AI ve výrobě: Sázka BMW na roboty

KI & Automatisierung · 29. Juli 2026 · Omer

AI ve výrobě se stává fyzickou: BMW testuje humanoidní roboty. Přečtěte si, co by měli nyní připravit COO v německy mluvících zemích.

V roce 2024 bylo v Evropě nově instalováno 85 000 průmyslových robotů, z toho 26 900 jen v Německu (International Federation of Robotics, World Robotics 2025). AI ve výrobě už tedy není jen téma ze strategických porad, ale je přítomna mezi lisovnou, montážní linkou a intralogistikou. BMW nyní jde o krok dál a v Mnichově buduje kompetenční centrum pro „Physical AI in Production“, zatímco humanoidní roboty jsou testovány na německých linkách (Industriemagazin, 2025). To je důležité, protože se zde propojují dva dosud oddělené světy – klasická robotika a učící se AI systémy. Moje prognóza: Do roku 2028 nevyhraje výrobce, který koupí nejvíce robotů, ale ten, kdo nejčistěji převede tovární data, ergonomii, taktovací čas a bezpečnostní schválení do operačního systému pro fyzickou AI.

BMW není startup s veletržním videem. BMW je OEM, kterým se řídí dodavatelé, výrobci zařízení a mnoho manažerů ve středních podnicích, i když to nepřiznají. Pokud v Mnichově vzniká „Physical AI in Production“ hub, není to jen pěkná inovační laboratoř se skleněnou stěnou a návštěvnickou kartou. Je to signál pro Brose, Schaeffler, Webasto, Wittenstein, Festo, Phoenix Contact a pro každý podnik se 180 zaměstnanci ve východním Vestfálsku, který dodnes věří, že cobot vedle CNC je již automatizační strategií.

Status quo: AI ve výrobě uvízla v pasti škálování

Současný stav je nepříjemný. Evropa léta mluví o Průmyslu 4.0, digitálních dvojčatech a propojených továrnách, ale široká implementace zůstává slabá. Podle whitepaperu Adecco, který byl v říjnu 2025 citován v německých finančních médiích, vzniklo v letech 2022 až 2025 v Evropě asi 1,9 milionu nových pracovních míst souvisejících s AI, zatímco jen asi 20 procent firem v EU skutečně škálovatelně integrovalo AI. Tato mezera voní po PowerPointu. Ne po oleji, plastovém granulátu a směnném plánu.

Vidím to i v rozhovorech s výrobními společnostmi. Ne teoreticky. V březnu 2025 mi Andrea, Head of Sales u Hidden Champion v Bielefeldu, řekla: „Máme tři AI piloty, ale žádný nemá po kick-offu majitele.“ To zní banálně, ale trefuje to podstatu. Mnoho středních podniků testuje počítačové vidění na kontrolní stanici, prediktivní údržbu na lince a chatboty v interním prodeji. No, skoro. Chybí propojení mezi procesem, datovým modelem, kalkulací nákladů a odpovědností.

U BMW je rozdíl právě v tomto propojení. Mnichovský hub má podle Industriemagazinu systematicky zkoumat, které robotické systémy podporované AI jsou připraveny k výrobě – podpora montáže, intralogistika, manipulace s materiálem, spolupráce člověk-robot. Ne „Dokáže robot zvednout krabici?“. Ale: Změní taktovací čas, dodržuje bezpečnostní zóny, snižuje ergonomickou zátěž, lze jej udržovat a přizpůsobuje svůj pohyb skutečné variabilitě, tedy tomu, co se v továrnách vždy děje, když demo linka skončí.

Číslo 85 000 nových robotů v Evropě se zdá velké. Není to tak docela pravda. Spíše ukazuje, že klasická automatizace dosáhla fáze saturace a selekce. V roce 2024 klesly instalace v Evropě o 8,6 procenta, Německo zůstalo silné s 26 900 jednotkami, ale další skok nepřijde z ještě více os. Přijde z vnímání, uchopování, učení a integrace do IT/OT systémů. To je bod, kde se Physical AI stává zajímavou – a nebezpečnou pro firmy, které své datové základy stále rozkládají do Excelu, MES exportu a pocitu.

Trend 1: Humanoidní roboti se stávají otázkou benchmarku

Humanoidní roboti jsou přeceňováni, pokud je považujeme za náhradu člověka. Jsou podceňováni, pokud je považujeme za testovací nástroj pro flexibilní automatizaci. BMW netestuje humanoidní systémy proto, že by dvounohý robot vypadal dobře na LinkedIn. Důvod je střízlivější: Mnoho továren je postaveno pro lidské tělo. Regály, výšky úchopu, nástroje, vozíky, zorné osy, dveře, ovládací panely. Kdo tam chce automatizovat, aniž by přestavěl půlku linky, dříve či později skončí u robotů, kteří si poradí s lidským prostředím.

To je ten skutečný šok pro COO. Ne robot. Ale architektura továrny. Klasický šestiosý robot je brilantní, pokud je úkol stabilní. Cobot je smysluplný, pokud síla, dosah a rychlost mohou zůstat omezené. Ale mnoho zbývajících úkolů v montáži a logistice leží mezi tím: uchopování komponent z KLT, vedení kabelů, podávání dveřních panelů, zvedání nástrojů, jízda s prázdnými kontejnery, kontrola štítků. U Trumpf v Ditzingenu, DMG Mori v Pfrontenu nebo Kärcher ve Winnendenu zná každý vedoucí výroby takové mezery. Jsou příliš drahé pro čistě ruční práci a příliš variabilní pro starou automatizaci.

Mnichovské kompetenční centrum BMW tyto mezery nezaplní jediným modelem robota. Bude porovnávat. Platformu proti platformě, chapadlo proti chapadlu, vizuální systém proti vizuálnímu systému. Pro mě jako inženýra je to právě ta zralá část zprávy. Ne „BMW testuje humanoidní roboty“. Ale: BMW buduje instanci, která měří taktovací čas, bezpečnostní výkon a celkové náklady na vlastnictví. Kdo v roce 2026 stále kupuje robotiku z katalogu bez benchmarkového designu, zaplatí školné.

Evropa má výhodu v komplexních, vysoce přesných dílech. Ale tato výhoda se škáluje pouze tehdy, když se software, robotika a výrobní znalosti těsněji propojí.

— Jonas Schneider, zakladatel Daedalus, Mnichov

Na Schneiderově tezi se mi líbí, že nezní jako import ze Silicon Valley. Daedalus nestaví chatbota pro továrny. Společnost pracuje na výrobě komplexních dílů s podporou AI, tedy přesně v oblasti, kde jsou evropské podniky tradičně silné: malé série, vysoká přesnost, obtížné materiály, mnoho variant. Kdo už někdy mluvil s generálním ředitelem z nástrojárny v Remscheidu o časech seřizování, ví: Úzké hrdlo je zřídka jen stroj. Jsou to data, plánování, přípravky, zkušenosti a zaměstnanec, který ví, že tento jeden díl s odchylkou 0,03 milimetru později způsobí problémy.

Trend 2: Fyzická AI přesouvá konkurenci od robota k datové základně

Fyzická AI zní jako hardware. Ale je to jen z poloviny. Druhá polovina spočívá v datech, modelech a zpětnovazebních smyčkách. BMW chce podle zprávy spojit data ze senzorů, data o kvalitě a ergonomická hodnocení, aby trénovalo modely AI a přizpůsobilo chování robotů reálné výrobní variabilitě. To není pěkný doplněk. To je příkop.

Humanoidní robot, který potřebuje 30 minut demo dat k naučení nového úkolu, mění rovnici. Švýcarská firma Mimic Robotics v roce 2025 ukázala s FLUX-mimic video-akční model, který se má učit komplexní tovární úkoly z velmi malého množství demonstračního materiálu; Interesting Engineering informoval o 30 minutách místo 30 hodin tréninkových dat a Audi je zmiňováno jako prostředí pro hodnocení. Upřímně? Nevím, jestli toto číslo vydrží v každé linii. Pravděpodobně ne. Ale i kdyby se z 30 minut nakonec staly čtyři hodiny, je to pro výrobu s mnoha variantami jiná planeta než klasické programování s týdenní dobou běhu.

Pro střední podniky je tento vývoj brutálně dvojsečný. Na jedné straně klesá vstupní bariéra, protože roboty už nemusí být pro každý pohyb tvrdě programovány. Na druhé straně roste význam čistých procesních dat. Kdo dnes nemá spolehlivé kusovníky, procesní časy, kódy kvality a sledovatelnost, nebude „zavádět“ Physical AI. Postaví drahého robota vedle špatného datového základu. Pak tam bude stát. Bude blikat. A vedoucí směny ho po dvou týdnech zase vypne.

Co konkrétně vidíme u Amplifa: Za posledních 12 měsíců jsme u 17 výrobních společností v DACH, převážně s 80 až 420 zaměstnanci, spojili data z prodeje, ERP exportů a zpětné vazby z výroby pro modely ICP a pipeline. V 11 z těchto 17 projektů nebyla technickou překážkou AI model, ale definice „dobrého zákazníka“ podle skutečné výrobní kapacity: velikost šarže, podíl variant, marže po nákladech na seřízení, míra reklamací, dodací okno. Jeden výrobce strojů z Bádenska-Württemberska měl 38 % svých aktivních leadů v segmentech, které se líbily prodeji, ale výrobu pravidelně blokovaly. Po očištění se množství leadů sice snížilo. Ale míra nabídek vzrostla za čtyři měsíce z 18 na 31 procent. To není magie. To je datová hygiena s komerčním kouskem.

Proč to píšu v článku o humanoidních robotech? Protože stejná logika přichází do továrny. Fyzická AI nepotřebuje jen dobré chapadla. Potřebuje jasnou představu o tom, které úkoly jsou ekonomické, jaká variabilita je normální, kde vzniká kvalita a kde je člověk lepší. Mnoho COO podceňuje tuto část, protože datové projekty voní po IT. Špatně. Voní po kovových třískách, plastu a přepracování.

Amplifa ICP Playbook Praktický playbook pro hodnocení cílových zákazníků nejen podle obratu, ale také podle výrobní vhodnosti, marže a proveditelnosti.

Trend 3: AI ve výrobě se stává otázkou prodeje

To zní na první pohled špatně. Výroba je téma COO, prodej je téma CSO. V mnoha středních podnicích dokonce oba sedí v různých budovách a na chodbě visí starý plán haly z roku 2009. Ale krok BMW ukazuje, proč toto oddělení už nefunguje. Pokud se výroba stane flexibilnější, změní se nabídková politika, dodací lhůty, minimální velikosti šarží, ceny variant a servisní sliby. Pokud se výroba nestane flexibilnější, musí prodej pečlivěji vybírat. Obojí je řízení pipeline.

Markus, vedoucí prodeje u výrobce komponent v Norimberku, mi v červnu 2025 řekl: „U nás to nefunguje, protože prodej slaví každou zakázku a výroba pak platí účet.“ Ta věta mi utkvěla v paměti. Ne proto, že by byla obzvlášť elegantní, ale proto, že je pravdivá. AI ve výrobě bez AI v komerčním systému vede k novému problému: Provoz teoreticky zvládne více, ale prodej prodává dál jako dříve. Nebo hůře – prodává novou flexibilitu zákazníkům, kteří nikdy nebudou ziskoví.

Zde odporuji oblíbené tezi: Střední podniky by měly nejprve automatizovat továrnu a teprve poté se zaměřit na trh. Ne. Kdo v roce 2026 nesrovná své cílové zákazníky, nabídkové vzorce a segmentovou logiku s výrobními daty, buduje automatizaci do špatné poptávky. BMW si může dovolit kompetenční centrum, které testuje několik platforem. Dodavatel se 140 zaměstnanci z Heilbronnu to nemůže. Musí předem vědět, které zakázky se díky Physical AI stanou ekonomičtějšími a které jen způsobí větší chaos.

Proč je BMW Physical-AI-Hub víc než jen robotický projekt

BMW nenazývá toto téma jednoduše robotikou. Termín Physical AI je zvolen záměrně. Popisuje systémy, které nejen vykonávají příkazy, ale také vnímají pomocí senzorů, rozhodují na základě modelů a fyzicky zasahují pomocí aktuátorů. V montážní hale v Dingolfingu nebo Mnichově to znamená: Kamery vidí polohy komponent, silové senzory detekují odpor, modely vyhodnocují další úchop, bezpečnostní systémy omezují pohyb a MES přesto musí vědět, která zakázka právě probíhá.

Rozdíl oproti dřívější automatizaci není v tom, že by stroje najednou byly inteligentní. Slovo „inteligentní“ používám nerad, protože příliš mnoho zakrývá. Rozdíl je v rychlosti adaptace. Klasický robot potřebuje stabilní podmínky. Fyzická AI se snaží produktivně pracovat s nestabilitou. Kontejner stojí o dva centimetry jinak. Kabel nevisí přesně. Zaměstnanec položí díl mírně otočený. Dříve to byl důvod pro zastavení nebo přípravky. Nyní se to stává problémem modelování.

To věci neusnadňuje. Naopak. Kdo chce flexibilní robotiku uvést do výroby, musí testovat více než jen pohybové sekvence. Musí dokumentovat bezpečnostní případy, objasnit otázky odpovědnosti, zapojit zaměstnanecké rady, školit údržbu, prověřit IT/OT bezpečnost a definovat klíčové ukazatele, které nejsou zkreslené. Robot, který má v demu 90 procent úspěšnosti, může být v lince přesto nepoužitelný, pokud zbývajících 10 procent pokaždé váže pracovníka a narušuje takt.

Co znamená AI ve výrobě pro střední podniky?

Pro středně velké výrobce s 50 až 500 zaměstnanci není krok BMW plánem k okopírování. Kdo se pokusí jeden k jednomu napodobit kompetenční centrum OEM, spálí rozpočet. Poučení je jiné: BMW odděluje průzkum od provozu. Systematicky testuje, než škáluje. Přesně to v mnoha podnicích chybí. Tam se koupí cobot, protože běží dotační program. Nainstaluje se kamera, protože ji přinese dodavatel. Spustí se AI projekt, protože generální ředitel slyšel přednášku na akci VDMA ve Frankfurtu.

Říkám to tvrdě: Kdo Physical AI považuje za projekt nákupu, nepochopil to. První otázka nezní „Jakého robota koupíme?“. První otázka zní: Kterých deset činností nás dnes stojí marži, zdraví nebo dodací schopnost? U Schaeffler nebo Webasto existují týmy, které dokážou na takové otázky odpovědět daty. Ve středních podnicích leží odpověď často u Ralfa z přípravy práce, u Yasemin z kontroly kvality a u vedoucího směny, jehož zkušenosti nikdy nebyly strukturovaně zaznamenány.

Druhý dopad se týká prodeje. Pokud Physical AI zmírňuje ergonomicky náročné úkoly, může podnik přijímat jiné zakázky. Možná menší šarže. Možná více variant. Možná kratší dodací lhůty. Ale jen tehdy, pokud prodej a výroba společně tuto novou schopnost převedou. Jinak vzniká nebezpečný efekt: Továrna dostane lepší nástroje, trh dostane falešné sliby.

V říjnu 2025 jsem s Thomasem, COO výrobce plastů poblíž Stuttgartu, mluvil přesně o tomto bodě. Žádné pódium, žádný panel analytiků, jen střízlivá diskuse o úzkých hrdlech. Jeho věta: „Naše nejlepší automatizace je k ničemu, když prodej dál prodává díly, které umírají při přepracování.“ To je typ věty, kterou si poznamenávám. Protože ukazuje, že AI ve výrobě je nakonec výsledovka, ne technologický příběh.

FAQ: Musí střední podnik nyní testovat humanoidní roboty?

Ne. Ve většině případů ne hned. Podnik s 90 zaměstnanci, dvěma montážními linkami a ERP systémem, který je čistě udržován jen jednou týdně, by neměl začínat s humanoidní robotikou. Měl by začít s inventurou případů použití, kvalitou dat a ekonomickou prioritizací. Humanoidní roboti se stanou relevantními pro určité mezery – mobilní manipulace, ergonomicky náročné činnosti, flexibilní toky materiálu. Ale nejsou náhradou za procesní jasnost.

FAQ: Jaké klíčové ukazatele rozhodují o Physical AI?

Nezahajoval bych pouze s ROI. ROI je důležité, ale často příliš hrubé. Rozhodující jsou odchylka taktovacího času, frekvence zásahů zaměstnanců, bezpečnostní události, náklady na přestavbu, míra chybných úchopů, míra přepracování, doba údržby a dopad na dodací lhůty. U výrobce elektroniky podobného Phoenix Contact může být důležité zvládání variant. U dodavatele Festo spíše bezpečnost úchopu a sledovatelnost. U zakázkového výrobce v Sauerlandu záleží na tom, zda robot ve středu stále dodává stejnou marži jako v demu v pondělí.

FAQ: Nahrazuje Physical AI kvalifikované pracovníky?

Částečně nahrazuje činnosti. Ne lidi jako celek. To není morální výmluva, ale výrobní realita. Evropa má nedostatek kvalifikovaných pracovníků, stárnoucí pracovní sílu a ergonomicky náročné práce, které mladší zaměstnanci často už nechtějí dlouho dělat. V malých a středních podnicích v německy mluvících zemích vidím spíše vzorec: Automatizace podporovaná AI stabilizuje směny, snižuje fyzickou zátěž a přesouvá práci do dohledu, údržby, kvality a zlepšování procesů. Kdo z toho dělá čistě propouštěcí příběh, nepochopil haly.

Příprava: 7 kroků pro COO a generální ředitele

1. Vytvořte mapu případů použití: Seznamte 20 činností, které jsou dnes ergonomicky náročné, kritické pro taktovací čas nebo náchylné k chybám v kvalitě. Ne z hlavy. S vedoucími směn, kvalitou, údržbou a prodejem. Příklad: manuální manipulace s těžkými sestavami u dodavatele Webasto v Bavorsku.
2. Spočítejte ekonomiku pro každou činnost: Zaznamenejte minuty, chyby, přepracování, absence kvůli nemoci, prostoje a ušlé příležitosti. Cobot za 55 000 eur může být drahý. Úzké hrdlo, které každý týden zruší dva dodací termíny, je dražší.
3. Zkontrolujte datovou základnu: Existují čisté kusovníky, procesní časy, kódy kvality, varianty zakázek a zpětná vazba z linky? Pokud ne, prvním krokem Physical AI není robot, ale datová práce v ERP/MES.
4. Definujte design benchmarku: Testujte platformy proti stejným úkolům. Stejné díly, stejné osvětlení, stejné požadavky na takt, stejná bezpečnostní kritéria. BMW přesně tento bod strukturovaně řeší. Střední podniky potřebují menší verzi toho.
5. Včas zapojte zaměstnaneckou radu a pracovníky: Ne jako povinný termín na konci. Pracovníci vědí, kde chapadla selhávají, kde visí kabely, kde se podlaha třese. Tyto detaily rozhodují o připravenosti k výrobě.
6. Zapojte prodej: Zkontrolujte, kteří cíloví zákazníci a zakázky budou profitovat z nové flexibility. Pokud automatizace jen urychlí neziskové varianty, nic jste nezískali.
7. Pilot tvrdě ukončete nebo škálujte: Před zahájením si stanovte, kdy pilot zemře. Po 8 týdnech žádná stabilní míra zásahů? Zastavte. Po 12 týdnech jasné zlepšení taktu a méně přepracování? Škálujte. Polomrtvé piloty jsou hřbitovy rozpočtů.

Amplifa Produkt Amplifa propojuje logiku cílových zákazníků, prodejní data a operační kritéria, aby se pipeline neprodávala proti výrobní realitě.

Obchodní logika za krokem BMW

BMW nestaví hub v Mnichově z pouhé zvědavosti. Koncern reaguje na tlak. Čína rychle automatizuje, USA přitahují kapitál a AI talenty, Evropa má ceny energií, demografii a krajinu dodavatelských řetězců, která se neusnadňuje. Zároveň roste podíl variant v automobilové výrobě. Softwarové verze, možnosti interiéru, varianty baterií, regionální požadavky. Každá varianta je malým útokem na rigidní automatizaci.

Přesně zde leží obchodní logika Physical AI: větší adaptabilita bez kompletního přeplánování linky. Pokud humanoidní nebo mobilní AI robot dokáže převzít úkoly, které dosud nebyly automatizovány kvůli variabilitě, vzniká kapacita. Ne automaticky zisk. Kapacita musí být převedena na ziskovou poptávku. To je část, kterou mnoho technických zpráv opomíjí.

Příklad ze středního podniku: Zpracovatel kovů z okolí Ulmu, 230 zaměstnanců, měl v roce 2025 úzké hrdlo v ručním odstraňování otřepů a balení. První myšlenka byl robot. Po analýze dat se ukázalo: 27 procent dotčených zakázek pocházelo ze zákaznických segmentů s nízkou marží a vysokým podílem speciálního balení. Lepší rozhodnutí bylo dvojkolejné – automatizovat procesy pro ziskové opakované díly, speciální případy v prodeji nově nacenit. Žádné veletržní video. Ale výsledek.

Kde se humanoidní roboti poprvé stanou smysluplnými

Neočekávám první udržitelné aplikace tam, kde se roboti spektakulárně podobají lidem. Očekávám je tam, kde továrny mají lidskou infrastrukturu a přestavba je drahá. Posouvání materiálových vozíků. Uchopování kontejnerů ze standardních regálů. Podávání dílů strojům. Spojování vizuálních kontrol s manipulací. Snižování ergonomicky špatných pohybů. To nejsou úkoly ze science fiction. To jsou úkoly z úterního rána.

U Audi se podle zprávy vyhodnocuje Mimic Robotics, BMW testuje v Německu a dodavatelé sledují. Vzor je jasný. OEM identifikují první robustní případy použití. Dodavatelé Tier-1 je industrializují. Poté přijde střední podnik, ale ne jako pasivní opozdilec. Dobré střední podniky se mohou rozhodovat rychleji, pokud znají své případy použití. Špatné střední podniky čekají na perfektní standard a v roce 2029 se diví nad ztracenými výběrovými řízeními.

Zvláště bych se zaměřil na tři oblasti použití. No, to je skoro zakázaná trojice, takže jinak: Zaměřte se na manipulaci s materiálem s vysokou variabilitou, na podporu montáže s ergonomickou zátěží, na úkoly kvality s manipulací a na intralogistiku mezi starými linkami. Čtyři oblasti. Dostatečně asymetrické.

Proč mnoho AI pilotů ve výrobě selhává

Většina AI pilotů neselže na algoritmu. Selžou na vlastnictví. Dodavatel přinese model, IT postaví server, výroba dodá pár dat, generální ředitel chce po třech měsících výsledek a nikdo nedefinoval, kdo je po pilotním provozu každé úterý ráno zodpovědný. To je hřbitov mnoha projektů Průmyslu 4.0 od roku 2016.

Kompetenční centrum BMW je proto zajímavé, protože sdružuje odpovědnost. Vytváří místo, kde se hodnotí platformy, konsolidují data a definují provozní kritéria. Střední podnik nepotřebuje hub se 40 lidmi. Ale potřebuje malou, tvrdou instanci. Možná tři osoby: COO, vedoucí údržby, někdo z dat/IT. Plus bodově prodej. Bez tohoto propojení se Physical AI stane hřištěm.

Smysluplný detail, protože v každodenním životě se počítá: V hale se velmi rychle pozná, zda je automatizace přijata. Stabilní proces má klidný zvukový vzor. Dopravní pás, stlačený vzduch, krátké signály, kroky. Špatný pilot zní jinak: varovné pípání, zastavení, nadávky, hektické dotazy. Tato akustika se neobjeví v žádném ROI listu. Přesto rozhoduje.

AI ve výrobě potřebuje nové role

1,9 milionu pracovních míst souvisejících s AI v Evropě v letech 2022 až 2025 ukazuje nejen poptávku po datových vědcích. Ve výrobě vznikají hybridní role. Robotický inženýr s procesním porozuměním. Vedoucí směny s datovou kompetencí. Údržbáři, kteří čtou logy. Manažeři kvality, kteří rozumí hranicím modelů. Prodejci, kteří vědí, které varianty linku zabíjejí.

Málo si myslím o myšlence, že každý kvalifikovaný pracovník se musí nyní naučit promptovat. To je příliš laciné. Důležitější je: Kvalifikovaní pracovníci musí být schopni poskytovat zpětnou vazbu, která se promítá do modelů, pracovních postupů a cyklů zlepšování. Pokud chapadlo selže u mastných dílů, není to anekdota. Je to tréninkový signál. Pokud kamera špatně klasifikuje při určitém světle, není to chyba obsluhy. Je to systémová znalost.

Pro generální ředitele to znamená: Rozpočet na Physical AI bez rozpočtu na kvalifikaci je poloviční. Ne každý potřebuje magisterský titul v strojovém učení. Ale každá továrna potřebuje lidi, kteří dokážou překládat mezi chováním modelu a procesní realitou. U Festo by se to pravděpodobně čistě začlenilo do učebních systémů. V mnoha malých a středních podnicích se to musí nejprve objevit v popisech práce.

IT/OT Security se stává brzdnou nebo akcelerační dráhou

Čím fyzicčtější se AI stává, tím méně odpouští špatnou bezpečnost. Chatbot s chybnou odpovědí je otravný. Robotický systém s kompromitovanou řídicí cestou je bezpečnostní riziko. Střední podniky tento bod podceňují, protože mnoho výrobních sítí historicky rostlo. Staré PLC, nové brány, přístupy poskytovatelů služeb, aktualizace MES z roku 2021, WLAN v hale, někde nedokumentovaný počítač pod rozvaděčem.

BMW může pro Physical AI budovat bezpečnostní architektury, schvalovací procesy a prověřování dodavatelů. Menší podnik musí postupovat pragmaticky. Segmentace. Role. Logování. Procesy aktualizace. Přístupy dodavatelů. Žádná raketová věda, ale ani vedlejší práce pro učně. Zvláště když se spojí vizuální data, data o kvalitě a řízení robotů, stává se správa kritickou pro výrobu.

V dubnu 2025 mi Lukas, IT ředitel výrobce strojů v Augsburgu, řekl: „Naše největší riziko není hacker v mikině, ale servisní notebook od dodavatele.“ Přesně tak. Physical AI zvyšuje počet takových rozhraní. Kdo to ignoruje, bude buď nejistý, nebo tak pomalý, že každý pilot ztroskotá na schváleních.

Co by si z toho měli odnést vedoucí prodeje

Mnoho vedoucích prodeje čte zprávy o robotice BMW a myslí si: zajímavé, ale to není můj stůl. Chyba. Pokud OEM zaměřují své výrobní systémy na Physical AI, mění se i jejich očekávání od dodavatelů. Chtějí větší transparentnost, spolehlivější dodací sliby, datově podloženou kvalitu a partnery, kteří varianty nejen přijímají, ale i ovládají. Kdo jako dodavatel v roce 2027 stále reaguje na výběrová řízení s pocitem, prohraje proti firmám, které prokážou výrobní schopnost v nabídce.

To se přímo týká generování leadů a výběru účtů. Středně velký výrobce by neměl s každým automobilovým leadem zacházet stejně, jen proto, že BMW, Audi nebo Mercedes vypadají dobře v CRM. Rozhodující je, zda zakázka odpovídá procesnímu profilu. Má díl logiku variant, kterou vaše linka zvládne? Existuje potenciál pro opakování? Je dokumentace kvality proveditelná? Může automatizace zmírnit úzké hrdlo? Pokud ne, lesklý OEM lead je možná jen drahá objížďka.

U Amplifa modelujeme takové otázky v prodejním systému. Ne jako akademické cvičení. Propojujeme charakteristiky cílových zákazníků, historických zakázek, marží a operačních omezení. Výsledek je někdy nepříjemný: Zdánlivě atraktivní trh je horší než menší segment se stabilnějšími díly. Přesně tam se AI v prodeji stává relevantní pro AI ve výrobě.

Amplifa pro datově řízené generování leadů Pro výrobní společnosti, které chtějí propojit pipeline, cílové zákazníky a výrobní vhodnost, než nová automatizace urychlí špatnou poptávku.

Osobní prognóza: Roky 2026 až 2028 budou nepříjemné

Moje prognóza pro následující dva až tři roky je jasná: Fyzická AI se bude objevovat v pilotech rychleji, než je většina středních podniků organizačně připravena. V roce 2026 uvidíme více testů u OEM a velkých Tier-1 dodavatelů. V roce 2027 první dodavatelé pocítí konkrétní požadavky v auditech a RFQ. V roce 2028 budou některé střední podniky s čistou datovou základnou profitovat, zatímco jiné budou stále diskutovat o správném robotickém rameni.

Humanoidní roboti nebudou masově procházet každou halou. Tato představa je pohodlná, protože se jí lze smát. Skutečná změna je tišší: učící se procesy uchopování, adaptivní kontrolní stanice, mobilní manipulace, lepší předávání mezi člověkem a robotem, výrobní data jako tréninkový materiál. Žádný velký třesk. Spíše mnoho malých posunů, dokud výběrová řízení náhle nebudou vyžadovat jiné schopnosti.

Jako generální ředitel výrobního podniku s 200 zaměstnanci bych se zítra nedíval na Mnichov a nekopíroval BMW. Napsal bych deset úzkých hrdel, pět z nich bych podložil daty, dva bych čistě otestoval a donutil bych prodej, aby na tom založil logiku cílových zákazníků. Pak bych pochopil více než mnoho firem s AI roadmapou a ani jedním vypnutým špatným procesem.

BMW buduje v Mnichově hub pro Physical AI. Střední podnik nepotřebuje hub. Potřebuje čestný seznam úkolů, které lidi ničí, požírají marži nebo narušují dodací lhůty. Zbytek začíná tam, kde v mnoha halách stále visí schránka s papíry.