The Agentic Enterprise: A Strategic Analysis of Advanced Agentic Workflows and Collaborative AI
Notice bibliographique
Résumé
Traditional rule-based industrial automation in Electric Vehicle (EV) and Industry 4.0 manufacturing creates critical bottlenecks in efficiency, adaptability, and quality control, resulting in substantial operational losses. To address this rigidity, we conducted a systematic analysis of 1,247 publications and 342 manufacturing use cases to establish a taxonomy of agentic systems. Empirical validation was performed through longitudinal case studies with a tier-1 EV manufacturer across NA, EMEA, and Asia, where we compared traditional automation, purely autonomous systems, and Human-AI Collaborative approaches. Our analysis reveals a critical fragmentation in agentic toolkits and a significant operational disconnect between AI governance theory and operational deployment. In response, we developed the Integrated Agentic Foundry (IAF) framework, which integrates adaptive learning and multi-agent coordination. This framework showed remarkable improvements, including a 34% reduction in unplanned downtime (p<0.01), a 28% decrease in quality defects, and a 41% improvement in resource utilization. Notably, human-AI collaborative approaches consistently outperformed purely autonomous systems, proving large effect sizes (Cohen's d=0.72−1.14). This study redefines modern manufacturing intelligence by demonstrating that the future of smart manufacturing lies in human augmentation, not replacement. The IAF framework provides a comprehensive roadmap for transitioning manufacturing ecosystems from rigid automation to adaptive intelligence, enabling unprecedented operational excellence.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,016 | 0,014 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».