Sztuczna Inteligencja w produkcji: Jak AI zmienia zarządzanie przemysłowe

Wstęp

AI w produkcji przestała być tematem konferencyjnym i stała się zbiorem konkretnych narzędzi: od modeli przewidujących awarie, przez kamery z oceną wad, po asystentów, którzy odpowiadają operatorowi na pytania o maszynę. Najczęściej spotykane obszary to predykcyjne utrzymanie ruchu, kontrola jakości, planowanie i łańcuch dostaw oraz wsparcie pracowników – w tym roboty współpracujące.

Skala zastosowań w Polsce jest wciąż niewielka. Według Eurostatu w 2025 roku z co najmniej jednej technologii AI korzystało 19,95% przedsiębiorstw w UE zatrudniających 10 i więcej osób, a w Polsce – 8,36%. To oznacza, że większość zakładów jest na etapie pierwszych pilotaży albo przygotowania danych.

AI jest jednym z elementów szerszej zmiany, którą opisujemy w poradniku o tym, czym jest przemysł 4.0 i czwarta rewolucja przemysłowa. Bez czujników, łączności i systemów zbierających dane z hali algorytmy nie mają na czym pracować.

Predykcyjne Utrzymanie Ruchu

Predykcyjne utrzymanie ruchu polega na tym, że model analizuje sygnały z maszyny – drgania, temperaturę, pobór prądu, ciśnienie, stopień zużycia elementów – i wskazuje, kiedy rośnie ryzyko awarii. Dzięki temu serwis planuje się przed awarią, a nie po niej, co ogranicza nieplanowane przestoje i koszty napraw.

W praktyce zakłady zaczynają zwykle od prostszego kroku: monitoringu stanu i alarmów progowych (np. temperatura łożyska powyżej ustalonej wartości). Model uczenia maszynowego ma sens dopiero wtedy, gdy istnieje historia awarii danego typu – opisana w systemie utrzymania ruchu, z datą, przyczyną i wykonaną naprawą. Jak połączyć dane z maszyn z historią zgłoszeń w CMMS i na czym polega predykcyjne utrzymanie ruchu oparte na AI, opisujemy w osobnym artykule.

Kontrola Jakości

W kontroli jakości AI wykorzystuje rozpoznawanie obrazów i uczenie maszynowe: kamera robi zdjęcie każdej sztuki, a model ocenia, czy widoczna jest wada – rysa, niedolew, przebarwienie, brak elementu. Systemy wizyjne wychwytują drobne defekty, których zmęczony kontroler może nie zauważyć przy setnej sztuce w godzinie, i zmniejszają ilość odpadów.

Druga droga to analiza danych z całego procesu. Model zestawia parametry (temperatura, ciśnienie, czas cyklu, partia surowca) z wynikami kontroli i wskazuje, które kombinacje parametrów poprzedzają braki. To pozwala reagować na przyczynę, a nie tylko odrzucać wadliwe sztuki na końcu linii.

Wizyjna kontrola jakości wymaga stabilnego oświetlenia, stałego położenia detalu i zbioru oznaczonych zdjęć – zarówno dobrych sztuk, jak i każdego typu wady. Przy rzadkich wadach zebranie takiego zbioru bywa najdłuższą częścią projektu.

Optymalizacja Łańcucha Dostaw

AI w łańcuchu dostaw prognozuje popyt, pomaga utrzymać właściwy poziom zapasów i planować transport. Dzięki temu zakład ogranicza zarówno nadmiar materiału na magazynie, jak i braki, które zatrzymują linię.

Na hali najbliżej tego obszaru jest optymalizacja harmonogramu: algorytm układa kolejność zleceń tak, by ograniczyć liczbę i czas przezbrojeń, dotrzymać terminów i nie przeciążać wąskiego gardła. Warunkiem są rzeczywiste, a nie katalogowe czasy cykli i przezbrojeń – inaczej harmonogram będzie optymalny tylko na papierze.

Coraz częściej do planowania dołącza się też energię. Prognoza zużycia na podstawie planu produkcji, historii pomiarów i temperatury zewnętrznej pozwala przesunąć energochłonne operacje na godziny tańszej energii. Przykład takiego podejścia pokazujemy w tekście o tym, jak prognoza cen energii wpływa na koszty zakładu. Symulacje zmian w harmonogramie i układzie linii przed ich wdrożeniem umożliwia z kolei cyfrowy bliźniak procesu.

Koboty

Koboty, czyli roboty współpracujące, pracują obok ludzi bez pełnego wygrodzenia i przejmują zadania powtarzalne lub obciążające fizycznie: przenoszenie ciężkich detali, paletyzację, proste operacje montażowe, inspekcję. Pracownik może wtedy zająć się zadaniami wymagającymi oceny i doświadczenia.

Koboty programuje się prościej niż klasyczne roboty przemysłowe – często przez prowadzenie ramienia ręką i graficzny interfejs – więc łatwiej przestawić je na nowy wyrób. AI pojawia się tu głównie w systemach wizyjnych, które pozwalają kobotowi chwytać detale leżące w różnych położeniach.

Łącznie te zastosowania przekładają się na wyższą efektywność, stabilniejszą jakość i lepsze wykorzystanie zasobów – materiału, energii i czasu ludzi – co wspiera też cele zrównoważonego rozwoju zakładu.

Zastosowania AI na hali – dane i próg wejścia

AI w produkcji najlepiej zacząć od zastosowania, do którego zakład już ma dane. Poniższa tabela pokazuje typowe zastosowania, potrzebne dane i realny próg wejścia.

Asystenci oparci na dużych modelach językowych to najszybciej rosnąca grupa zastosowań. Operator pyta „co oznacza alarm E17 na prasie 3” i dostaje odpowiedź z instrukcji oraz z opisów wcześniejszych usterek. Warunek: dokumentacja musi być aktualna, a odpowiedzi – weryfikowane przez ludzi, którzy znają maszynę.

Warunek konieczny: jakość i ciągłość danych

Żaden model nie będzie lepszy od danych, na których się uczy – dlatego pierwszym krokiem do AI jest uporządkowane zbieranie danych z hali, a nie zakup algorytmu. Dane muszą być ciągłe (bez tygodniowych luk po awarii łącza), spójne (ta sama maszyna nazywa się tak samo w każdym systemie) i opisane (przestój ma przyczynę, brak – typ wady, zlecenie – wyrób).

Najczęstszy problem to dane zbierane ręcznie i z opóźnieniem: karta zmianowa przepisana do arkusza na koniec tygodnia nie nadaje się do trenowania modelu, bo brakuje w niej dokładnych czasów i krótkich zdarzeń. Automatyczna akwizycja danych produkcyjnych z maszyn i panele do zgłoszeń operatorów rozwiązują ten problem u źródła.

Zanim zakład zainwestuje w AI, warto sprawdzić, czy na tych samych danych działa już zwykła analityka: czy widać trendy, ranking przyczyn przestojów, odchylenia od normy. Jeśli analiza i wizualizacja danych produkcyjnych nie daje jeszcze wiarygodnego obrazu hali, model AI powieli te same błędy, tylko szybciej.

Wyzwania i Zagadnienia

Wdrożenie AI w produkcji napotyka trzy grupy barier: dane, ludzi i prawo. Każdą z nich trzeba zaplanować przed wyborem technologii.

Problemy z jakością i integracją danych

Dane bywają niekompletne, nieczyste i niespójne, a systemy produkcyjne (sterowniki, SCADA, MES) i biznesowe (ERP, CMMS) często nie są ze sobą połączone. Słaba integracja świata OT i IT ogranicza skuteczność AI bardziej niż wybór algorytmu – dlatego porządkowanie danych opisane wyżej jest pierwszym etapem każdego projektu.

Braki talentów i umiejętności w implementacji AI

Wdrożenie AI wymaga połączenia wiedzy o procesie z umiejętnościami z zakresu analizy danych, uczenia maszynowego i automatyki. Według Eurostatu (2025) brak odpowiedniej wiedzy specjalistycznej był najczęściej wskazywaną barierą – wymieniło go 70,89% przedsiębiorstw w UE, które rozważały użycie AI, ale go nie wdrożyły. Rozwiązaniem jest szkolenie obecnej kadry – technologów i inżynierów UR, którzy znają maszyny – zamiast szukania wyłącznie zewnętrznych specjalistów.

Zagadnienia prawne i etyczne, w tym prywatność danych i zgodność z regulacjami

Systemy AI przetwarzające dane pracowników podlegają RODO, czyli rozporządzeniu (UE) 2016/679 (w USA analogiczną rolę pełnią przepisy stanowe, np. kalifornijska CCPA). Otwarte pozostaje pytanie o odpowiedzialność za decyzję systemu w razie błędu – dlatego decyzje o znaczeniu dla bezpieczeństwa lub dla pracowników powinien zatwierdzać człowiek.

Zasady etyczne obejmują przejrzystość działania modelu, brak dyskryminacji i regularne monitorowanie oraz audytowanie systemów. Od 2024 roku ramy prawne wyznacza też unijny AI Act.

AI Act – co oznacza dla systemów AI na produkcji

AI Act, czyli rozporządzenie (UE) 2024/1689, reguluje systemy AI według poziomu ryzyka: im większy możliwy wpływ na bezpieczeństwo i prawa ludzi, tym więcej obowiązków. Większość zastosowań na hali – predykcja awarii, wizyjna kontrola jakości wyrobów, optymalizacja harmonogramu, prognoza energii – zwykle nie trafia do kategorii wysokiego ryzyka, ale każde zastosowanie trzeba ocenić osobno.

Dla zakładów produkcyjnych liczą się przede wszystkim cztery punkty (stan na 21.10.2026):

• Zakazane praktyki – od 2 lutego 2025. Obejmują m.in. systemy rozpoznawania emocji w miejscu pracy (poza wyjątkami medycznymi i związanymi z bezpieczeństwem). Kamera oceniająca „zaangażowanie” operatora jest więc niedopuszczalna.
• Kompetencje w zakresie AI (AI literacy) – od 2 lutego 2025. Firmy stosujące AI mają zadbać o odpowiednie przygotowanie osób, które z niej korzystają. Rozporządzenie zmieniające z 2026 roku uprościło ten obowiązek.
• Przejrzystość – od sierpnia 2026. Użytkownik powinien wiedzieć, że rozmawia z systemem AI, np. z asystentem czatowym.
• Systemy wysokiego ryzyka – od 2 grudnia 2027 i 2 sierpnia 2028. Do pierwszej grupy należą m.in. systemy AI w obszarze zatrudnienia: przydzielanie zadań na podstawie zachowania lub cech pracowników oraz monitorowanie i ocena ich wyników. Do drugiej – AI pełniąca funkcję bezpieczeństwa w produktach objętych przepisami UE, np. w maszynach.

Terminy dla systemów wysokiego ryzyka przesunęło rozporządzenie (UE) 2026/1744 (tzw. Digital Omnibus on AI), które weszło w życie 27 lipca 2026 roku. Pierwotnie większość tych przepisów miała obowiązywać od 2 sierpnia 2026 roku. Komisja zapowiada dalsze wytyczne i normy, więc przed wdrożeniem systemu, który ocenia pracowników lub steruje bezpieczeństwem maszyny, warto sprawdzić aktualny stan przepisów na stronach Komisji Europejskiej.

Podsumowanie

Sztuczna inteligencja w produkcji daje najwięcej tam, gdzie zakład ma już ciągłe dane z maszyn i opisane zdarzenia: mniej nieplanowanych przestojów, wcześniejsze wykrywanie wad, lepszy harmonogram i niższe koszty energii. Najczęstsze bariery to jakość danych, brak kompetencji i niepewność prawna – tę ostatnią AI Act wyjaśnia, ale też nakłada obowiązki przy systemach oceniających ludzi lub odpowiadających za bezpieczeństwo.

Rozsądna kolejność to: najpierw zbieranie i porządkowanie danych, potem analityka i wskaźniki, na końcu modele AI dla jednego, dobrze opisanego problemu. W iPLAS algorytmy oparte na AI rozwijane są jako rozwiązania personalizowane – pod konkretny proces i dane zakładu – a podstawą jest platforma zbierająca dane z maszyn i procesów w czasie rzeczywistym, opisana na stronie czym jest system iPLAS.

Najczęściej zadawane pytania

Od czego zacząć wdrażanie AI w małym zakładzie produkcyjnym?

Od jednego problemu, który kosztuje najwięcej i do którego są lub mogą szybko powstać dane – np. awarie jednej krytycznej maszyny albo zużycie energii. Pierwszym etapem jest automatyczne zbieranie danych i proste wskaźniki, dopiero potem model. Taki pilotaż pokazuje, czy dane wystarczą, zanim zakład zainwestuje w skalowanie.

Czy AI zastąpi operatorów i pracowników utrzymania ruchu?

W obecnych zastosowaniach AI przejmuje głównie analizę danych i zadania powtarzalne, a decyzję podejmuje człowiek. Model może wskazać maszynę z rosnącym ryzykiem awarii, ale diagnozę i naprawę wykonuje mechanik. Zmienia się raczej zakres pracy – więcej interpretacji danych, mniej ręcznego zapisywania.

Czym różni się AI od zwykłej automatyki?

Automatyka wykonuje regułę zapisaną przez programistę: jeśli czujnik pokaże X, wykonaj Y. AI uczy się zależności z danych historycznych i potrafi rozpoznać wzorzec, którego nikt wcześniej nie opisał regułą – np. kombinację drgań i temperatury poprzedzającą awarię. Dlatego wymaga dużo lepszych danych niż automatyka.

Czy system do predykcji awarii jest systemem wysokiego ryzyka według AI Act?

Zwykle nie, jeśli służy planowaniu serwisu i nie pełni funkcji bezpieczeństwa maszyny. Inaczej może być, gdy AI jest elementem bezpieczeństwa produktu objętego przepisami UE – takie systemy podlegają wymaganiom dla wysokiego ryzyka od 2 sierpnia 2028 roku. Każde zastosowanie warto ocenić indywidualnie z prawnikiem lub dostawcą systemu.

Chcesz sprawdzić, czy dane z Twojej hali nadają się do pierwszego projektu AI? Umów prezentację – pokażemy, jak zbierać i analizować dane z maszyn, od których zaczyna się każde wdrożenie.