Producenci zaczynają AI od hali i dlatego tak często kończą na pilotażu. Dane mówią, że ci, którym się udaje, zaczynają od biura.
Mówię to jako ktoś, kto wdraża agentów AI u producentów i słyszy na pierwszym spotkaniu prawie zawsze to samo: „chcemy przewidywać awarie".
Eurostat pokazuje, do czego przemysł naprawdę używa AI. W przetwórstwie przemysłowym najczęściej do marketingu i sprzedaży (30 na 100 firm używających AI) oraz do organizacji procesów administracyjnych (27 na 100). Procesy produkcyjne są dalej. Największa różnica między dużymi a małymi zakładami dotyczy właśnie procesów produkcyjnych: 35 wobec 22 na 100.
Produkcja ma najniższą adopcję AI wśród branż, około 12 procent w danych amerykańskich, ale najszybszy wzrost, ponad dwuipółkrotny rok do roku. Deloitte podaje, że 84 na 100 producentów widzi już mierzalną wartość z AI, ale tylko 20 na 100 zastosowań przeskalowano poza pierwszy zakład. OECD, po wywiadach z europejskimi producentami, nazywa adopcję skromną i rozproszoną, z trzema obszarami o największym potencjale: utrzymaniem ruchu, kontrolą jakości i łańcuchem dostaw.
Teraz dlaczego „przewidywanie awarii" to zły pierwszy krok. Około 60 procent projektów predykcyjnego utrzymania ruchu zawodzi w pierwszym roku. Od 70 do 80 procent wysiłku to nie model, tylko inżynieria danych. A bez historii awarii i czujników na maszynach model nie ma z czego się uczyć. Większość zakładów, które chcą zacząć od predykcji, nie ma trzech do pięciu lat spójnych danych, których to wymaga.
Kolejność, która wynika z danych, od warstwy programowej do sprzętowej:
- Wyszukiwanie w dokumentacji maszyn i instrukcjach. Serwisant pyta o moment dokręcenia albo kod błędu i dostaje odpowiedź z DTR, a nie z pamięci kolegi, który jest na urlopie. Czysto tekstowe, bez czujników, bez integracji.
- Ofertowanie i zapytania ofertowe. Pierwsza wersja odpowiedzi na RFQ z szablonu i historii wycen. Człowiek sprawdza, zanim wyjdzie.
- Raporty zmianowe. Podsumowanie i klasyfikacja przyczyn przestojów i braków z tego, co ludzie i tak wpisują.
- Kontrola wizyjna jakości, ale dopiero gdy jest stały wolumen i zdjęcia wad. Dane dostawców mówią o redukcji braków o 40 do 50 procent i zwrocie w 7 do 8 miesięcy, ale to są ich najlepsze wdrożenia. Zacznij od jednej wady na jednej linii, tam gdzie kamera już stoi.
- Prognozowanie popytu, gdy jest historia w ERP. Przygotowanie danych to 60 do 80 procent pracy.
- Predykcyjne utrzymanie ruchu na końcu, po zbudowaniu danych i czujników.
Pierwszy punkt to dokładnie to, co robimy dla producentów jako asystent techniczny: dokumentacja maszyn staje się bazą wiedzy agenta, który odpowiada serwisantom i klientom, także w nocy i w innym języku. Nikt na hali nie zmienia sposobu pracy, a inżynier przestaje odbierać te same telefony.
Ograniczenie: agent na dokumentacji jest tak dobry jak dokumentacja. Jeśli DTR jest skanem z 2009 roku bez tekstu, pierwszy tydzień to jej porządkowanie.
Pytanie do Ciebie: ile razy w tym tygodniu ktoś z serwisu zadzwonił do inżyniera z pytaniem, na które odpowiedź jest w instrukcji?
Chcesz sprawdzić, jak agent poradzi sobie z pytaniami Twoich klientów? Podaj adres swojej strony i e-mail w formularzu demo. W 20 minut dostaniesz agenta nauczonego oferty z Twojej strony do przepytania.
Źródła
- Eurostat, Use of artificial intelligence in enterprises (dane 2025): https://ec.europa.eu/eurostat/statistics-explained/index.php?title=Use_of_artificial_intelligence_in_enterprises
- OECD, AI in manufacturing (2025): https://www.oecd.org/en/publications/progress-in-implementing-the-european-union-coordinated-plan-on-artificial-intelligence-volume-2_3ac96d41-en/full-report/ai-in-manufacturing_5df4a60d.html
- Deloitte, AI in Manufacturing 2026: https://www.deloitte.com/ch/en/Industries/industrial-construction/perspectives/ai-in-manufacturing.html
- US Census BTOS, FEDS Note 2026 (adopcja AI w produkcji w USA)
- MaintenanceOnline; dane dostawców wizji maszynowej (Intel, BMW), self-report