AI i automatyzacja w firmie produkcyjnej - 7 zastosowań z liczbami

W firmie produkcyjnej AI ma sens w siedmiu obszarach - od predykcji awarii maszyn po obsługę zapytań ofertowych - a koszt wdrożenia jednego zastosowania zależy głównie od integracji z ERP lub MES i sprzętu potrzebnego na hali. Najszybciej zwracają się zastosowania oparte na dokumentach i danych z ERP, najwolniej te, które wymagają nowych czujników na hali.

Polskie firmy są na początku tej drogi. Według Eurostatu w 2025 roku z AI korzystało 8,4% przedsiębiorstw w Polsce zatrudniających co najmniej 10 osób, przy średniej unijnej 20%. Poniżej zastosowania, dane, których wymagają, i sposób liczenia zwrotu.

Które zastosowania AI w produkcji zwracają się najszybciej?

Zwrot zależy od dwóch rzeczy: czy zakład już ma potrzebne dane i ile kosztuje dziś problem, który AI ma zmniejszyć. Tabela zestawia siedem zastosowań od najłatwiejszego wejścia do najtrudniejszego.

Poziomy kosztu dotyczą jednego zastosowania na jednym obszarze zakładu, bez sprzętu. Do tego dochodzą koszty miesięczne modelu, serwera i opieki technicznej. Zwrot liczymy od dnia uruchomienia na produkcji, nie od podpisania umowy. Rynkowo AI zwraca się wolniej, niż firmy oczekują od innych inwestycji technologicznych (zwykle 7–12 miesięcy): w badaniu Deloitte z 2025 roku, obejmującym m.in. firmy z Polski, większość menedżerów wskazała zadowalający zwrot z typowego zastosowania AI w 2–4 lata, a tylko 6% - w ciągu roku. Aktualne ceny AppCreo znajdziesz w cenniku.

Jak działa każde z siedmiu zastosowań i od czego zależy jego koszt?

Każde zastosowanie opisujemy tak samo: co robi, jakich danych potrzebuje i od czego zależy zwrot. Koszt i zwrot są orientacyjne i wymagają potwierdzenia wyceną dla konkretnego zakładu.

1. Predykcja awarii maszyn

Model uczy się, jak wyglądają sygnały maszyny przed awarią: drgania, temperatura, pobór prądu, ciśnienie. Gdy odczyty zaczynają przypominać stan sprzed wcześniejszych usterek, system zgłasza to utrzymaniu ruchu z wyprzedzeniem. Dane pochodzą z czujników, sterowników PLC albo systemu SCADA.

Warunek: historia awarii zapisana w systemie utrzymania ruchu. Gdy awarie są rzadkie, zamiast predykcji buduje się wykrywanie anomalii, które alarmuje o nietypowej pracy maszyny. Zwrot liczysz z kosztu godziny nieplanowanego postoju razy liczba godzin, których udało się uniknąć.

Orientacyjnie: pilotaż na jednej linii należy do droższych zastosowań, a do tego dochodzą czujniki. Według IoT Analytics (2023) dodatni zwrot z predykcji awarii raportuje 95% firm, które ją wdrożyły, a 27% z nich odzyskało nakłady w mniej niż rok.

2. Wizyjna kontrola jakości

Kamera nad linią robi zdjęcie każdego wyrobu, a model oznacza sztuki z wadami: rysy, pęknięcia, braki, złe wymiary. Sprawdza się tam, gdzie kontrola wzrokowa jest powtarzalna i męcząca, a wada jest widoczna na zdjęciu.

Najwięcej pracy wymaga zebranie zdjęć wyrobów wadliwych, bo wad jest z natury mało. Kluczowe są też oświetlenie i stałe ustawienie kamery. Na starcie decyzję o odrzuceniu sztuki podejmuje człowiek, a model tylko ją podsuwa.

Orientacyjnie: jedno z droższych zastosowań, plus kamery i oświetlenie; zwraca się wolniej niż zastosowania na dokumentach - z mniejszej liczby reklamacji i braków.

3. Planowanie produkcji

Algorytm układa kolejność zleceń na maszynach tak, żeby skrócić przezbrojenia i dotrzymać terminów, z uwzględnieniem ludzi, materiałów i narzędzi. Część tego zadania to klasyczna optymalizacja, a nie uczenie maszynowe - i dobrze, bo daje przewidywalne wyniki.

AI dokłada się tam, gdzie czasy operacji są zmienne i trzeba je przewidzieć z historii. Dane pochodzą z ERP i MES: zlecenia, marszruty, normy, rzeczywiste czasy. Plan zatwierdza planista, a system przygotowuje propozycję i pokazuje jej skutki.

Orientacyjnie: jedno z droższych zastosowań; zwraca się wolniej niż zastosowania na dokumentach - z krótszych przezbrojeń i mniejszej liczby opóźnionych zleceń.

4. Prognoza popytu

Model przewiduje zapotrzebowanie na wyroby i materiały na podstawie historii sprzedaży, sezonowości i zamówień otwartych. Zakupy i produkcja opierają się wtedy na liczbach, a nie na przeczuciu działu handlowego.

Próg wejścia jest wysoki: potrzeba kilku lat czystych danych sprzedażowych w jednym systemie. Jeśli część zamówień przychodzi mailem i nie trafia do ERP, najpierw trzeba to uporządkować. Szerzej piszemy o tym w tekście o AI w ERP i planowaniu zasobów.

Orientacyjnie: tańsza niż planowanie produkcji czy predykcja awarii, więc zwykle zwraca się szybciej od nich - z niższych zapasów i mniejszej liczby braków materiałowych.

5. Obsługa zapytań ofertowych

Model językowy czyta zapytanie od klienta - mail, załącznik, specyfikację - wyciąga parametry, dopasowuje je do katalogu i przygotowuje szkic oferty. Handlowiec sprawdza i wysyła. Oszczędność czasu na jednej ofercie da się zmierzyć od pierwszego tygodnia.

Wariant bez integracji działa na mailach i cenniku w pliku. Wariant z integracją pobiera ceny i dostępność z ERP i zakłada ofertę w systemie. Prostszą, regułową wersję tego pomysłu - kalkulator doboru produktu - pokazuje przykład MASTER Climate Solutions opisany niżej.

Orientacyjnie: wariant bez integracji jest wyraźnie tańszy niż wariant z integracją z ERP; to jedno z zastosowań, które zwracają się najszybciej.

6. Dokumentacja techniczna z RAG

Asystent odpowiada pracownikom na pytania na podstawie instrukcji maszyn, dokumentacji techniczno-ruchowej i procedur - i wskazuje, z którego dokumentu wziął odpowiedź. Technika nazywa się RAG: model szuka w Twoich dokumentach, zamiast polegać na własnej pamięci.

To najtańsze wejście w AI, bo nie wymaga integracji z systemem transakcyjnym. Warunek: dokumenty cyfrowe, aktualne i w jednym miejscu. Koszty i wybór miejsca przechowywania danych opisujemy w tekście o chatbocie firmowym na własnych dokumentach.

Orientacyjnie: najtańsze z siedmiu zastosowań i jedno z najszybciej zwracających się - z czasu, który pracownicy tracą dziś na szukanie informacji.

7. Serwis terenowy

Aplikacja mobilna serwisanta podpowiada diagnozę na podstawie historii podobnych zgłoszeń, rozpoznaje urządzenie po kodzie kreskowym i zamienia notatkę głosową w raport. Dział serwisu widzi, co zrobiono, bez przepisywania protokołów.

Fundamentem są dane o urządzeniach u klientów: model, numer seryjny, data instalacji, historia napraw. Bez nich AI nie ma na czym pracować, dlatego rejestracja produktów, choćby przez skan kodu, bywa pierwszym krokiem, zanim w ogóle pojawi się model.

Orientacyjnie: aplikacja z modułem AI to jedno z droższych zastosowań; zwrot zależy od liczby zgłoszeń i czasu, który serwisanci tracą dziś na diagnozę i protokoły.

Jak połączyć AI z ERP i MES?

AI w zakładzie rzadko działa samodzielnie. Czerpie dane z trzech warstw: ERP (zlecenia, materiały, sprzedaż), MES (realizacja na hali, czasy, przestoje) i sterowników maszyn (sygnały z PLC lub SCADA). Od tego, które warstwy są potrzebne, zależy większość kosztu wdrożenia.

• API systemu - najlepsza droga, jeśli ERP lub MES je udostępnia; wymiana danych w obie strony, w czasie zbliżonym do rzeczywistego.
• Odczyt z bazy danych - gdy API brak; zwykle tylko do odczytu i na kopii bazy, żeby nie obciążać systemu produkcyjnego.
• Wymiana plików - eksport CSV lub XML według harmonogramu; wolniejsza, ale działa ze starszymi systemami.
• Warstwa pośrednia - osobna usługa zbierająca dane z maszyn i systemów w jednym miejscu, z której korzysta model.

Zasada, której się trzymamy: AI zapisuje do ERP propozycje, a nie decyzje. Plan produkcji, zamówienie materiału czy odrzucenie partii zatwierdza człowiek, a każda akcja systemu jest logowana. Sposoby łączenia aplikacji z systemami firmy opisujemy w tekście o integracji aplikacji z ERP i CRM.

Od czego zacząć wdrożenie AI w zakładzie?

Od jednego procesu, którego koszt da się policzyć, a nie od strategii AI dla całej firmy. Pierwsze działające rozwiązanie dla jednego procesu powstaje zwykle w 3–5 tygodni.

1. Wybierz proces. Taki, w którym problem kosztuje dziś konkretne pieniądze: godziny pracy, braki, postoje, utracone zapytania.
2. Policz stan wyjściowy. Ile godzin, sztuk lub pieniędzy miesięcznie pochłania dziś ten problem.
3. Sprawdź dane. Czy są, gdzie leżą, w jakiej jakości i kto ma do nich dostęp.
4. Zrób test na prawdziwych danych. Proof of concept na najtrudniejszym elemencie: zwykle 4–7 dni i niewielka część budżetu całego wdrożenia.
5. Uruchom pilotaż na jednym obszarze. Jedna linia, jeden dział albo jedna grupa produktów - z pomiarem efektu.
6. Zintegruj z ERP lub MES. Dopiero wtedy, gdy pilotaż pokazał wynik.
7. Skaluj albo zamknij. Jeśli liczby się nie zgadzają, lepiej zakończyć projekt po pilotażu niż po pełnym wdrożeniu.

Plan krok po kroku, z kosztami etapów, opisujemy na stronie wdrożenia AI w firmie. Od czego zależy koszt różnych typów projektów, opisujemy w tekście o tym, ile kosztuje wdrożenie AI w firmie.

Opisz jeden proces w swoim zakładzie - powiemy, czy AI albo automatyzacja ma w nim sens i ile kosztuje. wypełnij formularz, napisz na biuro@appcreo.pl albo zadzwoń: +48 783 477 243.

Czego uczy projekt dla MASTER Climate Solutions?

Dla MASTER Climate Solutions zbudowaliśmy aplikację mobilną dla klientów, partnerów i instalatorów, dostępną w 7 językach. To nie był projekt AI - i właśnie dlatego dobrze pokazuje, od czego zaczyna się cyfryzacja firmy sprzedającej urządzenia techniczne.

Aplikacja zawiera zaawansowane kalkulatory, które pomagają dobrać produkty firmy do ogrzewania, chłodzenia, suszenia i wentylacji oraz akcesoria. Pozwala też rejestrować produkty na potrzeby gwarancji przez skanowanie kodu kreskowego. Całością zarządza się z systemu backendowego.

Aplikacja działa na Androidzie i iOS, ma część webową i powstała we Flutterze z backendem w Laravelu. Szczegóły znajdziesz w opisie realizacji MASTER Climate Solutions.

Wniosek dla zakładu: kalkulator doboru to regułowa wersja obsługi zapytań ofertowych, a rejestracja produktów buduje bazę urządzeń u klientów, której potrzebuje serwis. Najpierw porządne dane i kanał do klienta, dopiero potem model AI na tych danych.

Kiedy AI w produkcji się nie opłaca?

AI nie jest odpowiedzią na każdy problem zakładu. Często wystarczy automatyzacja regułowa albo porządek w danych. Poniżej sytuacje, w których odradzamy wdrożenie albo proponujemy prostsze rozwiązanie.

• Brak danych. Bez historii awarii, zdjęć wad czy sprzedaży model nie ma się czego nauczyć; najpierw trzeba zacząć je zbierać.
• Mała skala. Jeśli problem kosztuje firmę niewiele w porównaniu z kosztem wdrożenia, nie zwróci się ono w rozsądnym czasie.
• Reguły wystarczą. Gdy proces da się opisać regułą „jeżeli A, to B”, automatyzacja procesów będzie tańsza i bardziej przewidywalna.
• Nikt nie będzie z tego korzystał. Wdrożenie bez udziału ludzi z hali kończy się narzędziem, które zespół omija od pierwszego tygodnia.
• AI jako element bezpieczeństwa maszyny. Taki system może podlegać wymogom dla systemów wysokiego ryzyka z AI Act - dla AI w produktach regulowanych, takich jak maszyny, stosuje się je od 2 sierpnia 2028 r. (po zmianach z rozporządzenia 2026/1744). Obowiązki opisujemy w tekście o AI Act dla firm.

Szerszy obraz aplikacji i automatyzacji dla zakładów znajdziesz na stronie rozwiązań dla produkcji. Każde z opisanych zastosowań zaczynamy od jednego procesu i jednej liczby, którą chcemy poprawić.