AI ve výrobě: Almetra a Shopfloor

KI & Automatisierung · 1. Juli 2026 · Ohiku Mose Guy

AI ve výrobě se stává operativní. Přečtěte si, co znamená kolo financování Almetra ve výši 16 milionů EUR pro střední podniky v DACH regionu a jak začít.

Kdo v roce 2026 stále věří, že AI ve výrobě je IT projekt, bude předstižen vlastním shopfloorem. Myslím to vážně, protože další zisky produktivity nepřijdou z hezčích dashboardů, ale z rozhodnutí v rytmu linky. Ne měsíčně. Ne po dalším Lean workshopu. Ale zatímco zařízení běží, materiál kolísá, operátor improvizuje a prodej přesto slibuje termíny dodání. Kolo financování Series A společnosti Almetra ve výši 16 milionů EUR proto není jen zpráva o startupu z Berlína – je to signál, že Manufacturing Intelligence vypadává z pilotního boxu a chce do každodenní výroby.

Almetra, dříve Deltia, podle zprávy EU-Startups z ledna 2026 získala Series A ve výši 16 milionů EUR, vedenou společností blisce/ z New Yorku a Paříže, s NAP, Merantix Capital, Robin Capital, Underline Ventures a Critical Ventures jako dalšími investory [1]. Pro mě to není zajímavé kvůli sumě. 16 milionů EUR není na VC kalendáři žádný ohňostroj. Zajímavé je, kam se peníze investují – na shopfloor, tam, kde mnoho středních podniků v DACH regionu stále pracuje s exporty do Excelu, směnovými knihami, mezerami v MES a intuicí. Kärcher, Trumpf, Phoenix Contact, Festo, Schaeffler – velká jména už léta ukazují, kolik struktury se může skrývat v produkčních datech. Ale skutečná otázka zní: Co se děje u výrobce nástrojů se 180 lidmi ve východním Vestfálsku, u výrobce plastových dílů ve Vorarlbersku nebo u výrobce přesných dílů poblíž Winterthuru?

Status Quo – AI ve výrobě je dál, než si mnoho COO myslí

Status Quo je rozporuplný. Ve strategických prezentacích je Smart Factory už dávno realitou. Na podlaze haly voní chladicí mazivo, stará tiskárna etiket chrastí vedle linky a nejdůležitější odchylka OEE je ručně napsaná na desce s klipem. Obojí je pravda. Podle AlixPartners Swiss Disruption Landscape v roce 2026 se technologická disrupce – včetně automatizace a AI v produkčních procesech – týká již 62 procent švýcarských výrobních podniků [4]. Regulace a ESG tlak se týkají dokonce 68 procent [4]. To není poznámka pod čarou pro manažery udržitelnosti. To se dostane k COO, k generálnímu řediteli a nakonec k obchodnímu řediteli, když sliby dodání již neodpovídají skutečné kapacitě.

V DACH středních podnicích často vidím stejnou křivku. Nejprve se mluví o nedostatku kvalifikovaných pracovníků. Pak o cenách energií. Pak o zmetkovitosti. Pak někdo řekne: Měli bychom vlastně vědět, která linka ztrácí peníze. Přesně tam se rozhovor zlomí. Protože mnoho továren má stroje se senzory, PLC, někdy MES, někdy ERP s víceméně čistými zakázkami – ale nemají spolehlivou společnou pravdu o ztrátách. Lisovací linka hlásí prostoje jinak než montáž. Opravy žijí v samostatném formuláři kvality. Důvody mikroprostoje odhaduje směna, pokud vůbec někdo má čas. No, skoro. V dobře řízených továrnách samozřejmě existují ukazatele. Ale ukazatele nejsou totéž co příčiny.

To činí pozici Almetra zajímavou. Maximilian Fischer, spoluzakladatel a CEO Almetra, to ve zprávě formuluje tvrdě: Továrny vyráběly vše kolem nás, ale často fungovaly naslepo [1]. Tato věta sedí, protože nezní jako AI. Zní jako výrobní řízení v 6:10 ráno, když je zpráva z ranní směny hodinu stará a opět nevysvětluje, proč zakázka 4711 visí na stroji 4. Manufacturing Intelligence zde neslibuje magii. Slibuje brutálně praktickou věc – zviditelnit ztráty, přiřadit je, prioritizovat.

Pro obchodní ředitele to není čistě operační záležitost. Pokud továrna nezná svou skutečně využitelnou kapacitu, prodává buď příliš opatrně, nebo příliš odvážně. Obojí stojí peníze. Příliš opatrně znamená: konkurenti jako DMG Mori nebo polský subdodavatel s lepším plánováním si odnesou objemy. Příliš odvážně znamená: prodej získá zakázku, výroba ztratí marži, zákazník ztratí důvěru. V projektech jsem zažil, že jedno jediné nepochopené úzké místo zkreslilo celou logiku nabídek. Kalkulátor počítá s normovanými časy. Linka žije v jiné realitě.

Trend 1 – Manufacturing Intelligence se stává operativní vrstvou nad MES a ERP

První trend: AI-nativní platformy Manufacturing Intelligence nenahrazují ERP, MES nebo SCADA. Překrývají je. To zní technicky nenápadně, ale je to důvod, proč tato kategorie nyní roste. Středně velký výrobce s 50 až 500 zaměstnanci nebude jen tak přestavovat SAP S/4HANA, ProAlpha, Infor, starý BDE systém a tři strojní ostrovy. Kdo to požaduje, prohraje projekt před prvním workshopem. Almetra v podstatě říká: Vezmeme existující výrobní data, rozpoznáme úzká místa, kvantifikujeme ztráty výkonu a umožníme lepší rozhodnutí s minimálním narušením probíhajícího provozu [1]. Přesně tato schopnost připojení je rozhodující.

V praxi to znamená: Platforma musí snést špinavá data. Různé takty. Chybějící důvody prostojů. Komentáře operátorů s překlepy. Stroje, které komunikují přes OPC UA, a stroje, které jsou dostupné pouze přes CSV soubor jednou za směnu. Kdo si Manufacturing Intelligence maluje jen jako čistou cloudovou architekturu, byl v továrnách příliš zřídka. U automobilového dodavatele ve Frankách mi Thomas, vedoucí průmyslového inženýrství z Norimberku, řekl: „Zařízení není staré, ale datový řetěec se zastavil v roce 2008.“ Přesně tam je trh. Ne u vlajkových lodí Siemens Amberg, ale u 10 000 továren mezi nimi.

Co konkrétně vidíme u Amplifa: Za posledních 12 měsíců jsme u zákazníků z oblasti strojírenství, zpracování plastů a technické B2B výroby zaznamenali opakující se vzor – mezi 18 a 32 procenty prodejně relevantních předpokladů kapacity v CRM a nabídkových procesech nebylo sladěno s aktuálními daty ze shopflooru. To neznamená, že obchodní ředitel vymýšlí falešná čísla. Znamená to, že čísla stárnou. Linka, která měla v březnu 2025 ještě 82 procent dostupnosti, může v listopadu běžet jen na 74 procent, protože se nástroj častěji zasekává, protože se změnili dva zkušení operátoři nebo protože nová směs materiálu posouvá dobu cyklu. Obchod si toho všimne až tehdy, když se posouvají termíny dodání.

Technická vrstva nad MES a ERP proto není jen IT vzor. Stává se vrstvou důvěry. Pokud COO vidí, že linka A ztrácí týdně 14 hodin kapacity kvůli stejným mikrostopům, může prioritizovat. Pokud obchod vidí, že produktová řada B běží na úzkém místě, nemůže slepě dávat slevy, jen aby koupil vytížení. A pokud vedení vidí, že investice do údržby přináší více než další stroj, o Capexu se diskutuje jinak. Je to nudné? Ne tak docela. Je to rozdíl mezi obranou marží a růstem na písku.

Dáváme jim jistotu namísto dohadů. Většina našich zákazníků nachází v prvních týdnech významné možnosti optimalizace – a přesně tuto rychlost průmysl nyní potřebuje.

— Maximilian Fischer, spoluzakladatel a CEO společnosti Almetra, Berlín [1]

Na tomto citátu se mi líbí část o prvních týdnech. Ne proto, že bych věřil každému poskytovateli, který slibuje rychlé výsledky. Upřímně? U takových vět jsem nejprve nedůvěřivý. Ale ve výrobě skutečně existuje kategorie problémů, která se stane viditelnou po krátké integraci dat: chybné důvody prostojů, podceněné ztráty při přestavbě, drift kvality na určité směně, přetížení na vedlejším zařízení, které se v plánování výroby nikdy neobjeví jako úzké místo. Tyto věci nejsou skryté, protože se nikdo nedívá. Jsou skryté, protože jsou rozptýleny v systémech.

Trend 2 – Prediktivní údržba opouští prezentace a dostává se do týdenního plánu

Druhým trendem je prediktivní údržba, ale prosím bez mlhy z veletržních stánků. Prediktivní údržba byla deset let slibem s příliš mnoha senzory a příliš malou odpovědností. Nyní se mění ekonomika. Energie je drahá, náhradní díly nejsou vždy k dispozici hned druhý den, zkušení údržbáři odcházejí do důchodu a neplánované prostoje nepostihují jen výrobu. Postihují příjem zakázek, loajalitu zákazníků a cenovou disciplínu. U Webasto nebo Brose je organizace údržby dostatečně velká, aby provozovala vlastní datové programy. U dodavatele s 220 zaměstnanci poblíž Heilbronnu to vypadá jinak. Tam se vedoucí údržby často rozhoduje mezi hašením požárů a analýzou příčin.

Manufacturing Intelligence činí prediktivní údržbu cennou, když neříká jen: Ložisko 3 zní divně. Musí říct: Pokud tento vzor přetrvá, linka 2 pravděpodobně ztratí v příštích 14 dnech 9 až 12 hodin produktivního času, a to u zakázek pro zákazníka X a Y. Teprve pak je údržba ekonomicky prioritizovatelná. Pouhé označení anomálií nestačí. Továrna potřebuje pořadí podle nákladů, rizika a dopadu na dodávky. V rozhovoru v prosinci 2025 mi Jan, COO výrobce přesných dílů z Pforzheimu, řekl: „Máme dostatek senzorů. Co nám chybí, je rozhodnutí, které se vejde do plánu v pondělí ráno.“ Lépe to snad ani říct nelze.

Pro obchodní ředitele se prediktivní údržba nepřímo stává otázkou pipeline. Pokud velká zakázka s osmitýdenní dodací lhůtou může být vyrobena pouze na klíčovém zařízení, je technický stav tohoto zařízení součástí kvalifikace obchodu. Zní to přehnaně? Pak se zeptejte key account manažera u automobilového dodavatele, který slíbil OEM zahájení sériové výroby a o tři dny později musí vysvětlovat neplánované poškození vřetena. Obchod mluví o dostupnosti, ale rozhoduje stroj. Přesně proto se shopfloor data v příštích letech budou více promítat do nabídkových a account strategií. Ne jako hezký export. Jako indikátor rizika.

Zde se ESG náhle stává konkrétním. Ne v PDF pro webové stránky, ale ve spotřebě na zakázku, na linku, na šarži zmetků. Pokud platforma s podporou AI rozpozná, že určitá šarže materiálu na zařízení B vede k většímu množství zmetků a zároveň spotřebovává více energie na dobrý kus, není to slogan udržitelnosti. To je marže. To je dodací schopnost. To je rozhovor s nákupem, výrobou a prodejem v jedné místnosti. U Kärcheru nebo Phoenix Contact jsou takové datové řetězce strategickými programy. Ve středních podnicích je často drží pohromadě jediná osoba, na kterou se všichni ptají, protože už 17 let ví, který stroj blbne. Tato osoba je cenná. Ale není to škálovatelný systém.

Trend 3 – AI kontrola kvality se přesune z kontrolního stanoviště do prodejního procesu

Třetí trend je podceňován: kontrola kvality založená na AI nemění jen zmetkovitost. Mění to, co může prodej věrohodně slíbit. Počítačové vidění, akustická kontrola, analýza procesních dat a digitální kontrolní plány se budou sbližovat. Almetra ve zprávě uvádí vývoj produktů jako využití kapitálu [1]; zřejmé jsou moduly pro kontrolu kvality založenou na počítačovém vidění, modely prediktivní údržby a analýzy digitálních dvojčat na úrovni linky. Zda a v jakém pořadí tyto moduly přijdou, vědí jen Almetra a zákazníci. Ale směr je jasný: data o kvalitě budou dřívější, hustší a operativnější.

Proč je to téma prodeje? Protože kvalita se v mnoha průmyslových odvětvích již nejedná dodatečně. Lékařská technika, automobilový průmysl, elektronika, strojírenství – zákazníci chtějí důkazy. Schaeffler, Bosch, Trumpf, Wittenstein, Festo: Kdo dodává takovým společnostem, zná audity, vzorkování, 8D reporty a tichou hrozbu, že při další chybě vypadne ze seznamu dodavatelů. Středně velký výrobce s kontrolou kvality pomocí AI může nejen dříve najít chyby. Může dokázat, že procesní okna byla stabilní. To je jiný prodejní rozhovor. Méně „důvěřujte nám“, více „zde je průběh kritických parametrů v rámci šarže“.

U kontroly kvality pomocí AI jsem přesto opatrný. Mnoho projektů selhává ne na modelu, ale na definici chyb. Co je škrábanec? Jaká odchylka povrchu je relevantní? Kdo rozhoduje v hraničních případech? Model vidění se může naučit jen to, co bylo odborně čistě označeno. U výrobce plastových dílů v Dolním Rakousku voněla kontrolní buňka po teplém granulátu, zatímco mi vedoucí kvality ukazoval 40 dílů, u kterých dva zákazníci hodnotili stejný povrch různě. Tam nepomůže žádná AI romantika. Tam pomůže proces, který spojuje požadavky zákazníků, strategii kontroly a výrobní data. Teprve pak se AI stane užitečnou.

Tato tabulka není záměrně postavena jako orákulum. Analytické prognózy jsou užitečné, ale výrobní realita je záludná. Prognóza neříká, zda vaše linka 7 ztrácí každý čtvrtek po výměně nástroje 23 minut, protože skener špatně čte etikety. Přesně to je ale rozdíl mezi trendem a ziskem. Manufacturing Intelligence musí postavit most – od makroekonomického tlaku k konkrétnímu opatření v továrně. Pokud tento most chybí, zůstane AI ve výrobě jen hezkou nálepkou rozpočtu.

Amplifa ICP Playbook Pro obchodní ředitele ve výrobě: Zostřete svůj ideální zákaznický profil s ohledem na výrobní realitu, vzorce kapacity a spolehlivé nákupní signály.

Proč je kolo financování Almetra důležité pro generální ředitele v DACH

Kolo financování Almetra lze číst jako zprávu o startupu. Pak se kývne, zapamatuje se Berlín, Merantix Capital, blisce/ a 16 milionů EUR, a jde se dál. To by byla chyba. Pro generální ředitele středně velkých výrobních podniků je toto financování tržním signálem: Vzniká softwarová kategorie, která chce rychleji operacionalizovat výrobní znalosti, než to dokázaly klasické ERP a MES projekty. Nenahradit. Doplnit. A někdy i odhalit.

Proč odhalit? Protože mnoho organizací řídí s průměrnými hodnotami. Průměrné vytížení, průměrná dodací lhůta, průměrná zmetkovitost. Průměrné hodnoty jsou pohodlné a nebezpečné. Pokud produktová řada přináší 18 procent marže, ale běží jen na nestabilním zařízení, je průměr pastí. Pokud zákazník přináší velký obrat, ale jeho objednávky ničí úzké místo, obrat není automaticky dobrý obrat. Pokud je továrna v měsíční zprávě zelená, ale dvě směny musí pravidelně improvizovat, zelená je jen barva. Manufacturing Intelligence tyto rozpory zviditelňuje.

Zvláště relevantní mi přijde, že Almetra chce expandovat do Evropy [1]. DACH není jednoduchý trh. Podnikové rady, ochrana dat, rozvinuté systémové krajiny, strojní parky s rozpětím 30 let, vysoké požadavky na kvalitu, zdlouhavé investiční komise. Kdo zde funguje, postavil něco, co odolá tření. Americký nástroj s perfektním cloudovým onboardingem může selhat na jediném chybějícím schválení stroje. Evropský dodavatel, který počítá s fragmentací, má výhodu. Ne záruku. Ale výhodu.

Co znamená AI ve výrobě pro střední podniky

Pro střední podniky znamená AI ve výrobě především: méně výmluv pro slepý provoz. Říkám to záměrně tvrdě. Mnoho firem s 50 až 500 zaměstnanci je technicky lepších, než jak vypadají organizačně. Mají dobré stroje, zkušené lidi, stabilní zákazníky, někdy dokonce velmi čisté procesy. Ale neměří ztráty dostatečně důsledně a tyto ztráty nespojují s obchodními rozhodnutími. To je ten zlom. COO se dívá na OEE. Obchodní ředitel se dívá na prognózy a příjem objednávek. Vedení se dívá na EBITDA a hotovost. Pravda sedí někde mezi dobou nastavení, reklamací a termínem dodání.

Prvním obchodním efektem je jasnost kapacity. Už ne: Jsme zhruba plní. Ale: Na lince 3 máme reálně 11 procent skryté kapacity, pokud odstraníme dvě příčiny prostojů a změníme produktový mix. Markus, obchodní ředitel dodavatele speciálních strojů z Augsburgu, to v dubnu 2025 formuloval takto: „Kdybych věděl, které zakázky se skutečně hodí, prodával bych jinak.“ Přesně to je ten bod. Prodej bez výrobní inteligence je v mnoha výrobních podnicích sázka.

Druhým efektem je cenová disciplína. Pokud víte, že zakázka zatěžuje úzké místo, nedáte slevu jen proto, že zákazník křičí. Pokud víte, že varianta produktu generuje nadprůměrné množství zmetků, kalkulujete jinak. Pokud můžete prokázat, že vaše data o kvalitě jsou stabilnější než u konkurence, prodáváte nejen díly, ale i procesní bezpečnost. Prémiové postavení, které AlixPartners popisuje pro švýcarské výrobce jako strategii proti narušení [4], potřebuje přesně takové důkazy. Ne brožury. Data.

Třetím efektem je internacionalizace s menší intuicí. Mnoho výrobců v DACH zvažuje nearshoring, další závody ve východní Evropě nebo dodavatelské řetězce s větší redundancí. Bez spolehlivých výrobních dat je to drahé. Pak se nepřesouvají procesy, ale předpoklady. Vrstva Manufacturing Intelligence může pomoci srovnat linky, produktové rodiny a lokality. U Phoenix Contact nebo Festo je srovnání lokalit zavedeným tématem řízení. U menších firem vzniká často až tehdy, když druhý závod už běží a nikdo nedokáže vysvětlit, proč stejná sestava v Česku způsobuje o 9 procent více oprav.

Technická realita – proč mnoho AI-Manufacturing projektů selhává

Píšu jako inženýr, takže nepříjemná část musí být zahrnuta. Projekty se nelámou jen proto, že lidé odmítají změnu. Lámou se, protože datové modely jsou naivní. Protože signál stroje není jednoznačný. Protože zastavení na 18 sekund je někdy ignorováno, někdy počítáno. Protože zakázka v ERP je hotová, zatímco se ještě pracuje na opravách. Protože kamera v létě vidí jiné světlo než v lednu. Protože síťové segmenty jsou z dobrého důvodu odděleny. Protože bezpečnost říká: Žádné cloudové připojení z OT. A někdy proto, že nejdůležitější operátor nemá chuť potřetí zadávat stejný důvod prostoje do masky.

Proto nevyhrává automaticky dodavatel s nejlepším modelem strojového učení. Vyhrává dodavatel, který dokáže stabilizovat datovou cestu. Od stroje k edge-gateway, od edge-gateway k kontextovému modelu, od kontextového modelu k rozhodnutí. Kontext je drahé slovo. Špička proudu znamená málo, pokud nevím, jaký nástroj, jaký materiál, jaká zakázka, jaká směna a jaký režim provozu byly aktivní. Chyba kvality znamená málo, pokud ji nemohu spojit s procesními parametry. Přesně zde se Manufacturing Intelligence liší od reportingu.

U Amplifa nestavíme produkt Almetra a nebudu zde hodnotit cizí architekturu, kterou jsem neviděl v kódu. Ale třídu systémů znám dostatečně dobře: Těžká část není demo s historickými daty. Těžká část je výroba. Nové číslo artiklu. Změněný kontrolní znak. Zastavení stroje během údržby. Změna zaměstnanců. Aktualizace ERP. Vypršel certifikát VPN. AI, která v týdnu tři poskytuje dobré poznatky, musí v měsíci devět stále poskytovat použitelné signály. Jinak se stane dalším monitorem, který nikdo neotevře.

FAQ – Je Manufacturing Intelligence jen nový MES?

Ne. MES plánuje, zaznamenává a řídí výrobní procesy, v závislosti na úrovni zralosti velmi hluboce. Manufacturing Intelligence se typicky nachází nad ním a snaží se odvodit vzorce z dat o strojích, kvalitě, zakázkách a údržbě. Hranice není vždy jasná. Někteří poskytovatelé MES integrují AI moduly, někteří poskytovatelé Manufacturing Intelligence přebírají funkce blízké MES. Pro generálního ředitele je lepší otázka: Který systém mi za dva týdny odpoví, kde ztrácíme peníze a jaké opatření je na řadě jako první?

FAQ – Potřebujeme k tomu perfektní data?

Ne. Ale potřebujete poctivá data. To je rozdíl. Perfektní data jsou v továrně vzácná. Poctivá data znamenají: známé mezery, dokumentované předpoklady, jasné definice pro prostoje, zmetkovitost, opravy a dobrý kus. Pokud se dodavatel tváří, že AI to všechno automaticky opraví, odešel bych z místnosti. Nebo bych alespoň velmi dlouho mlčel.

FAQ – Co z toho konkrétně má obchod?

Obchod získá lepší odpověď na čtyři otázky: Které produkty můžeme ziskově rozvíjet? Kteří zákazníci blokují kapacitu úzkých míst? Které dodací sliby jsou realistické? Kde můžeme prodávat kvalitu jako diferenciaci? To zní jako operace. A také to tak je. Ale ve výrobě spolu kvalita obchodu a výrobní realita souvisí těsněji, než si mnoho CRM procesů připouští.

Příprava – 7 kroků, než si pořídíte AI ve výrobě

1. Pojmenujte ekonomické úzké místo, nikoli technologii. Příklad: Linka 2 ztrácí týdně odhadem 10 hodin, ale nikdo nezná hlavní příčinu. Pokud začnete s „chceme AI“, dostanete prezentace. Pokud začnete se ztrátou, dostanete měřitelnost.
2. Vyjasněte si své zdroje dat. ERP, MES, BDE, SCADA, databáze kvality, lístky údržby, Excelové směnové zprávy – sepište, co existuje, komu to patří a jak často se to aktualizuje. U dodavatele Festo v Bádensku-Württembersku našel tým v červnu 2025 tři různé definice zmetkovitosti.
3. Definujte klíčové ukazatele výkonnosti na úrovni závodu. OEE, míra zmetkovitosti, doba nastavení a energie na dobrý kus jsou užitečné pouze tehdy, pokud všichni akceptují stejný výpočet. Jinak nebudete později diskutovat o opatřeních, ale o matematice.
4. Zapojte obchod a controlling včas. Manufacturing Intelligence bude slabá, pokud bude ukazovat pouze technické ztráty. Musí ukázat, jaké ztráty ovlivňují tržby, marži, dodací schopnost nebo riziko reklamací.
5. Začněte s jednou linkou nebo produktovou rodinou. Ne s celým závodem. Vyberte oblast s vysokým objemem, viditelnou bolestí a odpovědnými lidmi, kteří chtějí výsledky využít. Tichá pilotní linka bez tlaku managementu je hřbitovem dobrých nápadů.
6. Naplánujte OT-Security před onboardingem dodavatele. Síťový přístup, edge zařízení, cloudová povolení, role modely, auditní logy – to není papírování. Jediný nevyřešený problém s firewallem může zablokovat projekt na čtyři týdny.
7. Určete, kdo rozhoduje po zjištění. Pokud AI ukáže úzké místo A, kdo změní směnový plán, plán údržby, kalkulaci nabídky nebo produktový mix? Bez rozhodovacího práva se Manufacturing Intelligence stane diagnostikou bez terapie.

Produkt Amplifa Amplifa propojuje B2B prodejní procesy s datově řízenou prioritizací – aby se pipeline, ICP a operativní realita nerozcházely.

Těchto sedm kroků zní přízemně. Přesně proto fungují. Viděl jsem příliš mnoho projektů, které začaly architekturou modelu a zemřely na odpovědnostech. Kdo má reagovat, když systém ukáže, že prémiový zákazník pravidelně spouští ztrátové zakázky? Obchod? Výroba? Vedení? Kdo řekne zákazníkovi, že jeho speciální požadavek už nebude zdarma? AI najde konflikt. Automaticky ho nevyřeší.

Úhel pohledu prodeje – proč se řízení pipeline bez dat ze shopflooru stává slabým

Mnoho čtenářů u článku o Almetra pravděpodobně očekává OEE, údržbu a kvalitu. Spravedlivé. Ale chci silněji zdůraznit úhel pohledu prodeje, protože se v DACH příliš zřídka čistě diskutuje. Řízení pipeline ve výrobních podnicích je často odděleno od továrny. CRM zná příležitosti, pravděpodobnosti, zákaznické segmenty, možná marže. Továrna zná úzká místa, logiku nastavení, rizika kvality, personální omezení. Mezi těmito dvěma světy obvykle sedí Excelová tabulka nebo zkušený plánovač výroby, který pod tlakem řekne „to půjde“.

Kdo v roce 2026 stále sází na čistě inbound strategii v B2B výrobním prostředí, nebude mít za pět let žádnou pipeline. Ano, drsné. Ale podívejte se na realitu: Procesy nákupu se prodlužují, technické požadavky jsou přísnější, hodnocení dodavatelů jsou datově náročnější. Pokud váš prodej neví, kteří zákazníci odpovídají skutečné výrobní síle, prodává proti vlastnímu provozu. ICP pro výrobní podniky nesmí obsahovat jen odvětví, velikost obratu a region. Musí obsahovat výrobní fit. Které díly běží stabilně? Které varianty mají křivku učení? Které požadavky zákazníků odpovídají strategii testování a kapacitě?

Z našich implementací víme: Pokud prodejní týmy porovnávají své seznamy cílových zákazníků s operativními omezeními, překvapivě často se mění top účty. U výrobce technických sestav v DACH se 27 procent prioritizovaných cílových účtů posunulo poté, co jsme do hodnocení ICP zahrnuli produktové rodiny, riziko dodací lhůty a historické vzorce reklamací. Předtím velký zákazník vypadal atraktivně, protože potenciál obratu a logo seděly. Poté bylo jasné: Zákazník by si vybral přesně ty varianty, které blokují kontrolu úzkého místa. To není teorie. To je hygiena pipeline.

Amplifa ICP Playbook pro výrobce Použijte Playbook k hodnocení cílových zákazníků nejen podle tržního potenciálu, ale také podle výrobního fitu, marže a dodací schopnosti.

Co Almetra správně řeší – a kde je trh stále otevřený

Almetra řeší bolavé místo: Továrny vědí, že ztrácejí kapacitu, ale ne dostatečně přesně, kde a proč [1]. Tato formulace je silná, protože neprodává sci-fi. Prodává orientaci. Pokud zákazníci podle Fischera v prvních týdnech nacházejí významné možnosti optimalizace [1], pak hodnota pravděpodobně spočívá v rychlé kontextualizaci ztrát. Ne v dokonalém digitálním dvojčeti od prvního dne.

Trh zůstává přesto otevřený. Epicor Prism byl podle The Retail Data rovněž prezentován jako AI-powered Manufacturing Solution pro Evropu [2]. Klasičtí dodavatelé ERP a MES budou dodávat AI vrstvy. Cloudoví hyperscaleři budou poskytovat referenční architektury. Specialisté na počítačové vidění, údržbu a optimalizaci energie půjdou hlouběji do nik. Pro zákazníky je to dobré a zároveň otravné. Dobré, protože vzniká výběr. Otravné, protože každý nástroj tvrdí, že je centrální inteligentní vrstvou. Moje rada: Nevěřte žádnému architektonickému diagramu, který vaše stávající systémy kreslí příliš čistě.

Vítězové nebudou umět jen AI. Budou umět implementaci. Budou umět mluvit s vedoucím závodu, který nemá čas na platformovou poezii. Budou umět mluvit s IT bezpečností, aniž by vypadali uraženě. Budou s controllingem sestavovat výkaz ztrát. Budou s prodejem vysvětlovat, proč je nový obchod operativně riskantní. A budou akceptovat, že některá data zůstanou zpočátku manuální. No, skoro. Manuální často zůstává déle, než dodavatelé přiznávají.

Rizika – ochrana dat, podniková rada, OT-Security a důvěra v model

Žádná zpráva o trendech by nebyla upřímná, kdyby bagatelizovala rizika. V DACH jsou výrobní data citlivá. Nejen kvůli ochraně dat, ale i kvůli konkurenčnímu know-how. Z taktovacích časů, zmetkovitosti, mixu zakázek a prostojů lze odvodit mnoho o nákladové struktuře a zákaznících. Pokud dodavatel zpracovává výrobní data v cloudu, musí být jasné, kde data leží, kdo k nim má přístup, jak se modely trénují a zda se zákaznická data dostávají do obecných tréninkových procesů. Podnikové rady se oprávněně ptají, když se vyhodnocují směnová data na úrovni operátora. Vůně horkého kovu v hale je romantická. Pracovněprávní hodnocení výkonnostních dat nikoli.

OT-Security je druhý tvrdý bod. Platforma Manufacturing Intelligence potřebuje data z výroby, ale nesmí výrobu ohrozit. Segmentace, přístupy pouze pro čtení, edge zpracování, správa certifikátů, procesy záplatování – to je strojovna, ne marketing. COO by se měl svého dodavatele zeptat: Co se stane, když se spojení přeruší? Mohou linky dál běžet? Jak se testují aktualizace? Jaké existují logy? Jaká data opouštějí továrnu? Pokud jsou odpovědi mlhavé, je to varovný signál.

Důvěra v model je třetí bod. AI může identifikovat úzké místo a přesto se mýlit, pokud chybí kontext. Možná byla linka pomalá, protože byl zaškolován nový zaměstnanec. Možná byla zmetkovitost záměrná, protože byl zpřísněn kontrolní proces. Možná byla zakázka speciální případ. Proto systémy potřebují zpětnovazební smyčky. Operátoři, údržbáři, vedoucí kvality a plánovači musí být schopni provádět opravy. Jinak vznikne stroj, který zní chytře a hloupě prioritizuje.

Rozpočtová logika – proč se AI ve výrobě musí počítat jinak

AI ve výrobě se nebude škálovat prostřednictvím inovačních rozpočtů. Ne trvale. Musí se vyplatit prostřednictvím tvrdých hodnotových faktorů: méně prostojů, méně zmetků, kratší doba nastavení, stabilnější dodací lhůty, lepší marže z nabídek, nižší spotřeba energie na dobrý kus. Každý projekt bych začal s baseline. Čtyři týdny dat, jedna linka, jasné kategorie ztrát. Pak opatření. Pak srovnání. Ne perfektní, ale dostatečně spolehlivé, aby ospravedlnilo druhý závod.

Příklad: CNC buňka se čtyřmi stroji ztrácí týdně 12 hodin kvůli neplánovaným zastavením a malým poruchám. Interní hodinová sazba je 95 EUR, úzké místo navíc brání dvěma zákaznickým zakázkám měsíčně s marží 18 000 EUR každá. Pokud vrstva Manufacturing Intelligence sníží jen třetinu těchto ztrát, obchodní případ není subtilní. Ale k tomu systém nemusí jen počítat zastavení. Musí ukázat, která zastavení jsou ovlivnitelná a jaké opatření má nejvyšší účinek. Jinak se optimalizuje to nejhlasitější namísto nejdražšího.

Pro generální ředitele není nejlepší otázka: Kolik stojí software? Nejlepší otázka je: Jakou ztrátu právě akceptujeme, protože ji nevidíme? Tato otázka bolí. Odhaluje, že některé továrny žijí léta se stínovou daní – ve formě oprav, speciálních jízd, posunů termínů, slev a interních eskalací. Manufacturing Intelligence slibuje tuto daň zviditelnit. Zaplatit ji musíte stejně, dokud nikdo nejedná.

Osobní prognóza – příští 2 až 3 roky

Moje prognóza: Do konce roku 2028 nebude Manufacturing Intelligence v DACH vnímána jako hřiště pro AI, ale jako běžná operativní infrastruktura pro náročné výrobce. Ne všude. Ne u každé firmy s 70 zaměstnanci se třemi stabilními stroji a plným objednávkovým sešitem. Ale u firem, které mají více linek, náročné zákazníky, auditní tlak a skutečné kapacitní konflikty. Tam nebude otázka, zda se výrobní data využívají. Bude znít, proč prodej, plánování a údržba mají stále odlišné pravdy.

Očekávám tři posuny. Zaprvé, COO budou více nakupovat podle doby do získání poznatků (Time-to-Insight). Ne podle seznamů funkcí. Kdo za čtyři týdny ukáže spolehlivé vzorce ztrát, porazí dodavatele s 80 funkcemi a devítiměsíčním plánem projektu. Zadruhé, prodej bude čerpat data z výroby do ICP, prioritizace nabídek a plánování účtů. To vyvolá odpor, protože to některé oblíbené zákazníky ukáže v horším světle. Zatřetí, ESG a energetická data se začlení do optimalizace výroby. Ne z idealismu, ale proto, že to vynucují zákazníci a náklady.

Kolo financování Almetra ve výši 16 milionů EUR je pro to ukazatelem, nikoli konečným bodem. Ukazuje, že investoři věří v evropskou kategorii: AI-nativní nástroje, které přímo vytvářejí hodnotu z dat ze shopflooru. Zda bude Almetra za pět let dominantní platformou, nevím. Nikdo to neví. Ale věřím, že staré oddělení mezi továrními daty a obchodními rozhodnutími se láme. Prodej se přiblíží ke stroji. COO se přiblíží k pipeline. A někde v hale bude dál chrastit stará tiskárna etiket, zatímco dashboard poprvé ukáže, co ten zvuk skutečně stojí.