AI w produkcji: Almetra i hala produkcyjna

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

AI w produkcji staje się operacyjna. Przeczytaj, co oznacza runda finansowania Almetry o wartości 16 milionów euro dla średnich firm w regionie DACH i jak zacząć.

Kto w 2026 roku nadal będzie wierzył, że AI w produkcji to projekt IT, zostanie wyprzedzony przez własną halę produkcyjną. Mówię to poważnie, ponieważ kolejne zyski z produktywności nie będą pochodzić z ładniejszych pulpitów nawigacyjnych, ale z decyzji podejmowanych w rytmie linii produkcyjnej. Nie co miesiąc. Nie po kolejnych warsztatach Lean. Ale podczas gdy maszyna pracuje, materiał się waha, operator improwizuje, a dział sprzedaży mimo to obiecuje terminy dostaw. Runda finansowania Series A Almetry o wartości 16 milionów euro to zatem nie tylko wiadomość o startupie z Berlina – to sygnał, że Manufacturing Intelligence wychodzi z fazy pilotażowej i chce wejść w codzienną produkcję.

Almetra, wcześniej Deltia, według doniesień EU-Startups z stycznia 2026 roku, zebrała 16 milionów euro w rundzie Series A, prowadzonej przez blisce/ z Nowego Jorku i Paryża, z NAP, Merantix Capital, Robin Capital, Underline Ventures i Critical Ventures jako dodatkowymi inwestorami [1]. Nie jest to dla mnie ekscytujące ze względu na sumę. 16 milionów euro to nie fajerwerki w kalendarzu VC. Ekscytujące jest to, gdzie te pieniądze zostaną wykorzystane – na hali produkcyjnej, tam, gdzie wiele średnich firm w regionie DACH nadal posługuje się eksportami z Excela, dziennikami zmian, lukami w MES i intuicją. Kärcher, Trumpf, Phoenix Contact, Festo, Schaeffler – te wielkie nazwy od lat pokazują, ile struktury może być w danych produkcyjnych. Ale prawdziwe pytanie brzmi: co dzieje się w firmie produkującej narzędzia zatrudniającej 180 osób w Ostwestfalii, w firmie wtryskującej tworzywa sztuczne w Vorarlbergu, czy w producenta części precyzyjnych w pobliżu Winterthur?

Status Quo – AI w produkcji jest bardziej zaawansowana, niż wielu dyrektorów operacyjnych sądzi

Status quo jest sprzeczny. Na slajdach strategicznych Smart Factory już dawno istnieje. Na hali produkcyjnej pachnie chłodziwem, stary drukarka etykiet terkocze obok linii, a najważniejsze odchylenie OEE jest zapisane ręcznie na podkładce. Obie rzeczy są prawdziwe. Według AlixPartners Swiss Disruption Landscape w 2026 roku, zakłócenia technologiczne – w tym automatyzacja i AI w procesach produkcyjnych – dotyczą już 62 procent szwajcarskich firm produkcyjnych [4]. Regulacje i presja ESG dotyczą nawet 68 procent [4]. To nie jest marginalna uwaga dla specjalistów ds. zrównoważonego rozwoju. To trafia do dyrektora operacyjnego, dyrektora zarządzającego, a w końcu do dyrektora sprzedaży, gdy obietnice dostaw przestają pasować do rzeczywistej zdolności produkcyjnej.

Często widzę tę samą krzywą w średnich firmach w regionie DACH. Najpierw mówi się o niedoborze wykwalifikowanych pracowników. Potem o cenach energii. Potem o brakach. Potem ktoś mówi: Powinniśmy wiedzieć, która linia traci pieniądze. Właśnie w tym momencie rozmowa się zmienia. Ponieważ wiele zakładów ma maszyny z czujnikami, sterownik PLC, czasem MES, czasem ERP z w miarę czystymi zamówieniami – ale nie mają wiarygodnej wspólnej prawdy o stratach. Linia do tłoczenia zgłasza przestoje inaczej niż montaż. Prace poprawkowe żyją w osobnym formularzu jakości. Przyczyny mikroprzestojów są szacowane przez zmianę, jeśli w ogóle ktoś ma na to czas. No, prawie. W dobrze zarządzanych zakładach oczywiście istnieją wskaźniki. Ale wskaźniki to nie to samo co przyczyny.

To sprawia, że pozycjonowanie Almetry jest interesujące. Maximilian Fischer, współzałożyciel i CEO Almetry, w komunikacie prasowym ostro stwierdza: Fabryki produkują wszystko wokół nas, ale często działają na ślepo [1]. To zdanie trafia w sedno, ponieważ nie brzmi jak AI. Brzmi jak kierownictwo produkcji o 6:10, kiedy raport z porannej zmiany ma godzinę i znowu nie wyjaśnia, dlaczego zamówienie 4711 utknęło na maszynie 4. Manufacturing Intelligence nie obiecuje tu magii. Obiecuje brutalnie praktyczną rzecz – uwidocznienie strat, przypisanie ich i priorytetyzację.

Dla dyrektorów sprzedaży to nie jest czysta historia operacyjna. Jeśli zakład nie zna swojej realnie użytecznej zdolności produkcyjnej, sprzedaje albo zbyt ostrożnie, albo zbyt odważnie. Obie opcje kosztują. Zbyt ostrożnie oznacza: konkurenci tacy jak DMG Mori czy polski podwykonawca z lepszym planowaniem przejmują wolumen. Zbyt odważnie oznacza: sprzedaż zdobywa zamówienie, produkcja traci marżę, klient traci zaufanie. W projektach widziałem, że jedno niezrozumiane wąskie gardło zniekształcało całą logikę ofertowania. Kalkulator liczy z czasami normatywnymi. Linia żyje w innej rzeczywistości.

Trend 1 – Manufacturing Intelligence staje się warstwą operacyjną ponad MES i ERP

Pierwszy trend: platformy Manufacturing Intelligence natywne dla AI nie zastępują ERP, MES ani SCADA. Nakładają się na nie. Brzmi to technicznie niespektakularnie, ale jest powodem, dla którego ta kategoria teraz skaluje się. Średniej wielkości producent zatrudniający od 50 do 500 pracowników nie przebuduje od razu SAP S/4HANA, ProAlpha, Infor, starego systemu BDE i trzech wysp maszynowych. Kto tego wymaga, przegrywa projekt przed pierwszym warsztatem. Almetra mówi w zasadzie: Bierzemy istniejące dane produkcyjne, identyfikujemy wąskie gardła, kwantyfikujemy straty wydajności i umożliwiamy lepsze decyzje przy minimalnym zakłóceniu bieżącej działalności [1]. Właśnie ta zdolność do integracji decyduje.

W praktyce oznacza to: platforma musi wytrzymać brudne dane. Różne czasy cyklu. Brakujące przyczyny przestojów. Komentarze operatorów z błędami typograficznymi. Maszyny komunikujące się przez OPC UA i maszyny dostępne tylko przez plik CSV raz na zmianę. Kto maluje Manufacturing Intelligence tylko jako czystą architekturę chmurową, zbyt rzadko bywał w fabrykach. U dostawcy motoryzacyjnego we Frankonii Thomas, kierownik inżynierii przemysłowej z Norymbergi, powiedział mi: „Maszyna nie jest stara, ale łańcuch danych zatrzymał się w 2008 roku.” Właśnie tam leży rynek. Nie w flagowych fabrykach Siemens Amberg, ale w 10 000 fabryk pomiędzy nimi.

Co konkretnie widzimy w Amplifa: W ciągu ostatnich 12 miesięcy u klientów z branży maszynowej, przetwórstwa tworzyw sztucznych i produkcji technicznej B2B zaobserwowaliśmy powtarzający się wzorzec – od 18 do 32 procent założeń dotyczących zdolności produkcyjnych istotnych dla sprzedaży w procesach CRM i ofertowania nie było zgodnych z aktualnymi danymi z hali produkcyjnej. Nie oznacza to, że dyrektor sprzedaży wymyśla fałszywe liczby. Oznacza to, że liczby się starzeją. Linia, która w marcu 2025 roku miała 82 procent dostępności, w listopadzie może działać tylko na 74 procentach, ponieważ narzędzie częściej się zacina, ponieważ dwóch doświadczonych operatorów zmieniło pracę lub ponieważ nowa mieszanka materiałów zmienia czas cyklu. Dział sprzedaży zauważa to dopiero, gdy terminy dostaw się przesuwają.

Warstwa techniczna ponad MES i ERP to zatem nie tylko wzorzec IT. Staje się warstwą zaufania. Jeśli dyrektor operacyjny widzi, że linia A traci 14 godzin zdolności produkcyjnej tygodniowo z powodu tych samych mikroprzestojów, może priorytetyzować. Jeśli dział sprzedaży widzi, że rodzina produktów B napotyka na wąskie gardło, nie może ślepo udzielać rabatów, tylko po to, by kupić obciążenie. A jeśli zarząd widzi, że inwestycja w konserwację przynosi więcej niż kolejna maszyna, dyskusja o Capex wygląda inaczej. Czy to nudne? Nie do końca. To różnica między obroną marży a wzrostem na piasku.

Dajemy im pewność zamiast zgadywania. Większość naszych klientów znajduje znaczące możliwości optymalizacji w ciągu pierwszych tygodni – a właśnie tej szybkości potrzebuje teraz przemysł.

— Maximilian Fischer, współzałożyciel i CEO Almetry, Berlin [1]

W tym cytacie podoba mi się część o pierwszych tygodniach. Nie dlatego, że wierzę każdemu dostawcy, który obiecuje szybkie rezultaty. Szczerze? Przy takich zdaniach staję się podejrzliwy. Ale w produkcji faktycznie istnieje kategoria problemów, które stają się widoczne po krótkiej integracji danych: błędne przyczyny przestojów, niedoszacowane straty związane z przezbrojeniem, dryf jakościowy na określonej zmianie, przeciążenie na pomocniczej maszynie, która nigdy nie pojawia się w planowaniu produkcji jako wąskie gardło. Te rzeczy nie są ukryte, bo nikt nie patrzy. Są ukryte, bo są rozproszone po systemach.

Trend 2 – Predykcyjne utrzymanie ruchu opuszcza slajdy i trafia do tygodniowego planu

Drugi trend to predykcyjne utrzymanie ruchu, ale proszę, bez mgły z targów. Konserwacja predykcyjna przez dziesięć lat była obietnicą z zbyt wieloma czujnikami i zbyt małą odpowiedzialnością. Teraz zmienia się ekonomia. Energia jest droga, części zamienne nie zawsze są dostępne następnego dnia, doświadczeni konserwatorzy przechodzą na emeryturę, a nieplanowane przestoje nie dotykają tylko produkcji. Dotykają przyjmowania zamówień, lojalności klientów i dyscypliny cenowej. W Webasto czy Brose organizacja utrzymania ruchu jest wystarczająco duża, aby prowadzić własne programy danych. U dostawcy zatrudniającego 220 osób w pobliżu Heilbronn wygląda to inaczej. Tam kierownik utrzymania ruchu często decyduje między gaszeniem pożarów a analizą przyczyn.

Manufacturing Intelligence sprawia, że predykcyjne utrzymanie ruchu staje się wartościowe, gdy nie tylko mówi: Łożysko 3 brzmi dziwnie. Musi powiedzieć: Jeśli ten wzorzec się utrzyma, linia 2 prawdopodobnie straci od 9 do 12 godzin produktywnego czasu w ciągu najbliższych 14 dni, i to w przypadku zamówień dla klientów X i Y. Dopiero wtedy konserwacja staje się ekonomicznie priorytetowa. Samo oznaczanie anomalii nie wystarczy. Zakład potrzebuje rankingu według kosztów, ryzyka i wpływu na dostawy. Podczas rozmowy w grudniu 2025 roku Jan, dyrektor operacyjny producenta precyzyjnych części z Pforzheim, powiedział mi: „Mamy wystarczająco dużo czujników. Brakuje nam decyzji, która pasuje do planu na poniedziałek rano.” Trudno to ująć lepiej.

Dla dyrektorów sprzedaży predykcyjne utrzymanie ruchu staje się pośrednio pytaniem o pipeline. Jeśli duże zamówienie z ośmiotygodniowym terminem dostawy może być wykonane tylko na kluczowej maszynie, stan techniczny tej maszyny jest częścią kwalifikacji transakcji. Brzmi przesadnie? Zapytaj menedżera kluczowych klientów u dostawcy motoryzacyjnego, który obiecał OEM uruchomienie produkcji seryjnej i trzy dni później musi wyjaśnić nieplanowaną awarię wrzeciona. Sprzedaż mówi o dostępności, ale maszyna decyduje. Właśnie dlatego dane z hali produkcyjnej będą w najbliższych latach silniej wpływać na strategie ofertowania i zarządzania kontami. Nie jako ładny eksport. Jako wskaźnik ryzyka.

Tutaj ESG nagle staje się konkretne. Nie w pliku PDF na stronie internetowej, ale w zużyciu na zamówienie, na linię, na partię braków. Jeśli platforma wspierana przez AI wykryje, że określona partia materiału na maszynie B prowadzi do większej ilości braków i jednocześnie zużywa więcej energii na dobrą sztukę, to nie jest to slogan zrównoważonego rozwoju. To jest marża. To jest zdolność dostawcza. To jest rozmowa z działem zakupów, produkcji i sprzedaży w tym samym pomieszczeniu. W Kärcher czy Phoenix Contact takie łańcuchy danych to strategiczne programy. W średnich firmach często są one utrzymywane przez jedną osobę, którą wszyscy pytają, ponieważ od 17 lat wie, która maszyna szwankuje. Ta osoba jest wartościowa. Ale nie jest skalowalnym systemem.

Trend 3 – Kontrola jakości AI przesunie się z stanowiska kontrolnego do procesu sprzedaży

Trzeci trend jest niedoceniany: kontrola jakości oparta na AI zmienia nie tylko braki. Zmienia to, co dział sprzedaży może wiarygodnie obiecać. Wizja komputerowa, kontrola akustyczna, analiza danych procesowych i cyfrowe plany kontroli będą ściślej ze sobą powiązane. Almetra w komunikacie prasowym wymienia rozwój produktu jako wykorzystanie kapitału [1]; oczywiste są moduły do kontroli jakości opartej na wizji komputerowej, modele predykcyjnego utrzymania ruchu i analizy cyfrowych bliźniaków na poziomie linii. Czy dokładnie te moduły w jakiej kolejności się pojawią, wiedzą tylko Almetra i klienci. Ale kierunek jest jasny: dane jakościowe będą wcześniejsze, gęstsze i bardziej operacyjne.

Dlaczego to jest temat dla sprzedaży? Ponieważ jakość w wielu branżach nie jest już negocjowana post factum. Technika medyczna, motoryzacja, elektronika, budowa maszyn – klienci chcą dowodów. Schaeffler, Bosch, Trumpf, Wittenstein, Festo: kto dostarcza do takich firm, zna audyty, próbki, raporty 8D i cichą groźbę wypadnięcia z listy dostawców przy kolejnej pomyłce. Średniej wielkości producent dzięki kontroli jakości AI może nie tylko wcześniej znaleźć błędy. Może udowodnić, że okna procesowe były stabilne. To inna rozmowa sprzedażowa. Mniej „zaufaj nam”, więcej „oto przebieg krytycznych parametrów dla partii”.

Mimo to jestem ostrożny w kwestii kontroli jakości AI. Wiele projektów nie zawodzi z powodu modelu, ale z powodu definicji błędów. Co to jest rysa? Jakie odchylenie powierzchni jest istotne? Kto decyduje w przypadkach granicznych? Model wizyjny może nauczyć się tylko tego, co zostało fachowo i czysto oznaczone. U producenta części z tworzyw sztucznych w Dolnej Austrii komora kontrolna pachniała ciepłym granulatem, podczas gdy kierownik jakości pokazywał mi 40 części, dla których dwóch klientów oceniało tę samą powierzchnię inaczej. Tu nie pomoże romantyzm AI. Tu pomoże proces, który łączy wymagania klienta, strategię kontroli i dane produkcyjne. Dopiero wtedy AI staje się użyteczna.

Ta tabela celowo nie jest zbudowana jako wyrocznia. Prognozy analityków są użyteczne, ale rzeczywistość produkcyjna jest podstępna. Prognoza nie mówi, czy Twoja linia 7 traci 23 minuty w każdy czwartek po zmianie narzędzia, ponieważ skaner źle odczytuje etykiety. Ale to jest właśnie różnica między trendem a zyskiem. Manufacturing Intelligence musi zbudować most – od makroekonomicznej presji do konkretnego działania w fabryce. Jeśli tego mostu brakuje, AI w produkcji pozostaje ładną etykietą budżetową.

Amplifa ICP Playbook Dla dyrektorów sprzedaży w produkcji: Udoskonal swój Ideal Customer Profile z rzeczywistością produkcyjną, wzorcami zdolności produkcyjnych i wiarygodnymi sygnałami zakupu.

Dlaczego runda Series A Almetry jest ważna dla dyrektorów zarządzających w DACH

Można odczytać rundę Almetry jako wiadomość o startupie. Wtedy kiwa się głową, zapamiętuje Berlin, Merantix Capital, blisce/ i 16 milionów euro, i idzie dalej. To byłby błąd. Dla dyrektorów zarządzających średnich firm produkcyjnych to finansowanie jest sygnałem rynkowym: powstaje kategoria oprogramowania, która chce operacjonalizować wiedzę produkcyjną szybciej, niż były w stanie klasyczne projekty ERP i MES. Nie zastępować. Uzupełniać. A czasem także demaskować.

Dlaczego demaskować? Ponieważ wiele organizacji zarządza średnimi wartościami. Średnie wykorzystanie, średni czas dostawy, średnie braki. Średnie wartości są wygodne i niebezpieczne. Jeśli rodzina produktów przynosi 18 procent marży, ale działa tylko na niestabilnej maszynie, średnia jest pułapką. Jeśli klient generuje duży obrót, ale jego zamówienia niszczą linię wąskiego gardła, obrót nie jest automatycznie dobrym obrotem. Jeśli zakład w raporcie miesięcznym jest zielony, ale dwie zmiany muszą regularnie improwizować, zielony to tylko kolor. Manufacturing Intelligence uwidacznia te sprzeczności.

Uważam za szczególnie istotne, że Almetra chce ekspandować w Europie [1]. DACH nie jest łatwym rynkiem. Rady zakładowe, ochrona danych, rozbudowane krajobrazy systemowe, parki maszynowe z 30-letnim rozrzutem, wysokie wymagania jakościowe, oporne gremia inwestycyjne. Kto tu funkcjonuje, zbudował coś, co wytrzymuje tarcie. Narzędzie amerykańskie z doskonałym wdrożeniem w chmurze może zawieść z powodu jednego brakującego zezwolenia na maszynę. Europejski dostawca, który liczy się z fragmentacją, ma przewagę. Nie gwarancję. Ale przewagę.

Co AI w produkcji oznacza dla średnich firm

Dla średnich firm AI w produkcji oznacza przede wszystkim: mniej wymówek dla działania na ślepo. Mówię to celowo ostro. Wiele firm zatrudniających od 50 do 500 osób jest technicznie lepszych, niż wygląda organizacyjnie. Mają dobre maszyny, doświadczonych ludzi, stabilnych klientów, czasem nawet bardzo czyste procesy. Ale nie mierzą strat wystarczająco konsekwentnie i nie łączą tych strat z decyzjami biznesowymi. To jest przełom. Dyrektor operacyjny patrzy na OEE. Dyrektor sprzedaży patrzy na prognozy i zamówienia. Zarząd patrzy na EBITDA i gotówkę. Prawda leży gdzieś między czasem przezbrojenia, reklamacją a terminem dostawy.

Pierwszym efektem biznesowym jest jasność co do zdolności produkcyjnych. Już nie: Jesteśmy mniej więcej pełni. Ale: Na linii 3 mamy realnie 11 procent ukrytej zdolności produkcyjnej, jeśli wyeliminujemy dwie przyczyny przestojów i zmienimy miks produktów. Markus, dyrektor sprzedaży dostawcy maszyn specjalnych z Augsburga, sformułował to w kwietniu 2025 roku: „Gdybym wiedział, które zamówienia naprawdę pasują, sprzedawałbym inaczej.” Właśnie o to chodzi. Sprzedaż bez inteligencji produkcyjnej w wielu firmach produkcyjnych to zakład.

Drugim efektem jest dyscyplina cenowa. Jeśli wiesz, że zamówienie pochłania wąskie gardło, nie dajesz rabatu tylko dlatego, że klient głośno krzyczy. Jeśli wiesz, że wariant produktu generuje ponadprzeciętne braki, kalkulujesz inaczej. Jeśli możesz udowodnić, że Twoje dane jakościowe są stabilniejsze niż u konkurencji, sprzedajesz nie tylko części, ale bezpieczeństwo procesu. Pozycjonowanie premium, które AlixPartners opisuje dla szwajcarskich producentów jako strategię przeciwko zakłóceniom [4], wymaga właśnie takich dowodów. Nie broszur. Danych.

Trzecim efektem jest internacjonalizacja z mniejszą intuicją. Wielu producentów DACH rozważa nearshoring, dodatkowe zakłady w Europie Wschodniej lub łańcuchy dostaw z większą redundancją. Bez wiarygodnych danych produkcyjnych staje się to drogie. Wtedy przenosi się nie procesy, ale założenia. Warstwa Manufacturing Intelligence może pomóc w porównywaniu linii, rodzin produktów i lokalizacji. W Phoenix Contact czy Festo porównywanie lokalizacji jest ugruntowanym tematem zarządzania. W mniejszych firmach często pojawia się dopiero, gdy druga lokalizacja już działa i nikt nie potrafi wyjaśnić, dlaczego ten sam podzespół w Czechach powoduje o 9 procent więcej prac poprawkowych.

Rzeczywistość techniczna – dlaczego wiele projektów AI-Manufacturing zawodzi

Piszę jako inżynier, więc musi być ta nieprzyjemna część. Projekty nie zawodzą tylko dlatego, że ludzie nie akceptują zmian. Zawodzą, bo modele danych są naiwne. Bo sygnał maszyny nie jest jednoznaczny. Bo postój trwający 18 sekund raz jest ignorowany, raz liczony. Bo zamówienie w ERP jest zakończone, podczas gdy prace poprawkowe nadal trwają. Bo kamera latem widzi inne światło niż w styczniu. Bo segmenty sieci są rozdzielone z dobrego powodu. Bo bezpieczeństwo mówi: Brak połączenia z chmurą z OT. I czasem, bo najważniejszy operator nie ma ochoty po raz trzeci wpisywać tej samej przyczyny przestoju do maski.

Dlatego nie wygrywa automatycznie dostawca z najlepszym modelem uczenia maszynowego. Wygrywa dostawca, który potrafi ustabilizować ścieżkę danych. Od maszyny do bramy Edge, od bramy Edge do modelu kontekstowego, od modelu kontekstowego do decyzji. Kontekst to drogie słowo. Szczyt prądu niewiele znaczy, jeśli nie wiem, jakie narzędzie, jaki materiał, jakie zamówienie, jaka zmiana i jaki tryb pracy były aktywne. Błąd jakościowy niewiele znaczy, jeśli nie mogę go powiązać z parametrami procesu. Właśnie tutaj Manufacturing Intelligence różni się od raportowania.

W Amplifa nie budujemy produktu Almetry i nie będę oceniał tu cudzej architektury, której nie widziałem w kodzie. Ale klasę systemów znam wystarczająco dobrze: Trudna część to nie demo z danymi historycznymi. Trudna część to produkcja. Nowy numer artykułu. Zmieniona cecha kontrolna. Postój maszyny podczas konserwacji. Zmiana pracownika. Aktualizacja ERP. Wygaśnięcie certyfikatu VPN. AI, która dostarcza dobre wnioski w trzecim tygodniu, musi nadal dostarczać użyteczne sygnały w dziewiątym miesiącu. W przeciwnym razie stanie się kolejnym ekranem, którego nikt nie otwiera.

FAQ – Czy Manufacturing Intelligence to tylko nowy MES?

Nie. MES planuje, rejestruje i kontroluje procesy produkcyjne, w zależności od stopnia dojrzałości bardzo szczegółowo. Manufacturing Intelligence zazwyczaj znajduje się ponad nim i próbuje wyciągać wzorce z danych maszynowych, jakościowych, zamówień i konserwacji. Granica nie zawsze jest wyraźna. Niektórzy dostawcy MES wbudowują moduły AI, niektórzy dostawcy Manufacturing Intelligence przejmują funkcje zbliżone do MES. Dla dyrektora zarządzającego lepsze pytanie brzmi: Który system odpowie mi w ciągu dwóch tygodni, gdzie tracimy pieniądze i jakie działanie należy podjąć w pierwszej kolejności?

FAQ – Czy potrzebujemy do tego idealnych danych?

Nie. Ale potrzebujesz uczciwych danych. To jest różnica. Idealne dane rzadko występują w fabryce. Uczciwe dane oznaczają: znane luki, udokumentowane założenia, jasne definicje przestojów, braków, prac poprawkowych i dobrych części. Jeśli dostawca udaje, że AI naprawi to wszystko automatycznie, opuściłbym pomieszczenie. Albo przynajmniej bardzo długo milczał.

FAQ – Co konkretnie zyskuje na tym dział sprzedaży?

Dział sprzedaży otrzymuje lepsze odpowiedzi na cztery pytania: Jakie produkty możemy rentownie rozwijać? Którzy klienci blokują zdolności produkcyjne wąskiego gardła? Jakie obietnice dostaw są realistyczne? Gdzie możemy sprzedawać jakość jako wyróżnik? Brzmi to jak operacje. I tak jest. Ale w produkcji jakość transakcji i rzeczywistość produkcyjna są ze sobą ściślej powiązane, niż przyznaje wiele procesów CRM.

Przygotowanie – 7 kroków przed zakupem AI w produkcji

1. Nazwij ekonomiczne wąskie gardło, a nie technologię. Przykład: Linia 2 traci szacunkowo 10 godzin tygodniowo, ale nikt nie zna głównej przyczyny. Jeśli zaczniesz od „chcemy AI”, dostaniesz slajdy. Jeśli zaczniesz od straty, dostaniesz mierzalność.
2. Wyjaśnij swoje źródła danych. ERP, MES, BDE, SCADA, baza danych jakości, zgłoszenia serwisowe, raporty zmian w Excelu – zapisz, co istnieje, kto jest właścicielem i jak często jest aktualizowane. U dostawcy Festo w Badenii-Wirtembergii zespół w czerwcu 2025 roku znalazł trzy różne definicje braków.
3. Zdefiniuj wskaźniki na poziomie zakładu. OEE, wskaźnik braków, czas przezbrojenia i energia na dobrą sztukę są użyteczne tylko wtedy, gdy wszyscy akceptują te same obliczenia. W przeciwnym razie później będziesz dyskutować nie o działaniach, ale o matematyce.
4. Włącz sprzedaż i controlling wcześnie. Manufacturing Intelligence staje się słaba, jeśli pokazuje tylko straty techniczne. Musi pokazywać, jakie straty dotyczą obrotu, marży, zdolności dostawczych lub ryzyka reklamacji.
5. Zacznij od jednej linii lub rodziny produktów. Nie od całego zakładu. Wybierz obszar o dużej objętości, widocznym problemie i odpowiedzialnych ludziach, którzy chcą wykorzystać wyniki. Cicha linia pilotażowa bez presji zarządu to cmentarz dobrych pomysłów.
6. Zaplanuj bezpieczeństwo OT przed wdrożeniem dostawcy. Dostęp do sieci, urządzenia Edge, zezwolenia chmurowe, modele ról, dzienniki audytu – to nie jest papierkowa robota. Jeden nierozwiązany problem z zaporą sieciową może zablokować projekt na cztery tygodnie.
7. Ustal, kto decyduje po uzyskaniu informacji. Jeśli AI pokaże wąskie gardło A, kto zmieni harmonogram zmian, plan konserwacji, kalkulację oferty lub miks produktów? Bez prawa do podejmowania decyzji Manufacturing Intelligence staje się diagnostyką bez terapii.

Produkt Amplifa Amplifa łączy procesy sprzedaży B2B z priorytetyzacją opartą na danych – aby pipeline, ICP i rzeczywistość operacyjna nie rozjeżdżały się.

Te siedem kroków brzmi rozsądnie. Właśnie dlatego działają. Widziałem zbyt wiele projektów, które zaczynały się od architektury modelu, a umierały na odpowiedzialności. Kto ma zareagować, jeśli system pokazuje, że klient premium regularnie generuje nierentowne zamówienia? Sprzedaż? Produkcja? Zarząd? Kto powie klientowi, że jego specjalne życzenie nie będzie już bezpłatnie realizowane? AI znajduje konflikt. Nie rozwiązuje go automatycznie.

Perspektywa sprzedaży – dlaczego zarządzanie pipeline'em bez danych z hali produkcyjnej staje się słabe

Wielu czytelników, czytając artykuł o Almetrze, prawdopodobnie spodziewa się OEE, konserwacji i jakości. Słusznie. Ale chcę mocniej podkreślić perspektywę sprzedaży, ponieważ w regionie DACH jest ona zbyt rzadko rzetelnie omawiana. Zarządzanie pipeline'em w firmach produkcyjnych jest często odłączone od fabryki. CRM zna szanse, prawdopodobieństwa, segmenty klientów, może marże. Fabryka zna wąskie gardła, logikę przezbrojeń, ryzyka jakościowe, ograniczenia kadrowe. Między tymi dwoma światami zazwyczaj znajduje się arkusz Excela lub doświadczony planista produkcji, który pod presją mówi „da się”.

Kto w 2026 roku nadal stawia na czystą strategię inbound w środowisku produkcji B2B, za pięć lat nie będzie miał już pipeline'u. Tak, ostro. Ale spójrz na rzeczywistość: procesy zakupowe stają się dłuższe, wymagania techniczne ściślejsze, oceny dostawców bardziej oparte na danych. Jeśli Twój dział sprzedaży nie wie, którzy klienci pasują do rzeczywistej siły produkcyjnej, sprzedaje przeciwko własnej działalności. ICP dla firm produkcyjnych nie może zawierać tylko branży, wielkości obrotów i regionu. Musi zawierać dopasowanie produkcyjne. Jakie części działają stabilnie? Jakie warianty mają krzywą uczenia się? Jakie wymagania klienta pasują do strategii kontroli i zdolności produkcyjnych?

Z naszych wdrożeń wiemy: Gdy zespoły sprzedaży porównują swoje listy klientów docelowych z ograniczeniami operacyjnymi, zaskakująco często zmieniają się najważniejsze konta. U producenta komponentów technicznych w regionie DACH 27 procent priorytetowych kont docelowych przesunęło się, po tym jak uwzględniliśmy rodziny produktów, ryzyko czasu dostawy i historyczne wzorce reklamacji w ocenie ICP. Wcześniej duży klient wyglądał atrakcyjnie, ponieważ potencjał obrotów i logo były odpowiednie. Później stało się jasne: klient wybrałby dokładnie te warianty, które blokują kontrolę wąskiego gardła. To nie teoria. To higiena pipeline'u.

Amplifa ICP Playbook dla producentów Skorzystaj z Playbooka, aby oceniać klientów docelowych nie tylko pod kątem potencjału rynkowego, ale także dopasowania produkcyjnego, marży i zdolności dostawczych.

Co Almetra dobrze adresuje – i gdzie rynek jest jeszcze otwarty

Almetra adresuje bolący punkt: fabryki wiedzą, że tracą zdolności produkcyjne, ale nie wiedzą wystarczająco precyzyjnie, gdzie i dlaczego [1]. To sformułowanie jest mocne, ponieważ nie sprzedaje science fiction. Sprzedaje orientację. Jeśli klienci, według Fischera, znajdują znaczące możliwości optymalizacji w ciągu pierwszych tygodni [1], to wartość prawdopodobnie leży w szybkim kontekstualizowaniu strat. Nie w idealnym cyfrowym bliźniaku od pierwszego dnia.

Rynek pozostaje jednak otwarty. Epicor Prism, według The Retail Data, również został pozycjonowany jako rozwiązanie AI-powered Manufacturing Solution dla Europy [2]. Klasyczni dostawcy ERP i MES będą dodawać warstwy AI. Hiperskalerzy chmurowi dostarczą architektury referencyjne. Specjaliści od wizji komputerowej, konserwacji i optymalizacji energii będą wchodzić głębiej w nisze. Dla klientów jest to dobre i irytujące jednocześnie. Dobre, bo powstaje wybór. Irytujące, bo każde narzędzie twierdzi, że jest centralną warstwą inteligencji. Moja rada: Nie wierz żadnemu diagramowi architektury, który zbyt czysto rysuje Twoje istniejące systemy.

Zwycięzcy nie tylko będą potrafili AI. Będą potrafili wdrożyć. Będą potrafili rozmawiać z kierownikiem zakładu, który nie ma czasu na poezję platformową. Będą potrafili rozmawiać z działem bezpieczeństwa IT, nie wyglądając na obrażonych. Zbudują rachunek strat z controllingiem. Wyjaśnią sprzedaży, dlaczego nowa transakcja jest operacyjnie ryzykowna. I zaakceptują, że niektóre dane na początku pozostaną ręczne. No, prawie. Ręczne często pozostaje dłużej, niż przyznają dostawcy.

Ryzyka – ochrona danych, rada zakładowa, bezpieczeństwo OT i zaufanie do modelu

Żaden raport trendów nie byłby uczciwy, gdyby bagatelizował ryzyka. W regionie DACH dane produkcyjne są wrażliwe. Nie tylko ze względu na ochronę danych, ale także ze względu na wiedzę konkurencyjną. Z czasów cyklu, braków, miksu zamówień i przestojów można wiele wywnioskować o strukturze kosztów i klientach. Jeśli dostawca przetwarza dane produkcyjne w chmurze, musi być jasne, gdzie dane się znajdują, kto ma do nich dostęp, jak modele są trenowane i czy dane klientów trafiają do ogólnych procesów szkoleniowych. Rady zakładowe słusznie zadają pytania, gdy dane zmian są analizowane na poziomie operatora. Zapach gorącego metalu w hali jest romantyczny. Ocena prawna danych wydajnościowych nie jest.

Bezpieczeństwo OT to drugi trudny punkt. Platforma Manufacturing Intelligence potrzebuje danych z produkcji, ale nie może zagrażać produkcji. Segmentacja, dostęp tylko do odczytu, przetwarzanie Edge, zarządzanie certyfikatami, procesy łatania – to maszynownia, a nie marketing. Dyrektor operacyjny powinien zapytać swojego dostawcę: Co się stanie, jeśli połączenie zniknie? Czy linie mogą nadal działać? Jak testowane są aktualizacje? Jakie są logi? Jakie dane opuszczają zakład? Jeśli odpowiedzi są mgliste, to jest to sygnał ostrzegawczy.

Zaufanie do modelu to trzeci punkt. AI może zidentyfikować wąskie gardło, a mimo to się mylić, jeśli brakuje kontekstu. Może linia była wolna, bo nowy pracownik był szkolony. Może braki były celowe, bo proces kontroli został zaostrzony. Może zamówienie było przypadkiem specjalnym. Dlatego systemy potrzebują pętli sprzężenia zwrotnego. Operatorzy, konserwatorzy, kierownicy jakości i planiści muszą mieć możliwość wprowadzania korekt. W przeciwnym razie powstaje maszyna, która brzmi mądrze, a priorytetyzuje głupio.

Logika budżetowa – dlaczego AI w produkcji musi się inaczej opłacać

AI w produkcji nie będzie skalować się poprzez budżety innowacyjne. Nie na dłuższą metę. Musi opłacać się poprzez twarde czynniki wartości: mniej przestojów, mniej braków, krótszy czas przezbrojenia, stabilniejsze terminy dostaw, lepsze marże ofertowe, niższe zużycie energii na dobrą sztukę. Każdy projekt rozpocząłbym od punktu odniesienia. Cztery tygodnie danych, jedna linia, jasne kategorie strat. Potem działania. Potem porównanie. Nie idealne, ale wystarczająco wiarygodne, aby uzasadnić drugą fabrykę.

Przykład: Komórka CNC z czterema maszynami traci 12 godzin tygodniowo z powodu nieplanowanych przestojów i drobnych zakłóceń. Wewnętrzna stawka godzinowa wynosi 95 euro, a wąskie gardło dodatkowo uniemożliwia realizację dwóch zamówień klientów miesięcznie, każde z 18 000 euro marży. Jeśli warstwa Manufacturing Intelligence zmniejszy tylko jedną trzecią tych strat, uzasadnienie biznesowe nie jest subtelne. Ale do tego system musi nie tylko liczyć przestoje. Musi pokazać, które przestoje można wpłynąć i które działanie ma największy efekt. W przeciwnym razie optymalizuje się najgłośniejsze zamiast najdroższe.

Dla dyrektorów zarządzających najlepsze pytanie nie brzmi: Ile kosztuje oprogramowanie? Najlepsze pytanie brzmi: Jaką stratę akceptujemy obecnie, ponieważ jej nie widzimy? To pytanie boli. Ujawnia, że niektóre zakłady od lat żyją z ukrytym podatkiem – w postaci prac poprawkowych, specjalnych przejazdów, przesunięć terminów, rabatów i wewnętrznych eskalacji. Manufacturing Intelligence obiecuje ujawnić ten podatek. Musisz go jednak płacić, dopóki nikt nie działa.

Osobista prognoza – następne 2 do 3 lat

Moja prognoza: Do końca 2028 roku Manufacturing Intelligence w regionie DACH nie będzie już postrzegana jako plac zabaw AI, ale jako normalna infrastruktura operacyjna dla wymagających producentów. Nie wszędzie. Nie w każdej firmie zatrudniającej 70 osób z trzema stabilnymi maszynami i pełnym portfelem zamówień. Ale w firmach, które mają wiele linii, wymagających klientów, presję audytową i prawdziwe konflikty zdolności produkcyjnych. Tam pytanie nie będzie brzmiało, czy dane produkcyjne są wykorzystywane. Będzie brzmiało, dlaczego sprzedaż, planowanie i utrzymanie ruchu nadal mają różne prawdy.

Spodziewam się trzech zmian. Po pierwsze, dyrektorzy operacyjni będą bardziej kupować pod kątem czasu do uzyskania wglądu. Nie pod kątem list funkcji. Kto w ciągu czterech tygodni pokaże wiarygodne wzorce strat, pokona dostawcę z 80 funkcjami i dziewięciomiesięcznym planem projektu. Po drugie, sprzedaż będzie pobierać dane z produkcji do ICP, priorytetyzacji ofert i planowania kont. To wywoła opór, ponieważ sprawi, że niektórzy ulubieni klienci będą wyglądać gorzej. Po trzecie, dane ESG i energetyczne zostaną zintegrowane z optymalizacją produkcji. Nie z idealizmu, ale dlatego, że klienci i koszty tego wymuszą.

Runda Almetry o wartości 16 milionów euro jest tego wskaźnikiem, a nie punktem końcowym. Pokazuje, że inwestorzy wierzą w europejską kategorię: narzędzia natywne dla AI, które generują wartość bezpośrednio z danych z hali produkcyjnej. Czy Almetra będzie dominującą platformą za pięć lat, nie wiem. Nikt nie wie. Ale wierzę, że stary podział między danymi fabrycznymi a decyzjami biznesowymi się załamuje. Sprzedaż zbliży się do maszyny. Dyrektor operacyjny zbliży się do pipeline'u. I gdzieś w hali stary drukarka etykiet będzie nadal terkotać, podczas gdy pulpit nawigacyjny po raz pierwszy pokaże, ile naprawdę kosztuje ten dźwięk.