Produkcja

Pozycja sektora przemysłowego

Polska jest istotnym graczem w produkcji europejskiej. Dane Eurostat konsekwentnie pokazują, że sektor przemysłowy generuje znaczny udział w polskim PKB i znaczący odsetek pracujących. Top polskie zakłady to z jednej strony oddziały koncernów międzynarodowych, z drugiej polskie grupy kapitałowe takie jak KGHM, Grupa Azoty czy Synthos.

Większość zakładów wdrożyła ERP klasy SAP, Oracle albo polskie systemy Comarch w latach 2018-2022. Systemy MES (Manufacturing Execution System) i SCADA są standardem na liniach produkcyjnych. Stack technologiczny istnieje. Wąskim gardłem są integracje między warstwą OT (operations technology na hali) a warstwą IT (systemy biznesowe).

Pięć use case'ów z udokumentowanym potencjałem ROI

Synteza z McKinsey „The State of AI", BCG „AI in the Factory of the Future", WEF Lighthouse Network.

Predictive maintenance. AI uczony na danych z sensorów (wibracje, temperatura, prąd, hałas) krytycznych maszyn produkcyjnych przewiduje awarie zanim do nich dojdzie. McKinsey i BCG niezależnie cytują tę kategorię jako najbardziej dojrzałą w przemyśle. Wymaga sensorów na linii oraz minimum kilkunastu miesięcy historycznych danych do treningu modelu.

Quality control oparte na computer vision. Kamery na linii produkcyjnej plus modele wykrywające defekty z dokładnością wyższą niż ludzki kontroler. Use case o szybkim ROI w branżach z wysokim kosztem defektu (motoryzacja, elektronika, farmacja). Wymaga oznakowanej bazy treningowej z dużą liczbą przykładów defektów.

Optymalizacja zużycia energii. Modele optymalizujące pracę pieców, kompresorów, chłodnictwa w odpowiedzi na taryfy dynamiczne i obciążenie linii. Strategicznie ważny use case po podwyżkach taryf energetycznych w Polsce w latach 2023-2024. Branża metalurgiczna i chemiczna ma tu największe pole.

Demand forecasting. AI prognozujący popyt z dokładnością wyższą niż klasyczne metody statystyczne. Pozwala redukować zapasy magazynowe i optymalizować plan produkcji. Wymaga jakości historii sprzedaży z minimum dwóch lat plus danych o promocjach, sezonowości, makro.

Generative AI dla dokumentacji technicznej. LLM generujące pierwsze wersje instrukcji obsługi, kart bezpieczeństwa, dokumentacji procedur. Krótkie ROI w działach R&D i jakości. Niski próg wejścia.

Lighthouse factories, benchmark globalny

World Economic Forum Global Lighthouse Network to inicjatywa identyfikująca fabryki najwyższego poziomu dojrzałości Industry 4.0 na świecie. Lista publicznie dostępna i aktualizowana corocznie. Większość polskich zakładów w sieci to oddziały koncernów międzynarodowych. Polskie grupy kapitałowe są dopiero w drodze.

To pokazuje rozkład sił: znaczna część polskich zakładów ma do nadrobienia kilka generacji technologicznych. Wdrożenia AI w tym czasie powinny być przede wszystkim quick wins z mierzalnym ROI w 6-12 miesięcy, nie systemowe transformacje rozłożone na trzy lata.

Specyfika regulacyjna

AI Act z lutego 2026 klasyfikuje systemy bezpieczeństwa w produkcji (np. AI sterujący prasą hydrauliczną, AI w systemach kontroli ruchu ciężkich maszyn) jako wysokiego ryzyka. Wymaga dokumentacji oceny ryzyka, human oversight, log retention przez minimum sześć miesięcy.

CSRD (Corporate Sustainability Reporting Directive) wprowadzony przez UE wymaga od dużych przedsiębiorstw raportowania emisji CO2, zużycia wody, generowania odpadów. AI w monitoringu energii jest naturalnym ułatwieniem zgodności.

Trzy bariery typowe dla polskich zakładów

Pierwsza, separacja warstwy OT (operations technology na hali) i IT (systemy biznesowe). Modele AI potrzebują danych z obu warstw, ich integracja często jest największym kosztem wdrożenia.

Druga, ograniczona retencja danych historycznych. SCADA typowo przechowuje dane operacyjne kilka miesięcy do roku, podczas gdy do trenowania predictive maintenance potrzeba 12-24 miesięcy. To często wymaga roku poczekania, w którym infrastruktura zbiera dane.

Trzecia, brak data engineering jako kompetencji w polskich firmach produkcyjnych. IT skupia się na utrzymaniu systemów. Analityka i ML to dla większości zakładów nieobecna funkcja organizacyjna. Pierwszy projekt AI często wymaga zatrudnienia nowych ludzi lub zakontraktowania kompetencji zewnętrznej.

Co yesfor.ai wnosi specyficznego

Audyt produkcyjny yesfor.ai trwa cztery do sześciu tygodni. Standardowy zakres: ocena obecnego stanu integracji OT/IT, identyfikacja use case'ów z mierzalnym ROI, ocena gotowości danych (jakość, retencja, struktura), mapa drogowa.

Pierwsza rekomendacja często brzmi: zaczynacie nie od predictive maintenance, tylko od porządkowania integracji danych. Inaczej każde wdrożenie AI w przyszłości będzie wracało do tego samego wąskiego gardła.