AI w sprzedaży: Fabryczna AI w zestawieniu dostawców

KI & Automatisierung · 23. Oktober 2026 · Joseph Flesh

AI w sprzedaży spotyka fabryczną AI: Porównaj Siemens/NVIDIA, Microsoft/Körber, KUKA i Amplifa – i sprawdź swoją roadmapę już teraz.

19 października 2026 r. Dow Jones poinformował za pośrednictwem Morningstar, że Siemens i NVIDIA zaprezentowały w zakładzie produkcji elektroniki w Erlangen nowe zastosowania AI do autonomicznego planowania fabryki. Dzień później CNBC doniosło o europejskim pakiecie inwestycyjnym NVIDIA o wartości prawie 10 miliardów dolarów oraz o apelu Friedricha Merza do niemieckich przedsiębiorstw o szybsze wdrażanie AI. To nie jest tylko szum informacyjny dla kierowników produkcji. To sygnał dla działów sprzedaży, COO i zarządów: jeśli czas rozruchu produkcji ma skrócić się nawet o 40 procent, AI w sprzedaży nie może być dłużej traktowana jako zabawka do tworzenia tematów wiadomości e-mail.

Siemens podaje, że wirtualny rozruch nowych modułów płytek drukowanych przynosi nawet o 85 procent mniejszy nakład pracy inżynieryjnej i do 20 procent niższe koszty planowania dzięki agentom AI. Źródło: Morningstar/Dow Jones z 19 października 2026 r., uzupełnione przez CNBC z 20 października 2026 r. Nie traktuję tych liczb jako niezależnego benchmarku. Traktuję je jako sygnał rynkowy. Każdy, kto w regionie DACH sprzedaje maszyny, podzespoły, elektronikę lub automatykę, usłyszy w ciągu najbliższych 24 miesięcy nowe pytanie od klienta: Skoro wasza fabryka potrafi planować z wykorzystaniem cyfrowych bliźniaków, dlaczego wasza sprzedaż to wciąż warstwa Excela połączona z centralą telefoniczną?

Dlaczego to porównanie jest potrzebne dla AI w sprzedaży

Dyskusja o Industrial AI toczy się często w całkowitym oderwaniu od sprzedaży. Po lewej stronie fabryka: cyfrowe bliźniaki, symulacja, robotyka, MES, Siemens Xcelerator, NVIDIA Omniverse. Po prawej sprzedaż: CRM, sekwencje, targi, LinkedIn, follow-up ofert. To było wygodne. Było też błędne. U producenta zatrudniającego 180 pracowników w Ostwestfalii możliwości fabryki bezpośrednio determinują strategię sprzedaży. Jeśli firma dzięki wirtualnemu uruchomieniu może szybciej zatwierdzać nowe warianty, dział sprzedaży musi inaczej priorytetyzować klientów, składać inne obietnice terminowe i wchodzić w projekty na wcześniejszym etapie. W przeciwnym razie przewaga produkcyjna przepadnie w skrzynce odbiorczej kupca w Schaeffler, Phoenix Contact czy Webasto.

Nie piszę tego porównania jako analityk. Wraz z moim zespołem w Amplifa buduję systemy łączące dane sprzedażowe, impulsy rynkowe, priorytetyzację kont (account prioritization) i outreach w średniej wielkości organizacjach B2B. Widzę, gdzie AI realnie działa. A gdzie jest tylko teatrem. No cóż, prawie. Czasami teatr też bywa przydatny, jeśli pozwala odblokować budżety. Jednak najpóźniej przy trzecim projekcie pilotażowym bez wpływu na pipeline nastroje gwałtownie spadają. CSO ze Stuttgartu powiedział mi we wrześniu 2026 r. po posiedzeniu zarządu: „Mamy cyfrowego bliźniaka dla linii produkcyjnej, ale nie mamy bliźniaka naszego pipeline’u”. To trafiło w punkt. Nie ze względu na sformułowanie. Ze względu na tę lukę.

Dlatego porównuję tutaj cztery podejścia, które zyskują na znaczeniu po wydarzeniach w Erlangen: Siemens/NVIDIA jako zintegrowane fabryczne AI, Microsoft/Körber jako chmurowe i procesowe AI w środowisku regulowanym, KUKA/NVIDIA jako ścieżkę robotyki i widzenia maszynowego (Computer Vision), a także Amplifa jako warstwę Sales AI dla pipeline'u, generowania leadów i zarządzania klientami. Tak, Amplifa znajduje się w tym zestawieniu. Jestem CTO i współzałożycielem. Nie udaję, że jestem neutralny. Przedstawiam jednak przejrzyste kryteria i otwarcie mówię, gdzie nie jesteśmy właściwym rozwiązaniem.

Kryteria oceny AI w sprzedaży i fabrycznego AI

Dla dyrektora zarządzającego firmą produkcyjną zatrudniającą od 50 do 500 pracowników niewłaściwym pytaniem jest: „Które narzędzie AI jest najnowocześniejsze?”. Lepsze pytanie brzmi: „Które wąskie gardło będzie nas kosztować marżę, zdolność do dostaw lub pipeline w 2027 roku?”. W firmach takich jak Trumpf, DMG Mori czy Festo to pytanie jest organizacyjnie osadzone inaczej niż u dostawcy zatrudniającego 120 osób z dwoma Key Account Managerami. Wzorzec jest jednak podobny. Wąskie gardła migrują. Najpierw brakuje leadów. Potem wiarygodnych ofert. Następnie blokuje się planowanie. Potem brakuje materiałów. Wreszcie moce produkcyjne są wolne, ale nie ma zamówień. Piękny chaos.

Oceniam kandydatów według siedmiu kryteriów:

• Dźwignia biznesowa: Czy rozwiązanie wpływa na koszty produkcji, time-to-market, terminowość dostaw, budowanie pipeline'u czy tempo ofertowania?
• Baza danych: Czy system wymaga czystych danych CAD, MES, ERP, CRM czy danych webowych i jak trudna jest integracja?
• Architektura: Czy rozwiązanie bazuje na cyfrowych bliźniakach, agentach AI, modelach LLM, Computer Vision, klasycznych optymalizatorach czy hybrydzie?
• Wykonalność w MŚP: Czy firma zatrudniająca od 50 do 500 pracowników może realnie wdrożyć rozwiązanie bez konieczności prowadzenia 18-miesięcznej archeologii danych podstawowych?
• Połączenie ze sprzedażą: Czy rozwiązanie realnie pomaga działowi sprzedaży w identyfikacji klientów docelowych, wyczuciu czasu, ofertowaniu, prognozowaniu lub rozwoju bazy stałych klientów?
• Model kosztowy: Czy koszty zależą od projektu, zużycia, licencji, czy infrastruktury (np. procesory GPU i partnerzy integracyjni)?
• Ryzyko: Gdzie pojawia się vendor lock-in, problemy z ochroną danych, błędna automatyzacja lub zależność operacyjna?

Kwestia techniczna bywa często niedoceniana: okna kontekstowe (context windows) i koszty tokenów są w sprzedaży ważniejsze niż w marketingowych sloganach. Agent sprzedażowy, który widzi tylko ostatnie trzy maile i jedną notatkę w CRM, uprzejmie konabuluje. Agent, który potrafi połączyć wersje ofert, zestawienia komponentów (BOM), reklamacje, raporty z wizyt, sygnały ze strony www i struktury korporacyjne w ramach systemu retrieval, staje się naprawdę użyteczny. W przypadku API LLM publiczne ceny w 2024 roku za wydajne modele wynosiły od kilku do kilkudziesięciu dolarów za milion tokenów wejściowych lub wyjściowych; w 2026 roku pakiety te wykazują większe wahania, a wiele umów Enterprise nie jest jawnych. Moja zasada: koszty modeli rzadko stanowią główną pozycję. Zły przepływ danych jest zawsze droższy. Zawsze.

„To u nas nie działa”, powiedziała mi Andrea, Head of Sales u producenta komponentów w Bielefeld. Dwa tygodnie później okazało się, dlaczego nie działało: w systemie CRM 41 procent aktywnych klientów nie miało przypisanej branży.

— Joseph Flesh, CTO & Co-Founder, Amplifa

Kandydat 1: Siemens/NVIDIA – Industrial AI z cyfrowym bliźniakiem

Siemens i NVIDIA stawiają w Erlangen na połączenie cyfrowych bliźniaków, przemysłowych agentów AI oraz symulacji. Istotą nie jest tu „chatbot dla fabryki”. Kluczem jest wirtualny model systemów produkcyjnych, który pozwala planistom i inżynierom przetestować – przed fizyczną ingerencją – jak wystartują nowe moduły płytek drukowanych, która linia zostanie zablokowana, gdzie zabraknie materiału i jaka kolejność operacji sprawdzi się lepiej. Według Morningstar/Dow Jones z 19 października 2026 r. Siemens deklaruje do 85 procent mniejszy nakład pracy inżynieryjnej przy wirtualnym rozruchu produkcji oraz skrócenie time-to-market nawet o 40 procent. Liczby te pochodzą z deklaracji producenta. Niemniej jednak: jeśli nawet połowa z tego sprawdzi się w realiach średniego przedsiębiorstwa, diametralnie zmienia to obietnicę składaną przez sprzedaż.

Siła tego podejścia tkwi w jego głębi. Siemens Xcelerator, sprzęt automatyki, PLM, symulacja, planowanie produkcji i NVIDIA Omniverse pasują do siebie strategicznie. Dla producenta elektroniki w Bawarii czy producenta maszyn realizującego produkcję jednostkową i wariantową w Badenii-Wirtembergii może to oznaczać: cyfrowe zabezpieczenie nowego wariantu produktu, zmniejszenie ryzyka rozruchu (ramp-up), wcześniejsze obliczenie okien dostaw. Dla sprzedaży oznacza to koniec ze standardową odpowiedzią „musimy zapytać przygotowanie produkcji”. Zamiast tego pojawia się znacznie pewniejsza deklaracja zdolności dostawczej już na etapie oferty. Brzmi to pragmatycznie, ale doskonale sprzedaje. Zwłaszcza u klientów takich jak Brose, ZF czy Kärcher, gdzie harmonogramy projektowe i kary umowne nie są ustalane na wyczucie.

Słabość jest równie oczywista: próg wejścia. Ktoś, kto nie posiada dziś rzetelnego modelu danych swojej produkcji, nie zyska nagle autonomicznego planisty pod wpływem jednej prezentacji NVIDIA. Cyfrowe bliźniaki wymagają geometrii, danych procesowych, reguł, historycznych czasów cyklu, logiki wariantów i interfejsów. A także ludzi, którzy potrafią zakwestionować decyzję systemu. COO o imieniu Markus z Augsburga, zatrudniający 220 osób, powiedział mi w październiku 2026 r.: „Nie wytłumaczę załodze na linii, dlaczego planuje teraz agent, skoro nie ewidencjonujemy nawet poprawnie przyczyn przezbrojeń”. Dokładnie. Choć nie do końca – mimo to można zacząć. Ale nie z wielką wizją z Erlangen na ścianie i pustym systemem MES pod nią.

Co Siemens/NVIDIA oznacza w praktyce dla sprzedaży

Dźwignia sprzedaży nie powstaje w renderingu cyfrowego bliźniaka. Powstaje na styku możliwości produkcyjnych i komunikacji rynkowej. Jeśli producent potrafi szybciej industrializować nowe podzespoły, dział handlowy musi wiedzieć, którzy ze stałych klientów są właśnie teraz otwarci na warianty, redesign lub wymianę starych platform. To jest rola AI w sprzedaży jako warstwy translacyjnej. Przykład: dostawca elektroniki dzięki wirtualnemu ramp-upowi zyskuje cztery tygodnie w harmonogramie projektu. Bez account intelligence ta przewaga ląduje w prezentacji ofertowej, sformułowanej tak samo jak u 19 innych dostawców. Z wykorzystaniem account intelligence staje się to listą 37 docelowych kont, u których trwają zmiany produktowe, występują problemy z dostawami od konkurencji, pojawiły się nowe ogłoszenia o pracę dla inżynierów i zidentyfikowano właściwe osoby kontaktowe w dziale zakupów. Na tym polega różnica między technologią a przychodem.

Zalecałbym daleko idącą ostrożność średnim firmom, które chcą kupić Siemens/NVIDIA tylko dlatego, że zarząd potrzebuje projektu wizerunkowego. Jeśli produkcja, inżynieria i sprzedaż wspólnie nie zdefiniują, która rodzina produktów, jaki rynek docelowy i jaka akcja sprzedażowa mają na tym skorzystać, skończy się na drogim demo. Zapach świeżego lakieru na szafach sterowniczych w gnieździe pilotażowym nie zastąpi logiki go-to-market. Mówiąc wprost: wdrażanie fabrycznego AI w 2026 roku przy jednoczesnym sortowaniu pipeline'u według kontaktów z targów to marnowanie potencjału szybkości.

Kandydat 2: Microsoft/Körber – Chmurowe AI dla procesów i produkcji regulowanej

Körber we współpracy z Microsoft Azure ogłosił w 2026 roku strategiczny nacisk na AI w obszarze Pharma Manufacturing. To zupełnie inny punkt wyjścia niż Siemens/NVIDIA. Mniej fabrycznego metawersum, więcej danych procesowych, compliance, architektury chmurowej i przemysłowych przepływów pracy (workflows). Dla branż regulowanych, takich jak farmacja, medtech czy przetwórstwo spożywcze, ma to kluczowe znaczenie, ponieważ bariera nie jest wyłącznie techniczna. Nazywa się ona walidacją, ścieżką audytu (audit trail), uprawnieniami dostępu, modelem ról i zgodnością z GxP. Dyrektor zarządzający z Bazylei, nazwijmy go Lukas, ujął to w lipcu 2026 r. bez ogródek: „U nas problemem nie jest AI, ale audytor, który zapyta, dlaczego model coś zarekomendował”.

Siła tandemu Microsoft/Körber tkwi w łatwości integracji. Wielu średnich producentów korzysta z Microsoft 365, Teams, Azure Active Directory, Power BI czy Dynamics. Nie jest to spektakularne, ale praktyczne. Kiedy agenci AI zostają osadzeni w istniejących tożsamościach, uprawnieniach, przestrzeniach danych i strukturach raportowania, tarcie organizacyjne maleje. Dla zespołów sprzedażowych to niezwykle istotne, ponieważ wiele procesów handlowych już teraz funkcjonuje w środowisku Microsoftu: oferty jako pliki Worda, kalkulacje w Excelu, spotkania w Outlooku, notatki o klientach w Teams. Czy to chaotyczne? Tak. Czy tak wygląda rzeczywistość? Zdecydowanie.

Słabość: chmurowe AI procesowe nie rozwiązuje automatycznie problemów twardego świata fizycznego. Optymalizacja układu linii, robotyki, czasów taktowania i rzeczywistych przepływów materiałowych wymaga czegoś więcej niż przepływów pracy w Azure. Ponadto firmy często nie doszacowują kosztów czyszczenia danych, ładu korporacyjnego (governance) i zarządzania zmianą. W przypadku asystentów opartych na LLM dochodzi drugi czynnik: kontekst. Okno kontekstowe rzędu 128k lub 200k tokenów brzmi okazale, ale zapełnia się błyskawicznie, jeśli wrzuci się do niego bez filtracji specyfikacje techniczne, notatki ze spotkań, historię ofertowania i parametry techniczne. Dobra architektura wykorzystuje retrieval, metadane, weryfikację uprawnień i streszczenia. Zła architektura opiera się na pobożnych życzeniach.

Microsoft/Körber z perspektywy sprzedaży

Dla dyrektorów sprzedaży Microsoft/Körber staje się interesujący wtedy, gdy sprzedaż jest ściśle powiązana z procesami regulowanymi: zatwierdzeniami technicznymi, umowami jakościowymi (Quality Agreements), wnioskami o wprowadzenie zmian czy obowiązkami dokumentacyjnymi. U dostawcy wyrobów medycznych w Tuttlingen asystent AI, który potrafi błyskawicznie odnaleźć dawne dokumenty walidacyjne, akceptacje klientów i moduły ofertowe, może uratować więcej szans sprzedaży niż atrakcyjny wizualnie system lead scoringu. Dlaczego? Ponieważ transakcje nie upadają na pierwszym spotkaniu, lecz przy szóstym pytaniu uszczegóławiającym: „Czy mogą państwo wykazać, że ta zmiana nie wymaga rekwalifikacji?”. Jeśli dział sprzedaży potrzebuje trzech dni na wewnętrzne poszukiwania, moment przepada.

Moja bezkompromisowa teza: wiele średniej wielkości organizacji sprzedaży potrzebuje mniej generatywnej magii, a więcej natychmiastowego dostępu do tego, co już dawno wie. Architektury oparte na Microsofcie mogą być w tym bardzo skuteczne, o ile nie zostaną wdrożone bezrefleksyjnie jako „konfetti z Copilota”. Copilot piszący podsumowania spotkań jest miłym dodatkiem. System, który na podstawie 900 historycznych ofert rozpoznaje, które podzespoły wygrały w przetargach w Phoenix Contact przy podobnych uwarunkowaniach klienta i jakie obiekcje się pojawiły, stanowi infrastrukturę generującą przychód.

Kandydat 3: KUKA/NVIDIA – Physical AI dla robotyki i wizji maszynowej

W październiku 2026 r. na NVIDIA GTC Berlin firma KUKA zaprezentowała system wizyjny oparty na AI, działający na platformie NVIDIA Jetson Orin, a także oprogramowanie łączące programowanie robotów z symulacją produkcji 3D. To pragmatyczny brat wielkiego cyfrowego bliźniaka: roboty widzą lepiej, programy powstają bliżej symulacji, a rozruchy stają się bardziej przewidywalne. Dla zakładów zajmujących się spawaniem, przeładunkiem (handling), pakowaniem, montażem czy kontrolą jakości jest to bardzo namacalne. Czasem wręcz słyszalne: mniej przestojów na gnieździe roboczym, mniej nerwowego klikania na pulpicie programowania (teach pendant), mniej panicznego „wezwijcie integratora” tuż przed zmianą. KUKA w regionie DACH to nie abstrakcja. W wielu halach pomarańczowe ramiona robotów są znane lepiej niż zasady higieny CRM.

Siłą jest bezpośrednia bliskość maszyny. Gdy system Computer Vision redukuje liczbę braków lub umożliwia obsługę wielu wariantów, uwalniają się moce produkcyjne. Słabość: sprzedaż czerpie z tego korzyści jedynie pośrednio, dopóki nikt nie przełoży nowo zyskanych zdolności na konkretne segmenty rynku. Często obserwuję to przy projektach automatyzacji. Po sześciu miesiącach gniazdo działa stabilniej, ale na stronie internetowej nadal widnieje hasło „Twój niezawodny partner w rozwiązaniach specjalnych”. Nie tędy droga. Jeśli cela z robotem KUKA pozwala teraz na opłacalną produkcję małych partii, sprzedaż musi precyzyjnie zaatakować klientów zmagających się ze złożonością wariantów. W przeciwnym razie automatyzacja staje się jedynie defensywną redukcją kosztów.

Kandydat 4: Amplifa – AI w sprzedaży jako system operacyjny dla pipeline'u

Amplifa nie zaczyna od gniazda zrobotyzowanego. Wkraczamy tam, gdzie możliwości produkcyjne muszą zostać przełożone na przychód: identyfikacja klientów docelowych, rozpoznawanie sygnałów rynkowych, ustalanie priorytetów kont, przygotowywanie spersonalizowanej komunikacji, wzbogacanie danych w CRM, zarządzanie follow-upami i przekładanie playbooków sprzedażowych na mierzalne wyniki. Dla firm produkcyjnych oznacza to wprost: jeśli wasza nowa linia potrafi rentownie wytwarzać mniejsze serie, system nie szuka generycznych „leadów”, lecz firm realizujących zmiany produktów, ogłaszających inwestycje, publikujących wakaty, zgłaszających problemy w łańcuchu dostaw, wdrażających nowe normy czy wykazujących sygnały ekspansji. To nie magia. To praca na danych w połączeniu z modelami i dyscypliną handlową.

Z naszych wdrożeń wiemy jedno: u klientów produkcyjnych i przemysłowych zatrudniających od 80 do 420 pracowników w ciągu pierwszych 90 dni obserwujemy niemal identyczny schemat. Od 18 do 35 procent kont w CRM jest błędnie sklasyfikowanych lub zbyt ogólnie posegmentowanych – na przykład jako „budowa maszyn” zamiast „maszyny specjalne do obsługi akumulatorów”. U klientów posiadających w historii ponad 5000 kontaktów regularnie odnajdujemy od 12 do 22 procent duplikatów lub nieaktualnych ról decydentów. Największa dźwignia rzadko leży w zwiększaniu wolumenu zimnych kontaktów. Polega ona na ponownym spriorytetyzowaniu od 40 do 120 strategicznych kont, w których pojawił się realny sygnał zakupowy. Klient z okolic Norymbergi w ciągu dziewięciu miesięcy potroił liczbę kwalifikowanych pierwszych spotkań bez zatrudniania ani jednego nowego handlowca. Nie dlatego, że model pisał z wyjątkowym urokiem, ale dlatego, że uwidocznił właściwy moment (timing).

Nasza słabość? Nie planujemy linii produkcyjnych. Nie symulujemy gniazd zrobotyzowanych. Ktoś, kto musi rozwiązać problem czasów przezbrojenia, kodu PLC czy wariantów layoutu, potrzebuje firm Siemens, KUKA, integratora lub własnych kompetencji OT. Amplifa staje się potężnym narzędziem wtedy, gdy trzeba połączyć możliwości techniczne, segment rynku i proces sprzedaży. Szczególnie po wdrożeniu projektów fabrycznego AI. To właśnie wtedy często pada niebezpieczne zdanie: „Teraz musimy to tylko sprzedać”. To zdanie pada za późno.

Produkt Amplifa: AI w sprzedaży dla firm przemysłowych Account Intelligence, generowanie leadów i automatyzacja sprzedaży dla zespołów B2B w sektorze MŚP w regionie DACH.

Wielkie porównanie: Dostawcy, architektura i dźwignia sprzedaży

Poniższa tabela została celowo pozbawiona marketingowego upiększania. Żaden dostawca nie wygrywa na każdym polu. Kto twierdzi inaczej, sprzedaje slajdy. Producent elektroniki w pobliżu Erlangen o wysokiej złożoności wariantowej ma inne priorytety niż zakład obróbki skrawaniem w Styrii czy dostawca aparatury medycznej w Tuttlingen. Mimo to struktura pomaga podjąć decyzję, ponieważ dyskusje budżetowe zbyt często skupiają się na wielkich nazwach: Siemens, NVIDIA, Microsoft, KUKA, Agile Robots. Nazwy robią wrażenie. Rachunki płacą rozwiązane wąskie gardła.

Porównanie kosztów: Ile kosztuje AI w sprzedaży i w fabryce?

Porównania cenowe w obszarze Industrial AI bywają niewdzięczne, ponieważ mało kto publikuje przejrzyste pakiety cenowe. Projekty Siemensa i KUKA zależą od lokalizacji, zakresu integracji, istniejącej infrastruktury, licencji, sprzętu i partnerów. Koszty Microsoft Azure zależą od wolumenu danych, zużycia zasobów, wyboru modeli, bezpieczeństwa i usług dodatkowych. Rozwiązania Sales AI bazują na liczbie użytkowników, wolumenie kont, źródłach danych, poziomie automatyzacji oraz integracjach. Prosty cennik oferują najczęściej tylko te narzędzia, które nie dotykają sedna problemu dostatecznie głęboko. To gorzka, ale przydatna prawda.

W przypadku kosztów LLM w projektach stosuję rozróżnienie, które wielu otwiera oczy: wykorzystanie modelu, przygotowanie danych, integracja przepływu pracy i kontrola człowieka. Tokeny są widoczne i dlatego wzbudzają tyle dyskusji. Niewidoczne, a znacznie droższe, są zepsute punkty styku między CRM, ERP, stroną www, pocztą e-mail a folderami z ofertami. Okno kontekstowe na poziomie 200k tokenów nie uratuje procesu sprzedaży, jeśli najważniejszy raport z wizyty handlowej leży jako skan PDF na SharePoint, a Key Account Manager nazwał go „finalny_final_nowy”.

Co to oznacza dla COO i dyrektorów zarządzających?

Dyrektorzy operacyjni (COO) mają tendencję do szukania AI w pierwszej kolejności tam, gdzie widzą maszyny. To zrozumiałe. Gniazdo zrobotyzowane jest bardziej namacalne niż lepiej spriorytetyzowane konto docelowe. Można przy nim stanąć, zmierzyć takt, poczuć na hali zapach ciepłego tworzywa i chłodziwa obróbczego. Pipeline nie pachnie niczym. Nie czyni go to jednak mniej realnym. Jeśli dział handlowy pozyskuje niewłaściwe projekty, nawet najlepsza fabryka jedzie w złym kierunku.

Uważam czyste strategie inbound w przemyśle za niebezpieczne od 2026 roku. Mówiąc wprost: jeśli jako średniej wielkości producent czekasz jedynie, aż OEM, dostawca Tier-1 czy producent maszyn wypełni formularz na stronie, już oddałeś swoją marżę. Najlepsze projekty rodzą się wcześniej: przy zmianach platform produktowych, problemach u dotychczasowych dostawców, rozbudowie zakładów, zmianach regulacyjnych czy powstawaniu nowych zespołów inżynieryjnych. Sygnały te są publiczne, półpubliczne lub ukryte we własnych danych. Wtedy AI w sprzedaży nie jest maszynką do pisania tekstów. Jest radarem.

Siemens/NVIDIA pokazuje kierunek rozwoju produkcji: symulacja przed przebudową, agenci przed manualnym planowaniem, cyfrowe modele przed działaniem na wyczucie. Sprzedaż musi wykonać ten sam skok. Nie chodzi o ślepą automatyzację ani o zastępowanie ludzi, którzy pielęgnują relacje z klientami. Chodzi o to, że dotychczasowa rutyna – targi, arkusz Excela, trzy follow-upy i nadzieja – przegra z systemami łączącymi dynamikę rynku z wewnętrznymi możliwościami firmy. Dyrektor sprzedaży o imieniu Jens z Heilbronn powiedział mi w sierpniu 2026 r.: „Staliśmy się silniejsi technologicznie, ale nasi klienci dowiadują się o tym zbyt późno”. To problem sprzedaży, a nie marketingu.

Jak zacząć bez teatru AI?

Rzadko rekomenduję rzucanie się na głęboką wodę i projekty o gigantycznym rozmachu. Nie dlatego, że myślę małostkowo, ale dlatego, że spektakularne plany w średnich firmach rozbijają się najczęściej o trzy przeszkody: dostęp do danych, brak odpowiedzialności i brak cierpliwości do żmudnych 20 procent pracy. Nie da się efektywnie korzystać z cyfrowego bliźniaka, jeśli nikt nie traktuje poważnie odchyleń od taktu. Nie da się skutecznie korzystać z Sales AI, jeśli nikt nie podejmuje decyzji, których kont handlowcy mają już nie obsługiwać. AI wymusza decyzje. I właśnie dlatego bywa niewygodna.

1. Nazwij wąskie gardło: Czy Twoim największym problemem jest rozruch, planowanie, jakość, czas przygotowania oferty, generowanie leadów czy prognozowanie? Tylko jedno główne wąskie gardło. Nie pięć.
2. Stwórz mapę danych: Które systemy zawierają istotne fakty – ERP, MES, PLM, CRM, SharePoint, poczta e-mail, strona www, rejestry KRS/handlowe, ogłoszenia o pracę, komunikaty prasowe?
3. Określ metrykę: Na przykład godziny inżynieryjne na nowy moduł, koszty planowania w skali tygodnia, liczba zakwalifikowanych pierwszych spotkań miesięcznie, czas przejścia oferty lub wskaźnik reaktywacji.
4. Zawęź zakres pilotażu: Jedna rodzina produktów, jeden segment, jeden zespół sprzedaży, jedna linia. Żadnych programów korporacyjnych wciśniętych na siłę do realiów MŚP.
5. Zdefiniuj kontrolę człowieka: Kto ma prawo zatwierdzać, nadpisywać lub odrzucać sugestie AI? W sprzedaży: Kto decyduje o nawiązaniu kontaktu z danym kontem?
6. Wymuś powiązanie ze sprzedażą: Każda inicjatywa fabrycznego AI musi zawierać odpowiedź na pytanie, do których klientów dotrzemy dzięki niej w inny sposób.

Amplifa Sales Audit Sprawdź, gdzie Twoja sprzedaż traci pipeline: jakość danych, klienci docelowi, follow-up, automatyzacja i priorytetyzacja kont.

FAQ: Czy fabryczne AI zastępuje budowę struktur sprzedaży?

Nie. Fabryczne AI nie zastępuje budowy struktur sprzedaży. Zwiększa jedynie straty wynikające ze słabo zorganizowanej sprzedaży. Jeśli podejścia podobne do Siemens/NVIDIA rzeczywiście potrafią skrócić time-to-market nawet o 40 procent, na rynku pojawia się zupełnie nowe tempo. To tempo ktoś musi przełożyć na klientów docelowych, oferty i negocjacje. W przeciwnym razie zyskujesz szybszą fabrykę przy zachowaniu tego samego, przestarzałego kanału popytu.

FAQ: Czy każdy średni przedsiębiorca potrzebuje cyfrowego bliźniaka?

Nie. Szczerze? Nie znam sytuacji każdego przedsiębiorstwa z osobna. Wiem jednak jedno: nie każdy potrzebuje w 2027 roku pełnego cyfrowego bliźniaka całego zakładu. Wielu potrzebuje najpierw bliźniaka swojego wąskiego gardła. U producenta elektroniki może to być rozruch nowego modułu. U podwykonawcy obróbki skrawaniem – kalkulacja ofertowa. U integratora automatyki – gniazdo zrobotyzowane. W zespole sprzedaży – mapa kont docelowych. Kto próbuje zamodelować wszystko, często mija się z przychodem.

FAQ: Czy AI w sprzedaży to tylko cold email z lepszymi tekstami?

Nie. Cold email to zaledwie kanał. AI w sprzedaży to system operacyjny do podejmowania decyzji przed, w trakcie i po nawiązaniu kontaktu. Która firma pasuje w tej chwili? Dlaczego właśnie teraz? Jaka kompetencja techniczna jest dla niej istotna? Kto w komitecie zakupowym prawdopodobnie znajduje się pod presją? Która referencja będzie odpowiednia? Jakie obiekcje pojawiały się przy zbliżonych kontach? Która pozycja w ofercie spowalnia proces? Jeśli narzędzie zajmuje się wyłącznie pisaniem maili, nie jest systemem Sales AI. To maszyna do pisania wyposażona w API.

Osobista rekomendacja: Kolejność jest ważniejsza niż wybór narzędzi

Gdybym był dyrektorem zarządzającym firmą produkcyjną zatrudniającą 150 pracowników, nie zaczynałbym od pytania, czy Siemens/NVIDIA, Microsoft/Körber, KUKA czy Amplifa jest „najlepszym” rozwiązaniem. Najpierw podjąłbym decyzję, czy problem wzrostu leży wewnątrz, czy na zewnątrz. Wewnątrz oznacza: moglibyśmy sprzedawać więcej, ale hamują nas produkcja, planowanie, jakość lub inżynieria. Wtedy w pierwszej kolejności spoglądam na Siemens/NVIDIA, KUKA/NVIDIA lub architekturę procesową opartą na rozwiązaniach Microsoftu. Na zewnątrz oznacza: moglibyśmy bez trudu dostarczać produkty, ale właściwi klienci o tym nie wiedzą, trafiają do nas za późno lub nie są obsługiwani systematycznie. Wtedy na pierwszym miejscu stawiam AI w sprzedaży.

Moja druga rekomendacja jest bardziej bezkompromisowa: łączcie te programy znacznie wcześniej. Jeśli COO planuje nowe, elastyczne gniazdo produkcyjne, sprzedaż musi równolegle zdefiniować, które segmenty klientów zaatakuje za jego pomocą. Jeśli sprzedaż chce wejść w nową branżę, produkcja musi określić, które warianty przyniosą zysk, a które jedynie chaos organizacyjny. U jednego z klientów z sektora budowy maszyn specjalnych wiosną 2026 roku zaobserwowaliśmy, że problemem nie była liczba leadów, lecz niewłaściwa argumentacja techniczna. Po segmentacji na trzy konkretne zastosowania liczba kontaktowanych kont zmalała, ale wskaźnik umówionych spotkań wyraźnie wzrósł. Mniejsza szerokość, większa celność.

Zasoby i narzędzia Amplifa Bezpłatne narzędzia i audyty dla pipeline'u sprzedaży, generowania leadów i dojrzałości AI w sprzedaży B2B.

Wsparcie w decyzji: 3 pytania przed spotkaniem z dostawcą

Przed każdym spotkaniem z dostawcą – bez względu na to, czy z firmą Siemens, partnerem Microsoftu, integratorem KUKA, Agile Robots czy z nami – należy odpowiedzieć na trzy pytania. Nie podczas warsztatów. Wcześniej. W przeciwnym razie to dostawca narzuci definicję problemu. To wygodne, ale rzadko korzystne.

1. Które wąskie gardło będzie kosztować nas w nadchodzącym roku obrotowym więcej pieniędzy: zbyt wolny rozruch produkcji, niestabilne planowanie, procesy manualne czy zbyt mały zakwalifikowany pipeline?
2. Jakie dane potwierdzają to wąskie gardło: godziny pracy inżynierów, koszty planowania, poziom braków, opóźnienia dostaw, czas realizacji oferty, wskaźniki konwersji w CRM czy utraceni klienci?
3. Jaką decyzję ma konkretnie usprawnić AI: kolejność zleceń na produkcji, program robota, zatwierdzanie dokumentów, wybór kont docelowych, wyczucie czasu follow-upów czy priorytetyzację ofert?

Brak możliwości odpowiedzi na te trzy pytania to żaden dramat. Oznacza jednak, że nie kupujesz jeszcze AI – kupujesz orientację w sytuacji. Można to zrobić, warto tylko uczciwie to nazwać.

Wnioski po prezentacji w Erlangen

Demonstracja możliwości firm Siemens i NVIDIA w Erlangen jest ważna, ponieważ przesuwa granicę. AI opuszcza strefę odizolowanych projektów pilotażowych i zbliża się bezpośrednio do planowania, symulacji, sprzętu i terminowości dostaw. KUKA pokazuje ten sam kierunek od strony robotyki. Microsoft i Körber przedstawiają go z perspektywy procesów i chmury. NVIDIA, deklarując europejski pakiet inwestycyjny o wartości prawie 10 miliardów dolarów, wywiera dodatkową presję na rynek. Z kolei Friedrich Merz publicznie wzywa niemieckie firmy do odważniejszego sięgania po AI. Apele polityczne nie budują co prawda pipeline'u, ale diametralnie zmieniają oczekiwania.

Dla dyrektorów sprzedaży, COO i zarządów w średnich firmach regionu DACH wniosek jest prosty i niewygodny zarazem: fabryczne AI i sprzedażowe AI nie mogą pozostać osobnymi slajdami na oddzielnych spotkaniach kwartalnych. Jeśli fabryka potrafi planować szybciej, sprzedaż musi wcześniej wiedzieć, do kogo skierować ofertę. Jeśli sprzedaż generuje nowy popyt, fabryka musi potrafić określić, które zlecenia rzeczywiście chce realizować. Między cyfrowym bliźniakiem a systemem CRM nie ma projektu IT. Tam leży marża.

Przypuszczam, że za dwa lata będziemy rzadziej rozmawiać o „projektach AI”, a częściej o szybkości reakcji. Kto wcześniej zauważy, że klient potrzebuje zmiany dostawcy? Kto szybciej sprawdzi, czy dany wariant da się dostarczyć? Kto przekaże handlowcom wiarygodną odpowiedź, zanim konkurencja zdąży umówić spotkanie? Na niektórych halach robot zacznie pracować ciszej. W niektórych biurach handlowych zniknie wreszcie niefunkcjonalny arkusz Excela. Żadna z tych rzeczy nie brzmi spektakularnie. Ale obie generują sprzedaż.