Jak ocenić gotowość firmy produkcyjnej do wdrożenia AI: 5 pytań

Większość nieudanych projektów AI w produkcji nie pada przez technologię. Pada, bo firma odpaliła pilotaż, zanim odpowiedziała sobie na kilka prostych pytań. Model działał. Tylko nikt nie wiedział, jaki problem miał rozwiązać, skąd wziąć dane i kto po stronie biznesu odbierze wynik.

Gotowość do AI nie jest stanem „kupiliśmy serwery i zatrudniliśmy data scientista". Jest stanem organizacyjnym: czy potraficie nazwać problem, pokazać wiedzę, wskazać właściciela i zmierzyć efekt. Poniżej pięć pytań, które przechodzimy z każdą średnią firmą produkcyjną, zanim ktokolwiek mówi o narzędziu. Odpowiedz na nie uczciwie, to dziesięć minut, które oszczędza kwartał spalonego pilotażu.

Spis treści

1. Czy macie konkretny problem wart rozwiązania?
2. Czy wasza wiedza jest udokumentowana, i wiecie, gdzie jest?
3. Kto będzie właścicielem wdrożenia po stronie biznesu?
4. Czy potraficie zmierzyć efekt?
5. Czy znacie ograniczenia swoich danych i infrastruktury?
6. Jak zinterpretować odpowiedzi

1. Czy macie konkretny problem wart rozwiązania?

Najczęstszy błąd to start od technologii: „chcemy wdrożyć AI". To nie jest cel, to środek. Gotowa firma zaczyna od zdania w drugą stronę: „tracimy trzy dni na każdą ofertę techniczną i to wąskie gardło kosztuje nas zlecenia".

Sprawdź, czy potrafisz wskazać jeden powtarzalny, kosztowny proces dokumentowy: ofertowanie z rysunku, generowanie instrukcji pracy, obsługę zgłoszeń serwisowych, wyszukiwanie w dokumentacji technicznej. Jeśli na pytanie „co konkretnie ma się zmienić" odpowiadasz ogólnikami o „efektywności" albo „byciu nowoczesnym", to sygnał, że gonisz trend, nie rozwiązujesz problemu. Dobry kandydat na pierwszy projekt jest nudny, wąski i policzalny.

Po przegląd workflowów, które realnie się amortyzują w polskiej produkcji, odsyłam do naszego przewodnika po pięciu workflowach AI.

2. Czy wasza wiedza jest udokumentowana, i wiecie, gdzie jest?

AI w produkcji rzadko wymyśla coś nowego. Najczęściej sięga po waszą wiedzę: manuale, karty technologiczne, historię zgłoszeń, rysunki, procedury, i podaje ją szybciej oraz w odpowiednim kontekście. To znaczy, że jakość wdrożenia zależy od jakości tej wiedzy, nie od modelu.

Zadaj dwa pytania. Po pierwsze: czy kluczowa wiedza w ogóle jest spisana, czy siedzi w głowie dwóch osób przed emeryturą? Po drugie: jeśli jest spisana, to gdzie, w jednym repozytorium, czy w 40 folderach na pięciu dyskach, w trzech wersjach każdy? Firma, która ma uporządkowaną, w miarę aktualną dokumentację, jest gotowa. Firma, w której „to wie Marek", ma najpierw zadanie domowe z porządkowania wiedzy, i to jest dobra wiadomość, bo to robota tania i wartościowa sama w sobie.

3. Kto będzie właścicielem wdrożenia po stronie biznesu?

Projekt AI bez właściciela biznesowego umiera w fazie pilotażu. „IT się tym zajmie" to nie jest właściciel, to wykonawca. Potrzebujesz osoby z działu, którego problem rozwiązujecie: kierownika serwisu, szefa biura technicznego, dyrektora produkcji. Kogoś, kto poczuje wynik na własnym KPI i ma mandat, żeby zmienić sposób pracy zespołu.

Bez tego dzieje się klasyczny scenariusz: dział IT dowozi działające narzędzie, a ludzie z hali dalej robią po staremu, bo nikt nie przeprowadził ich przez zmianę. Gotowa firma potrafi wskazać konkretne nazwisko i to nazwisko siedzi w biznesie, nie w serwerowni. Ta osoba poprowadzi też wybór dostawcy, dlatego warto wcześniej przejrzeć 10 pytań, które trzeba zadać przed RFP.

4. Czy potraficie zmierzyć efekt?

Jeśli nie wiesz, ile trwa dany proces dzisiaj, nie udowodnisz, że AI go skróciła. Zanim ruszysz, potrzebujesz baseline'u: ile godzin zajmuje przygotowanie oferty, ile zgłoszeń serwisowych zamykacie dziennie, jaki jest średni czas reakcji. To nie musi być co do minuty, wystarczy uczciwy szacunek z trzech ostatnich miesięcy.

Druga połowa tego pytania to metryka sukcesu ustalona z góry. „Zobaczymy, czy pomoże" to nie metryka. „Skrócimy cykl ofertowy z pięciu dni do jednego w ciągu kwartału", to metryka. Jak liczyć zwrot bez naciągania business case'u, rozpisaliśmy osobno w tekście o ROI z AI w produkcji.

5. Czy znacie ograniczenia swoich danych i infrastruktury?

To pytanie nie jest techniczne dla samej techniki. Chodzi o to, czy wiesz, czego prawo i polityka firmy nie pozwalają wrzucić do publicznej chmury. Dokumentacja konstrukcyjna, dane klientów, specyfikacje objęte poufnością, w wielu firmach produkcyjnych nie mogą wyjść poza perymetr zakładu. To wpływa na to, jaki model wdrożenia w ogóle wchodzi w grę, a więc i na koszt.

Nie musisz na tym etapie znać odpowiedzi architektonicznej. Musisz wiedzieć, że pytanie istnieje, i mieć z kim je przegadać (IT, dział prawny, bezpieczeństwo). Jeśli interesuje cię, kiedy wdrożenie poza chmurą publiczną ma sens i ile kosztuje, więcej technicznego detalu i mapowania pod regulacje znajdziesz na aionprem.pl.

6. Jak zinterpretować odpowiedzi

Policz pewne „tak".

4 do 5 na tak: jesteście gotowi na wąski, mierzalny pilotaż. Wybierzcie jeden proces z pytania 1 i ustawcie go/no-go po 8 tygodniach. Co dalej po udanym pilotażu, żeby nie utknąć w miejscu, pokazujemy w tekście o przejściu od pilotażu do wdrożenia.

2 do 3 na tak: jesteście gotowi na przygotowanie, nie na wdrożenie. Zacznijcie od luki, którą widzicie najwyraźniej, najczęściej to dokumentacja (pytanie 2) albo brak właściciela (pytanie 3). Tani fundament, który i tak by się przydał.

0 do 1 na tak: to nie jest jeszcze projekt AI, to projekt porządkowania. I dobrze, że wiecie o tym teraz, a nie po spalonym pilotażu.

Gotowość nie jest egzaminem, który się oblewa. Jest mapą, która mówi, od czego zacząć. Najgorsza odpowiedź to nie „nie jesteśmy gotowi", najgorsza to odpalić pilotaż, nie wiedząc, że nie jesteście.

---

Powiązane

• Pięć workflowów AI, które już dziś amortyzują się w polskiej produkcji
• ROI z AI w produkcji: jak liczyć, czego nie wpisywać w business case
• Asystent serwisowy AI: dlaczego średnia firma produkcyjna to dobry kandydat
• AI do generowania instrukcji pracy: jak to działa i ile kosztuje