AI & Automatyzacja · 3 czerwca 2026 · 24 min. lektury · Joseph Flesh, CTO & Co-Founder, Amplifa

Infrastruktura AI: Foxconn, Bull i AI Factories

Europejska infrastruktura AI zmienia Smart Factory i sprzedaż. Dowiedz się, jakie kroki w zakresie AI Factories powinny zaplanować średnie firmy w regionie DACH.

W zeszły czwartek o 8:12 siedziałem w Amplifa podczas rozmowy onboardingowej z Andreą, COO firmy z branży automatyki z Ulm. W tle słyszałem cichy pisk piły z hali produkcyjnej – drzwi do jej biura były tylko uchylone, a na biurku leżał wydruk z terminami dostaw zaznaczonymi na czerwono. „Joseph, mamy leady na trzy nowe linie”, powiedziała, „ale nasi klienci pytają teraz najpierw o infrastrukturę AI, a dopiero potem o mechanikę”. Spojrzałem na moją kawę. Zimna. Wtedy na drugim ekranie pojawiła się wiadomość o nowym partnerstwie Foxconn-Bull.

Moja prognoza jest prosta i niewygodna: kto w branży budowy maszyn, produkcji elektroniki lub komponentów automatyki do 2028 roku nie będzie miał jasnej odpowiedzi na temat AI Factories, ten nie straci w pierwszej kolejności zleceń produkcyjnych. Straci je w sprzedaży. Nie dlatego, że każda 180-osobowa firma nagle zacznie prowadzić własne klastry GPU. No cóż, prawie. Ale dlatego, że klienci w DACH zaczynają selekcjonować dostawców pod kątem tego, czy naprawdę potrafią dostarczyć dane, Edge-AI, cyfrowe bliźniaki i integrację systemów – czy tylko piszą „Przemysł 4.0” na slajdach.

Infrastruktura AI w Europie: Dlaczego ta wiadomość powinna niepokoić

Foxconn, oficjalnie Hon Hai Technology Group, oraz Bull SAS, francuska spółka zależna od Atos zajmująca się infrastrukturą IT, chcą wspólnie budować w Europie serwery AI, klastry GPU, systemy Edge i sprzęt do automatyzacji. Brzmi to początkowo jak centrum danych. Jak blacha, szafy rack, kable, wentylatory. Jak coś, co interesuje dyrektorów operacyjnych, a co szefowie sprzedaży pomijają. I właśnie tu leży błąd w myśleniu.

Partnerstwo to, według doniesień branżowych z ostatnich 24–48 godzin, jest wyraźnie skierowane do europejskich przedsiębiorstw produkcyjnych, Smart Factories i tak zwanych AI Factories. Jako rynki kluczowe wymieniane są Deutschland, Austria i Szwajcaria. Automotive. Elektronika. Przemysł procesowy. Produkcja precyzyjna. Czyli dokładnie te firmy, z którymi regularnie współpracujemy w Amplifa: od 50 do 500 pracowników, dobry produkt, baza klientów budowana latami, ale pipeline, który coraz częściej zależy od projektów, w których IT, OT i zakupy zabierają głos jednocześnie.

Dla mnie ta wiadomość to nie detal sprzętowy. To sygnał sprzedażowy. Gdy Foxconn i Bull wprowadzają na rynek „AI infrastructure made in Europe”, zmieniają się oczekiwania klientów dostawców Trumpf, integratorów Festo, partnerów Schaeffler czy producentów komponentów bliskich Webasto. Klient nie pyta już: „Czy może Pan dostarczyć instalację?”. Pyta: „Czy może Pan włączyć ją do naszej architektury danych, rozszerzyć o Computer Vision, analizować dane serwisowe i prowadzić to wszystko w sposób audytowalny?”. To inny proces sprzedaży. Trudniejszy. Bardziej techniczny. Dłuższy. Ale też bardziej dochodowy.

Status quo: Wielu mówi o AI, niewielu położyło kable

Według raportu Tacton „State of Manufacturing” 2026, 79 procent producentów na całym świecie aktywnie inwestuje w AI lub z nią eksperymentuje. W roku poprzednim było to 64 procent. To skok, którego nie można zbyć jako targowego szumu. Jednocześnie, według tego samego źródła, tylko 7 procent producentów posiada prawdziwą łączność end-to-end w całym łańcuchu wartości, sprzedaży, inżynierii, produkcji i serwisie. Powtarzam tę liczbę, ponieważ na warsztatach zazwyczaj wywołuje ona krótką ciszę: siedem procent.

Tę lukę widzę co miesiąc. W marcu 2026 rozmawiałem z Markusem, kierownikiem sprzedaży u producenta maszyn specjalnych z Heilbronn. Jego zespół sprzedaje instalacje w przedziale od 250.000 do 1,8 mln EUR. Firma korzysta z CRM, ERP, PLM, szablonów ofert w Excelu i trzech folderów SharePoint, z których wszystkie nazywają się „final”. Sama maszyna generuje dane z czujników co sekundę. Ale w dziale sprzedaży nikt nie wie, które funkcje są faktycznie używane przez obecnych klientów. Nikt. After-sales ma informacje, inżynieria coś podejrzewa, a sprzedaż i tak dzwoni z generycznymi argumentami.

To jest status quo w wielu średnich firmach produkcyjnych w DACH. Są maszyny ze sterowaniem Siemens, systemy kamer Cognex lub Keyence, cele zrobotyzowane Kuka lub ABB, dane ERP z SAP Business One lub Microsoft Dynamics, a potem jest sprzedaż, która wciąż priorytetyzuje „na wyczucie”, który OEM jest akurat „gorący”. To nie do końca prawda. Dobre zespoły mają listy. Ale listy to nie inteligencja. I stają się bezwartościowe, gdy tylko klienci zaczną traktować AI-Readiness jako kryterium zakupu.

Co konkretnie widzimy w Amplifa: w 17 wdrożeniach w firmach przemysłowych zatrudniających od 70 do 430 pracowników, w ciągu ostatnich 12 miesięcy prawie zawsze znajdowaliśmy ten sam wzorzec. Top 20 obecnych klientów generuje od 52 do 78 procent marży brutto, ale mniej niż jedna trzecia działań sprzedażowych opiera się na zainstalowanej bazie, wieku maszyn, przypadkach serwisowych czy wzorcach części zamiennych. Sprzedaż pracuje na poziomie firmy, ale szansa powstaje na poziomie instalacji. To właśnie tam AI Factories stają się istotne – nie jako buzzword, ale jako struktura danych dla przychodu.

Trend 1: AI Factories przenoszą się z chmury na halę produkcyjną

Pierwszy trend jest fizyczny. Głośny. Ciepły. Słychać go. Każdy, kto kiedykolwiek stał obok szafy GPU, wie, że AI nie żyje w chmurowej metaforze, lecz w prądzie, chłodzeniu, latencji, zarządzaniu kablami i ochronie przeciwpożarowej. Foxconn i Bull uderzają właśnie tutaj: serwery AI, klastry GPU, przemysłowe bramy Edge i sprzęt sterujący mają być produkowane, integrowane i kwalifikowane do przemysłowych obciążeń roboczych w Europie.

Dlaczego jest to istotne dla firmy zatrudniającej 180 pracowników w Badenii-Wirtembergii? Ponieważ wiele aplikacji AI bliskich produkcji nie działa poprawnie, jeśli istnieją tylko jako demo SaaS w przeglądarce. Kontrola jakości przez Computer Vision wymaga kamer blisko linii, czasu inferencji w milisekundach i solidnego połączenia ze sterowaniem. Predictive Maintenance wymaga historii maszyn, sensoryki, kontekstu ze zleceń konserwacji i modeli, które nie padają przy każdym zakłóceniu sieci. Cyfrowe bliźniaki potrzebują czegoś więcej niż ładnego modelu 3D. Potrzebują przepływów danych, które nie umierają po zakończeniu projektu pilotażowego.

W kwietniu 2026 rozmawiałem z Thomasem, Head of Sales u integratora automatyki w Norymberdze, o ofercie na system kontroli wizyjnej. Jego klient, dostawca Tier-2 dla branży Automotive, chciał wiedzieć, czy dane obrazowe mogą być przetwarzane lokalnie. Nie „kiedyś”. W specyfikacji istotnych warunków zamówienia. Głos zabrała rada zakładowa i dział IT-Security. Thomas powiedział mi: „Kiedyś sprzedawaliśmy przez czas cyklu. Teraz sprzedajemy rezydencję danych”. To jest właśnie ta zmiana.

Siemens Digital Industries argumentuje w aktualnym artykule na temat europejskiej suwerenności AI, że przywództwo w dziedzinie AI zależy nie tylko od modeli, ale od półprzewodników, infrastruktury Compute, efektywności energetycznej, robotyki i zdolności do przenoszenia innowacji do produkcji. Brzmi to jak strategia korporacyjna. Dla średnich firm jest to jednak kwestia ofertowa. Czy mogę zaoferować klientowi rozwiązanie, które działa w jego zakładzie, z jego danymi, w europejskich warunkach Compliance i które po sześciu miesiącach nadal będzie można serwisować?

Suwerenność AI Europy zostanie rozstrzygnięta nie tylko przez oprogramowanie, ale przez zdolność do wprowadzenia półprzewodników, Compute, automatyzacji i danych przemysłowych do skalowalnej produkcji.

— Zgodne z sensem kluczowe stwierdzenie z Siemens Digital Industries, artykuł o AI Sovereignty w Europie, 2026

Lubię ten cytat, ponieważ porządkuje on typową debatę o AI. Wiele organizacji sprzedażowych mówi o chatbotach, automatyzacji e-maili i bibliotekach promptów. Wszystko to jest przydatne. Ale w przemysłowym B2B o AI nie decyduje prompt. Decyduje to, czy klient w Linzu może rozbudować swoją linię bez przesyłania danych produkcyjnych do niejasnego regionu chmurowego; czy zakład w Bielefeld proaktywnie dysponuje częściami zamiennymi; czy kierownik jakości w St. Gallen może spać spokojnie, bo model nie miał tylko 93 procent Accuracy w PowerPoint, ale działa na trzeciej zmianie przy mgle olejowej i wahającym się świetle.

Trend 2: Sprzedaż sprzedaje architekturę, a nie tylko maszyny

Drugi trend uderza bezpośrednio w szefów sprzedaży. Dawniej sprzedaż techniczna w budowie maszyn była już wystarczająco złożona: specyfikacja, czas cyklu, przepływ materiałów, CE, serwis, czas dostawy, cena. Teraz dochodzi kolejna warstwa. Klienci chcą wiedzieć, jak rozwiązanie pasuje do ich infrastruktury AI. Jakie dane powstają? Gdzie są przechowywane? Jakie istnieją interfejsy? Jak trenuje się lub monitoruje modele? Kto odpowiada, gdy AI podejmie błędne decyzje jakościowe?

Mówię to bez ogródek: kto w 2026 roku wciąż wierzy, że czysta sprzedaż produktu w budowie maszyn wystarczy, ten nie zrozumiał zmiany. Klient nie kupuje tylko agregatu. Kupuje fragment przyszłej logiki operacyjnej. Jeśli Państwa oferta nie wyjaśnia tej logiki operacyjnej, wyjaśni ją ktoś inny. Może integrator. Może duży automatyk. Może dostawca usług IT, który wie o wrzecionach mniej niż Państwo, ale lepiej mówi o przepływach danych.

Trzy tygodnie temu miałem wewnętrzne spotkanie z Leną, naszą Customer Success Lead w Amplifa, i przeglądaliśmy powody utraty szans z ośmiu przemysłowych pipeline'ów. W pomieszczeniu pachniało markerem do tablic, bo ktoś zostawił otwarty pisak. W trzech z ośmiu przypadków w CRM jako powód utraty widniała „cena”. Gdy zrekonstruowaliśmy historię e-maili i notatki z rozmów, rzeczywisty powód był inny: konkurent potrafił wcześniej wyjaśnić, jak jego rozwiązanie pasuje do MES, ERP i lokalnej architektury Edge. Cena była słowem, którego użył handlowiec, bo mniej boli.

Tutaj wiadomość o Foxconn-Bull staje się interesująca. Gdy europejskie serwery AI i systemy Edge staną się bardziej dostępne, zniknie wymówka „na to jeszcze za wcześnie”. Klienci będą oczekiwać architektur referencyjnych. Będą pytać, czy Państwa instalacja współpracuje z lokalnymi szafami GPU, przemysłowymi bramami i standaryzowanymi modelami danych. I tak, wiele średnich firm powie: „Nasi klienci jeszcze o to nie pytają”. Może to prawda. A może pytają tylko Państwa konkurentów.

Jak Buying Center zmieniają się przez infrastrukturę AI

W klasycznych transakcjach w budowie maszyn przy stole siedzieli zarząd, kierownictwo produkcji, zakupy i może kierownik utrzymania ruchu. W projektach zbliżonych do AI-Factory dochodzą nowe głosy: IT-Security, ochrona danych, osoby odpowiedzialne za OT, czasem rada zakładowa, okazjonalnie zewnętrzny doradca ds. cyfryzacji. To wydłuża procesy sprzedaży. Nie czyni ich automatycznie gorszymi. Czyni widocznymi złe procesy sprzedaży.

Przykład: u klienta z branży budowy maszyn pakujących, 220 pracowników w regionie Ravensburga, w styczniu 2026 przebudowaliśmy logikę ICP. Wcześniej sprzedaż priorytetyzowała według branży i wielkości obrotów. Potem doszły kryteria takie jak zainstalowane sterowniki Siemens lub Beckhoff, liczba zakładów produkcyjnych, intensywność serwisu, istniejący MES i słowa kluczowe z ogłoszeń o pracę, takie jak „Data Engineer”, „Computer Vision” czy „OT Security”. Wynik po dziewięciu tygodniach: mniej pierwszych rozmów, ale wskaźnik konwersji z discovery do zakwalifikowanego projektu wzrósł z 31 do 46 procent. Żadna magia. Lepszy dobór celów.

To jest pomost między infrastrukturą AI a sprzedażą. Dostępność sprzętu w Europie tworzy nowe klasy projektów. Nowe klasy projektów tworzą nowe kryteria zakupu. Nowe kryteria zakupu niszczą stare modele lead scoringu. Kto wciąż segmentuje tylko według liczby pracowników, kodu pocztowego i branży, przeocza firmy, które właśnie uwalniają budżety na Edge AI, cyfrowe bliźniaki i platformy danych produkcyjnych.

Trend 3: AI Factories czynią suwerenność danych argumentem sprzedażowym

Trzeci trend jest polityczny, ale nie abstrakcyjny. Suwerenność danych staje się kwestią handlową. W Deutschland, Austrii i Szwajcarii istnieje głęboki sceptycyzm wobec danych produkcyjnych w obcych rękach. Można się z tego uśmiechać, jeśli pochodzi się z czystego świata SaaS. Ja bym tego nie robił. Prezes producenta części precyzyjnych z Villingen-Schwenningen powiedział mi w maju 2026: „Nasze dane procesowe to nasza marża”. To zdanie zapada w pamięć.

Gdy Foxconn i Bull podkreślają europejską produkcję, europejską integrację i lokalną infrastrukturę AI, trafiają dokładnie w ten czuły punkt. Nie chodzi tylko o łańcuchy dostaw. Chodzi o zaufanie w przetargach. Szwajcarski dostawca farmaceutyczny, austriacki producent maszyn czy niemiecki dostawca Automotive musi umieć wyjaśnić klientom, audytorom i wewnętrznym gremiom, gdzie dane są przetwarzane, kto ma do nich dostęp, jak przebiegają aktualizacje i jak systemy będą działać w przypadku napięć geopolitycznych.

Bull, według doniesień, wnosi europejską bazę klientów, kompetencje integracyjne i projektowanie centrów danych. Foxconn wnosi wolumen produkcji, projektowanie elektroniki i potęgę łańcucha dostaw. To nie jest romantyczna europejska samowystarczalność. Foxconn pozostaje Foxconnem. Ale lokalny montaż, kwalifikacja i integracja systemowa w UE mogą robić różnicę dla klientów przemysłowych, gdy czasy dostaw, kontrole eksportu lub łańcuchy wsparcia stają się krytyczne.

Dla sprzedaży oznacza to: suwerenność staje się argumentem, ale tylko wtedy, gdy jest konkretna. Samo „Made in Europe” nie sprzeda instalacji. „Państwa dane obrazowe nie opuszczają zakładu, inferencja odbywa się na klastrze Edge w pobliżu szafy sterowniczej, aktualizacje są wprowadzane w zatwierdzonym oknie serwisowym, a wersja modelu jest dokumentowana w logu audytowym” – to sprzedaje. Albo przynajmniej zapobiega temu, by dyrektor IT uciął rozmowę po 42 minutach.

FAQ: Co to jest AI Factory w średnim przemyśle?

AI Factory to nie jest pojedyncza fabryka z robotami i migającymi pulpitami nawigacyjnymi. W kontekście przemysłowym termin ten oznacza powtarzalną infrastrukturę, za pomocą której firmy trenują, obsługują, monitorują i integrują modele AI z procesami produkcyjnymi. Obejmuje to Compute – często serwery GPU lub wyspecjalizowane systemy Edge – potoki danych, zarządzanie modelami, interfejsy do sterowania maszynami, Cybersecurity, monitoring i odpowiedzialności. Dla 300-osobowego producenta maszyn nie musi to wyglądać jak w Nvidia czy BMW. Może to być lokalny klaster Edge do kontroli jakości, uzupełniony o cyfrowego bliźniaka, dane serwisowe i czystą koncepcję MLOps. Ważna nie jest wielkość. Ważne jest, aby AI przeszła od pilotażu do gotowości operacyjnej.

Infrastruktura AI i zarządzanie pipeline: Niewygodne połączenie

Wielu prezesów wciąż zbyt wyraźnie oddziela technologię produkcji od technologii sprzedaży. Tam produkcja z OPC UA, PLC, MES, OEE i sensoryką. Tutaj sprzedaż z CRM, kampaniami, targami i raportami z wizyt. To rozdzielenie jest wygodne organizacyjnie. Jest niebezpieczne ekonomicznie.

Gdy Państwa klienci inwestują w AI Factories, sygnały sprzedażowe powstają na długo przed oficjalnym zapytaniem. Firma zatrudnia managera OT-Security. Kierownik zakładu mówi na LinkedIn o Computer Vision. Raport roczny wspomnieć o „local inference”. Lokalizacja buduje nowe centrum logistyczne. Dział zakupów nagle pyta o formaty danych. Konstruktor pobiera whitepaper o cyfrowych bliźniakach. Każdy sygnał z osobna jest słaby. Razem tworzą zamiar.

Właśnie tutaj zawodzi wiele klasycznych konfiguracji CRM. CRM zapisuje to, co sprzedaż już wie. Rzadko rozpoznaje to, co dzieje się na zewnątrz. W Amplifa budujemy dlatego modele ICP i kont, które łączą zewnętrzne triggery, historię CRM, dopasowanie produktu i timing. Nie po to, by zastąpić handlowców. To bzdura. Ale po to, by powiedzieć im, gdzie rozmowa ma teraz sens, a gdzie będą tylko uprzejmie przeszkadzać.

Amplifa ICP Playbook — Praktyczny playbook do priorytetyzacji docelowych klientów w przemysłowym B2B według realnych sygnałów zakupowych i technologicznych, zamiast tylko branży i obrotów.

Co to oznacza dla średnich firm

Dla przedsiębiorstw produkcyjnych zatrudniających od 50 do 500 pracowników w DACH partnerstwo Foxconn-Bull oznacza po pierwsze: poprzeczka idzie w górę. Duzi dostawcy będą integrować europejską infrastrukturę AI jako element swoich ofert. Integratorzy systemów będą tworzyć kompletne pakiety. Klienci przyzwyczają się do tego, że projekty AI nie są już sprzedawane jako eksperyment, lecz jako skalowalna architektura. Kto wtedy odpowie tylko „My też potrafimy AI”, będzie brzmiał jak faks w biurze ze światłowodem.

Po drugie, przesuwają się marże. Czysty sprzęt lub czysta mechanika będą pod coraz większą presją, zwłaszcza jeśli azjatyccy i wschodnioeuropejscy konkurenci pozostaną agresywni cenowo. Wartość powstaje tam, gdzie maszyny, dane, serwis i wiedza procesowa są połączone. Producent stanowisk badawczych może stać się dostawcą inteligencji jakościowej. Dostawca komponentów może modelować ryzyko awarii. Producent maszyn specjalnych może tworzyć nowe linie przychodów dzięki cyfrowym uruchomieniom, danym symulacyjnym i prognozom serwisowym. Ale tylko wtedy, gdy sprzedaż i technika mówią tym samym językiem.

Po trzecie, internacjonalizacja stanie się bardziej selektywna. Deutschland, Austria i Szwajcaria są według partnerstwa rynkami priorytetowymi, ponieważ tutaj spotykają się gęstość przemysłowa, kompetencje automatyzacji i gotowość do płacenia. To dobrze. Ale oznacza to również: więcej dostawców zaatakuje właśnie te rynki. Średnia firma z Wschodniej Westfalii nie konkuruje już tylko ze znanym konkurentem z sąsiedniego powiatu, ale z europejskimi partnerstwami platformowymi, które łączą sprzęt, integrację i narrację AI.

U dyrektorów operacyjnych często widzę zrozumiałą reakcję: najpierw poczekać. Linia działa, portfele zamówień nie są puste, ludzi brakuje. Ale czekanie nie jest pozycją neutralną, gdy kryteria zakupu są właśnie pisane na nowo. To decyzja, by inni wyznaczali standardy. A standardy w sprzedaży są brutalne. Kto definiuje standard, musi mniej wyjaśniać. Kto przychodzi później, musi udowadniać.

Przykład z codzienności: Od części zamiennej do szansy na AI

Nasz klient z północnej Bawarii sprzedaje komponenty instalacji producentom maszyn pakujących i procesowych. Nie koncern, 140 pracowników, dobra reputacja. W CRM obecni klienci długo wyglądali tak samo: obrót, osoba kontaktowa, ostatnie zamówienie. Gdy uzupełniliśmy dane o przypadki serwisowe, cykle części zamiennych i publicznie widoczne sygnały inwestycyjne, nagle rzuciły się w oczy konta, na których stare komponenty pracowały w liniach, podczas gdy klient równolegle ogłaszał rekrutację na stanowiska „Manufacturing Data Analyst” i „Automation Engineer”. Sprzedaż nie weszła w rozmowę z pytaniem „Czy potrzebują Państwo części zamiennych?”. Weszła z: „Widzimy przy porównywalnych liniach, że modernizacja i zbieranie danych opłacają się wspólnie, jeśli chcą Państwo lokalnie analizować dane jakościowe”. Inny ton. Inne spotkanie.

Po czterech miesiącach zespół zabukował pięć warsztatów technicznych, z czego trzy wspólnie z kierownictwem produkcji i IT. Wcześniej IT na tych kontach prawie nigdy nie brało udziału w rozmowach. Punktem nie jest to, że Amplifa miała jakąś magiczną sztuczkę. Punktem jest to, że sygnały AI-Factory są widoczne na rynku, jeśli się ich szuka. Większość procesów sprzedaży po prostu ich nie szuka.

Przygotowanie: 7 kroków dla szefów sprzedaży, COO i prezesów

1. Zmapujcie Państwo swoją istotność dla AI-Factory na każdą linię produktów. Zapiszcie dla każdej maszyny, komponentu lub usługi, jakie dane powstają, jakie interfejsy istnieją, jakie przypadki użycia AI są realistyczne, a jakie nie. Bądźcie szczerzy. Zły use-case AI niszczy zaufanie szybciej niż opóźniony termin dostawy.
2. Rozszerzcie swój ICP o triggery techniczne. Liczba pracowników i branża nie wystarczą. Rejestrujcie projekty MES, role OT-Security, nowe zakłady, ogłoszenia o pracę dotyczące Computer Vision, migracje ERP, raporty zrównoważonego rozwoju, inicjatywy utrzymania ruchu i wzmianki o cyfrowych bliźniakach.
3. Zbudujcie prosty slajd architektury, który handlowiec będzie potrafił wyjaśnić. Nie 38 kratek. Jedna strona: maszyna, Edge, przepływ danych, przetwarzanie lokalne, opcja chmury, Security, serwis. Jeśli Sales nie rozumie tego slajdu, klient też go nie zrozumie.
4. Trenujcie pytania Discovery dotyczące infrastruktury AI. Nie pytajcie: „Czy są Państwo zainteresowani AI?”. Pytajcie: „Które dane produkcyjne mogą opuścić Państwa zakład?”, „Kto odpowiada za zatwierdzanie modeli?”, „Gdzie dziś zawodzą decyzje jakościowe?”, „Która linia generuje najdroższe nieplanowane przestoje?”.
5. Zdefiniujcie role partnerów na wczesnym etapie. Nie każda średnia firma musi budować klastry GPU czy samodzielnie prowadzić MLOps. Ale muszą Państwo wiedzieć, czy Bull, Siemens, Phoenix Contact, lokalne domy systemowe lub partnerzy chmurowi mogą pojawić się w Państwa architekturze referencyjnej.
6. Połączcie dane serwisowe i sprzedażowe. Wiek maszyn, wzorce części zamiennych, powody awarii i okna konserwacyjne to silne sygnały zakupowe. Jeśli te dane zostają w serwisie, podczas gdy sprzedaż uprawia cold calling, spalają Państwo istniejący kontekst.
7. Uczyńcie Compliance atutem sprzedażowym. EU AI Act, NIS2, Cyber Resilience Act i rezydencja danych nie mogą pojawiać się dopiero przy sprawdzaniu umowy. Przetłumaczcie wymogi na jasne stwierdzenia, pod którymi mogą podpisać się wspólnie sprzedaż i technika.

Piąty punkt jest dla mnie ważny. Wiele średnich firm boi się technologicznego odstawienia w tyle przy infrastrukturze AI, bo nie mają budżetów DMG Mori, Kärcher czy Brose. Ten strach jest częściowo uzasadniony. Ale często prowadzi do błędnego wniosku: nie robić nic, bo nie można zrobić wszystkiego. Lepsze jest jasne wycięcie fragmentu. Jaka funkcja AI czyni Państwa produkt bardziej wartościowym dla klientów? Jakich danych do tego Państwo potrzebują? Jaka infrastruktura musi istnieć u klienta lub u partnerów? Jakie stwierdzenie może jutro przetestować Państwa dział sprzedaży?

Produkt Amplifa — Amplifa pomaga przemysłowym zespołom sprzedaży rozpoznawać istotnych klientów docelowych, triggery i priorytety kont za pomocą AI — z danych CRM, sygnałów rynkowych i logiki ICP.

Dlaczego czyste strategie Inbound przy AI Factories są zbyt wolne

Świadomie sprzeciwiam się tutaj wygodnej tezie: „Gdy klient będzie gotowy, sam się do nas zgłosi”. Nie. W projektach AI-Factory klient często trafia do dostawcy, który odebrał go sześć miesięcy wcześniej we właściwym miejscu. Proces decyzyjny nie zaczyna się od zapytania. Zaczyna się od wewnętrznej niepewności.

COO zauważa, że koszty braków rosną. Kierownik zakładu dostaje presję na zwiększenie przejrzystości OEE. Dyrektor IT blokuje eksperymenty w chmurze. Prezes słyszy na wydarzeniu VDMA we Frankfurcie, że konkurenci pracują z Predictive Maintenance. Jeszcze nie ma projektu. Jeszcze nie ma budżetu. Ale jest napięcie. Kto wtedy tylko czeka na konwersje na stronie internetowej, widzi rynek zbyt późno.

Kto w 2026 roku stawia jeszcze na czystą strategię Inbound, za pięć lat nie będzie miał pipeline'u zasługującego na tę nazwę. Szczególnie nie w średnim przemyśle. Zwycięzcami nie będą najgłośniejsze maszyny do contentu, lecz zespoły, które czytają sygnały, budują hipotezy i wchodzą w rozmowy z techniczną relewancją. Mniej newsletterów. Więcej timingu.

To nie oznacza, że Outbound może znów oznaczać toporne maile seryjne. Proszę, nie. Sam dostaję wystarczająco dużo wiadomości, w których moje nazwisko jest błędnie napisane, a ktoś chce mi sprzedać „synergie”. Dobra sprzedaż przemysłowa zorientowana na outbound wygląda inaczej: zrozumieć konto, wywieść sytuację techniczną, podać wiarygodny wyzwalacz, sformułować krótką tezę, zapytać z szacunkiem. Zdanie typu „Widzimy przy kilku liniach opartych na Kuka i Beckhoff, że lokalna analiza obrazu jest właśnie oceniana na nowo ze względu na rezydencję danych” nie jest idealne. Ale jest tysiąc razy lepsze niż „Chciałem się krótko przedstawić”.

Infrastruktura AI: Koszty, Context Windows i trudna część

Teraz krótko technicznie, bo inaczej zostanie tylko strategia. Infrastruktura AI to nie tylko GPU. Dla zastosowań przemysłowych liczą się latencja, dostępność, segmentacja sieci, jakość danych, monitorowanie modeli, interfejsy i koszty operacyjne. Model, który działa czysto na laboratoryjnym zbiorze danych, może zawieść w produkcji, bo kamera stoi minimalnie inaczej, bo mgła olejowa zmienia obrazy, bo nocna zmiana jedzie na innym materiale lub bo PLC ma zachowanie czasowe, którego nikt nie symulował w teście.

Przy generatywnej AI w sprzedaży dochodzi inny problem: Context Windows i koszty. Duże modele językowe potrafią dziś przetwarzać długie dokumenty, owszem. Ale kto wrzuca kompletne historie CRM, specyfikacje techniczne, przebiegi e-maili, dane ofertowe i protokoły serwisowe w sposób niekontrolowany do każdego promptu, nie buduje inteligencji, lecz grzejnik na tokeny. Ceny tokenów spadają, ale zła architektura skaluje się szybciej niż dobre warunki zakupu. Raz po raz widzimy konfiguracje, w których 80 procent kosztów modelu jest spalane na nieistotny kontekst.

Lepsza architektura jest zazwyczaj niespektakularna: normalizacja danych, wstępne filtrowanie sygnałów, pobieranie istotnych fragmentów przez Retrieval, stosowanie modelu tylko tam, gdzie język, klasyfikacja lub rozpoznawanie wzorców naprawdę dają wartość dodaną. W sprzedaży oznacza to: nie każda aktualizacja konta wymaga dużego modelu. Czasem wystarczy zestaw reguł. Czasem mały klasyfikator. Czasem potrzebny jest LLM, bo e-mail klienta między wierszami mówi: „Mamy problem z budżetem, ale większe ryzyko, jeśli nic nie zrobimy”.

Właśnie tej trzeźwości brakuje w wielu debatach o AI. Foxconn i Bull budują istotną infrastrukturę nie dlatego, że każda średnia firma nagle zacznie trenować własny Foundation Model. Szczerze? Mało kto to zrobi. Istotne jest to, że przemysłowa AI przybliża się do produkcji i że Europa zyskuje większą kontrolę nad integracją, dostępnością i eksploatacją. To zmniejsza tarcie. A tarcie często decyduje o tym, czy zespół sprzedaży w ogóle potrafi rzetelnie uplasować ofertę zbliżoną do AI.

Amplifa dla sprzedaży przemysłowej — Dla zespołów, które chcą tłumaczyć techniczne sygnały zakupowe, takie jak Edge AI, automatyzacja, potrzeby serwisowe i plany modernizacji, na priorytetowe działania sprzedażowe.

Osobista prognoza: lata 2026–2029 to będzie brutalna selekcja

Moja osobista prognoza na najbliższe dwa do trzech lat: rynek nie podzieli się na „AI tak lub nie”. Podzieli się według zdolności operacyjnej. Dostawcy, którzy sprzedają AI jako demo, wylądują na cmentarzyskach projektów pilotażowych. Dostawcy, którzy zapakują infrastrukturę AI, przepływy danych, Compliance i serwis w zrozumiałą ofertę komercyjną, wygrają większe deale – nawet jeśli nie będą najtańsi.

Oczekuję trzech konkretnych ruchów. Po pierwsze, przetargi w budowie maszyn i instalacji będą częściej zawierać pytania o lokalną inferencję, rezydencję danych i monitorowanie modeli. Po drugie, integratorzy silniej wejdą w sprzedaż i zepchną klasycznych producentów do roli doradczej, jeśli ci nie będą potrafili wyjaśnić swojej architektury. Po trzecie, dane o obecnych klientach staną się najważniejszą dźwignią wzrostu, ponieważ projekty AI-Factory rzadko zaczynają się na „zielonej trawie”. Zaczynają się na istniejących liniach, ze starymi sterownikami, ze znanymi bólami.

Foxconn i Bull nie są przy tym jedynym wyzwalaczem. Ale są widocznym sygnałem. Gdy globalny gigant produkcyjny i europejski gracz infrastrukturalny wspólnie pozycjonują sprzęt AI i platformy automatyzacji dla Europy, to nie jest to temat poboczny dla działów IT. To wskazówka, dokąd zmierza popyt przemysłowy. A popyt to materiał, z którego buduje się pipeline.

Po rozmowie z Andreą z Ulm jeszcze raz wydrukowałem sobie wiadomość o Foxconn-Bull. Na papierze, nie PDF. Na marginesie widnieje dopisek moim pismem: „Nie hardware. Buying Criteria”. Kawa była już wtedy zimna, z hali znów dobiegało to jasne piłowanie, a Andrea napisała mi dziesięć minut później: „Musimy na nowo przemyśleć naszą listę docelowych klientów, prawda?”. Tak. Dokładnie od tego się zaczyna.