AI w średniej fabryce w 2026: co się sprawdziło, co odpadło

Czas czytania: około 5 minut

Odpowiedź najpierw

Po pierwszym półroczu 2026 w średnich firmach produkcyjnych (50 do 500 osób) obraz jest już dość wyraźny. Sprawdziły się zastosowania AI oparte o istniejącą dokumentację i powtarzalne czynności biura technicznego: wyszukiwanie w DTR i instrukcjach, wsparcie serwisu, kontrola kompletności dokumentów, wstępne ofertowanie z rysunku. Odpadły albo mocno rozczarowały te, które wymagały czystych, spiętych danych maszynowych w czasie rzeczywistym: pełna predykcja awarii, autonomiczne planowanie produkcji end to end, „AI, które samo poprawi wskaźniki". Różnicy między udanym a martwym wdrożeniem nie robił model, tylko trzy rzeczy: jakość dostępu do danych, wybór jednego wąskiego zastosowania na start i realny właściciel projektu po stronie firmy. Poniżej przegląd, co konkretnie weszło do użycia, a co zostało w prezentacji.

Co się sprawdziło

Wspólny mianownik zastosowań, które zostały w firmach na dłużej: opierają się o dane, które już istnieją i są w miarę uporządkowane, a człowiek zostaje w pętli decyzji.

Najmocniej obronił się dostęp do wiedzy technicznej. Asystent, który odpowiada na pytania na podstawie DTR, instrukcji maszyn i historii serwisu, skraca czas szukania i odciąża najbardziej doświadczonych ludzi. Działa, bo dokumentacja jest materiałem statycznym, a odpowiedź da się oprzeć o konkretny fragment źródła. To samo dotyczy wsparcia utrzymania ruchu: podpowiedź „gdzie to już widzieliśmy" jest użyteczna nawet wtedy, gdy nie zastępuje technika.

Drugi sprawdzony obszar to biuro techniczne i wczesne ofertowanie. Wyciąganie parametrów z rysunku technicznego do wstępnej wyceny, sprawdzanie kompletności i spójności dokumentacji, generowanie szkiców instrukcji pracy do dalszej redakcji. Wspólne dla nich jest to, że AI przygotowuje wersję roboczą, a człowiek zatwierdza. W tym układzie błąd modelu jest tani, bo wychwytuje go osoba, która i tak by ten dokument sprawdzała.

Trzecia rzecz, mniej efektowna, ale ważna: pilotaże prowadzone wąsko dowiozły wynik znacznie częściej niż szerokie. Firmy, które wybrały jeden proces, jeden dział i jasne kryterium „działa albo nie", kończyły z czymś, co dawało się utrzymać. To nie jest cecha technologii, tylko sposobu prowadzenia projektu.

Warto zauważyć, co łączy te trzy obszary. W każdym z nich AI dokłada się do pracy, którą firma i tak wykonuje, i robi to na materiale, który już ma. Nie wymagają nowej warstwy czujników, przepięcia systemów ani zmiany sposobu pracy całego działu. To dlatego weszły do codziennego użycia szybciej niż zastosowania, które wyglądały efektowniej na slajdzie.

Co odpadło albo rozczarowało

Rozczarowania miały wspólną przyczynę: zakładały dane lepsze, czystsze i lepiej spięte niż te, które fabryka realnie ma.

Pełna predykcja awarii z automatycznym wnioskowaniem okazała się dużo trudniejsza, niż sugerowały prezentacje. Wymaga długiej, oznaczonej historii uszkodzeń i stabilnej telemetrii, a średnia firma zwykle ma dane fragmentaryczne, w kilku systemach i bez spójnego opisu zdarzeń. Bez tego model uczy się szumu. Częściej sprawdzało się skromniejsze wsparcie diagnostyki oparte o wiedzę serwisową niż „predykcja" w mocnym sensie.

Autonomiczne planowanie produkcji end to end również w większości zostało w fazie demo. Tam, gdzie AI faktycznie pomagało, robiło to jako wsparcie planisty: sygnalizowało wąskie gardła i skutki zmian, a nie przejmowało decyzji. Harmonogram dotyka zbyt wielu ograniczeń i wyjątków, żeby oddać go w całości bez nadzoru.

Odpadła też cała kategoria obietnic typu „wdrożymy AI i wskaźniki się poprawią". Bez wskazania konkretnego procesu, właściciela i sposobu pomiaru takie projekty nie miały jak się rozliczyć i cicho gasły po pilocie. To najczęstszy powód, dla którego ciekawy pilotaż nie przechodził do skali.

Co decydowało o różnicy

Przez pół roku powtarzały się te same trzy czynniki, niezależnie od branży i wybranego zastosowania.

Pierwszy to dostęp do danych i ich stan. Jeśli dokumentacja jest rozproszona, niespójna albo zamknięta w formatach, których nie da się przeszukać, żaden model tego nie nadrobi. Warto to sprawdzić przed wyborem narzędzia, nie po.

Drugi to zawężenie zakresu na start. Jedno zastosowanie, jeden dział, jasne kryterium sukcesu. Szeroki zakres brzmi ambitniej, ale rozmywa odpowiedzialność i wydłuża czas do pierwszego widocznego efektu.

Trzeci to właściciel po stronie firmy. Wdrożenia, za którymi stała konkretna osoba z czasem i mandatem, dowoziły. Te „dodane komuś do obowiązków" zwykle nie. Kwestia bezpieczeństwa danych i tego, czy model stoi lokalnie czy w chmurze, też wracała w prawie każdej rozmowie, zwłaszcza tam, gdzie w grę wchodziła dokumentacja objęta tajemnicą firmy.

Czego ten post nie pokrywa

To jest przegląd kierunkowy, nie benchmark. Nie podajemy tu twardych liczb ROI ani wyników konkretnych firm, bo te zależą od procesu i danych i nie przenoszą się jeden do jednego. Nie wchodzimy też w szczegóły techniczne pojedynczych wdrożeń, konfigurację sprzętu ani porównania dostawców. Te wątki rozwijają osobne teksty w sekcji „Powiązane".

Powiązane

• Pięć workflowów AI, które już dziś amortyzują się w polskiej produkcji
• Asystent serwisowy AI: dlaczego średnia firma produkcyjna to dobry kandydat
• AI w planowaniu produkcji: gdzie pomaga, gdzie zawodzi
• Od pilotażu AI do wdrożenia: jak nie utknąć w pilot purgatory
• RAG do dokumentacji technicznej: jak AI korzysta z DTR i instrukcji maszyn
• AI on-premise czy w chmurze dla fabryki: co wybrać i kiedy