Przejdź do treści

AI w produkcji: planowanie, jakość i predykcja awarii

Adam Marzec
Okładka: AI w produkcji: planowanie, jakość i predykcja awarii

Fraza „ai w produkcji” ma w polskim autouzupełnianiu własną gałąź: „ai w planowaniu produkcji”, „w produkcji i logistyce”, „transformacja cyfrowa”, „wykorzystanie ai w produkcji”. Za nimi stoi zwykle ta sama osoba: właściciel albo zarząd zakładu, który chce wiedzieć, co z tego jest realne, ile kosztuje i od czego zacząć. To mapa po procesach zakładu: planowanie i prognozy, kontrola jakości, predykcja awarii, dokumentacja i biuro. Sekcje opieramy na publicznych przypadkach z datami; tam, gdzie ceny nie są publiczne, piszemy to wprost. Nie prowadzimy wdrożeń i nie testowaliśmy linii; opisujemy, co dało się zweryfikować w źródłach, stan na 31 października 2026.

Najważniejsze informacje

CoSzczegóły (odczyty 31.10.2026)
Stan w Polsce8,36% firm (10+) używa AI, UE 19,95%; duże 55%, małe 17% (Eurostat, dane za 2025)
Planowanie i prognozyFinsbury Food Group (RELEX): minus 1,6 mln GBP kapitału obrotowego netto, service level +5% r/r, 2x wolumen planistów
Predykcja awariiAugury: 170+ producentów, 20+ z Fortune 500; DuPont o „100% trafności”; Rockwell + Augury, 23.07.2026
BarieryABB Trends 2026/2027: budżet 50%, regulacje 41%, kompetencje 22% (146 respondentów)
Dane w zakładziekompletną infrastrukturę danych ma 9% firm; IIoT 18%, bliźniaki 7%
Publiczne cenyrynek wycenia po audycie; publicznie: Roboflow 0/39 USD mies., Azure IoT Hub Free 8 tys. wiadomości/dobę
Finansowanieulga na robotyzację: +50% odliczenia; KFS: 80% kosztów szkoleń, mikro 100% (limit 300% przeciętnego wynagrodzenia na uczestnika)

Planowanie i prognozy: najkrótsza droga do konkretnej liczby

Autouzupełnianie ma osobną gałąź dla „ai w planowaniu produkcji” i „wykorzystania ai w planowaniu produkcji”: planowanie to proces, w którym AI ma najtwardsze wyniki. Model uczy się na historii zamówień i sprzedaży, prognozuje popyt na tygodnie do przodu, a silnik planistyczny układa harmonogram z uwzględnieniem mocy linii, przezbrojeń i materiałów. Planista przestaje klepać arkusz i zaczyna porównywać scenariusze; zmiana zlecenia przelicza się w minuty, nie w wieczór pracy.

Publiczny przypadek z liczbami: Finsbury Food Group, brytyjski producent żywności, wdrożył prognozy popytu i harmonogramy produkcji na platformie RELEX. Start: dział ciast i bieg równoległy ze starym systemem, żeby wyniki dało się porównać. Według strony tego wdrożenia (odczyt 31.10.2026) firma zmniejszyła netto kapitał obrotowy o 1,6 mln GBP, podniosła poziom obsługi zamówień (service level) o 5% rok do roku w kanale Food Services, a zespół planistów obsługuje 2x większy wolumen po dołączeniu jednej osoby.

Granica uczciwości: to wdrożenie systemowe z integracją danych, nie podpięcie czatu do arkusza; bez porządnej historii zamówień prognoza odda średnią. Dobra wiadomość dla mniejszych zakładów: nic tu nie wymaga robotyzacji hali. To decyzja organizacyjna, kto utrzymuje dane i kto odpowiada za plan.

Kontrola jakości: kamera zamiast oczu kontrolera

Druga rodzina zastosowań to wizja komputerowa: kamera nad linią i model, który klasyfikuje detale szybciej i równiej niż człowiek po ośmiu godzinach. W elektronice działa to od lat jako inspekcja AOI, w innych branżach model uczy się na zdjęciach z oznaczonymi wadami: rysy na powłokach, puste etykiety, źle wtryskane elementy. Stacja sygnalizuje odchylenie od razu, zanim wadliwa partia pojedzie dalej.

Skala jest jednak skromniejsza, niż podpowiada marketing. Według Eurostatu (dane za 2025) wśród firm używających AI procesy produkcyjne są celem dla 19% małych i 33% dużych przedsiębiorstw, a w przemyśle przetwórczym adopterzy najczęściej wskazują marketing i sprzedaż (30,41%) oraz administrację (27,05%). Hala dogania biuro wolniej, niż mówi się o tym na konferencjach; to nie zła wola, tylko brak przygotowanych danych.

Twardych publicznych liczb w stylu „ta wada, ten procent odpadu mniej” jest niewiele: komunikaty dużych korporacji o inspekcji spoin czy powłok zwykle nie mają otwartych procentów, więc takich liczb tu nie cytujemy. Realny punkt wejścia dla mniejszego zakładu: jedna stacja, jedna uciążliwa wada, zdjęcia, które ktoś już robi przy kontroli. Wszystko poza tym to projekt integracyjny.

Predykcja awarii: maszyna mówi, zanim stanie

„Konserwacja predykcyjna” ma w autouzupełnianiu dopowiedzenie „co to”, więc tłumaczymy od podstaw. Czujniki na maszynie (drgania, temperatura, prądy) zasilają model, który uczy się na historii usterek i serwisów, a potem ostrzega, że łożysko na linii X nadaje się do wymiany za dwa tygodnie, a nie że padło dziś rano. Różnica względem monitoringu: monitor pokazuje stan, predykcja prognozuje moment usterki i pozwala wymianę zaplanować w okno serwisowe.

Rynek scala się wokół takiej usługi. Platforma Augury podaje (odczyt 31.10.2026), że ma ponad 170 producentów, w tym 20+ z Fortune 500, a DuPont mówi w materiałach Augury o „100% trafności predykcji” we wdrożeniach. W lipcu 2026 Rockwell Automation, jeden z największych graczy w automatyce przemysłowej, ogłosił partnerstwo z Augury wokół „agentic AI” i machine health (komunikat z 23.07.2026; pełna treść zwraca błąd 403, podajemy tytuł i datę z listy prasowej Augury). Kiedy taki gracz buduje predykcję w swoją ofertę, temat przestaje być egzotyką.

Dla mniejszego zakładu granica jest pragmatyczna: nie da się „włączyć predykcji” na parkiecie maszyn bez czujników i bez zapisu serwisów, bo model nie ma z czego się uczyć. Pierwsza maszyna, która ma sens, to wąskie gardło, którego postój kosztuje najwięcej.

Dokumentacja i biuro zakładu: mniej efektowne, robione częściej

Eurostat mówi wprost: w firmach produkcyjnych AI jest używane najczęściej nie na hali, tylko w marketingu, sprzedaży i administracji. Uczciwy portret większości zakładów to: oferty i zapytania, karty gwarancyjne, protokoły, tłumaczenia instrukcji, zgłoszenia serwisowe. Te procesy opisujemy osobno w tekście o AI w biurze i w poradniku o AI do Excela; to ścieżka samodzielna, bez integracji z systemami zakładu.

Dokumentacja maszynowa to osobna kategoria: karty katalogowe, instrukcje po polsku i angielsku, historia usterek, procedury przezbrojeń. Modele językowe potrafią z tego zrobić przeszukiwalną bazę wiedzy: pytasz po polsku, dostajesz akapit z instrukcji razem z numerem sekcji. Zanim to zadziała, pliki muszą przestać być archiwum skanów; to tygodnie porządków, nie jeden projekt.

Bariery: dane, integracje, ludzie i pieniądze

Dane idą pierwsze: wg ABB Trends 2026/2027 (relacja 300Gospodarki z 7.10.2026) kompletną infrastrukturę danych ma 9% polskich firm, IIoT 18%, bliźniaki 7%. Grzegorz Pondel z 3M Wrocław SuperHub ujął to tak: „Jeśli mamy dobre dane, właściwych ludzi, wiemy, co chcemy zrobić i znamy problem, który chcemy rozwiązać, to technologia przyczynia się do pozytywnych zmian”. Michał Domagała, dyrektor fabryki Essity w Oławie, opisywał odejście od analiz po fakcie na bieżące dane.

Integracje to druga warstwa. W wielu zakładach stan maszyn żyje w sterownikach PLC i arkuszach, a systemy są stare albo nie ma ich wcale. Część wyceny „AI” to więc projekt doprowadzenia danych do ERP, MES albo przynajmniej wspólnej bazy; bez tego model dostanie zrzut z jednej zmiany i nie ustawi nic sensownego.

Trzecia warstwa to ludzie: 22% firm wskazuje brak kompetentnych pracowników (ABB), a analiza MIT, o której pisze wnp.pl, policzyła, że 95% wdrożeń AI w kilkuset firmach nie przyniosło oczekiwanych rezultatów. To argument za pilotażem zamiast big bangu: mniejsza stawka, mniej spalonego budżetu.

Pieniądze: połowa firm wskazuje ograniczony budżet, a ten rynek niemal nie ma publicznych cenników. Systemy MES i SCADA oraz platformy predykcyjne wycenia się po audycie; nawet cennik Azure IoT Hub w naszym odczycie miał pustą kolumnę cen (dane ładowane skryptem), choć widać było warstwę darmową do 8 tys. wiadomości na dobę. Publiczny punkt odniesienia to narzędzia do własnych rozwiązań: Roboflow (wizja komputerowa) ma plan darmowy 0 USD, Core 39 USD miesięcznie, Enterprise po wycenie. Finansowanie: ulga na robotyzację to dodatkowe 50% odliczenia kosztów, a KFS dofinansowuje szkolenia do 80%, u mikroprzedsiębiorców do 100% (limit 300% przeciętnego wynagrodzenia na uczestnika; odczyty 31.10.2026).

Grunt jest twardy: 86 robotów na 10 tys. pracowników przemysłu, 26. miejsce na świecie, ponad dwa razy mniej niż w Czechach, a 4 na 5 małych firm ma niski poziom automatyzacji (IFR i ABB wg 300Gospodarki). AI nie zastąpi w takim zakładzie automatyzacji, której nie ma; najpierw pomiar i dane, potem model.

A co ze szkoleniami: inna intencja niż narzędzia

Autouzupełnianie ma też gałąź szkoleniową: „ai w produkcji szkolenie”, „kurs ai w produkcji”, „ai w planowaniu produkcji szkolenie”. Rynek odpowiada kursami zamkniętymi dla firm, studiami podyplomowymi z Przemysłu 4.0 i szkoleniami dostawców automatyki; konkretnej szkoły nie polecamy, nie mamy podstaw, by którąś wyróżnić. Kolejność: najpierw problem i dane, potem szkolenie osób, które mają pilotaż prowadzić. Kurs porządkuje słownik i zespół, ale sam nie doprowadzi danych do maszyny ani nie wybierze procesu.

Pilotaż: decyzja, nie przepis

Wybierz jeden proces z bólem, który da się policzyć: godziny przestojów, procent odpadu, terminowość planu, opierając się na danych, które już istnieją, choćby w arkuszach. Ustal właściciela po stronie firmy, bo wykonawca nie zna hali lepiej niż Wasz mistrz zmianowy, i wyznaczcie przed startem okno oceny oraz kryterium „tak albo nie”. Jeśli trzeba najpierw stawiać MES albo porządkować ERP, to dwie osobne decyzje zakupowe, nie jeden budżet.

Pełny proces decyzyjny rozpisaliśmy w tekście o wdrożeniu AI w firmie, sąsiedni proces opisuje AI w logistyce i transporcie, a mapę klastra trzyma hub AI w firmie. Zespołowi z IT pierwsze kroki wskazuje poradnik o agentach AI. Dla hali pilotaż wygląda prościej: prognoza dla jednej grupy wyrobów albo predykcja dla jednej maszyny, i to wystarczy, żeby sprawdzić, czy ten kierunek ma u Was sens.

Najczęstsze pytania

Konserwacja predykcyjna: co to jest?

Metoda utrzymania maszyn, w której model analizuje dane z czujników (drgania, temperatura, prądy) i historię serwisów, po czym ostrzega o ryzyku awarii z wyprzedzeniem. Zamiast naprawiać po awarii albo serwisować kalendarzowo, wymienia się część przed postojem, w zaplanowanym oknie. Wymaga czujników i zapisanej historii usterek, bez nich model nie ma z czego się uczyć.

Jak wykorzystać AI w planowaniu produkcji?

Prognoza popytu z historii zamówień plus harmonogram produkcji uwzględniający moce linii, przezbrojenia i materiały; planista porównuje scenariusze zamiast przerabiać arkusz. Przykład: Finsbury Food Group (RELEX) zmniejszyła netto kapitał obrotowy o 1,6 mln GBP i podniosła service level o 5% rok do roku (odczyt 31.10.2026).

Jakie są zastosowania AI w przemyśle?

Kontrola jakości z wizją komputerową (detale, etykiety, spoiny), dokumentacja maszynowa jako przeszukiwalna baza wiedzy, biuro zakładu (oferty, zapytania, protokoły, tłumaczenia) oraz planowanie i prognozy. Wg Eurostatu (dane za 2025) adopterzy w przemyśle przetwórczym najczęściej używają AI w marketingu i administracji, a dopiero potem w procesach produkcyjnych.

Czy AI działa w przemyśle spożywczym?

Tak: prognozy popytu i harmonogramy to standard w planowaniu produkcji żywności (przypadek Finsbury), a ograniczanie strat opisuje Barilla we współpracy z Augury. Zmienność surowca i terminy przydatności sprawiają, że dobra prognoza ma w tej branży wyższą wartość niż w wielu innych.

Czy kurs AI w produkcji wystarczy, żeby zacząć?

Kurs porządkuje słownik i język zespołu, ale nie zastąpi decyzji o procesie, danych i właścicielu projektu. Kolejność: problem, sprawdzenie danych, dopiero potem szkolenie osób prowadzących pilotaż. Koszt obniży KFS (80% kosztów, mikro 100%, limit 300% przeciętnego wynagrodzenia na uczestnika).

Od czego zacząć AI w firmie produkcyjnej?

Od jednego procesu z policzalnym bólem i danymi, które już istnieją: prognoza dla jednej grupy wyrobów, predykcja dla wąskiego gardła albo kontrola jednej wady na jednej stacji. Wyznaczcie właściciela i kryterium oceny przed startem. MES czy porządkowanie ERP traktujcie jako osobny projekt, nie część pilotażu.

Źródła

Powiązane artykuły