AI w produkcji: Przepaść między zwycięzcami a przegranymi

Marktanalyse · 25. März 2026 · Rebecca Kupka

AI w produkcji to już nie tylko szum. Nasza analiza pokazuje, kto zyskuje, kto zostaje w tyle i jak średnie firmy mogą teraz nadrobić zaległości.

Około 15 lat temu stałem w odlewni w sercu Zagłębia Ruhry. Zapach gorącego metalu i oleju maszynowego, ogłuszający hałas prasy, która z precyzją szwajcarskiego zegarka uderzała w blachę – prowadzona przez mistrza, który znał maszynę lepiej niż własną kieszeń. Po dźwięku rozpoznawał, kiedy trzeba wymienić narzędzie. Uczucie, doświadczenie, intuicja. To był niemiecki przemysł. W zeszłym tygodniu byłem w fabryce Siemensa w Erlangen. Zamiast hałasu, niemal upiorna cisza, przerywana cichym szumem cobotów. Zamiast zapachu oleju, kliniczna czystość laboratorium. A dzisiejszy mistrz? Siedzi przed trzema monitorami i monitoruje strumienie danych, podczas gdy algorytm przewiduje mu z dokładnością do minuty, kiedy wrzeciono grozi awarią – trzy tygodnie wcześniej. To jest dzisiejszy niemiecki przemysł. I właśnie tutaj, między tymi dwoma obrazami, zionie przepaść, która zadecyduje o być albo nie być. Powiem wam: połowa dzisiejszych średnich firm w budowie maszyn będzie nieistotna za pięć lat. Nie z powodu taniej konkurencji z Dalekiego Wschodu. Ale dlatego, że nadal uważają arkusz kalkulacyjny Excela za strategię danych.

AI w produkcji: Gdzie naprawdę znajduje się niemiecki Mittelstand

Zapytaj dziesięciu dyrektorów generalnych o ich strategię AI, a otrzymasz jedenaście różnych odpowiedzi. Od „Mamy to na oku” (co oznacza: nie mamy) po szumne zapowiedzi transformacji cyfrowej, która po bliższym przyjrzeniu okazuje się zakupioną subskrypcją oprogramowania. Szczerze mówiąc: musimy przestać oszukiwać samych siebie. Aktualny raport ZEW na temat zdolności technologicznych Niemiec do 2026 roku mówi jasno, jeśli czyta się między wierszami. Tak, „Manufacturing”, czyli nasz kluczowy przemysł, jest celebrowany jako wiodąca branża w adaptacji AI. Niemcy, według ekspertyzy, mają przewagę w badaniach nad przemysłową AI. Brzmi to dobrze, wręcz uspokajająco. Brawa, poklepywanie po plecach, tak trzymać.

Ale to tylko pół prawdy. Chodzi o to, że „wiodący” to przymiotnik względny. Wiodący w porównaniu do kogo? W porównaniu do sektora bankowego, który jest tak mocno obciążony regulacjami takimi jak MaRisk 7.0 czy DORA, że każda innowacja jest najpierw rozbierana na części przez armię specjalistów ds. zgodności? Ironia, prawda? Właśnie te instytucje, których cały model biznesowy opiera się na danych, pozostają w tyle w inteligentnym wykorzystywaniu tych danych. Czy wiodący w porównaniu do branży budowlanej czy nieruchomości, gdzie wykorzystanie AI jest tak rzadkie jak punktualny ICE? Nie ma co się oszukiwać: poprzeczka nie jest zbyt wysoko. Podczas gdy my w regionie DACH świętujemy naszą przewagę, amerykańskie i chińskie koncerny budują całe ekosystemy oparte na AI, które redefiniują nie tylko produkcję, ale cały łańcuch wartości – od projektu po obsługę posprzedażową. Nasza „przewaga” to w rzeczywistości okno czasowe. I to cholernie małe.

Twarda rzeczywistość za procentami

Liczby, które się słyszy, są zwodnicze. Niedawna ankieta VDMA oszacowała liczbę producentów maszyn wdrażających projekty AI na prawie 40%. Brzmi nieźle. Ale co oznacza „projekt AI”? Czy zalicza się do tego nowe oprogramowanie CRM, które ma „inteligentny” pulpit nawigacyjny? Czy mówimy o prawdziwych, głęboko zintegrowanych z procesami aplikacjach uczenia maszynowego, które zapewniają mierzalny ROI? Z mojego doświadczenia wynika, że to drugie jest wyjątkiem. Widzimy wiele projektów flagowych, często we współpracy z instytutem Fraunhofera (niech Bóg im błogosławi, trzymają sztandar), które są następnie oklaskiwane na targach. Ale szerokie, powszechne wdrożenie? Brak. Pieniądze płyną – raport ZEW sugeruje wzrost dzięki zwiększonym wydatkom na badania i rozwój – ale często rozpraszają się w rozwiązaniach wyspowych, w projektach pilotażowych, które nigdy nie są skalowane, oraz w czystym zamieszaniu, od czego w ogóle zacząć.

Trend 1: Szklana fabryka – optymalizacja procesów jako obowiązkowy program

Pierwszym i najbardziej oczywistym zastosowaniem AI w produkcji jest sama produkcja. Tutaj bóle są największe, a potencjalne zyski najszybciej widoczne. Koncepcja „szklanej fabryki” nie jest nowa, ale dopiero AI nadaje jej prawdziwe zęby. Nie chodzi już tylko o wizualizację danych z systemu Manufacturing Execution System (MES). Chodzi o przewidywanie na podstawie tych danych i autonomiczne sterowanie procesami. Klasyka, o której wszyscy mówią: Predictive Maintenance. Niedawno rozmawiałem z dyrektorem technicznym średniej wielkości producenta pras z Saksonii. Zmodernizowali swoje maszyny, dodając dodatkowe czujniki drgań i temperatury. Prosty algorytm uczenia maszynowego analizuje teraz wzorce i zgłasza anomalie na długo przed tym, zanim człowiek by je zauważył. Wynik: nieplanowane przestoje na ich najbardziej krytycznej linii produkcyjnej spadły o 80%. Osiemdziesiąt procent! Przeliczcie to na euro.

Innym obszarem jest kontrola jakości. Każdy zna obrazy pracowników, którzy w jaskrawym świetle szukają najmniejszych wad w komponentach. Męcząca, podatna na błędy praca. Dziś robią to systemy kamer z rozpoznawaniem obrazu wspomaganym przez AI – i to z dokładnością i szybkością, która jest nadludzka. Producent formowanych części z tworzyw sztucznych w Schwarzwaldzie obniżył w ten sposób wskaźnik odrzutów z 4% do poniżej 0,5%. To nie są drobne kwoty, to czyste pieniądze, które wcześniej lądowały w śmieciach. A do tego dochodzi projektowanie generatywne, w którym AI, bazując na fizycznych specyfikacjach (wytrzymałość, waga, materiał), samodzielnie projektuje optymalne geometrie komponentów. Bioniczne struktury, które wyglądają jak z filmu science fiction, ale są o 30% lżejsze i jednocześnie stabilniejsze. Na razie jest to często zarezerwowane dla dużych firm, takich jak Airbus, ale technologia staje się coraz bardziej dostępna. Wyobraźcie sobie, co to oznacza dla producenta obrabiarek, który nagle może projektować lżejsze, ale sztywniejsze komponenty do osi swoich maszyn.

Dużą przeszkodą w tym wszystkim jest – i to często zamiata się pod dywan – sytuacja danych. „Dane to nowa ropa naftowa” to chyba najgłupsze powiedzenie ostatniej dekady. Dane to ropa naftowa. Czarna, lepka, w dużej mierze bezużyteczna masa. Dopiero gdy zbuduje się rafinerię – czyli czystą infrastrukturę danych z jasnymi interfejsami między PLC, MES, ERP i chmurą – staje się ona cenną benzyną. Większość średnich firm siedzi jednak na patchworku silosów danych, rozwiązań wyspowych i cmentarzysk Excela, które rosły przez dziesięciolecia. To jest prawdziwa, nieefektowna, ale absolutnie krytyczna praca, zanim zainwestuje się choćby centa w algorytm AI.

Wiele firm kupuje AI jak nowy wózek widłowy. Stawiają technologię w kącie i dziwią się, że sama nie rusza. AI to jednak nie narzędzie, lecz zmiana paradygmatu. Wymaga strategicznego podejścia, które zaczyna się od problemu biznesowego, a nie od technologii. Bez tej zmiany kulturowej 9 na 10 inicjatyw AI kończy się niepowodzeniem, zanim jeszcze na dobre się zaczną.

— Dr. Lena Hartmann, fikcyjna kierownik ds. informatyki produkcyjnej, Instytut Fraunhofera

Trend 2: Odporny łańcuch dostaw – AI jako strategiczna broń

Jeśli pandemia i zawirowania geopolityczne ostatnich lat czegoś nas nauczyły, to tego: globalny łańcuch dostaw just-in-time, skrojony na miarę, jest domkiem z kart na wietrze. Przez lata efektywność była jedyną mantrą. Teraz magicznym słowem jest odporność. I tutaj, w zarządzaniu łańcuchami dostaw i ryzykiem, AI odgrywa swoją być może największą, choć często niewidzialną, siłę. To już nie jest tylko kwestia produkcji; to twarda strategia korporacyjna.

Spójrzmy na regulacje. Pojęcia takie jak DORA (Digital Operational Resilience Act) czy nowelizacje MaRisk (Minimalne Wymagania dotyczące Zarządzania Ryzykiem), które wywołują pot w sektorze finansowym, mają bezpośredni wpływ na średnie firmy. Dlaczego? Ponieważ Twój bank dokładniej sprawdza, jak zarządzasz ryzykami operacyjnymi, zanim udzieli Ci kolejnego kredytu. Nie wystarczy już powiedzieć „Mamy nadzieję, że kontener z Szanghaju dotrze na czas”. Musisz udowodnić, że systematycznie rejestrujesz, oceniasz i łagodzisz swoje ryzyka. A robienie tego ręcznie, przy setkach dostawców, jest po prostu niemożliwe.

I właśnie tutaj wkracza AI. Wyobraź sobie system, „cyfrowego bliźniaka” Twojego łańcucha dostaw. Ten system pobiera dane ze wszystkich możliwych źródeł: dane o pozycji Twojego ładunku w czasie rzeczywistym, wiadomości finansowe o zdolności kredytowej Twoich dostawców, prognozy pogody dla ważnych tras transportowych, wiadomości polityczne, które mogą wskazywać na bariery handlowe, a nawet analizę zdjęć satelitarnych, które pokazują, czy przed ważnym portem tworzy się zator. AI może analizować te miliardy punktów danych w czasie rzeczywistym, rozpoznawać korelacje i alarmować na długo przed tym, zanim problem pojawi się w wieczornych wiadomościach. Znam średniej wielkości producenta mebli z Ostwestfalii-Lippe. Używają takiego rozwiązania. System zasygnalizował zbliżający się strajk w kanadyjskim porcie drzewnym dwa tygodnie przed oficjalnym ogłoszeniem – tylko dlatego, że aktywność związkowców w mediach społecznościowych wykazywała nietypowe wzorce. Dało im to wystarczająco dużo czasu, aby przestawić się na innego dostawcę. Szkody wyniosłyby miliony. To nie jest zabawa, to zapewnia istnienie.

Trend 3: Inżynier sprzedaży AI – koniec z zasadą rozrzutności

Przejdźmy do obszaru, który wielu całkowicie pomija, mówiąc o „AI w produkcji”: sprzedaży. Zwłaszcza w niemieckim przemyśle maszynowym i budowie instalacji, sprzedaż jest bardzo złożona, technicznie wymagająca i niezwykle oparta na relacjach. Klasyczny inżynier sprzedaży – wysoko wykwalifikowany, drogi, dużo podróżujący – jest kręgosłupem sukcesu. Ale czy pracuje efektywnie? Czy spędza czas z właściwymi klientami? Czy też na podstawie intuicji i starych kontaktów odwiedza potencjalnych zainteresowanych?

Tutaj wkracza trzeci duży trend: AI jako kopilot w sprzedaży B2B. Nie chodzi o zastąpienie inżyniera sprzedaży. Chodzi o wysłanie go we właściwe miejsce we właściwym czasie. Pierwszym krokiem jest brutalna, szczera definicja „Idealnego Profilu Klienta” (ICP). Większość dyrektorów generalnych uważa, że wie, kim są ich najlepsi klienci. „Średnie firmy, południowoniemiecki przemysł produkcyjny, ponad 500 pracowników.” Analiza AI własnych danych CRM i ERP często ujawnia zaskakujące rzeczy. Nagle okazuje się, że najbardziej dochodowymi klientami z najkrótszym cyklem sprzedaży są w rzeczywistości firmy chemiczne w Holandii zatrudniające mniej niż 200 pracowników, które właśnie dążą do uzyskania konkretnej certyfikacji ISO. AI znajduje te wzorce, które pozostają ukryte dla ludzi, ponieważ uwzględnia zbyt wiele zmiennych jednocześnie.

Na podstawie tego opartego na danych ICP, AI może następnie przeszukiwać rynek w poszukiwaniu „bliźniaków” tych idealnych klientów. Ale to idzie jeszcze dalej. Chodzi o rozpoznawanie „sygnałów kupna”. AI może w pełni automatycznie przeszukiwać sieć: Czy firma ogłasza stanowisko „Kierownika Automatyzacji”? To sygnał kupna. Czy jest komunikat prasowy o budowie nowej hali produkcyjnej? Sygnał kupna. Czy konkurent ogłasza upadłość, a jego klienci szukają alternatyw? Ogromny sygnał kupna. Zamiast zimnych telefonów na zasadzie rozrzutności, sprzedaż nagle prowadzi bardzo precyzyjne „chirurgiczne” pozyskiwanie klientów. Sprzedawca otrzymuje listę 10 wysoko wykwalifikowanych leadów, wraz z dokładnymi powodami, dla których te firmy są teraz dostępne. To rewolucja, która dzieje się po cichu i która zadecyduje o różnicy między wzrostem a stagnacją.

Amplifa ICP Playbook: Znajdź swoich prawdziwych idealnych klientów Koniec z zgadywaniem. Zdefiniuj swój Idealny Profil Klienta na podstawie danych. Nasz Playbook krok po kroku pokaże Ci, jak zidentyfikować klientów, którzy naprawdę chcą u Ciebie kupować – i dlaczego.

Co to NAPRAWDĘ oznacza dla niemieckiego Mittelstandu

Dobra, mówmy szczerze. Dyrektor generalny producenta śrub w Attendornie lub specjalisty od czujników w Tettnang ma inne zmartwienia niż „sieci neuronowe”. Walczy z eksplodującymi kosztami energii, brakiem wykwalifikowanej siły roboczej i biurokracją, która doprowadza do szału. Pokusa jest duża, aby zbyć temat AI jako „muzykę przyszłości”, coś dla dużych korporacji z ich ogromnymi działami IT. To jest fatalny błąd. Ponieważ zagrożenie jest realne i pochodzi z dwóch kierunków.

Po pierwsze: międzynarodowa konkurencja. Nie tylko tani kopiści, ale wysoko zaawansowani technologicznie konkurenci z USA czy Azji, którzy od podstaw pracują w oparciu o dane. Wykorzystują AI do tańszej produkcji maszyn, zwiększenia odporności swoich łańcuchów dostaw i lepszego zrozumienia klientów. Atakują już nie tylko w niższym segmencie cenowym, ale w segmencie wysokiej jakości – naszej domenie. Po drugie, i to jest być może jeszcze bardziej niebezpieczne: utrata interfejsu klienta. Jeśli Twój konkurent dzięki AI potrafi lepiej przewidzieć potrzeby klienta niż Ty, jeśli proaktywnie oferuje konserwację, zanim maszyna się zepsuje, jeśli ma dokładnie właściwe rozwiązanie we właściwym czasie – to nie ma znaczenia, jak dobry jest Twój produkt. Relacja znika. Zostajesz zdegradowany ze strategicznego partnera do wymiennego dostawcy.

Największą pułapką jest jednak zaczynanie od końca. Widzę to ciągle: kupuje się za setki tysięcy euro elegancką platformę AI, bo sprzedawca obiecał gruszki na wierzbie. A potem zarząd siedzi i zastanawia się, jaki problem ma to właściwie rozwiązać. To technologiczny aktywizm, który pali ogromne sumy i w końcu prowadzi tylko do frustracji. Pytanie nigdy nie powinno brzmieć: „Co możemy zrobić z AI?”. Zawsze powinno brzmieć: „Jaki jest nasz największy problem biznesowy i czy AI może nam pomóc go rozwiązać?”. Często odpowiedź brzmi „Tak”, ale czasem też „Nie, najpierw potrzebujemy czystych danych podstawowych”. Ta uczciwość to pierwszy krok do sukcesu.

Twoje 5 kroków do przygotowania – Bez pustych frazesów

1. Analiza punktów bólu, a nie zakochanie w technologii: Zbierz swoich najlepszych ludzi z produkcji, sprzedaży i zarządzania. I to na cały dzień, bez telefonów. Zidentyfikuj trzy największe „punkty bólu”, które dziś kosztują Cię pieniądze, czas lub klientów. Czy to nieplanowane przestoje maszyn? Wysoki wskaźnik odrzutów? Niska skuteczność w sprzedaży? Oceń te problemy bezwzględnie pod kątem ich wpływu na biznes. Rozwiąż JEDEN prawdziwy problem, a nie dziesięć fikcyjnych.
2. Inwentaryzacja danych – Nieskrępowana prawda: Zanim wydasz choćby jedno euro, dokonaj radykalnie uczciwej inwentaryzacji. Gdzie znajdują się Twoje dane? W sterowaniu maszyn (PLC)? W MES? W systemie ERP? W 500 arkuszach Excela na laptopach pracowników? Czy dane są dostępne? Czy są wystarczającej jakości? Bez uregulowanego dostępu do danych każda inicjatywa AI jest jak samochód sportowy bez paliwa: drogi i bezużyteczny.
3. Zacznij od małego, myśl globalnie – Projekt pilotażowy: Znajdź najmniejszy, najlepiej dający się wydzielić przypadek użycia z największą dźwignią. Predykcyjne utrzymanie dla jednej, krytycznej maszyny. Nie dla całego parku produkcyjnego. Kontrola jakości wspomagana AI dla jednej, problematycznej części. Zdefiniuj jasne wskaźniki sukcesu (KPI) ZANIM. Zmierz zwrot z inwestycji (ROI) brutalnie uczciwie. Tylko jeśli ten pilot zakończy się sukcesem, zrób kolejny krok.
4. Budowanie kompetencji – Szukaj „tłumaczy”, a nie guru: Nie potrzebujesz roju absolwentów Harvardu w dziedzinie Data Science. Potrzebujesz jednej lub dwóch osób, które potrafią „tłumaczyć”. Ludzi, którzy rozumieją język hali produkcyjnej ORAZ opanowali podstawy analizy danych. Ludzi, którzy potrafią wyjaśnić mistrzowi produkcji, co robi algorytm, i naukowcowi danych, dlaczego czujnik w tym miejscu nie ma sensu. Szkol tych ludzi lub zatrudnij ich. To jest najcenniejsza inwestycja.
5. Wybór partnera – Oddziel ziarno od plew: Rynek rozwiązań AI to gorączka złota. Jest pełen dostawców, którzy obiecują gruszki na wierzbie. Bądź niezwykle sceptyczny. Rozmawiaj z ich klientami referencyjnymi – i to nie tylko z tymi, których proponuje dostawca. Żądaj Proof of Concept (PoC) opartego na TWOICH danych i TWOIM problemie. Kto to odrzuca, nie jest wiarygodny. Prawdziwy partner chce rozwiązać z Tobą problem, a nie tylko sprzedać oprogramowanie.

Amplifa: Twoja platforma AI dla wzrostu sprzedaży Koniec z zgadywaniem w sprzedaży B2B. Amplifa to platforma AI, która na podstawie Twojego ICP znajduje kolejnych dochodowych klientów, zanim zrobi to Twoja konkurencja. Odkryj kwalifikowane leady i prawdziwe możliwości wzrostu w przemyśle produkcyjnym.

Moja prognoza: Dwuklasowe społeczeństwo w budowie maszyn jest nieuniknione

Jestem w tej branży od ponad 18 lat, widziałem, jak pojawiały się i znikały mody. Przemysł 4.0, Lean Management, Six Sigma. Niektóre były pustymi obietnicami, niektóre trwale zmieniły przemysł. AI, tutaj wychylam się daleko, należy do drugiej kategorii. I zakładam się o dobrego szwabskiego Rieslinga: za trzy, maksymalnie cztery lata zobaczymy ugruntowane dwuklasowe społeczeństwo w niemieckim Mittelstandzie.

Z jednej strony będą „Cyfrowi Czempioni”. To niekoniecznie największe firmy. To te najbardziej zwinne. Te, które zrozumiały, że dane są strategicznym aktywem. Wykorzystują AI, aby uczynić swoją produkcję bardziej efektywną, swoje łańcuchy dostaw bardziej odpornymi i swoją sprzedaż hiperinteligentną. Nie sprzedają już tylko maszyny, sprzedają „gwarantowaną dostępność”, „predykcyjną jakość” lub „zoptymalizowaną wydajność”. Będą rosły, broniły swoich marż i nadawały ton na arenie międzynarodowej.

A potem są inni. Tradycjonaliści. Ci, którzy nadal wierzą, że „Made in Germany” to dar od Boga, a klient zadzwoni, gdy czegoś potrzebuje. Ci, których najcenniejszym narzędziem do danych jest tabela przestawna, a zarządzanie ryzykiem polega na trzymaniu kciuków. Stracą kontakt. Ich marże będą erodować. Staną się przedłużonymi stołami warsztatowymi, wymiennymi dostawcami dla pierwszej grupy. Albo cicho i spokojnie znikną z rynku, przejęci przez inwestora private equity, który ich rozczłonkował, albo po prostu przez niewypłacalność. Przyszłość produkcji nie jest ze stali i żelaza. Jest z krzemu i danych. A kto tego nie rozumie, już przegrał. Nie ma co się oszukiwać.