AI w produkcji: zakład BMW na roboty

KI & Automatisierung · 29. Juli 2026 · Omer

AI w produkcji staje się fizyczna: BMW testuje roboty humanoidalne. Dowiedz się, co COO w niemieckich MŚP powinni przygotować już teraz.

W 2024 roku w Europie zainstalowano 85 000 nowych robotów przemysłowych, z czego 26 900 w samych Niemczech (International Federation of Robotics, World Robotics 2025). AI w produkcji nie jest już tylko slajdem z narady strategicznej, ale stoi już między prasownią, linią montażową a intralogistyką. BMW idzie o krok dalej i buduje w Monachium centrum kompetencji dla „Physical AI in Production”, podczas gdy roboty humanoidalne są testowane na niemieckich liniach (Industriemagazin, 2025). Jest to ważne, ponieważ zacierają się tu dwie dotychczas oddzielne światy – klasyczna robotyka i uczące się systemy AI. Moja prognoza: do 2028 roku nie wygra producent, który kupi najwięcej robotów, ale ten, który najczystiej przetłumaczy dane fabryczne, ergonomię, czas taktu i zezwolenia bezpieczeństwa na system operacyjny dla fizycznej AI.

BMW to nie startup z filmem promocyjnym. BMW to OEM, na którym wzorują się dostawcy, producenci maszyn i wielu prezesów w średnich przedsiębiorstwach, nawet jeśli się do tego nie przyznają. Jeśli w Monachium powstaje centrum „Physical AI in Production”, to nie jest to ładne laboratorium innowacji ze szklaną ścianą i przepustką dla zwiedzających. To sygnał dla Brose, Schaeffler, Webasto, Wittenstein, Festo, Phoenix Contact i dla każdego przedsiębiorstwa zatrudniającego 180 pracowników w Ostwestfalii, które dziś jeszcze wierzy, że cobot obok CNC to już strategia automatyzacji.

Status quo: AI w produkcji tkwi w pułapce skalowania

Status quo jest nieprzyjemny. Europa od lat mówi o Przemysł 4.0, cyfrowych bliźniakach i połączonych fabrykach, ale szerokie wdrożenie pozostaje skromne. Według białej księgi Adecco, która została opublikowana w niemieckich mediach finansowych w październiku 2025 roku, między 2022 a 2025 rokiem w Europie powstało około 1,9 miliona nowych miejsc pracy związanych z AI, podczas gdy tylko około 20 procent firm z UE naprawdę zintegrowało AI w skali. Ta luka pachnie PowerPointem. Nie ropą, granulatem tworzyw sztucznych i harmonogramem zmian.

Widzę to również w rozmowach z firmami produkcyjnymi. Nie teoretycznie. W marcu 2025 roku Andrea, Head of Sales w Hidden Champion w Bielefeld, powiedziała mi: „Mamy trzech pilotów AI, ale żaden nie ma właściciela po kick-offie.” Brzmi to banalnie, ale trafia w sedno. Wiele średnich przedsiębiorstw testuje Computer Vision na stacji kontroli jakości, Predictive Maintenance na linii i chatboty w wewnętrznym dziale sprzedaży. No cóż, prawie. Brakuje spójności między procesem, modelem danych, rachunkiem kosztów i odpowiedzialnością.

W BMW ta spójność jest właśnie tą klamrą. Monachijskie centrum ma systematycznie sprawdzać, które systemy robotyczne wspierane przez AI są gotowe do produkcji – wsparcie montażu, intralogistyka, obsługa materiałów, współpraca człowiek-robot. Nie „Czy robot może podnieść skrzynię?”, ale: Czy zmienia czas taktu, czy przestrzega stref bezpieczeństwa, czy zmniejsza obciążenie ergonomiczne, czy jest łatwy w konserwacji i czy dostosowuje swój ruch do rzeczywistej zmienności, czyli do tego, co zawsze dzieje się w fabrykach, gdy linia demonstracyjna się kończy.

Liczba 85 000 nowych robotów w Europie wydaje się duża. Nie do końca. Pokazuje raczej, że klasyczna automatyzacja osiągnęła fazę nasycenia i selekcji. W 2024 roku instalacje w Europie spadły o 8,6 procent, Niemcy pozostały silne z 26 900 jednostkami, ale kolejny skok nie pochodzi z jeszcze większej liczby osi. Pochodzi z percepcji, chwytania, uczenia się i integracji z systemami IT/OT. To jest punkt, w którym Physical AI staje się ekscytująca – i niebezpieczna dla firm, które nadal rozkładają swoje dane na Excel, eksport MES i intuicję.

Trend 1: Roboty humanoidalne stają się kwestią benchmarkingu

Roboty humanoidalne są przeceniane, jeśli traktuje się je jako zamiennik człowieka. Są niedoceniane, jeśli traktuje się je jako narzędzie testowe dla elastycznej automatyzacji. BMW nie testuje systemów humanoidalnych dlatego, że dwunożny robot dobrze wygląda na LinkedIn. Powód jest bardziej trzeźwy: wiele fabryk jest zbudowanych dla ludzkich ciał. Półki, wysokości chwytania, narzędzia, wózki, osie widzenia, drzwi, panele sterowania. Kto chce tam automatyzować, nie przebudowując połowy linii, w końcu trafia na roboty, które potrafią radzić sobie z ludzkim otoczeniem.

To jest prawdziwy szok dla COO. Nie robot. Architektura fabryki. Klasyczny robot sześcioosiowy jest genialny, gdy zadanie jest stabilne. Cobot jest sensowny, gdy siła, zasięg i prędkość mogą pozostać ograniczone. Ale wiele pozostałych zadań w montażu i logistyce leży pomiędzy: chwytanie komponentów z KLT, prowadzenie kabli, podawanie paneli drzwiowych, podnoszenie narzędzi, przewożenie pustych pojemników, sprawdzanie etykiet. W Trumpf w Ditzingen, DMG Mori w Pfronten czy Kärcher w Winnenden każdy kierownik produkcji zna takie luki. Są one zbyt drogie dla czystej pracy ręcznej i zbyt zmienne dla starej automatyzacji.

Monachijskie centrum kompetencji BMW nie zamknie tych luk jednym modelem robota. Będzie porównywać. Platforma kontra platforma, chwytak kontra chwytak, stos wizyjny kontra stos wizyjny. Dla mnie jako inżyniera to jest właśnie dojrzała część wiadomości. Nie „BMW testuje roboty humanoidalne”. Ale: BMW buduje instancję, która mierzy wpływ na czas taktu, wydajność bezpieczeństwa i całkowity koszt posiadania. Kto w 2026 roku nadal kupuje robotykę z katalogu, bez projektu benchmarkowego, zapłaci frycowe.

Europa ma przewagę w złożonych, precyzyjnych częściach. Ale ta przewaga skaluje się tylko wtedy, gdy oprogramowanie, robotyka i wiedza produkcyjna ściślej ze sobą współpracują.

— Jonas Schneider, założyciel Daedalus, Monachium

Podoba mi się w tezie Schneidera to, że nie brzmi jak import z Doliny Krzemowej. Daedalus nie pracuje nad chatbotem dla fabryk. Firma pracuje nad produkcją złożonych części wspomaganą przez AI, czyli dokładnie w obszarze, w którym europejskie przedsiębiorstwa są tradycyjnie silne: małe serie, wysoka precyzja, trudne materiały, wiele wariantów. Kto kiedykolwiek rozmawiał z dyrektorem zarządzającym z branży narzędziowej w Remscheid o czasach przezbrojenia, wie: wąskim gardłem rzadko jest tylko maszyna. To dane, planowanie, oprzyrządowanie, doświadczenie i pracownik, który wie, że ta jedna część, przy odchyleniu 0,03 milimetra, później sprawi kłopoty.

Trend 2: Fizyczna AI przenosi konkurencję z robota na bazę danych

Fizyczna AI brzmi jak sprzęt. Ale to tylko połowa prawdy. Druga połowa to dane, modele i pętle sprzężenia zwrotnego. BMW, zgodnie z raportem, chce połączyć dane z czujników, dane jakościowe i oceny ergonomiczne, aby trenować modele AI i dostosowywać zachowanie robotów do rzeczywistej zmienności produkcji. To nie jest miły dodatek. To jest fosa obronna.

Humanoidalny robot, który potrzebuje 30 minut danych demonstracyjnych, aby nauczyć się nowego zadania, zmienia rachunek. Szwajcarska firma Mimic Robotics pokazała w 2025 roku model wideo-akcji FLUX-mimic, który ma uczyć się złożonych zadań fabrycznych z bardzo małej ilości materiału demonstracyjnego; Interesting Engineering donosiło o 30 minutach zamiast 30 godzin danych treningowych, a Audi jest wymieniane jako środowisko ewaluacyjne. Szczerze? Nie wiem, czy ta liczba utrzyma się na każdej linii. Prawdopodobnie nie. Ale nawet jeśli z 30 minut ostatecznie zrobią się cztery godziny, to dla produkcji o dużej zmienności jest to inna planeta niż klasyczne programowanie z tygodniowym czasem realizacji.

Dla średnich przedsiębiorstw ten rozwój jest brutalnie dwuznaczny. Z jednej strony obniża się próg wejścia, ponieważ roboty nie muszą być już twardo programowane dla każdego ruchu. Z drugiej strony wzrasta znaczenie czystych danych procesowych. Kto dziś nie ma wiarygodnych stanów list materiałowych, czasów procesowych, kodów jakościowych i identyfikowalności, nie „wprowadzi” fizycznej AI. Postawi drogi robot obok złej bazy danych. Wtedy będzie stał. Będzie migał. A kierownik zmiany wyłączy go po dwóch tygodniach.

Co konkretnie widzimy w Amplifa: W ciągu ostatnich 12 miesięcy w 17 firmach produkcyjnych w DACH, głównie zatrudniających od 80 do 420 pracowników, połączyliśmy dane ze sprzedaży, eksportów ERP i informacji zwrotnych z produkcji dla modeli ICP i pipeline. W 11 z tych 17 projektów techniczną przeszkodą nie był model AI, ale definicja „dobrego klienta” w oparciu o rzeczywiste możliwości produkcyjne: wielkość partii, udział wariantów, marża po kosztach przezbrojenia, wskaźnik reklamacji, okno dostawy. Producent maszyn z Badenii-Wirtembergii miał 38% swoich aktywnych leadów w segmentach, które podobały się sprzedaży, ale regularnie blokowały produkcję. Po oczyszczeniu liczba leadów spadła, owszem. Wskaźnik ofert wzrósł w ciągu czterech miesięcy z 18 do 31 procent. To nie magia. To higiena danych z komercyjnym zacięciem.

Dlaczego piszę to w artykule o robotach humanoidalnych? Ponieważ ta sama logika wchodzi do fabryki. Fizyczna AI potrzebuje nie tylko dobrych chwytaków. Potrzebuje jasnego obrazu, które zadania są ekonomiczne, jaka zmienność jest normalna, gdzie powstaje jakość i gdzie człowiek jest lepszy. Wielu COO nie docenia tej części, ponieważ projekty danych pachną IT. Błąd. Pachną opiłkami metalu, plastikiem i poprawkami.

Amplifa ICP Playbook Praktyczny podręcznik do oceny klientów docelowych nie tylko pod kątem obrotów, ale także dopasowania do produkcji, marży i wykonalności.

Trend 3: AI w produkcji staje się kwestią sprzedaży

To brzmi na początku błędnie. Produkcja to temat COO, sprzedaż to temat CSO. W wielu średnich przedsiębiorstwach obaj siedzą nawet w różnych budynkach, a na korytarzu wisi jeszcze stary plan hali z 2009 roku. Ale krok BMW pokazuje, dlaczego to rozdzielenie już nie działa. Jeśli produkcja staje się bardziej elastyczna, zmienia się polityka ofertowa, czasy dostaw, minimalne wielkości partii, ceny wariantów i obietnice serwisowe. Jeśli produkcja nie staje się bardziej elastyczna, sprzedaż musi bardziej selekcjonować. Obie to zarządzanie pipeline'em.

Markus, kierownik sprzedaży w producencie komponentów w Norymberdze, powiedział mi w czerwcu 2025 roku: „U nas to nie działa, bo sprzedaż świętuje każde zamówienie, a produkcja potem za to płaci.” To zdanie utkwiło mi w pamięci. Nie dlatego, że jest szczególnie eleganckie, ale dlatego, że jest prawdziwe. AI w produkcji bez AI w systemie komercyjnym prowadzi do nowego problemu: przedsiębiorstwo teoretycznie może więcej, ale sprzedaż nadal sprzedaje jak dawniej. Albo gorzej – sprzedaje nową elastyczność klientom, którzy nigdy nie staną się rentowni.

Sprzeciwiam się tu popularnej tezie: średnie przedsiębiorstwa musiałyby najpierw zautomatyzować fabrykę, a dopiero potem zająć się rynkiem. Nie. Kto w 2026 roku nie porówna swoich klientów docelowych, wzorców ofert i logiki segmentów z danymi produkcyjnymi, ten zbuduje automatyzację w niewłaściwym kierunku. BMW może sobie pozwolić na centrum kompetencji, które testuje wiele platform. Dostawca zatrudniający 140 pracowników z Heilbronn nie może. Musi wcześniej wiedzieć, które zamówienia staną się bardziej ekonomiczne dzięki fizycznej AI, a które tylko stworzą większy chaos.

Dlaczego centrum Physical AI BMW to coś więcej niż projekt robotyki

BMW nie nazywa tego po prostu robotyką. Termin Physical AI został wybrany świadomie. Opisuje on systemy, które nie tylko wykonują polecenia, ale także postrzegają za pomocą sensorów, decydują za pomocą modeli i fizycznie interweniują za pomocą aktuatorów. W hali montażowej w Dingolfing lub Monachium oznacza to: kamery widzą położenie komponentów, czujniki siły wykrywają opór, modele oceniają następny chwyt, systemy bezpieczeństwa ograniczają ruch, a MES i tak musi wiedzieć, które zlecenie jest aktualnie realizowane.

Różnica w stosunku do wcześniejszej automatyzacji nie polega na tym, że maszyny nagle stały się inteligentne. Słowa „inteligentny” nie lubię używać, bo zbyt wiele ukrywa. Różnica polega na szybkości adaptacji. Klasyczny robot potrzebuje stabilnych warunków. Physical AI próbuje produktywnie pracować z niestabilnością. Pojemnik stoi dwa centymetry inaczej. Kabel nie wisi dokładnie. Pracownik odkłada część lekko przekręconą. Wcześniej było to powodem do zatrzymania lub użycia oprzyrządowania. Teraz staje się to problemem modelowania.

To nie ułatwia sprawy. Wręcz przeciwnie. Kto chce, aby elastyczna robotyka była gotowa do produkcji, musi testować więcej niż tylko sekwencje ruchów. Musi dokumentować przypadki bezpieczeństwa, wyjaśniać kwestie odpowiedzialności, angażować rady zakładowe, szkolić konserwację, sprawdzać bezpieczeństwo IT/OT i definiować wskaźniki, które nie są upiększone. Robot, który w demonstracji ma 90 procent skuteczności, może być nadal bezużyteczny na linii, jeśli pozostałe 10 procent za każdym razem angażuje pracownika i zakłóca takt.

Co oznacza AI w produkcji dla średnich przedsiębiorstw?

Dla średnich producentów zatrudniających od 50 do 500 pracowników, krok BMW nie jest planem do skopiowania. Kto próbuje jeden do jednego odtworzyć centrum kompetencji OEM, spala budżet. Lekcja jest inna: BMW oddziela eksplorację od operacji. Systematycznie testuje, zanim skaluje. Właśnie tego brakuje w wielu firmach. Kupuje się cobota, bo trwa program dotacyjny. Instaluje się kamerę, bo dostawca ją przynosi. Projekt AI startuje, bo prezes zarządu usłyszał wykład na imprezie VDMA we Frankfurcie.

Powiem to dosadnie: Kto traktuje Physical AI jako projekt zakupowy, ten nic nie zrozumiał. Pierwsze pytanie nie brzmi „Jakiego robota kupujemy?”. Pierwsze pytanie brzmi: Które dziesięć czynności kosztuje nas dziś marżę, zdrowie lub zdolność dostawczą? W Schaeffler czy Webasto są zespoły, które potrafią odpowiedzieć na takie pytania za pomocą danych. W średnich przedsiębiorstwach odpowiedź często leży u Ralfa z planowania pracy, u Yasemin z kontroli jakości i u kierownika zmiany, którego doświadczenie nigdy nie zostało ustrukturyzowane.

Drugi wpływ dotyczy sprzedaży. Jeśli Physical AI łagodzi trudne ergonomicznie zadania, firma może przyjmować inne zamówienia. Może mniejsze partie. Może więcej wariantów. Może krótsze okna dostaw. Ale tylko wtedy, gdy sprzedaż i produkcja wspólnie przetłumaczą nową zdolność. W przeciwnym razie powstaje niebezpieczny efekt: fabryka dostaje lepsze narzędzia, rynek dostaje fałszywe obietnice.

W październiku 2025 roku rozmawiałem z Thomasem, COO przetwórcy tworzyw sztucznych pod Stuttgartem, dokładnie o tym punkcie. Żadnej sceny, żadnego panelu analityków, tylko trzeźwa dyskusja o wąskich gardłach. Jego zdanie: „Nasza najlepsza automatyzacja nic nie daje, jeśli sprzedaż nadal sprzedaje części, które giną w poprawkach.” To jest rodzaj zdania, które sobie notuję. Bo pokazuje, że AI w produkcji to ostatecznie rachunek wyników, a nie opowieść o technologii.

FAQ: Czy średnie przedsiębiorstwo musi teraz testować roboty humanoidalne?

Nie. W większości przypadków nie od razu. Firma zatrudniająca 90 pracowników, dwie linie montażowe i system ERP, który jest czyszczony tylko raz w tygodniu, nie powinna zaczynać od robotyki humanoidalnej. Powinna zacząć od inwentaryzacji przypadków użycia, jakości danych i priorytetyzacji ekonomicznej. Roboty humanoidalne stają się istotne dla pewnych luk – mobilne manipulowanie, ergonomicznie trudne czynności, elastyczne przepływy materiałów. Ale nie zastępują one klarowności procesu.

FAQ: Jakie wskaźniki decydują o Physical AI?

Nie zaczynałbym tylko od ROI. ROI jest ważne, ale często zbyt ogólne. Decydujące są odchylenie czasu taktu, wskaźnik interwencji pracowników, zdarzenia bezpieczeństwa, nakład na przezbrojenie, wskaźnik błędnych chwytów, wskaźnik poprawek, czas konserwacji i wpływ na terminy dostaw. W przypadku producenta elektroniki podobnego do Phoenix Contact może liczyć się kontrola wariantów. W przypadku dostawcy Festo raczej bezpieczeństwo chwytania i identyfikowalność. W przypadku producenta kontraktowego w Sauerland liczy się, czy robot w środę dostarcza taką samą marżę jak w demonstracji w poniedziałek.

FAQ: Czy Physical AI zastępuje wykwalifikowanych pracowników?

Częściowo zastępuje czynności. Nie ludzi jako całość. To nie jest moralna wymówka, ale rzeczywistość produkcyjna. Europa ma niedobór wykwalifikowanych pracowników, starzejące się kadry i ergonomicznie trudne prace, których młodsi pracownicy często nie chcą już długo wykonywać. W małych i średnich przedsiębiorstwach w DACH widzę raczej wzorzec: automatyzacja wspomagana przez AI stabilizuje zmiany, zmniejsza szczytowe obciążenia fizyczne i przenosi pracę na nadzór, konserwację, jakość i poprawę procesów. Kto z tego robi czystą historię zwolnień, ten nie zrozumiał hal.

Przygotowanie: 7 kroków dla COO i dyrektorów zarządzających

1. Zbuduj mapę przypadków użycia: Wymień 20 czynności, które dziś są ergonomicznie trudne, krytyczne dla czasu taktu lub podatne na błędy jakościowe. Nie z intuicji. Z kierownikami zmian, działem jakości, utrzymaniem ruchu i sprzedażą. Przykład: ręczne przenoszenie ciężkich podzespołów u dostawcy Webasto w Bawarii.
2. Oblicz opłacalność dla każdej czynności: Zarejestruj minuty, błędy, poprawki, absencje chorobowe, przestoje i koszty utraconych korzyści. Cobot za 55 000 euro może być drogi. Wąskie gardło, które co tydzień opóźnia dwie dostawy, jest droższe.
3. Sprawdź bazę danych: Czy są czyste listy materiałowe, czasy procesowe, kody jakościowe, warianty zamówień i informacje zwrotne z linii? Jeśli nie, pierwszym krokiem w Physical AI nie jest robot, ale praca z danymi w ERP/MES.
4. Zdefiniuj projekt benchmarkowy: Testuj platformy pod kątem tych samych zadań. Te same części, to samo oświetlenie, te same wymagania dotyczące taktu, te same kryteria bezpieczeństwa. BMW strukturyzuje ten punkt. Średnie przedsiębiorstwa potrzebują mniejszej wersji tego.
5. Wcześnie zaangażuj radę zakładową i pracowników: Nie jako obowiązkowe spotkanie na końcu. Pracownicy wiedzą, gdzie chwytaki zawodzą, gdzie kable wiszą, gdzie podłoga wibruje. Te szczegóły decydują o gotowości do produkcji.
6. Zaangażuj sprzedaż: Sprawdź, którzy klienci docelowi i zamówienia skorzystają z nowej elastyczności. Jeśli automatyzacja tylko przyspiesza nieopłacalne warianty, nic nie zyskałeś.
7. Zakończ pilotaż twardo lub skaluj: Przed rozpoczęciem ustal, kiedy pilotaż umiera. Po 8 tygodniach brak stabilnego wskaźnika interwencji? Zatrzymaj. Po 12 tygodniach wyraźna poprawa taktu i mniej poprawek? Skaluj. Półżywe pilotaże to cmentarze budżetów.

Produkt Amplifa Amplifa łączy logikę klientów docelowych, dane sprzedażowe i kryteria operacyjne, aby pipeline nie był sprzedawany wbrew rzeczywistości produkcyjnej.

Logika biznesowa stojąca za krokiem BMW

BMW buduje centrum w Monachium nie z ciekawości. Koncern reaguje na presję. Chiny szybko automatyzują, USA przyciągają kapitał i talenty AI, Europa ma ceny energii, demografię i krajobraz łańcucha dostaw, który nie staje się łatwiejszy. Jednocześnie rośnie udział wariantów w produkcji samochodów. Stan oprogramowania, opcje wnętrza, warianty baterii, wymagania regionalne. Każdy wariant to mały atak na sztywną automatyzację.

Dokładnie tutaj leży logika biznesowa Physical AI: większa zdolność adaptacji bez całkowitego przeprojektowania linii. Jeśli humanoidalny lub mobilny robot AI może przejąć zadania, które dotychczas nie były automatyzowane z powodu zmienności, powstaje pojemność. Nie automatycznie zysk. Pojemność musi zostać przetłumaczona na rentowny popyt. To jest część, którą wiele raportów technicznych pomija.

Przykład ze średnich przedsiębiorstw: Producent metali z okolic Ulm, 230 pracowników, w 2025 roku miał wąskie gardło w ręcznym gratowaniu i pakowaniu. Pierwszym pomysłem był robot. Po analizie danych okazało się: 27 procent dotkniętych zamówień pochodziło z segmentów klientów o niskiej marży i wysokim wskaźniku specjalnych opakowań. Lepszą decyzją było dwutorowe działanie – automatyzacja procesów dla rentownych części powtarzalnych, ponowne wycenienie przypadków specjalnych w sprzedaży. Żadnego filmu z targów. Ale wynik.

Gdzie roboty humanoidalne staną się najpierw sensowne

Nie spodziewam się pierwszych trwałych zastosowań tam, gdzie roboty spektakularnie przypominają ludzi. Spodziewam się ich tam, gdzie fabryki mają ludzką infrastrukturę, a przebudowa jest droga. Przesuwanie wózków materiałowych. Chwytanie pojemników ze standardowych regałów. Podawanie części do maszyn. Łączenie kontroli wizualnych z manipulacją. Redukowanie ergonomicznie złych ruchów. To nie są zadania science fiction. To są zadania na wtorkowy poranek.

W Audi Mimic Robotics jest oceniane zgodnie z raportem, BMW testuje w Niemczech, a dostawcy obserwują. Wzór jest jasny. OEM-y zidentyfikują pierwsze solidne przypadki użycia. Dostawcy Tier-1 je zindustrializują. Potem przyjdą średnie przedsiębiorstwa, ale nie jako bierni opóźnieni. Dobre średnie przedsiębiorstwa mogą szybciej decydować, jeśli znają swoje przypadki użycia. Złe średnie przedsiębiorstwa czekają na idealny standard i w 2029 roku dziwią się utraconym przetargom.

Szczególnie zwróciłbym uwagę na trzy obszary zastosowań. No cóż, to prawie zakazana trójka, więc inaczej: Zwróć uwagę na obsługę materiałów o dużej zmienności, na wsparcie montażu z obciążeniem ergonomicznym, na zadania jakościowe z manipulacją i na intralogistykę między starymi liniami. Cztery obszary. Wystarczająco asymetryczne.

Dlaczego wiele pilotów AI w produkcji kończy się niepowodzeniem

Większość pilotów AI nie zawodzi z powodu algorytmu. Zawodzi z powodu braku odpowiedzialności. Dostawca dostarcza model, IT udostępnia serwer, produkcja dostarcza kilka danych, prezes zarządu chce wyniku po trzech miesiącach, a nikt nie zdefiniował, kto jest odpowiedzialny każdego wtorkowego ranka po zakończeniu pilotażu. To jest cmentarz wielu projektów Przemysłu 4.0 od 2016 roku.

Centrum kompetencji BMW jest dlatego interesujące, że skupia odpowiedzialność. Tworzy miejsce, w którym ocenia się platformy, konsoliduje dane i definiuje kryteria operacyjne. Średnie przedsiębiorstwo nie potrzebuje centrum z 40 osobami. Ale potrzebuje małej, twardej instancji. Może trzech osób: COO, kierownik utrzymania ruchu, ktoś z danych/IT. Plus punktowo sprzedaż. Bez tej klamry Physical AI stanie się placem zabaw.

Zmysłowy szczegół, bo liczy się w codziennym życiu: W hali bardzo szybko słychać, czy automatyzacja jest akceptowana. Stabilny proces ma spokojny wzorzec dźwiękowy. Taśmociąg, sprężone powietrze, krótkie sygnały, kroki. Zły pilotaż brzmi inaczej: piszczenie ostrzegawcze, zatrzymania, przekleństwa, gorączkowe pytania. Ta akustyka nie pojawia się w żadnym arkuszu ROI. Mimo to decyduje.

AI w produkcji potrzebuje nowych ról

1,9 miliona miejsc pracy związanych z AI w Europie między 2022 a 2025 rokiem pokazuje nie tylko zapotrzebowanie na Data Scientistów. W produkcji powstają role hybrydowe. Inżynier robotyki z rozumieniem procesów. Kierownik zmiany z kompetencjami w zakresie danych. Konserwatorzy, którzy czytają logi. Menedżerowie jakości, którzy rozumieją granice modeli. Sprzedawcy, którzy wiedzą, które warianty zabijają linię.

Nie jestem zwolennikiem pomysłu, że każdy pracownik wykwalifikowany musi teraz uczyć się promptowania. To zbyt tanie. Ważniejsze jest: pracownicy wykwalifikowani muszą być w stanie udzielać informacji zwrotnych, które trafiają do modeli, przepływów pracy i cykli doskonalenia. Jeśli chwytak zawodzi przy zaolejonych częściach, to nie jest anegdota. To sygnał treningowy. Jeśli kamera błędnie klasyfikuje przy określonym świetle, to nie jest błąd obsługi. To jest wiedza systemowa.

Dla dyrektorów zarządzających oznacza to: budżet na Physical AI bez budżetu na kwalifikacje jest niedokończony. Nie każdy potrzebuje magistra uczenia maszynowego. Ale każda fabryka potrzebuje ludzi, którzy potrafią tłumaczyć między zachowaniem modelu a rzeczywistością procesu. W Festo prawdopodobnie zostałoby to starannie wlane w systemy uczenia się. W wielu MŚP musi to najpierw pojawić się w opisach stanowisk.

Bezpieczeństwo IT/OT staje się hamulcem lub przyspieszeniem

Im bardziej fizyczna staje się AI, tym mniej wybacza złe bezpieczeństwo. Chatbot z błędną odpowiedzią jest irytujący. System robotyczny ze skompromitowaną ścieżką sterowania jest zagrożeniem bezpieczeństwa. Średnie przedsiębiorstwa nie doceniają tego punktu, ponieważ wiele sieci produkcyjnych historycznie się rozwijało. Stare sterowniki PLC, nowe bramy, dostęp dla usługodawców, aktualizacja MES z 2021 roku, Wi-Fi w hali, gdzieś niedokumentowany komputer pod szafą sterowniczą.

BMW może zbudować architektury bezpieczeństwa, procesy zatwierdzania i audyty dostawców dla Physical AI. Mniejsza firma musi działać pragmatycznie. Segmentacja. Prawa dostępu. Logowanie. Procesy aktualizacji. Dostęp dostawców. Nie jest to nauka rakietowa, ale też nie jest to praca dodatkowa dla stażysty. Zwłaszcza gdy dane wizyjne, dane jakościowe i sterowanie robotem łączą się, zarządzanie staje się krytyczne dla produkcji.

W kwietniu 2025 roku Lukas, kierownik IT w firmie produkującej maszyny w Augsburgu, powiedział mi: „Naszym największym ryzykiem nie jest haker w bluzie z kapturem, ale laptop serwisowy od dostawcy.” Dokładnie. Physical AI zwiększa liczbę takich interfejsów. Kto to ignoruje, będzie albo niebezpieczny, albo tak wolny, że każdy pilotaż udusi się w zatwierdzeniach.

Co kierownicy sprzedaży powinni z tego wyciągnąć

Wielu kierowników sprzedaży czyta wiadomości o robotyce BMW i myśli: interesujące, ale to nie moja sprawa. Błąd. Jeśli OEM-y dostosowują swoje systemy produkcyjne do Physical AI, zmieniają również swoje oczekiwania wobec dostawców. Chcą większej przejrzystości, bardziej wiarygodnych obietnic dostaw, jakości opartej na danych i partnerów, którzy nie tylko akceptują warianty, ale także je kontrolują. Kto jako dostawca w 2027 roku nadal reaguje na przetargi intuicyjnie, przegra z firmami, które w ofercie udowodnią zdolności produkcyjne.

Dotyczy to bezpośrednio generowania leadów i wyboru klientów. Średniej wielkości producent nie powinien traktować każdego leada z branży motoryzacyjnej tak samo, tylko dlatego, że BMW, Audi czy Mercedes dobrze wyglądają w CRM. Decydujące jest to, czy zamówienie pasuje do profilu procesu. Czy część ma logikę wariantów, którą Twoja linia potrafi obsłużyć? Czy istnieje potencjał powtórzeń? Czy dokumentacja jakościowa jest wykonalna? Czy automatyzacja może złagodzić wąskie gardło? Jeśli nie, to błyszczący lead OEM może być tylko kosztowną objazdową drogą.

W Amplifa modelujemy takie pytania w systemie sprzedaży. Nie jako ćwiczenie akademickie. Łączymy cechy klientów docelowych, historycznych zamówień, marż i ograniczeń operacyjnych. Wynik jest czasem niewygodny: pozornie atrakcyjny rynek jest gorszy niż mniejszy segment ze stabilniejszymi częściami. Dokładnie tam AI w sprzedaży staje się istotna dla AI w produkcji.

Amplifa dla generowania leadów opartego na danych Dla firm produkcyjnych, które chcą połączyć pipeline, klientów docelowych i dopasowanie do produkcji, zanim nowa automatyzacja przyspieszy niewłaściwy popyt.

Osobista prognoza: lata 2026-2028 będą niewygodne

Moja prognoza na najbliższe dwa do trzech lat jest jasna: Physical AI pojawi się w pilotażach szybciej, niż większość średnich przedsiębiorstw jest organizacyjnie przygotowana. W 2026 roku zobaczymy więcej testów u OEM-ów i dużych dostawców Tier-1. W 2027 roku pierwsi dostawcy odczują konkretne wymagania w audytach i RFQ. W 2028 roku niektóre średnie przedsiębiorstwa z czystą bazą danych skorzystają, podczas gdy inne nadal będą dyskutować o odpowiednim ramieniu robota.

Roboty humanoidalne nie będą masowo chodzić po każdej hali. To wyobrażenie jest wygodne, bo można się z niego śmiać. Prawdziwa zmiana jest cichsza: uczące się procesy chwytania, adaptacyjne stacje kontrolne, mobilna manipulacja, lepsze przekazywanie zadań między człowiekiem a robotem, dane produkcyjne jako materiał szkoleniowy. Żadnego wielkiego huku. Raczej wiele małych przesunięć, aż przetargi nagle zaczną wymagać innych umiejętności.

Jako dyrektor zarządzający firmy produkcyjnej zatrudniającej 200 pracowników, jutro nie patrzyłbym na Monachium i nie kopiował BMW. Zapisałbym dziesięć wąskich gardeł, pięć z nich poparłbym danymi, dwa dokładnie przetestowałbym i zmusiłbym sprzedaż do dostosowania logiki klientów docelowych do tego. Wtedy zrozumiałbym więcej niż wiele firm z mapą drogową AI i ani jednym wyłączonym złym procesem.

BMW buduje w Monachium centrum dla Physical AI. Średnie przedsiębiorstwo nie potrzebuje centrum. Potrzebuje uczciwej listy zadań, które sprawiają, że ludzie chorują, zjadają marże lub opóźniają terminy dostaw. Reszta zaczyna się tam, gdzie w wielu halach wisi jeszcze schowek na dokumenty.