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.

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".

4–5 na tak: jesteście gotowi na wąski, mierzalny pilotaż. Wybierzcie jeden proces z pytania 1 i ustawcie go/no-go po 8 tygodniach.

2–3 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.

0–1 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