verifikasi konsistensi, pemecahan cerdas, hingga generasi kasus uji.
SOIN AI mengemukakan dalam paparannya bahwa rekayasa persyaratan industri peralatan kompleks tidak hanya butuh pemahaman teks, melainkan penilaian yang stabil atas terminologi, parameter, aturan, dan relasi. Model umum dapat menyelesaikan persoalan pemahaman, peringkasan, dan generasi di tataran bahasa alami; namun dalam skenario kompleks seperti hidraulik, kendali elektronik, strategi kendali, keamanan penyimpanan energi, batas parameter rekayasa, aturan perusahaan, dan relasi hulu-hilir, perusahaan butuh dukungan bersama model domain industri dan rekayasa konteks agar AI melangkah dari "membaca teks" menuju "membaca batasan rekayasa". Penilaian ini juga tercermin dalam materi SOIN AI di lokasi: kunci agen rekayasa persyaratan terletak pada rekayasa konteks yang lebih baik; hanya dengan menggabungkan sumber persyaratan, relasi, aturan, riwayat, pengujian, dan batas otorisasi, hasil AI memiliki kegunaan rekayasa.
Di sekitar tujuan tersebut, SOIN AI menyematkan kemampuan ALA ke proses utama manajemen persyaratan Codebeamer, membentuk lingkaran tertutup "membaca persyaratan dan rantai relasi berdasarkan ID — pemrosesan berbantu AI — keluaran hasil terstruktur — konfirmasi manusia — pengendapan kembali ke lini utama Codebeamer". Jalur ini menegaskan bahwa AI tidak menggantikan penilaian akhir insinyur, melainkan dalam tindakan frekuensi tinggi seperti membaca, memeriksa, mencari, memecah, memvalidasi, menyediakan bantuan rekayasa yang dapat dikonfirmasi, dilacak, dan dituliskan kembali.
SOIN AI ALA: warisan produk AI manajemen siklus hidup perangkat lunak untuk manufaktur maju
Demonstrasi kemampuan penyematan SOIN AI ALA ke Codebeamer
ALA (asisten cerdas siklus hidup riset-pengembangan mandiri) yang difokuskan SOIN AI dalam acara ini adalah aplikasi cerdas ALM berlevel industri, dibangun di atas Agentic Workflow Engine (AWE) dan Agentic Documents Suite (ADS) hasil pengembangan sendiri SOIN AI. Diarahkan ke mata rantai bernilai tinggi seperti reviu persyaratan, manajemen pengujian, dan pemilihan komponen, ia mengubah pengetahuan yang tersebar di PDF, spesifikasi teknis, dokumen persyaratan, aset uji, proyek lampau, dan pengalaman pakar menjadi aset pengetahuan yang dapat diorkestrasi, dipanggil, dan dieksekusi otomatis oleh agen cerdas. Materi produk terkait menunjukkan bahwa ALA diarahkan ke skenario ALM manufaktur, terutama melayani reviu persyaratan, manajemen pengujian, dan pemilihan komponen, serta mendukung tuntutan kepatuhan dan ketertelusuran seperti INCOSE, ISO26262, dan ASPICE.
Di sekitar skenario Codebeamer + AI, SOIN AI telah mengendapkan delapan kemampuan inti AI ujung-ke-ujung untuk persyaratan:
Impor PDF dan parsing dokumen persyaratan. Menghadapi dokumen tak terstruktur seperti spesifikasi PDF, protokol, dan pemberitahuan perubahan yang diterbitkan pabrikan kendaraan utama, ALA dapat mengonversinya secara otomatis menjadi dokumen persyaratan berstruktur jelas, bersistem rapi, dapat diedit, dan dapat digunakan ulang, mengurangi kerja input manual dan penataan format, serta meningkatkan efisiensi pencernaan persyaratan sejak tahap awal proyek.
Terjemahan item persyaratan dan kolaborasi lintas bahasa. Untuk skenario riset-pengembangan lintas wilayah, kolaborasi pelanggan luar negeri, dan pemahaman standar teknis berbahasa asing, ALA mendukung terjemahan presisi tinggi bidang profesional, menggabungkan basis terminologi, semantik konteks, dan kebiasaan ekspresi industri, menghasilkan terjemahan yang konsisten istilahnya, logis, dan interaktif, mengurangi deviasi pemahaman detail teknis bagi tim nonpenutur asli.
Pemeriksaan kualitas persyaratan. Kualitas persyaratan adalah sumber benang digital riset-pengembangan. ALA dapat, berdasarkan standar kualitas persyaratan seperti INCOSE, melakukan pemeriksaan cerdas atas kejelasan, kelengkapan, keterverifikasian, dan konsistensi item persyaratan, membantu perusahaan menemukan ambiguitas, kekurangan, dan ekspresi tak bersistem yang berpotensi sebelum persyaratan masuk ke tahap desain, pengembangan, dan validasi berikutnya, mengurangi risiko pengerjaan ulang akibat pergeseran cacat ke hilir.
Pemeriksaan kemiripan persyaratan dan pemanfaatan ulang pengetahuan. Di lingkungan riset-pengembangan kompleks dengan banyak tim dan proyek paralel, duplikasi persyaratan, ketidakkonsistenan ekspresi, dan kurangnya pemanfaatan aset historis adalah persoalan umum. Melalui pencarian semantik dan penilaian kemiripan, ALA mengidentifikasi persyaratan serupa, duplikat, dan titik kontradiksi potensial, mendukung pemanfaatan ulang lintas proyek, ketertelusuran persyaratan, dan analisis dampak perubahan, meningkatkan kualitas basis persyaratan dan efisiensi reviu.
Pemeriksaan konsistensi persyaratan. Di industri peralatan, energi baru, dan peralatan kelas atas, parameter kunci item persyaratan sering memiliki relasi dekomposisi hulu-hilir. Sekali batas nilai terdistorsi saat ditransmisikan, antarmuka, integrasi sistem, pengujian, dan validasi berikutnya dapat mengalami penyimpangan. ALA mampu memverifikasi otomatis konsistensi indikator nilai kunci di persyaratan berjenjang, mengidentifikasi konflik dan mendukung lompatan ke persyaratan terkait, membantu perusahaan memastikan transmisi parameter akurat, alokasi rasional, dan dapat dilacak.
Generasi otomatis kasus uji. Menghadapi persoalan penulisan kasus uji manual yang memakan waktu, cakupan yang bergantung pada pengalaman, sulitnya menyatukan ekspresi langkah dan hasil yang diharapkan, ALA dapat menjalankan proses generasi kasus uji berdasarkan isi persyaratan, menghasilkan judul uji, prasyarat, langkah eksekusi, dan hasil yang diharapkan, serta mendukung insinyur melakukan koreksi dan konfirmasi manual di tahap mana pun, sehingga aset verifikasi persyaratan mengendap ke lini utama ALM.
Pemecahan persyaratan cerdas oleh AI. Dalam proses konversi persyaratan produk menjadi persyaratan perangkat lunak, dan persyaratan sistem menjadi persyaratan subsistem, ALA dapat, dengan menggabungkan konteks bisnis target dan batasan, memecah persyaratan secara terstruktur, menghasilkan persyaratan perangkat lunak atau persyaratan hilir yang dapat direviu, dapat dilacak, dengan granularitas yang lebih konsisten, mengurangi kelalaian dan ambiguitas akibat pemahaman manual.
Pencarian persyaratan cerdas. Menghadapi efisiensi rendah pencarian kata kunci di basis persyaratan yang masif dan sulitnya mencakup semantik rekayasa serta batasan parameter, ALA mendukung kueri bahasa alami dan pencocokan persyaratan, mengembalikan daftar persyaratan terkait berdasarkan kemiripan dan relevansi, membantu insinyur dengan cepat menemukan aset historis, menopang pemanfaatan ulang lintas proyek, analisis dampak, dan keputusan riset-pengembangan.
Codebeamer AI resmi PTC juga tengah memperkuat kemampuan penulisan persyaratan, generasi pengujian, pemeliharaan relasi ketertelusuran, dan wawasan risiko kepatuhan. Menurut materi PTC, Codebeamer AI dapat membantu menghasilkan, mengoptimalkan, dan memperjelas persyaratan, mengusulkan kasus uji berdasarkan persyaratan serta menjaga hubungan akurat antar artefak, sekaligus mengidentifikasi sejak dini kesenjangan, inkonsistensi, dan risiko kepatuhan dalam siklus hidup. Kemampuan ALA terlokalisasi dari SOIN AI lebih jauh berangkat dari kebiasaan bisnis nyata perusahaan manufaktur Tiongkok, tuntutan penerapan privat, sistem terminologi domain, dan lingkungan integrasi platform yang sudah ada, menyediakan solusi penguatan yang lebih dekat ke skenario lokal.
Windchill + AI: membawa data produk dari "dapat dikelola" menuju "dapat dipahami, digunakan ulang, dan mendukung keputusan"
Bapak Lü Zhenyuan, Manajer Teknis Senior industri peralatan industri PTC: strategi AI terlokalisasi Windchill dan berbagi kasus
Dalam acara ini, PTC juga memaparkan strategi AI terlokalisasi Windchill dan kasus-kasusnya, memamerkan nilai penerapan AI dalam interaksi data produk, efisiensi eksekusi bisnis, dan kolaborasi cerdas proses. Menurut materi resmi PTC, Windchill AI dengan menyematkan AI langsung ke alur kerja PLM membantu pengguna menemukan, memahami, dan memproses data produk yang kompleks lebih cepat, mendukung kueri bahasa alami, peringkasan dokumen kompleks, ketertelusuran data produk tepercaya, dan meningkatkan efisiensi penggunaan PLM di bawah kontrol akses ketat dan mekanisme tata kelola.
Di sekitar skenario Windchill + AI, SOIN AI telah membentuk berbagai kemampuan siap implementasi dalam sistem layanan produk manufaktur, terutama terkonsentrasi pada interaksi cerdas data produk, parsing dokumen teknis komponen, pencarian dan seleksi material, tata kelola data BOM, analisis dampak perubahan, dan penguatan graf pengetahuan.
Dalam skenario rantai pasok terintegrasi PLM dan manajemen komponen, tantangan umum perusahaan mencakup efisiensi input data yang rendah, kesulitan pencarian data, kekakuan proses analisis. Input parameter material secara manual tidak hanya lambat dan kurang bersistem, tetapi juga memengaruhi akurasi seleksi dan BOM; saat insinyur mengubah kebutuhan yang samar menjadi parameter teknis, itu memakan waktu dan rawan salah; pencocokan semantik dan integrasi data dalam dokumen multibahasa juga sulit; proses analisis tradisional lebih bergantung pada aturan yang mengeras, kurang mampu menopang dukungan keputusan yang lentur, multidimensi, dan lintas sumber data. Materi SOIN AI memetakan persoalan-persoalan ini ke tiga jenis langkah — input data cerdas, pencarian cerdas, dan analisis cerdas — mencakup klasifikasi otomatis material dan ekstraksi atribut, pengenalan data Datasheet dan pembangunan basis pengetahuan komponen, pemeriksaan duplikasi material dan rekomendasi substitusi, pemanfaatan ulang parameter lintas proyek, analisis komparatif data multi-sumber, dan generasi draf awal solusi teknis.
Dalam parsing dokumen teknis komponen, SOIN AI mampu mendukung parsing dan ekstraksi dokumen multi-format, pengenalan dan konversi multibahasa, klasifikasi cerdas komponen, ekstraksi atribut klasifikasi, dan pembuatan otomatis material terklasifikasi, membantu perusahaan mengubah informasi tak terstruktur yang semula tersebar di PDF, Datasheet, dan spesifikasi pemasok menjadi aset data terstruktur, meningkatkan kualitas data material dari sumbernya.
Dalam interaksi cerdas dan dukungan keputusan, SOIN AI mendukung kueri interaktif bahasa alami, analisis terintegrasi data multi-sumber, perbandingan menyeluruh komponen-material, rekomendasi cerdas material alternatif, dan saran optimasi desain, membantu insinyur mengurangi waktu mencari, membandingkan, dan menata bahan di dalam sistem, agar lebih banyak energi tertuju pada penilaian desain dan keputusan rekayasa.
Dalam proses bisnis PLM yang lebih kompleks, SOIN AI dapat menggabungkan graf pengetahuan, pencarian diperkuat RAG, dan kapabilitas Agentic Workflow untuk menopang skenario bantuan AI pencarian dan seleksi material, bantuan AI analisis dampak perubahan desain, generasi berbantu rencana kendali, dan pembangunan cerdas BOM. Tujuannya bukan memutari sistem PLM utama seperti Windchill, melainkan bertumpu pada basis data produk dan sistem proses yang ada, membiarkan AI menuntaskan ekstraksi informasi, pemahaman relasi, peringatan risiko, dan keluaran terstruktur di bawah data tepercaya, tata kelola otorisasi, dan mekanisme konfirmasi manusia.
Dari fungsi AI satu titik menuju Agent level proses: metodologi implementasi SOIN AI di manufaktur
Pemaparan arsitektur solusi industri SOIN AI
Sulitnya implementasi AI di manufaktur tidak pernah hanya soal kemampuan model itu sendiri, melainkan bagaimana model dikaitkan dengan proses nyata, data nyata, otorisasi nyata, dan mekanisme tanggung jawab nyata perusahaan. SOIN AI berpendapat bahwa perusahaan manufaktur maju membutuhkan lingkaran tertutup lengkap: "kapabilitas AI + orkestrasi bisnis + tata kelola data + konfirmasi manusia + penulisan kembali ke sistem".
Pada arsitektur produk, SOIN AI telah membentuk fondasi kemampuan dengan inti AWE dan ADS. AWE menyediakan kapabilitas dispatch multi-agen, multi-alat, dan orkestrasi tugas; ADS menyediakan kapabilitas parsing, slicing, pemahaman, ekstraksi, dan pemrosesan terstruktur dokumen kompleks. Di atas fondasi itu, SOIN AI melalui Agentic RAG, slicing multimodal, Embedding semantik berjenjang, ekstraksi entitas persyaratan presisi tinggi, dan verifikasi logika lintas dokumen mengubah dokumen, aturan, persyaratan, pengujian, material, dan pengalaman proyek lampau manufaktur kompleks menjadi pengetahuan rekayasa yang dapat dicari, dinilai, diorkestrasi, dan digunakan ulang. Materi terkait menunjukkan bahwa ALA telah membentuk sistem agen cerdas industri ALM yang mencakup agen reviu kualitas persyaratan, agen generasi dan evaluasi kasus uji, agen analisis dampak perubahan, agen generasi matriks ketertelusuran, agen saran optimasi kualitas, dan menekankan tuntutan kendali level industri: penerapan terlokalisasi, model Embedding privat, isolasi keamanan dokumen, dan ketertelusuran rantai penalaran.
Dalam jalur penerapan dan tata kelola, SOIN AI menyarankan perusahaan memulai dari skenario berisiko rendah, frekuensi tinggi, dan kebutuhan mendesak, lalu bertahap menuju operasi berantai rekayasa persyaratan: tahap pertama, bahan dan kualitas mendahului — dokumen terbaca, terjemahan konsisten, kualitas persyaratan dimajukan; tahap kedua, memperkuat pemanfaatan ulang pengetahuan dan verifikasi relasi, mengurangi duplikasi dan konflik lewat pencarian kemiripan, pemanfaatan historis, dan verifikasi konsistensi hulu-hilir; tahap ketiga, menghubungkan pemecahan dan validasi, mengendapkan pemecahan persyaratan, generasi uji, dan aset validasi ke proses utama; tahap keempat, terus mengoptimalkan model domain, mengubah koreksi pakar, kesalahan deteksi dan kelalaian, serta hasil konfirmasi manusia menjadi sampel pelatihan dan evaluasi; tahap kelima, membangun sistem tata kelola dan operasi berkelanjutan yang mencakup otorisasi, audit, pemantauan, evaluasi, dan manajemen versi, untuk akhirnya mencapai pengerjaan ulang minimal, kelalaian minimal, duplikasi minimal, dan jejak yang tertinggal.
Metodologi ini juga beresonansi dengan penilaian PTC tentang kematangan AI tersemat. PTC membagi peran agen AI di perusahaan ke dalam tiga tahap kematangan: "menyarankan, membantu, mengotomatiskan" — dari akses pengetahuan instan, peringkasan konten, dan pencarian informasi terkait, ke pembantuan penyelesaian langkah alur kerja, lalu ke penyambungan mandiri ke sistem, pemantauan data, dan dorongan hasil dengan input manusia seminimal mungkin. Bagi perusahaan manufaktur, implementasi AI bukan penggantian proses yang ada sekaligus, melainkan kemajuan bertahap di atas dasar data tepercaya dan tata kelola proses: dari saran berbantu ke kolaborasi proses, lalu ke eksekusi otomatis pada tugas tertentu.
Terus mendalami ekosistem PTC, mendorong AI manufaktur dari "validasi konsep" menuju "hasil rekayasa"
Pertukaran di booth manajemen siklus hidup perangkat lunak yang diperkuat AI
Beberapa tahun terakhir, SOIN AI terus mengeksplorasi skenario PLM, ALM, dan digitalisasi manufaktur dalam ekosistem PTC. April 2026, SOIN AI telah meluncurkan solusi produk ALA manajemen siklus hidup perangkat lunak di Forum Elite Industri Elektronik, Teknologi Tinggi, dan Alat Medis PTC China di Wuhan, menyoroti kemampuannya dalam parsing dokumen persyaratan, pemrosesan lintas bahasa, pemeriksaan kualitas persyaratan, identifikasi kemiripan persyaratan, dan analisis konsistensi persyaratan, serta menegaskan bahwa AI harus melangkah dari "mengenali konten" atau "menjawab pertanyaan" menuju dukungan mendalam bagi tata kelola persyaratan, pemanfaatan ulang pengetahuan, proses kolaboratif, dan kontrol kualitas.
September 2025, di Forum Elite Industri Otomotif PTC di Qingdao, SOIN AI juga berbagi pengalaman praktis Agentic AI di industri otomotif, mengusulkan solusi atas titik nyeri transformasi perusahaan — "data tertidur, proses kaku, kurang berevolusi" — melalui pembangunan basis pengetahuan multimodal, peleburan mendalam Agentic AI dengan sistem PLM, serta penggabungan Agentic AI dengan ALM. Dari elektronik teknologi tinggi dan alat medis, ke otomotif, lalu ke industri peralatan dan energi, partisipasi berkesinambungan SOIN AI dalam ekosistem PTC mencerminkan jalur kontinu dari pertukaran industri, validasi skenario, hingga pengendapan produk.
Acara Changsha kali ini menjadi momentum penting bagi SOIN AI untuk memamerkan lebih jauh kapabilitas produk AI manufakturnya. Di sekitar Codebeamer + AI, SOIN AI telah membentuk rantai kemampuan ujung-ke-ujung dari pengumpulan, analisis, pemecahan, implementasi, hingga validasi persyaratan; di sekitar Windchill + AI, SOIN AI tengah memasukkan kemampuan parsing cerdas dokumen, pembangunan pengetahuan material, tata kelola data BOM, interaksi bahasa alami, analisis dampak perubahan, dan penguatan graf pengetahuan ke dalam manajemen data produk dan kolaborasi bisnis PLM.
Ke depan, SOIN AI akan terus berpegang pada filosofi "penerapan AI, implementasi adalah raja", bertumpu pada kapabilitas Agentic AI pengembangan sendiri, model domain manufaktur, dan pengalaman penerapan level korporat, dan bersama mitra ekosistem PTC serta lebih banyak perusahaan manufaktur peralatan, energi, peralatan kelas atas, dan energi baru mengeksplorasi penerapan mendalam AI dalam digitalisasi riset-pengembangan, manajemen siklus hidup produk, manajemen siklus hidup perangkat lunak, dan kolaborasi rantai pasok.
AI bukan "alat tempelan" transformasi digital manufaktur, melainkan kapabilitas endogen yang sedang masuk ke data produk, proses rekayasa, dan sistem pengetahuan perusahaan. SOIN AI berharap melalui warisan produk yang kokoh dan solusi yang dapat diimplementasikan, membantu perusahaan manufaktur mengubah data yang tersebar menjadi pengetahuan yang dapat digunakan ulang, proses yang kompleks menjadi tugas yang dapat diorkestrasi, dan kapabilitas AI menjadi hasil rekayasa yang lebih berkualitas, lebih efisien, dan lebih dapat dilacak.