Przejdź do treści
Baza wiedzy

Co AI naprawdę potrafi dziś w operacjach fabryki

DBR77 Team7 min czytania

Na tej stronie

Dziś AI w operacjach fabryki sprawdza się najlepiej jako asystent ludzi na hali. Wychwytuje nietypowe wzorce w danych z maszyn i procesów, podpowiada prawdopodobne przyczyny postojów i wad, ustala kolejność otwartych prac, proponuje sekwencje w harmonogramie, streszcza notatki zmianowe i odpowiada na pytania na podstawie dokumentów zakładu. O wszystkim, co zmienia linię, produkt lub bezpieczeństwo, nadal decydują ludzie. Fabryka, która działa sama, to nie jest miejsce, w którym jest większość zakładów, i nie jest to właściwy pierwszy cel.

Ma to znaczenie, bo budżety na AI często ustala się na podstawie obietnicy, a nie tego, z czego zakład może skorzystać w następnym kwartale.

Co mówią dane o AI w operacjach

Korzystanie z AI jest już powszechne. Badanie McKinsey State of AI z 2026 roku, w którym wzięło udział 1 719 uczestników, wykazało, że prawie dziewięciu na dziesięciu deklaruje regularne korzystanie z AI w co najmniej jednej funkcji biznesowej. Respondenci z zaawansowanej produkcji, na przykład z firm motoryzacyjnych i półprzewodnikowych, deklarują korzystanie z agentów AI w łańcuchu dostaw, gospodarce zapasami i procesie produkcyjnym.

Wyniki pozostają w tyle za korzystaniem. W tym samym badaniu 37% respondentów przypisuje AI przynajmniej częściowy wpływ na EBIT, a ta wartość prawie nie zmieniła się względem poprzedniego roku. Firmy, które wyciągają z AI najwięcej, zwykle przeprojektowują wokół niej sposób pracy, zamiast dokładać AI do starego.

Zakłady widziały już ten schemat. W 2018 roku McKinsey ustalił, że mniej niż jedna trzecia producentów przeniosła kluczowe zastosowania cyfrowe do wdrożenia na dużą skalę, i nazwał tę lukę „czyśćcem pilotaży”. Raport World Economic Forum o fabrykach Lighthouse mówi, że wiodące zakłady nie tkwią już w „czyśćcu pilotaży”, lecz zmagają się z „zastojem w skalowaniu” w sieciach zakładów i łańcuchach wartości. Nawet liderzy wciąż skalują sprawdzone zastosowania.

Wykrywanie anomalii sygnalizuje wartości odbiegające od normy, a technik lub kierownik zmiany działa.

Tabela sześciu zastosowań AI działających dziś w zakładach: co robi AI, czego potrzebuje i kto decyduje

Sześć zastosowań, które działają dziś w zakładach

Każde zastosowanie działa, gdy spełnione są warunki z trzeciej kolumny.

ZastosowanieCo robi AICzego potrzebujeKto decyduje
Wykrywanie anomaliiSygnalizuje wartości maszyny lub procesu, które odbiegają od normyCzyste dane z maszyn powiązane z zasobamiTechnik lub kierownik zmiany sprawdza i działa
Podpowiedzi przyczynUstala ranking prawdopodobnych przyczyn, gdy zarejestrowano postój lub wadęPrzyczyny postojów i zapisy jakości z kontekstemInżynier lub lider jakości potwierdza przyczynę
Priorytetyzacja pracUstawia otwarte zlecenia pracy i zadania według wpływuKrytyczność zasobów, otwarte prace, planPlanista utrzymania ruchu lub kierownik zmiany
Podpowiedzi do harmonogramuProponuje sekwencje zleceń, które skracają czas przezbrojeńMarszruty, czasy przezbrojeń, stan maszyn na żywoPlanista zatwierdza plan
Podsumowania zmianZamienia dzienniki zmian, notatki i obserwacje w krótkie streszczenieDzienniki prowadzone w jednym systemieKierownik przejmującej zmiany czyta i potwierdza
Odpowiedzi z dokumentówOdpowiada na pytania na podstawie SOP, instrukcji i wcześniejszych naprawWgrane i aktualne dokumentyOsoba pytająca, która sprawdza źródło

Każde z nich zostawia człowieka w pętli i skraca czas szukania nietypowej wartości, prawdopodobnej przyczyny, właściwego dokumentu albo otwartej sprawy z ostatniej nocy.

Gdzie AI jest wciąż słaba

  • Zmyśla. NIST opisuje „konfabulację” jako sytuację, w której systemy generatywnej AI tworzą i z przekonaniem przedstawiają błędne lub fałszywe treści, co nazywa się też halucynacją. Błędna wartość momentu dokręcenia podana przez chatbota to ryzyko jakościowe.
  • Nie widziała rzadkich zdarzeń. Model wytrenowany na dwóch latach normalnej pracy niewiele powie o awarii, która zdarza się raz na pięć lat.
  • Nie widzi świata fizycznego. Wie, co mówią dane, ale nie wie, że osłona jest poluzowana albo paleta blokuje alejkę.
  • Starzeje się. Nowy produkt, narzędzie czy dostawca zmienia wzorce. Modele potrzebują świeżych, zamkniętych zapisów, by pozostać użyteczne.
  • Nie może ponosić odpowiedzialności. Gdy decyzja ma znaczenie, musi za nią odpowiadać konkretna osoba.

Przykład ilustracyjny: operator pyta asystenta AI o kroki przezbrojenia nalewarki. Odpowiedź wymienia siedem kroków i powołuje się na SOP. Jeden krok pochodzi ze starszej wersji dokumentu, którą zastąpiono w zeszłym miesiącu. Jeśli asystent pokazuje źródło, operator zauważy starą datę rewizji. Jeśli nie, błąd trafi na linię. Zabezpieczeniem jest opieranie odpowiedzi na aktualnych dokumentach i pokazywanie źródła.

Większość tych słabości wynika z danych, a artykuł Dlaczego AI w fabryce zawodzi bez połączonych danych operacyjnych wyjaśnia, dlaczego pilotaże bez nich zawodzą.

Jak wybrać pierwsze zastosowanie

Dobre pierwsze zastosowanie przechodzi cztery testy:

  1. Decyzja jest częsta. Zapada codziennie albo na każdej zmianie, a nie raz w roku.
  2. Dane już istnieją w systemie, z kontekstem, a nie w segregatorze.
  3. Błędna podpowiedź kosztuje niewiele. Człowiek sprawdzi ją w minutę, a koszt pomyłki jest niski.
  4. Ktoś jest właścicielem wyniku. Wskazana rola dostaje podpowiedź i działa na jej podstawie, jak opisano w artykule Od sygnału przez zadanie do zamknięcia.

Podsumowania zmian i ranking zleceń pracy zwykle przechodzą wszystkie cztery. Autonomiczne sterowanie procesem zwykle odpada na trzecim. Artykuł Kiedy AI powinna rekomendować, a kiedy decydować powinni ludzie wyjaśnia, jak ustalić poziom, na którym AI tylko obserwuje, doradza albo działa samodzielnie.

Jak to działa w DBR77 IRIS

DBR77 IRIS ma dwa rodzaje AI i oba pracują na danych, które moduły już zbierają. Asystent IRIS to panel boczny dostępny na każdym ekranie. Odpowiada prostym językiem na pytania, korzystając z bieżących danych z zakładu oraz z baz wiedzy zbudowanych z dokumentacji maszyn, historii utrzymania ruchu, procesów i produktów. Data & AI sprawdza dane z różnych modułów według reguł, proponuje rekomendacje i trenuje na danych platformy proste modele, które łatwo wyjaśnić: regresję liniową i logistyczną, klasteryzację k-means i reguły progowe. W module IoT wskaźniki kondycji maszyn wynikają z trendów i odchyleń w ostatnich odczytach z czujników. IRIS QMS dodaje ustalenia jakościowe oparte na regułach.

Asystent tylko odczytuje dane. Nie tworzy, nie zamyka i nie zmienia rekordów, a gdy poprosisz go o wykonanie czynności, wskaże ekran, na którym to zrobisz. Każda liczba w jego odpowiedzi pochodzi z wyniku narzędzia uruchomionego w tej rozmowie, a asystent odpowiada w granicach uprawnień Twojej roli. Rekomendacje pokazują, na czym opiera się ich ocena, a człowiek każdą z nich stosuje, zatwierdza, odrzuca lub odkłada. Więcej znajdziesz na stronie AI w IRIS.

Najczęstsze pytania

Czy autonomiczna fabryka jest dziś realna?

Nie dla większości zakładów. Niektóre kroki mogą przebiegać bez kliknięcia, ale planowanie, zwolnienie jakościowe i decyzje dotyczące bezpieczeństwa nadal wymagają człowieka. Zacznij od wsparcia i zasłuż na kolejny krok dowodami.

Czy na start potrzebujemy analityków danych (data scientists)?

Nie przy pierwszych zastosowaniach. Podsumowania zmian, ranking przyczyn i odpowiedzi z dokumentów mogą działać na istniejących zapisach. Analityka danych ma większe znaczenie przy własnych modelach predykcyjnych.

Czy generatywna AI jest bezpieczna na hali?

Jest bezpieczna, gdy odpowiedzi pochodzą z Twoich własnych aktualnych dokumentów, pokazują źródło, a człowiek sprawdza wszystko, co zmienia proces.

Podsumowanie

Zacznij od jednej decyzji, którą Twoi kierownicy zmian lub planiści podejmują na każdej zmianie, sprawdź ją w czterech testach i przypisz jej wynikowi wskazanego właściciela. Podsumowania zmian i ranking zleceń pracy zwykle przechodzą; autonomiczne sterowanie procesem zwykle odpada z powodu kosztu błędnej podpowiedzi. Zostaw człowieka przy wszystkim, co zmienia linię, produkt lub bezpieczeństwo, i rozszerzaj zakres działania AI tylko wtedy, gdy przemawiają za tym dowody.

Źródła