AI w branży produkcyjnej: gdzie daje efekty i od czego zacząć w średniej firmie

AI w produkcji to dwa różne rodzaje projektów. Pierwszy dotyczy biura wokół produkcji: zamówień, dokumentów, planowania i raportów. Drugi dotyczy samej linii: kontroli jakości, maszyn i ich parametrów.

Projekty biurowe nie ingerują w pracę maszyn, korzystają z danych, które firma już ma, i dają efekt szybko. Projekty na linii wymagają danych z czujników i kamer, połączenia ze sterownikami, czyli komputerami sterującymi maszynami, i dłuższego pilotażu. Tabela poniżej pokazuje, czego potrzebuje każdy obszar i co warto mierzyć.

Zamówienia od klientów przychodzą mailem, jako PDF, arkusz Excela albo wydruk z portalu zakupowego odbiorcy. Ktoś w biurze przepisuje je do ERP, szuka produktów w kartotece, sprawdza ceny i potwierdza termin. Klienci używają przy tym własnych nazw i numerów, więc przepisywanie wymaga wiedzy i uwagi.

Asystent AI czyta zamówienie, rozpoznaje produkty także po nazwach klienta i dopasowuje je do indeksów, czyli kodów towarów w ERP. Przygotowuje gotowy szkic zamówienia, a gdy brakuje danych, na przykład ilości lub terminu, oznacza to do wyjaśnienia. Pracownik sprawdza szkic i zatwierdza go jednym kliknięciem.

Policz to na swoich danych. Załóżmy, że biuro obsługuje 60 zamówień dziennie, a przepisanie i sprawdzenie jednego trwa 6 minut. To 6 godzin dziennie, czyli trzy czwarte etatu, a do tego dochodzi koszt pomyłek w indeksach i ilościach.

Takie rozwiązanie buduje się często w Microsoft 365 za pomocą Power Automate, narzędzia do automatycznego przenoszenia danych między programami, i Copilot Studio, w którym tworzy się asystentów AI. Można też zbudować osobną aplikację połączoną z ERP.

W wielu średnich firmach plan produkcji powstaje w Excelu albo w module ERP, ale najważniejsze decyzje zapadają w głowie doświadczonego planisty. Gdy ta osoba choruje lub odchodzi, firma traci wiedzę, której nikt nie spisał.

AI nie zastępuje planisty, tylko pokazuje mu skutki decyzji. Zbiera w jednym widoku zlecenia, dostępność materiałów, obciążenie maszyn i terminy klientów. Planista może sprawdzić, co się stanie, gdy przesunie zlecenie o dwa dni, i wcześniej dostaje ostrzeżenie o zagrożonym terminie.

Średnia firma rzadko potrzebuje do tego drogiego, specjalistycznego systemu do harmonogramowania produkcji. Często wystarczy uporządkować dane w ERP i zbudować na nich prosty widok z podpowiedziami.

W wielu zakładach kierownik produkcji co tydzień składa raport ręcznie z kilku arkuszy. Zarząd dostaje dane z opóźnieniem i nie może zareagować w trakcie zmiany. Power BI, narzędzie Microsoft do raportów i wykresów, pobiera dane automatycznie i odświeża je według harmonogramu, nawet kilka razy dziennie.

Najczęściej mierzonym wskaźnikiem jest OEE, czyli całkowita efektywność wyposażenia. To iloczyn trzech liczb: dostępności maszyny, jej wydajności i jakości wyrobów. Przykład: 90% × 85% × 98% daje OEE około 75%, a raport pokazuje, który z trzech składników ciągnie wynik w dół.

Dane mogą pochodzić z ERP, z systemu realizacji produkcji, czyli programu rejestrującego przebieg pracy na hali, albo z prostych rejestratorów na maszynach. Asystent AI może dodatkowo wskazywać nietypowe zmiany i odpowiadać na pytania zarządu, ale liczby zawsze warto sprawdzić w raporcie źródłowym.

Kamera z modelem AI potrafi wychwytywać rysy, braki, przebarwienia czy złe etykiety szybciej niż człowiek przy taśmie i bez spadku uwagi pod koniec zmiany. To jeden z obszarów, w których AI ma wyraźną przewagę techniczną. Działa jednak dobrze tylko w powtarzalnych warunkach.

Najczęstszą przyczyną porażki jest zmienne oświetlenie i za mało przykładów wad. Model musi zobaczyć wiele zdjęć każdego rodzaju defektu, a rzadkie wady trudno zebrać. Trzeba też połączyć system ze sterownikiem linii, żeby wadliwy wyrób był odrzucany automatycznie.

Zacznij od pilotażu na jednym stanowisku, najlepiej tam, gdzie wady najczęściej docierają do klienta. Przez cały pilotaż prowadź równolegle kontrolę ręczną i porównuj wyniki. Dopiero to porównanie powie, czy system jest lepszy od obecnej kontroli.

Przewidywanie awarii polega na tym, że model AI analizuje dane z czujników, takie jak drgania, temperatura czy pobór prądu, i ostrzega przed zbliżającą się usterką. W praktyce często myli się je z prostym monitoringiem, który tylko alarmuje po przekroczeniu progu.

Żeby model mógł przewidywać, musi mieć historię: dane z czujników z wielu miesięcy i zapis awarii z ich przyczynami. Jeśli dział odpowiedzialny za sprawność maszyn nie zapisuje przyczyn awarii, pierwszym krokiem jest zmiana tego nawyku, a nie zakup modelu.

Zacznij od kilku maszyn, których awaria zatrzymuje całą linię i kosztuje najwięcej. Na początku celem są wczesne ostrzeżenia dla mechaników. Pełny harmonogram wymian oparty na prognozach to dopiero kolejny etap.

Nie każda firma produkcyjna podlega przepisom o cyberbezpieczeństwie. Znowelizowana ustawa o krajowym systemie cyberbezpieczeństwa, która wdraża dyrektywę NIS2, obejmuje tylko wybrane działy produkcji. Musi też być spełniony próg wielkości: co do zasady co najmniej 50 pracowników albo obrót i suma bilansowa powyżej 10 mln euro, z uwzględnieniem firm powiązanych.

Średnie i duże firmy z tych działów są podmiotami ważnymi. Jeśli Twoja firma spełnia oba warunki, a nie złożyła wniosku o wpis do wykazu, sprawę trzeba pilnie wyjaśnić, bo termin minął 3 października 2026 r. Projekty AI, które łączą sieć biurową z siecią maszyn, muszą wtedy zmieścić się w zasadach bezpieczeństwa wymaganych do 3 kwietnia 2027 r.

AI Act rzadko dotyczy projektów biurowych w produkcji, poza obowiązkiem wspierania wiedzy pracowników o AI z art. 4. Większe znaczenie ma dla producentów wyrobów regulowanych, np. medycznych, w których AI pełni funkcję bezpieczeństwa. Lista poniżej wymienia działy produkcji objęte NIS2, a tabela zbiera terminy.

Najbezpieczniej zacząć od jednego procesu i jednej decyzji po pilotażu. Plan z listy poniżej to przykładowy rozkład pierwszych trzech miesięcy. Zawsze zależy od liczby systemów, które trzeba połączyć, i dostępności ludzi po stronie firmy.

Najważniejsza jest osoba odpowiedzialna za proces po stronie zakładu, na przykład kierownik biura obsługi klienta albo kierownik produkcji. Bez niej projekt utknie na pytaniach o wyjątki, na które nikt nie ma czasu odpowiedzieć.

Najgorszy start to zakup gotowej platformy „przemysłu 4.0”, czyli rozbudowanego systemu do cyfryzacji całej fabryki, bez wybranego procesu i bez danych. Firma płaci za licencje, a wdrożenie kończy się pokazem możliwości, który nie trafia do codziennej pracy.

Na AI jest też za wcześnie, gdy każdy dział prowadzi te same dane w swoim arkuszu i nikt nie wie, który jest aktualny. Podobnie, gdy zamówień jest kilka dziennie, a przyczyn awarii nikt nie zapisuje. Wtedy najpierw porządkuje się dane i procesy, a dopiero potem dobiera narzędzia.