Inteligentne decyzje:

Firmy produkcyjne zbierają ogromne ilości danych: z maszyn, systemu księgowo-magazynowego, od dostawców, z działu sprzedaży i sklepu internetowego. Rzadko jednak łączą je w jeden obraz. Sztuczna inteligencja potrafi dziś te dane zbierać, porządkować, opisywać i odpowiadać na pytania zadawane zwykłym językiem. Zofia Żak, ekspertka cyfryzacji i AI, która od ponad 15 lat pracuje z danymi w biznesie cyfrowym w Polsce i we Francji, wyjaśnia, co jest już możliwe, gdzie są granice i jak powinno wyglądać takie narzędzie dla zarządu.

Danych przybywa szybciej, niż firmy potrafią z nich korzystać

Rockwell Automation przebadał w 2026 roku ponad 1 500 firm produkcyjnych z 17 krajów. Według raportu skutecznie wykorzystywane jest tylko 43% zbieranych danych. Jednocześnie AI wspiera już około jednej trzeciej działań operacyjnych, głównie w kontroli jakości, cyberbezpieczeństwie i optymalizacji procesów, a do 2030 roku producenci spodziewają się, że będzie to ponad połowa.

Polska jest na wcześniejszym etapie. Według danych Eurostatu za 2025 rok uczenie maszynowe do analizy danych stosowało 1,83% polskich firm, wobec 5,10% w całej Unii. Z AI do automatyzacji procesów i wspierania decyzji korzystało 2,60% firm w Polsce i 5,35% w UE.

Zofia Żak jako praktyk zajmujący się najlepszymi wdrożeniami sztucznej inteligencji, mówi: „W firmach produkcyjnych dane rzadko są problemem. Leżą w systemie księgowo-magazynowym, w systemie produkcji, w arkuszach kierowników zmian i w sklepie internetowym. Kłopot polega na tym, że każdy z tych systemów inaczej nazywa ten sam produkt, to samo zlecenie i ten sam dzień, dlatego raport dla zarządu wciąż składa się ręcznie”.

Co AI potrafi dziś zrobić z danymi produkcyjnymi

1. Zebrać dane z wielu systemów

Do niedawna podłączenie każdego systemu do narzędzia analitycznego wymagało osobnej integracji. Dziś coraz częściej służy do tego wspólny standard łączenia AI z systemami firmowymi, nazywany MCP (Model Context Protocol). Microsoft udostępnił w wersji testowej taki łącznik dla swojego systemu Dynamics 365, a dla SAP powstają gotowe rozwiązania firm trzecich. Dzięki temu asystent AI może sprawdzić stan zamówienia czy zapas w magazynie bezpośrednio w systemie, z zachowaniem uprawnień, które ma użytkownik.

Dla danych z maszyn ważna jest jeszcze jedna zmiana. Od września 2025 roku unijny akt w sprawie danych daje użytkownikom podłączonych urządzeń, także maszyn przemysłowych, prawo dostępu do danych, które te urządzenia wytwarzają. Od 12 września 2026 roku nowe produkty wprowadzane na rynek muszą być projektowane tak, żeby ten dostęp był możliwy. Fabryka, która korzysta z maszyn różnych producentów, ma więc mocniejszą pozycję, gdy chce połączyć ich dane w jednym miejscu.

2. Połączyć dane w jeden obraz

Sam odczyt czujnika niewiele mówi. Wartość pojawia się, gdy wiadomo, której maszyny dotyczy, jakie zlecenie wtedy realizowała, z jakiej partii surowca korzystała i dla którego klienta był produkt. Platformy przemysłowe, na przykład Cognite, budują z takich powiązań mapę wiedzy o zakładzie, po której agenci AI mogą się poruszać: łączą dane z czujników, dzienniki konserwacji i zapisy z systemu księgowo-magazynowego, żeby wskazać przyczynę problemu.

3. Przygotować raport bez ręcznego składania

Raporty zmianowe, dzienne i tygodniowe mogą powstawać automatycznie, razem z opisem tego, co się zmieniło. Siemens pokazał na targach CES 2026 dziewięć wyspecjalizowanych asystentów AI w swoim oprogramowaniu przemysłowym. Jeden z nich, działający w systemie zarządzania produkcją, pozwala w rozmowie przygotować raport zmianowy, przeplanować zlecenia albo znaleźć wąskie gardło.

4. Odpowiadać na pytania zadawane zwykłym językiem

Pytanie „ile zarobiliśmy w zeszłym miesiącu na linii produktów w Niemczech” AI potrafi zamienić na zapytanie do bazy danych. Dokładność zależy jednak przede wszystkim od tego, czy firma opisała swoje pojęcia. W teście opublikowanym przez dbt Labs w 2026 roku najlepsze modele AI odpowiadały poprawnie w 84 do 90% przypadków, gdy pracowały bezpośrednio na tabelach w bazie, oraz w 98 do 100% przypadków, gdy miały do dyspozycji uporządkowany opis wskaźników i ich definicji. Fachowo nazywa się to warstwą semantyczną, a prościej: słownikiem pojęć firmy.

Zofia Żak mówi: „Zanim zarząd zada pytanie AI, firma musi ustalić, co znaczy »zlecenie zrealizowane« albo »marża«. Bez tego dwa działy dostaną od AI dwie różne odpowiedzi na to samo pytanie i obie będą wyglądać przekonująco”.

5. Połączyć produkcję i dostawy ze sprzedażą

Najwięcej wartości daje połączenie danych, które w firmie zwykle leżą w osobnych działach: zamówienia i prognozy sprzedaży, zdolności produkcyjne, zapasy oraz terminy dostawców. Na tej podstawie AI może pokazać, które zamówienia klientów są zagrożone, gdy dostawca komponentu się spóźnia, albo czy zakład przyjmie dodatkowe zlecenie bez przesuwania innych. Gartner przewiduje, że do 2031 roku 60% zakłóceń w łańcuchach dostaw będzie rozwiązywanych bez udziału człowieka.

Gdzie są granice

Ta sama firma analityczna ostudziła oczekiwania wobec planowania prowadzonego przez AI. We wrześniu 2026 roku Gartner ocenił, że do 2030 roku tylko 5% firm wdrażających automatyzację planowania łańcucha dostaw będzie podejmować samodzielnie przez AI choćby co dziesiątą decyzję planistyczną. Jednocześnie 83% badanych organizacji wydało na automatyzację planowania co najmniej 3 mln dolarów. Według Gartnera pełna samodzielność AI będzie dotyczyć głównie decyzji rutynowych, częstych i mało ryzykownych, a barierami pozostaną jakość danych, integracja systemów, zaufanie i odpowiedzialność za decyzje.

Jak takie narzędzie powinno wyglądać dla zarządu

Narzędzie dla zarządu powinno odpowiadać na pytania, które zarząd zadaje co tydzień, i pokazywać, skąd pochodzi każda liczba. W praktyce składa się z czterech warstw. ROI and Shine projektuje wdrożenia sztucznej inteligencji w produkcji, aby wzmocnić wykorzystanie danych i informacji

Do tego potrzebne są zasady, bez których zarząd nie będzie ufał liczbom:

• jedna definicja każdego wskaźnika, wspólna dla produkcji, finansów i sprzedaży,

• widoczna aktualność danych, czyli informacja, z której godziny pochodzi każda liczba,

• uprawnienia dopasowane do ról: zarząd widzi całość, kierownik zmiany swoją linię, handlowiec swoich klientów,

• zapis każdej odpowiedzi AI, razem z danymi, na których się opierała,

• bezpieczeństwo połączeń z halą produkcyjną. W badaniu Rockwell 46% producentów przyznało, że w ciągu ostatniego roku doświadczyło co najmniej jednego incydentu cybernetycznego.

Zofia Zak, ekspertka AI i Data mówi: „Zarząd potrzebuje kilku liczb, które się zmieniły, wyjaśnienia dlaczego i informacji, kto się tym zajmuje. Dlatego w kompleksowych wdrożeniach i narzędziach analitycznych w chmurze zaczynamy od listy decyzji, które zarząd podejmuje co tydzień, a dopiero potem dobieramy dane, wskaźniki i wykresy”.

Od czego zacząć

1. Spisać decyzje i pytania zarządu. Na przykład: czy przyjąć zlecenie, ile zamówić surowca, które produkty mają najniższą marżę.

2. Ustalić słownik pojęć. Jedna definicja przychodu, marży, zlecenia zrealizowanego czy terminowej dostawy dla całej firmy.

3. Podłączyć trzy, cztery najważniejsze źródła: system księgowo-magazynowy, dane z produkcji, sprzedaż i zakupy. Przy maszynach warto sprawdzić, jakie dane można uzyskać od ich producentów na podstawie aktu w sprawie danych.

4. Uruchomić automatyczny raport i porównywać go przez kilka tygodni z dotychczasowym, żeby wyłapać różnice w danych.

5. Dodać pytania zadawane zwykłym językiem, najpierw dla wąskiej grupy osób.

6. Na końcu agentów, którzy działają samodzielnie, wyłącznie w decyzjach rutynowych i z jasno zapisanymi granicami.