Jak przygotować firmę produkcyjną do AI? Zacznij od danych, integracji i procesów

Wybierz problem, nie technologię

Hasło „wdrażamy AI” dobrze wygląda na slajdzie z planem na przyszły rok, ale kierownik produkcji niewiele z niego wyczyta. Żeby ocenić, czy rozwiązanie ma sens, trzeba wskazać konkretną czynność lub proces, który firma chce usprawnić. Może to być prognozowanie zapotrzebowania na materiały albo ograniczenie żmudnego przepisywania danych, za którym nikt w firmie nie przepada. Zatem bez tej odpowiedzi o proces łatwo jest kupić narzędzie, ale potem długo szukać dla niego zajęcia. Udane przygotowanie firmy do rozwiązań AI zaczyna się więc od nazwania problemu i sprawdzenia, jakie dane i procesy się z nim wiążą.

Na początek wystarczy jeden obszar. Kto próbuje od razu objąć projektem całą organizację, zwykle ugrzęźnie w ustaleniach, zanim zobaczy pierwszy wynik. Węższy projekt pozwala szybciej sprawdzić, czy AI rzeczywiście pomaga, a dopiero potem zdecydować o kolejnych krokach.

Już na starcie warto ustalić, po czym będzie widać poprawę – i nie zawsze musi to być wyliczenie zwrotu z inwestycji. W zależności od problemu miarą może być krótszy czas wykonania zadania, mniej błędów albo mniej ręcznej pracy.

Sprawdź, jakie dane firma ma i gdzie ich szukać

AI uczy się na takich danych i kontekście, jakie firma jej udostępniła. Liczy się więc nie tylko ilość danych, ale też ich jakość, struktura i dostępność. Jeśli informacje są rozproszone między systemami, zapisane w niezgodnych formatach albo nie odpowiadają temu, jak naprawdę wygląda praca na hali, wyniki będą równie ogólne lub nietrafne jak dane, z których powstały.

Warto więc ustalić:

• jakie dane są zbierane w wybranym procesie;
• w których systemach i plikach się znajdują;
• czy można połączyć je w spójny obraz;
• czy obejmują wystarczająco długi okres, by zobaczyć powtarzające się zależności.

Część firmowej wiedzy jest zapisana w arkuszach Excela. Sam Excel nie jest tu winowajcą – to wygodne narzędzie do analiz i obliczeń, a w wielu miejscach trudno sobie bez niego wyobrazić dzień pracy. Kłopot zaczyna się wtedy, gdy plik w rodzaju „harmonogram_final_v3_POPRAWIONY.xlsx” leży na dysku jednej osoby, a od jego zawartości zależy, co jutro wyjedzie z magazynu. Takich danych nie da się regularnie zbierać ani weryfikować. Gdy autor pliku idzie na urlop, firma szybko się przekonuje, jak bardzo od niego zależała.

Zadbaj o przepływ informacji między systemami

W firmie produkcyjnej dane powstają w wielu miejscach: w ERP, czyli systemie do zarządzania całym przedsiębiorstwem, w MES, w którym śledzi się pracę na hali, w magazynowym WMS, w CRM do obsługi klientów czy w programach do planowania i rozliczania produkcji. Każdy z nich pokazuje kawałek sytuacji, ale jeśli informacje nie przechodzą między nimi, nikt nie widzi całości.

Dlatego przed wdrożeniem warto sprawdzić, gdzie dane są przekazywane ręcznie, gdzie powstają opóźnienia i czy różne działy korzystają z tych samych informacji. Często okazuje się, że rolę integracji pełni pracownik, który co rano przepisuje zamówienia z jednego programu do drugiego. Robi to sumiennie, ale wolniej niż system i od czasu do czasu się myli, bo jest tylko człowiekiem i nie można mieć o to do niego pretensji.

Nie oznacza to, że trzeba od razu wymieniać system ERP lub całe oprogramowanie dla produkcji. Taka wymiana to decyzja na lata i spory wydatek, więc nie warto jej podejmować tylko dlatego, że wszyscy mówią o AI. Najpierw trzeba ustalić, czy obecne rozwiązania da się połączyć i udostępnić im potrzebne dane. W niektórych firmach wystarczy poprawić przepływ informacji; w innych przeszkodą okazują się bariery techniczne albo starsze systemy, których działanie rozumie już niewielu pracowników. Gdy dotychczasowe oprogramowanie utrudnia dalszy rozwój, jednym z rozważanych kierunków może być modernizacja systemów legacy.

Uporządkuj proces, zanim go zautomatyzujesz

Jeśli pracownicy wykonują tę samą czynność na różne sposoby, proces ma więcej wyjątków niż reguł albo jego przebieg zależy od nieformalnych ustaleń, wdrożenie AI może nie przynieść oczekiwanej zmiany. Gdy dziś wszystko działa dlatego, że pan Marek z planowania wie, do kogo zadzwonić, żaden algorytm tego telefonu za niego nie wykona. Zautomatyzowany bałagan nadal jest bałaganem, tylko szybszym.

Przed automatyzacją warto więc opisać, jak proces przebiega naprawdę, a nie jak wygląda w procedurze: kto bierze w nim udział, skąd pochodzą informacje, gdzie pojawiają się poprawki i co najczęściej powoduje przestoje. Nie trzeba od razu analizować całej organizacji – lepiej zacząć od wybranego problemu i sprawdzić, czy właśnie tam proces można uprościć lub ujednolicić.

Automatyzacja procesów biznesowych może być również etapem przygotowania do AI. Ogranicza ręczne, powtarzalne czynności, a przy okazji pomaga systematycznie zbierać dane o przebiegu pracy. Z czasem firma łatwiej ustali, gdzie powstają opóźnienia i które problemy wracają jak bumerang.

Zmierz efekt i zacznij od ograniczonego zakresu

Przed uruchomieniem projektu ustal punkt odniesienia: jak długo trwa obecnie zadanie, ile błędów się pojawia albo jak często pracownicy muszą ręcznie poprawiać dane. Bez tego po pół roku zostanie tylko ogólne wrażenie, że „chyba jest lepiej”, a z takim wrażeniem trudno iść do zarządu po budżet na kolejny etap.

Pilotaż powinien dotyczyć jednego problemu, opierać się na dostępnych danych, obejmować znany proces i mieć mierzalny efekt.

Wstępna lista kontrolna przed wdrożeniem AI

Zanim firma wybierze rozwiązanie, warto odpowiedzieć na kilka pytań:

• Jaki konkretny problem ma rozwiązać wdrożenie?
• Kto zna przebieg procesu i jego najczęstsze wyjątki?
• Jakie dane będą potrzebne i gdzie obecnie się znajdują?
• Czy informacje są dostępne w systemach, czy w plikach i ręcznych zestawieniach?
• Czy można połączyć dane z różnych źródeł?
• Jak zmierzyć, czy rozwiązanie przyniosło poprawę?
• Jakie działania AI może wykonać samodzielnie?
• Które decyzje wymagają zatwierdzenia przez człowieka?

Jeśli przy którymś pytaniu na spotkaniu zapada niezręczna cisza, najpierw trzeba uporządkować dane, procesy lub integrację systemów, a dopiero potem wdrażać AI.

AI jako efekt dojrzałości firmy

Przygotowanie firmy produkcyjnej do AI nie wymaga rewolucji ani wymiany wszystkich systemów naraz. Zwykle rozsądniej jest zacząć od jednego procesu, sprawdzić, jakie dane są pod ręką, i upewnić się, że rezultat da się zmierzyć.

Wtedy AI staje się kolejnym krokiem w porządkowaniu pracy firmy, a nie modnym celem samym w sobie. Przykładem narzędzia wspierającego wdrożenia AI jest Ideo Flow, platforma do automatyzacji procesów operacyjnych działająca w oparciu o agentów AI. Ideo Flow łączy dane z wielu systemów, analizuje kontekst i wykonuje konkretne, ustalone przez firmę działania – ale tylko w określonych przez nią granicach. Można uruchomić je w infrastrukturze firmy i dobrać model do jej potrzeb: skorzystać z modeli dostawców zewnętrznych, modeli dostępnych w chmurze, np. AWS Bedrock lub Azure AI Foundry, albo uruchomić modele lokalnie na własnym sprzęcie. W tym ostatnim wariancie dane nie opuszczają lokalnej sieci firmy – wdrażamy lokalny model w taki sposób, żeby dane nie wychodziły poza strukturę firmy i żeby nie „karmić” zewnętrznego modelu, co zapewnia bezpieczeństwo i całkowitą poufność danych. Wybór rozwiązania warto poprzedzić oceną wymagań dotyczących bezpieczeństwa i sposobu przetwarzania danych.

Jeśli chcesz dowiedzieć się więcej, posłuchaj podcastu, w którym Jan Mazur rozwija ten temat m.in. o bezpieczeństwo danych i wybór modeli AI, techniczne sposoby integracji z istniejącymi systemami oraz wąskie gardła w firmach produkcyjnych.