Sztuczna inteligencja nie naprawi chaosu w fabryce. Co blokuje cyfryzację produkcji?

Nieplanowane przestoje należą do najkosztowniejszych problemów przemysłu. Według raportu Siemens Senseye „The True Cost of Downtime 2024” 500 największych przedsiębiorstw na świecie traci z tego powodu niemal 1,4 bln USD rocznie. Sztuczna inteligencja może pomóc przewidywać awarie i ograniczać straty, jednak jej skuteczność zależy od jakości analizowanych danych.

W produkcji elektroniki wyzwanie jest szczególnie złożone. Informacje pochodzą z maszyn SMT, systemów inspekcji AOI i SPI, oprogramowania ERP i MES oraz dokumentacji jakościowej. Powiązanie ich z konkretnym wyrobem, partią materiału czy etapem procesu wymaga nie tylko integracji systemów, ale również spójnych zasad identyfikacji i zarządzania danymi.

Znaczenie tych zagadnień rośnie wraz z wymaganiami dotyczącymi identyfikowalności produktów i wymiany informacji w łańcuchach dostaw. Od 18 lutego 2027 roku zaczną obowiązywać wymagania dotyczące cyfrowych paszportów określonych kategorii baterii. Z kolei rozwój takich inicjatyw jak Catena-X pokazuje, że możliwość udostępniania wiarygodnych danych staje się coraz ważniejsza we współpracy z dużymi odbiorcami przemysłowymi.

O tym, dlaczego zaawansowane projekty AI mogą kończyć się niepowodzeniem, jak połączyć dane z różnych etapów produkcji elektroniki i od czego rozpocząć ich porządkowanie, rozmawiamy z Krzysztofem Surowieckim, Senior Data & Analytics Advisor w Ambiscale.

Przedsiębiorstwa produkcyjne gromadzą dziś ogromne ilości danych, ale często nie potrafią ich skutecznie wykorzystać. Dlaczego? Czy problemem jest przede wszystkim technologia, czy sposób organizacji pracy i zarządzania informacją?

Gromadzenie danych nie oznacza jeszcze, że firma potrafi zrobić z nich użytek i podejmować na ich podstawie trafne decyzje. Problem pojawia się, gdy dane są rozproszone, te same pojęcia mają różne definicje, a pracownicy nie wiedzą, która informacja jest wiarygodna. ERP pokazuje jedno, system produkcyjny drugie, a na spotkanie zarządu powstaje osobny arkusz.

Zacząłbym od sprawdzenia, gdzie powstają te rozbieżności i kto może je rozstrzygnąć. Temu służy Data Governance, czyli zasady zarządzania danymi: ustala odpowiedzialność, wspólne definicje oraz wymagania dotyczące jakości i dostępu. Technologia również ma znaczenie. Starsza maszyna może nie udostępniać potrzebnych pomiarów, a systemy mogą wymagać integracji. Diagnoza powinna pokazać, które ograniczenia są techniczne, a które wynikają z organizacji pracy. Dopiero wtedy można dobrać rozwiązanie.

W zakładach produkujących elektronikę dane pochodzą z wielu źródeł — maszyn SMT, systemów AOI i SPI, ERP, MES czy systemów kontroli jakości. Co sprawia największą trudność przy ich łączeniu i analizowaniu?

Najpierw należy zadać pytanie, czy informacje z różnych systemów w ogóle dotyczą tego samego wyrobu, materiału i etapu procesu. ERP może operować zleceniem i indeksem, maszyna numerem szpuli, a system inspekcji numerem płytki. Potrzebne są powiązania między tymi identyfikatorami oraz wiedza, na jakim poziomie szczegółowości zapisano dane.

Równie ważny jest czas. Niesynchronizowane zegary albo różne sposoby zapisu zdarzeń mogą sprawić, że zestawimy wynik kontroli z niewłaściwymi parametrami procesu. Dochodzą do tego jednostki pomiaru, wersje programu i zmiany materiałów. W praktyce najlepiej wziąć jedną konkretną analizę, na przykład powiązanie wady z przebiegiem produkcji, i sprawdzić, jakie informacje są do niej potrzebne. To przy okazji pokaże – zanim powstaną kolejne integracje – jaki standard danych jest potrzebny i co faktycznie potrafią maszyny oraz interfejsy.

Coraz więcej mówi się o wykorzystaniu sztucznej inteligencji do przewidywania awarii i ograniczania przestojów. Jakie warunki musi spełnić zakład produkcyjny, aby takie rozwiązania rzeczywiście przynosiły korzyści?

Zakład powinien wiedzieć, jaki problem chce rozwiązać i jak wykorzysta ostrzeżenie. Inaczej projektuje się wykrywanie nietypowego zachowania maszyny, a inaczej prognozę konkretnej awarii z wyprzedzeniem pozwalającym zaplanować serwis.

Potrzebne są wiarygodne pomiary powiązane z urządzeniem i warunkami jego pracy. Historia awarii i napraw bardzo pomaga, zwłaszcza przy uczeniu modeli rozpoznających określone uszkodzenia. Nie jest jednak warunkiem każdej metody. Wykrywanie anomalii można rozpocząć od danych opisujących prawidłową pracę, pamiętając, że anomalia nie musi oznaczać zbliżającej się awarii.

O przydatności rozwiązania decyduje test w rzeczywistych warunkach. Sprawdzamy, z jakim wyprzedzeniem model ostrzega, ile generuje fałszywych alarmów i które zdarzenia pomija. Ktoś musi też odpowiadać za reakcję. Korzyść dla zakładu liczy się po odjęciu kosztów obsługi alertów i utrzymania rozwiązania, niewcześniej.

Czy zdarza się, że przedsiębiorstwo inwestuje w zaawansowane systemy analityczne lub AI, a dopiero po rozpoczęciu projektu odkrywa, że zgromadzone dane nie nadają się do wykorzystania? Jakie są konsekwencje takich sytuacji?

Tak, dlatego takie ryzyko warto sprawdzić przed rozpoczęciem wdrożenia. Dane mogą istnieć, ale być albo zbyt niekompletne, albo niespójne albo zapisane na niewłaściwym poziomie szczegółowości. Wtedy projekt analityczny rozszerza się o nieuwzględnione w budżecie prace: odtworzenie historii, uzgodnienie definicji czy zmianę sposobu rejestracji zdarzeń.

Skalę znaczenia tego problemu pokazuje badanie Gartnera opisane w kwietniu 2026 r. Wśród liderów infrastruktury i operacji IT 38 proc. wskazało niską jakość lub ograniczoną dostępność danych jako bezpośrednią przyczynę niepowodzenia projektu AI. To badanie obszaru IT, więc nie traktowałbym go jako statystyki dla zakładów produkcyjnych. Praktyczny wniosek jest jednak przydatny także w produkcji: przed inwestycją trzeba sprawdzić próbkę rzeczywistych danych pod kątem konkretnego zastosowania i uwzględnić koszt usunięcia braków.

Link do cytowanego badania: https://www.gartner.com/en/newsroom/press-releases/2026-04-07-gartner-says-artificial-intelligence-projects-in-infrastructure-and-operations-stall-ahead-of-meaningful-roi-returns

Według raportu Siemens Senseye „The True Cost of Downtime 2024” nieplanowane przestoje kosztują 500 największych przedsiębiorstw na świecie niemal 1,4 bln USD rocznie. Na ile te globalne szacunki odzwierciedlają sytuację polskiego przemysłu? Czy dysponujemy wiarygodnymi danymi pokazującymi rzeczywistą skalę strat w krajowych zakładach produkcyjnych?

Ten szacunek trzeba czytać razem z zakresem badania. Siemens Senseye w raporcie „The True Cost of Downtime 2024” oszacował roczne straty 500 największych firm na niemal 1,4 bln dolarów, czyli około 11 proc. ich przychodów. Ani tej kwoty, ani proporcji nie należy przenosić wprost na polski przemysł czy pojedynczy zakład.

Nie dysponuję reprezentatywnym badaniem, które pozwalałoby podać porównywalną wartość dla całej Polski. Dlatego w rozmowie z firmą pytam najpierw o koszt jej własnych przestojów. Wchodzi w to dodatkowa praca, straty materiałowe, ponowny rozruch i skutki opóźnień. Znaczenie ma też to, czy produkcję można nadrobić i czy postój faktycznie ograniczył sprzedaż. Samo przemnożenie godzin postoju przez wartość produkcji może zawyżyć stratę. Taka kalkulacja daje znacznie lepszą podstawę do oceny inwestycji w ograniczanie przestojów niż globalna średnia.

Link do wykorzystanego raportu: https://assets.new.siemens.com/siemens/assets/api/uuid:1b43afb5-2d07-47f7-9eb7-893fe7d0bc59/TCOD-2024_original.pdf

Od lutego 2027 roku producenci określonych kategorii baterii będą musieli spełniać wymagania dotyczące cyfrowego paszportu produktu. Czy polskie przedsiębiorstwa, w tym dostawcy komponentów elektronicznych, są przygotowane do udostępniania wymaganych informacji? Gdzie mogą pojawić się największe trudności?

Od 18 lutego 2027 r. paszport będzie wymagany dla baterii do pojazdów elektrycznych, baterii lekkich środków transportu oraz baterii przemysłowych o pojemności powyżej 2 kWh, wprowadzanych na rynek UE lub oddawanych do użytku. Odpowiedzialność za informacje w paszporcie spoczywa na podmiocie wskazanym w rozporządzeniu. Samo dostarczanie komponentu nie oznacza automatycznie obowiązku utworzenia paszportu, ale odbiorca może wymagać od dostawcy danych potrzebnych do jego przygotowania.

Nie oceniałbym gotowości polskich firm bez badania. W konkretnym zakładzie sprawdziłbym, czy można powiązać produkt z materiałami i dostawcami, skąd będą pochodzić wymagane informacje i kto odpowiada za ich aktualność. Część danych trzeba będzie pozyskać lub wyliczyć. Paszport wymaga danych ustrukturyzowanych i czytelnych maszynowo, więc samo zebranie dokumentów PDF nie wystarczy. Zakres informacji środowiskowych i terminy zależą od kategorii baterii oraz właściwych przepisów. Przygotowania warto oprzeć na aktualnych wytycznych KE, które rozróżniają wymagania dla poszczególnych kategorii.

W branży elektronicznej jeden produkt może zawierać setki lub tysiące komponentów pochodzących od wielu dostawców. Jak w praktyce zapewnić identyfikowalność materiałów, partii produkcyjnych i pochodzenia podzespołów, zwłaszcza gdy część dostawców nie dysponuje odpowiednio rozwiniętymi systemami informatycznymi?

Można zacząć od wspólnego standardu przekazywania danych, bez narzucania wszystkim dostawcom tego samego systemu. Określamy wymagane informacje o producencie, materiale i partii i sprawdzamy ich kompletność przy przyjęciu. Kod daty produkcji może być informacją pomocniczą, ale nie zawsze zastąpi numer partii. Mniejszy dostawca może przekazywać dane w uzgodnionym arkuszu, jeżeli odbiorca potrafi je zweryfikować i włączyć do swojego procesu.

Identyfikator szpuli lub opakowania jest dopiero początkiem. Zakład musi zapisywać, gdzie materiał został faktycznie zużyty, uwzględniając zmiany szpul, podziały partii i poprawki produkcyjne. Powiązanie z numerem płytki wymaga odpowiedniej konfiguracji maszyn i systemu produkcyjnego. Zakres śledzenia powinien wynikać z ryzyka i wymagań odbiorcy. Skuteczność najlepiej sprawdzić w obu kierunkach: od wyrobu do materiału oraz od wskazanej partii materiału do wszystkich wyrobów, w których ją wykorzystano.

Duże koncerny motoryzacyjne wprowadzają nowe standardy wymiany danych, takie jak Catena-X. Czy związane z nimi wymagania mogą utrudnić mniejszym producentom elektroniki dostęp do międzynarodowych łańcuchów dostaw?

Tak, takie wymagania mogą wpływać na możliwość współpracy. BMW informuje, że od kwietnia 2025 r. rejestracja w Catena-X jest częścią jego procesu zakupowego. Nie oznacza to jednak, że każdy dostawca musi od razu wdrożyć pełny zakres wymiany danych. Konkretne wymagania trzeba sprawdzić u odbiorcy.

Catena-X jest wspólnym ekosystemem wymiany danych w motoryzacji. Dla mniejszej firmy ważne są zarówno koszty i możliwości podłączenia, jak i przygotowanie informacji, które ma udostępniać. Sam dostęp do platformy nie rozwiąże problemu niespójnych danych o produkcie czy braku informacji o pochodzeniu materiału. Pierwsze pytanie brzmi: jakich danych klient potrzebuje, w jakim formacie i od kiedy. Wtedy można zaplanować ograniczony zakres prac, zamiast kupować rozwiązanie na zapas. Firma, która potrafi dostarczyć wiarygodne informacje w wymaganym terminie, zmniejsza ryzyko po stronie odbiorcy.

Źródło: https://www.bmwgroup.com/en/news/general/2025/catena-x-connects-digital-supply-chains.html

Wiele średnich przedsiębiorstw produkcyjnych nie dysponuje budżetami porównywalnymi z globalnymi koncernami. Od czego powinny zacząć porządkowanie danych i jak ocenić, czy inwestycja przyniesie wymierne korzyści?

Od jednego problemu, którego koszt firma potrafi rozpoznać. Może to być odtwarzanie historii partii przy reklamacji, ręczne przygotowywanie raportu dla klienta albo brak wiarygodnych przyczyn przestojów. W tym obszarze trzeba ustalić potrzebne dane, ich źródła i osoby odpowiedzialne za rozstrzyganie rozbieżności.

Diagnozę i ograniczony pilotaż można zaplanować w skali tygodni. Czas pełnego wdrożenia zależy już od stanu danych i potrzebnych zmian w systemach. Warto najpierw sprawdzić możliwości obecnych narzędzi.

Przed rozpoczęciem prac należy zapisać wartość wyjściową: czas przygotowania raportu, liczbę korekt albo czas ustalenia zakresu reklamacji. Po wdrożeniu porównujemy wynik w podobnych warunkach, uwzględniając zmiany wolumenu i rodzaju produkcji. Do rachunku trzeba włączyć pracę własnego zespołu oraz późniejsze utrzymanie. Wtedy widać, czy rozwiązanie warto rozszerzać na kolejne obszary.

Gdzie kończą się realne możliwości sztucznej inteligencji w produkcji, a zaczyna marketing? Czy są obszary, w których tradycyjna automatyzacja, poprawa procesów lub zwykła analiza danych mogą przynieść lepsze rezultaty niż wdrażanie modeli AI?

Sygnałem ostrzegawczym jest obietnica poprawy bez określenia, co rozwiązanie ma robić i jak sprawdzimy wynik. Jeżeli wystarczy kontrola przekroczenia temperatury, warto zacząć od progu i alarmu. Jeśli problemem są różne definicje przestoju, potrzebne jest ich uzgodnienie. Model nie wykona tej decyzji za organizację.

AI warto rozważyć tam, gdzie trzeba rozpoznawać złożone wzorce, na przykład na obrazach z inspekcji lub w sygnałach z maszyn. W planowaniu produkcji warto porównać również klasyczne metody optymalizacji. Przy analizie OEE czy przyczyn przestojów pierwszą poprawę może przynieść już rzetelna rejestracja i zwykła analiza danych. AI może te działania wspierać, ale jego przewagę trzeba wykazać. Porównałbym skuteczność, koszt błędów i utrzymania z prostszym rozwiązaniem na tych samych przypadkach. Jeśli różnicy nie widać, bardziej złożone narzędzie nie ma uzasadnienia.