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.
Sześć zastosowań, które działają dziś w zakładach
Każde zastosowanie działa, gdy spełnione są warunki z trzeciej kolumny.
| Zastosowanie | Co robi AI | Czego potrzebuje | Kto decyduje |
|---|---|---|---|
| Wykrywanie anomalii | Sygnalizuje wartości maszyny lub procesu, które odbiegają od normy | Czyste dane z maszyn powiązane z zasobami | Technik lub kierownik zmiany sprawdza i działa |
| Podpowiedzi przyczyn | Ustala ranking prawdopodobnych przyczyn, gdy zarejestrowano postój lub wadę | Przyczyny postojów i zapisy jakości z kontekstem | Inżynier lub lider jakości potwierdza przyczynę |
| Priorytetyzacja prac | Ustawia otwarte zlecenia pracy i zadania według wpływu | Krytyczność zasobów, otwarte prace, plan | Planista utrzymania ruchu lub kierownik zmiany |
| Podpowiedzi do harmonogramu | Proponuje sekwencje zleceń, które skracają czas przezbrojeń | Marszruty, czasy przezbrojeń, stan maszyn na żywo | Planista zatwierdza plan |
| Podsumowania zmian | Zamienia dzienniki zmian, notatki i obserwacje w krótkie streszczenie | Dzienniki prowadzone w jednym systemie | Kierownik przejmującej zmiany czyta i potwierdza |
| Odpowiedzi z dokumentów | Odpowiada na pytania na podstawie SOP, instrukcji i wcześniejszych napraw | Wgrane i aktualne dokumenty | Osoba 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:
- Decyzja jest częsta. Zapada codziennie albo na każdej zmianie, a nie raz w roku.
- Dane już istnieją w systemie, z kontekstem, a nie w segregatorze.
- Błędna podpowiedź kosztuje niewiele. Człowiek sprawdzi ją w minutę, a koszt pomyłki jest niski.
- 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
- McKinsey & Company, The state of AI in 2026: On the road to ROI, 2026
- McKinsey & Company, How digital manufacturing can escape "pilot purgatory", 2018
- World Economic Forum, Manufacturing Lighthouses and the Path to Impact: Adopting AI at Speed and Scale, 2023
- NIST, AI 600-1: Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile, 2024