Sztuczna inteligencja w firmie produkcyjnej: co automatyzuje się, a co wymaga czujek 

W firmie produkcyjnej sztuczna inteligencja automatyzuje głównie to, co już masz zapisane: historię zleceń, dane z MES, wyniki kontroli jakości, zużycie energii. Czujki są potrzebne dopiero wtedy, gdy zechcesz przewidywać awarię maszyny albo rozpoznawać wadę w trakcie produkcji, a nie po niej. Granica jest techniczna i da się ją sprawdzić przed wydaniem złotówki na projekt.

Praktyka pokazuje też dwie rzeczy, o których mało kto mówi wprost. Nie każdy problem w hali da się rozwiązać modelem, bo model uczy się z danych, których zakład często nie ma. Druga sprawa jest mniej wygodna: ceny wdrożeń AI w produkcji nie są jawne - przegląd kilkunastu polskich i zagranicznych źródeł nie dał ani jednej kwoty za czujkę, za godzinę przestoju maszyny ani za wdrożenie modelu.

Co automatyzuje się bez czujek

Zacznij od danych, które już masz. System, który zna uprawnienia, kompetencje i historię pracy ludzi, potrafi przewidzieć czas realizacji zadania i automatycznie przydzielić dyspozycję. Nie potrzebuje do tego żadnego nowego sprzętu na hali, bo operuje na danych, które i tak gdzieś istnieją.

Podobnie wygląda predykcja awarii oparta na wzorcach zachowania maszyny zbudowanych na danych historycznych, czyli na archiwum awarii, zleceń napraw i parametrów pracy. Dostawcy systemów MES opisują to jako analizę zachowania maszyn w oparciu o modele zbudowane na historii. To jest ta część automatyzacji, która nie wymaga inwestycji w czujniki, a jedynie uporządkowania zapisów.

Do tej samej grupy należy analityka zużycia energii na jednej linii. Licznik, który już stoi, plus dane o tempie i asortymencie z MES wystarczą, żeby zobaczyć, gdzie energia ucieka. Warto zacząć tutaj, bo efekt jest mierzalny w rachunku, a nie w deklaracji.

Zanim jednak cokolwiek z tego zbudujesz, rozdziel dwie rzeczy, które wiele osób miesza: automatyzację i sztuczną inteligencję. Automatyzacja przenosi to, co już masz opisane, w inne miejsce. AI dokłada warstwę rozpoznawania wzorców, gdy zadań nie da się zapisać w regułach. Różnica wpływa na to, ile danych musisz najpierw uporządkować.

Co bez czujek nie ruszy

Tu zaczyna się temat czujek, bo to on dzieli projekty udane od projektów, które utknęły na etapie prezentacji.

Predyktywne utrzymanie ruchu opiera się na konkretnych parametrach: drgania, prądy, temperatury i alarmy. Do tego dochodzą odczyty z czujników i sterowników PLC, czyli prędkości, temperatury, ciśnienia, stany wejść i wyjść. Model ma z tego złożyć obraz zbliżającej się awarii. Bez tych sygnałów nie ma czego przewidywać, a model opracowany na samych raportach z awarii nie zobaczy pogorszenia, które nie zostało jeszcze zapisane.

W tym ujęciu pojawia się częsta różnica zdań w branżowych materiałach. Jedne źródła mówią wprost, że konserwacja predykcyjna wykorzystuje dane z czujników i algorytmy uczenia maszynowego do wczesnego wykrywania oznak awarii. Inne uczulają, że najpierw należy wykorzystać dane, które już zakład ma, a dokładanie czujników jest możliwe i nie wymaga zatrzymania fabryki na miesiąc. Te dwie rady nie przeczą sobie, tylko mówią o innym etapie. Dobudowa czujników to krok po tym, jak sprawdzisz, że istniejące zapisy są wystarczające.

Kontrola wizyjna to druga strona tego podziału. Do wykrywania wad potrzebujesz kamery przemysłowej, odpowiedniego oświetlenia, jednostki przetwarzającej obraz i oprogramowania analizującego dane w czasie rzeczywistym. Dostawcy takich rozwiązań pracują na wizji 3D i czujnikach ToF, które mapują powierzchnię i wykrywają mikroskopijne defekty, oraz na głowicach RFID przypisujących wynik inspekcji do numeru seryjnego. W hali musi być więc nie tylko model, ale i fizyczne stanowisko pomiarowe.

Trzy warstwy, o których łatwo zapomnieć

Sama czujka to dopiero początek. Między nią a modelem są jeszcze trzy miejsca, w których projekty się sypią.

Transport danych. To warstwa protokołów i bramek, o której decyduje, czy dane w ogóle dotrą stabilnie i bez dziur. W praktyce przyjmuje się OPC UA jako domyślny standard do komunikacji z systemami przemysłowymi tam, gdzie to możliwe, oraz MQTT lub inne lekkie protokoły do telemetrii. Warstwa pozyskania danych sięga od PLC, SCADA i DCS po czujniki IoT, kamery, systemy laboratoryjne oraz ERP i MES.

Stany maszyny. Model musi wiedzieć, czy maszyna pracuje, jest w biegu jałowym, czy stoi. Łączenie sygnałów procesowych bez rozróżnienia tych stanów prowadzi do błędnych wniosków, bo ten sam odczyt maszyna daje w pracy, na postoju i podczas rozruchu.

Okno czasowe partii. Żeby zobaczyć związek między parametrem a wadą, potrzebujesz identyfikatora partii w MES, odpowiadających mu okresów start i stop na linii, wyników kontroli jakości przypiętych do tej samej partii oraz parametrów procesu w danym oknie czasowym. Problem jest częsty, bo w wielu fabrykach wyniki jakości siedzą w osobnym systemie albo, co gorsza, w segregatorach w laboratorium. Bez tego łańcucha uczenie modelu jest zadaniem bez sensu.

Warto też uprzedzić, że surowe dane bywają zbyt gęste. Logowanie każdego sygnału co 100 milisekund generuje miliony punktów i przytłacza analitykę; często lepsze są mediany, percentyle i odchylenia policzone w obrębie partii.

Ile to trwa

Jest liczba, którą da się powtórzyć: w zakładzie, który zamiast platformy grupowej zbudował małą, lokalną przestrzeń danych tylko do pilotażu, pierwszy model przewidujący awarie powstał w dwa miesiące. Po pół roku ten mały projekt otworzył drogę kolejnym.

Po drugiej stronie jest grupa, która budowała centralną hurtownię danych trzeci rok, a na halach wciąż nie miała ani jednego działającego modelu. Te dwie liczby nie są ze sobą sprzeczne, bo opisują różny zakres: jeden zakład i jedną linię w jednym przypadku, całą grupę w drugim. Praktyczny wniosek jest prosty - pilotaż na zawężonym zakresie daje się policzyć, platforma korporacyjna nie.

Ścieżka modelu ma zwykle pięć etapów. Eksploracja danych i prototyp, czyli szybki model robiony na brudno, z udziałem inżyniera procesu. Ustabilizowany model pilotażowy na wyczyszczonych danych. Wdrożenie testowe na ograniczonym zakresie, na przykład jednej linii i jednej zmianie, wyłącznie z rekomendacjami i bez automatycznego sterowania. Produkcja z monitoringiem, gdzie model ma zdefiniowane wskaźniki jakości, takie jak trafność i poziom alarmów. Utrzymanie i rewizje, czyli procedura określająca, kiedy model się aktualizuje.

Skala pierwszego pilotażu też ma rozsądny wymiar. Punktowe projekty z dodatkowymi czujnikami na jednym lub dwóch urządzeniach, z podstawową analityką, są startem do obronienia przed zarządem. Cyfrowy bliźniak całej fabryki bez wcześniejszych, mniejszych modelów grozi utknięciem w szczegółach i integracjach. Podobnie źle kończy się wpuszczanie AI do sterowania krytycznymi procesami: przy słabych danych i braku zaufania załogi ktoś i tak wyłączy je przy pierwszym problemie.

Kto musi siedzieć przy tym projekcie

Model w produkcji to sprawa zespołowa, nie dostawcy. W rdzeniu powinno znaleźć się pięć osób: przedstawiciel produkcji, czyli kierownik zmiany lub linii, który zna realne ograniczenia; utrzymanie ruchu, bo rozumie maszyny, awarie i dostęp do danych technicznych; jakość albo logistyka, zależnie od wybranego problemu; IT i OT, które spinają systemy i pilnują dostępu do danych; oraz osoba odpowiedzialna za efekt biznesowy, na przykład dyrektor produkcji. Bez tej piątki wdrożenie ma małe szanse wyjść poza etap prezentacji.

Wybór technologii wynika z tego, kto w firmie pracuje na danych. Gdy są doświadczeni analitycy, wystarczą standardowe narzędzia; gdy dominują inżynierowie procesu, przydaje się rozwiązanie pozwalające tworzyć proste modele bez kodowania. Osobno rozstrzyga się, gdzie ma działać serwer, bo gdy zespół IT w zakładzie to trzy osoby od drukarek, część usług lepiej przenieść do zarządzanej chmury.

Model wymaga też nadzoru. Sztuczna inteligencja wciąż karmi się tym, co wytworzyli ludzie, i żadnego procesu z modelem w środku nie da się zostawić samemu sobie.

Ile to kosztuje i dlaczego nikt ci tego nie powie

Tutaj najczęściej zaczynają się zmyślone liczby, więc powiem wprost: nie podam ci stawki za wdrożenie, bo jej nie ma w wiarygodnych źródłach. Ani jeden z kilkunastu przejrzanych materiałów o AI w produkcji nie podaje kwoty za czujkę, za godzinę przestoju maszyny ani za wdrożenie modelu predykcyjnego. Strony dostawców podają w zamian wskaźniki własne i case study zagranicznych gigantów.

Co zamiast tego da się zrobić? Policzyć własną wartość. Punkt wyjścia to wybór jednego z dwóch obszarów: mierzalne korzyści, takie jak skrócenie przestojów o konkretny czas, spadek procenta braków, niższe zużycie energii na tonę wyrobu albo lepsze wykorzystanie mocy produkcyjnych; albo zmniejszenie ryzyka, czyli awarie krytycznych instalacji, kary za niedotrzymanie parametrów i ryzyko poważnych reklamacji.

W obu przypadkach potrzebujesz trzech liczb z własnej hali: ile kosztuje godzina lub doba postoju konkretnej maszyny, ile kosztuje brak, który wychodzi do klienta, i ile energii zjada tona wyrobu. Bez tych trzech wartości nie ma rachunku, jest tylko opinia o kosztach. Ten sam rachunek, opisany krokami, znajdziesz w tekście o obliczaniu opłacalności automatyzacji.

Dla porządku: raport przywołany przez dostawcę usług consultingowych mówi, że aż 65 procent polskich firm, które już używają AI, nie monitoruje zwrotu z inwestycji, a zaledwie 25 procent zakończyło wdrożenie sukcesem. To dane za 2024 rok, więc traktuj je jako sygnał, nie jako pomiar rynku. Warto zapytać wykonawcę, jak zmierzy zwrot, zanim podpiszesz umowę.

Skąd brać liczby, którym możesz zaufać

W branżowych tekstach łatwo trafić na efektowne procenty. Jeden z popularnych polskich blogów podaje skrócenie przestojów o 30 procent po wdrożeniu predykcyjnej konserwacji. Ta sama strona opisuje to zdarzenie dwa razy w dwóch wersjach: raz jako niemiecką fabrykę motoryzacyjną i wszystkie przestoje, raz jako europejską fabrykę i przestoje nieplanowane. Bez nazwy firmy, bez opisu projektu i bez źródła.

Nie chodzi o to, że liczba jest fałszywa, tylko o to, że nie da się jej zweryfikować. Tak samo traktuj wskaźniki dostawców, w których środek wskaźnika to liczba bez jednostki, oraz case study podpisane „nasze rozwiązania", które opisują wdrożenie giganta z innego kontynentu. Chcesz mieć coś do porównania, poproś o referencje z zakładów o Twojej wielkości.

AI Act i obowiązki, które mogą do Ciebie dojść

Jeśli Twój system AI wchodzi w proces produkcyjny albo sterowanie maszyną, dochodzi do tego regulacja unijna. Rozporządzenie o sztucznej inteligencji weszło w życie 1 sierpnia 2024, a obowiązki wchodzą w życie od 2 sierpnia 2026. To dwie różne daty: samo wejście w życie nie nakłada jeszcze wszystkich obowiązków.

Systemy dzielą się na cztery grupy według ryzyka: niedopuszczalne, wysokie, z ryzykiem przejrzystości oraz minimalne lub żadne. W praktyce zakładu produkcyjnego najistotniejsze są dwie ostatnie ścieżki, bo model predykcyjny awarii nie jest automatem decyzyjnym, a system wizyjny kontrolujący wyrób podlega obowiązkom przejrzystości i nadzoru człowieka.

Terminy dla systemów wysokiego ryzyka zostały przesunięte. Propozycje zakładają obowiązki od 2 grudnia 2027 dla samodzielnych systemów oraz od 2 sierpnia 2028 dla systemów wbudowanych w komponenty bezpieczeństwa objęte unijnym prawem. To szczególnie istotne dla maszyn, bo ocena zgodności takich wyrobów trwa długo. Według stanu na czerwiec 2026 propozycje przeszły głosowanie w Parlamencie Europejskim, ale wymagają jeszcze formalnego przyjęcia przez Radę, więc te daty nie są ostateczne.

Obowiązki dla systemów wysokiego ryzyka sprowadzają się do oceny i ograniczenia ryzyka, prowadzenia rejestrów użycia, przejrzystości, dokładności oraz nadzoru człowieka. Jeśli Twoje AI wchodzi w monitoring infrastruktury lub cyberbezpieczeństwa, może zostać objęte równolegle wymogami NIS 2, a wtedy zdarzenia bezpieczeństwa raportujesz podwójnie.

Technicznie wdrożenie powinno być odcięte od sterowania. Dane z linii replikuje się jednokierunkowo do dedykowanej strefy, a modele korzystają z kopii i nie dotykają bezpośrednio sterowników PLC ani systemu SCADA. Przy okazji RODO i zasada minimalizacji danych obowiązują tak samo jak przy zwykłej aplikacji biurowej.

Od czego zacząć w swoim zakładzie

Zanim wyślesz zapytanie o wycenę, odpowiedz sobie na cztery pytania. Czy macie zbierane automatycznie dane, czy tylko papier i Excel. Jak bardzo zintegrowane są systemy ERP, MES, SCADA i CMMS. Czy załoga ufa danym i używa ich w codziennej pracy. Czy istnieją ustandaryzowane sposoby rejestrowania awarii i przyczyn braków. Jeśli na większość tych pytań odpowiedź brzmi „nie bardzo", AI trzeba poprzedzić uporządkowaniem danych i procedur, nie odwrotnie.

Dobry pierwszy projekt jest mały i konkretny. Warsztat z pięcioma do dziesięciu osobami z różnych zmian i trzy najbardziej uciążliwe problemy, z których wypadają zwykle trzy lub cztery powtarzające się wątki: przestoje, jakość, energia, braki. Potem kandydatów oceniasz w skali od 1 do 5, biorąc pod uwagę potencjał finansowy, szybkość realizacji, dostępność danych, gotowość zespołu i ryzyko operacyjne. Pomaga tu audyt AI w firmie jako spis pytań kontrolnych, a szerszy kontekst pierwszych kroków znajdziesz w macierzy procesów do automatyzacji.

Nie szukaj startu w hurtowni danych, która ma obsłużyć całą grupę. Buduj tak, jakby model miał działać w dwóch lub trzech miejscach, pilnuj, żeby pierwsza wersja dawała rekomendacje, a nie sterowanie, i zaplanuj, kto sprawdza jej wyniki. Jeśli chcesz podejść do tego przez rząd procesów zamiast przez jeden zakład, kolejność kroków opisuję w przewodniku po wdrożeniach AI w firmie.

Napisz do mnie, jeśli chcesz przejść przez to razem. Odpowiadam zwykle tego samego dnia.