Infrastruktura AI: Foxconn, Bull i fabryki AI

KI & Automatisierung · 3. Juni 2026 · Joseph Flesh

Infrastruktura AI z Europy zmienia Smart Factory i sprzedaż. Dowiedz się, jakie kroki powinny podjąć średnie przedsiębiorstwa w DACH w celu planowania fabryk AI.

W ubiegły czwartek, o 8:12, siedziałem w Amplifa na rozmowie onboardingowej z Andreą, COO firmy automatyzacyjnej z Ulm. W tle słyszałem cichy pisk piły z produkcji, drzwi do jej biura były tylko w połowie zamknięte, a na jej biurku leżał wydruk z terminami dostaw, zaznaczony 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. Potem na moim drugim ekranie pojawiła się wiadomość o nowym partnerstwie Foxconn-Bull.

Moja prognoza jest prosta i niewygodna: kto w budowie maszyn, produkcji elektroniki czy komponentów automatyki do 2028 roku nie będzie miał jasnej odpowiedzi na temat fabryk AI, nie straci najpierw zamówień w produkcji. Straci je w sprzedaży. Nie dlatego, że każda 180-osobowa firma nagle będzie prowadzić własne klastry GPU. No, prawie. Ale dlatego, że klienci w DACH zaczną sortować dostawców według 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 boleć

Foxconn, oficjalnie Hon Hai Technology Group, i Bull SAS, francuska spółka zależna Atos zajmująca się infrastrukturą IT, zamierzają wspólnie budować serwery AI, klastry GPU, systemy Edge i sprzęt automatyzacyjny w Europie. Na pierwszy rzut oka brzmi to jak centrum danych. Jak blacha, szafy, kable, wentylatory. Jak coś, co interesuje COO i co dyrektorzy sprzedaży pomijają. I tu właśnie leży błąd w myśleniu.

Partnerstwo, zgodnie z doniesieniami branżowymi opublikowanymi w ciągu ostatnich 24 do 48 godzin, wyraźnie celuje w europejskie firmy produkcyjne, Smart Factories i tak zwane AI Factories. Niemcy, Austria i Szwajcaria są wymieniane jako rynki kluczowe. Motoryzacja. Elektronika. Przemysł przetwórczy. Produkcja precyzyjna. Czyli dokładnie te firmy, z którymi regularnie współpracujemy w Amplifa: od 50 do 500 pracowników, dobry produkt, baza klientów rozwijana przez lata, ale pipeline, który coraz częściej zależy od projektów, w których IT, OT i dział zakupów mają coś do powiedzenia jednocześnie.

Dla mnie ta wiadomość to nie szczegół sprzętowy. To sygnał sprzedażowy. Kiedy Foxconn i Bull wprowadzają na rynek „infrastrukturę AI made in Europe”, zmieniają się oczekiwania klientów dostawców Trumpf, integratorów Festo, partnerów Schaeffler czy producentów komponentów związanych z Webasto. Klient nie pyta już: „Czy możecie dostarczyć system?” Pyta: „Czy możecie go zintegrować z naszą architekturą danych, rozszerzyć o Computer Vision, ocenić dane serwisowe i obsługiwać całość w sposób audytowalny?” To inny proces sprzedaży. Trudniejszy. Bardziej techniczny. Dłuższy. Ale także 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 lub eksperymentuje z AI. W poprzednim roku było to 64 procent. To skok, którego nie można zbyć jako targowy szum. Jednocześnie, według tego samego źródła, tylko 7 procent producentów ma 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 roku rozmawiałem z Markusem, dyrektorem sprzedaży producenta maszyn specjalnych z Heilbronn. Jego zespół sprzedaje maszyny w przedziale od 250 000 do 1,8 miliona euro. Firma używa 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 istniejących klientów. Nikt. Dział obsługi posprzedażowej ma informacje, inżynieria coś podejrzewa, a sprzedaż i tak dzwoni z ogólnymi argumentami.

Taki jest status quo w wielu średnich firmach produkcyjnych w DACH. Są maszyny ze sterowaniem Siemens, systemy kamer od Cognex lub Keyence, komórki robotyczne od Kuka lub ABB, dane ERP z SAP Business One lub Microsoft Dynamics, a potem jest sprzedaż, która nadal intuicyjnie priorytetyzuje, który OEM jest akurat „gorący”. Nie do końca. Dobre zespoły mają listy. Ale listy to nie inteligencja. I stają się bezwartościowe, gdy klienci zaczynają używać gotowości na AI 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. 20 najlepszych klientów generuje od 52 do 78 procent marży, ale mniej niż jedna trzecia działań sprzedażowych opiera się na zainstalowanej bazie, wieku maszyn, przypadkach serwisowych lub wzorcach części zamiennych. Sprzedaż działa na poziomie firmy, ale szansa powstaje na poziomie systemu. To właśnie tam AI Factories stają się istotne – nie jako modne słowo, ale jako struktura danych dla przychodów.

Trend 1: Fabryki AI przenoszą się z chmury na halę fabryczną

Pierwszy trend jest fizyczny. Głośny. Ciepły. Słychać go. Kto kiedykolwiek stał obok szafy GPU, wie, że AI nie żyje w mglistej metaforze, ale w prądzie, chłodzeniu, opóźnieniach, zarządzaniu kablami i ochronie przeciwpożarowej. Foxconn i Bull dokładnie tu wkraczają: serwery AI, klastry GPU, przemysłowe bramy Edge i sprzęt sterujący mają być produkowane, integrowane i kwalifikowane do obciążeń przemysłowych 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 za pomocą Computer Vision wymaga kamer blisko linii, czasów wnioskowania w milisekundach i solidnego połączenia ze sterowaniem. Predykcyjne utrzymanie ruchu wymaga historii maszyn, czujników, kontekstu z zleceń serwisowych i modeli, które nie zawodzą przy każdym zakłóceniu sieci. Cyfrowe bliźniaki potrzebują czegoś więcej niż tylko ładnego modelu 3D. Potrzebują przepływów danych, które nie umierają po projekcie pilotażowym.

W kwietniu 2026 roku rozmawiałem z Thomasem, szefem sprzedaży w integratorze automatyki w Norymberdze, o ofercie na system kontroli wizyjnej. Jego klient, dostawca Tier-2 dla przemysłu motoryzacyjnego, chciał wiedzieć, czy dane obrazowe mogą być przetwarzane lokalnie. Nie „kiedyś”. W specyfikacji. Rada zakładowa miała coś do powiedzenia, bezpieczeństwo IT również. Thomas powiedział mi: „Kiedyś sprzedawaliśmy na podstawie czasu cyklu. Teraz sprzedajemy rezydencję danych.” To jest właśnie ta zmiana.

Siemens Digital Industries w swoim najnowszym artykule na temat europejskiej suwerenności AI argumentuje, że przywództwo w AI zależy nie tylko od modeli, ale od półprzewodników, infrastruktury obliczeniowej, efektywności energetycznej, robotyki i zdolności do przekształcania innowacji w produkcję. Brzmi to jak strategia korporacyjna. Dla średnich przedsiębiorstw jest to jednak kwestia oferty. Czy mogę zaoferować klientowi rozwiązanie, które działa w jego zakładzie, z jego danymi, zgodnie z europejskimi warunkami zgodności i które można serwisować po sześciu miesiącach?

Suwerenność AI Europy nie jest decydowana tylko przez oprogramowanie, ale przez zdolność do wprowadzania półprzewodników, obliczeń, automatyzacji i danych przemysłowych do skalowalnej produkcji.

— Główne przesłanie Siemens Digital Industries, wkład w suwerenność AI w Europie, 2026 (sens)

Podoba mi się ten cytat, ponieważ prostuje zwykłą debatę o AI. Wiele organizacji sprzedażowych mówi o chatbotach, automatyzacji e-maili i bibliotekach promptów. Wszystko to jest użyteczne. Ale w przemysłowym B2B AI nie decyduje się w prompcie. Decyduje się na tym, czy klient w Linzu może rozbudować swoją linię bez przenoszenia danych produkcyjnych do niejasnego regionu chmury; czy zakład w Bielefeld proaktywnie dysponuje częściami zamiennymi; czy kierownik jakości w St. Gallen może spać w nocy, ponieważ model miał nie tylko 93 procent dokładności w PowerPoint, ale nadal działa w trzeciej zmianie przy mgiełce olejowej i zmiennym świetle.

Trend 2: Sprzedaż sprzedaje architekturę, a nie tylko maszyny

Drugi trend bezpośrednio dotyka dyrektorów sprzedaży. Kiedyś sprzedaż techniczna w budowie maszyn była już wystarczająco skomplikowana: specyfikacja wymagań, 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 interfejsy istnieją? Jak szkolić lub monitorować modele? Kto ponosi odpowiedzialność, jeśli AI podejmuje błędne decyzje dotyczące jakości?

Jestem w tym bezkompromisowy: kto w 2026 roku nadal wierzy, że czysta sprzedaż produktów w budowie maszyn wystarczy, ten nie zrozumiał zmiany. Klient nie kupuje tylko agregatu. Kupuje kawałek przyszłej logiki operacyjnej. Jeśli Twoja oferta nie wyjaśnia tej logiki operacyjnej, wyjaśni ją ktoś inny. Może integrator. Może duży automatyk. Może dostawca usług IT, który wie mniej o wrzecionach niż Ty, ale lepiej mówi o przepływach danych.

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

Tutaj wiadomość Foxconn-Bull staje się interesująca. Kiedy europejskie serwery AI i systemy Edge stają się bardziej dostępne, wymówka „To jeszcze za wcześnie” zanika. Klienci będą oczekiwać architektur referencyjnych. Będą pytać, czy Twój system 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. Może pytają tylko Twoich konkurentów.

Jak centra zakupowe zmieniają się dzięki infrastrukturze AI

W klasycznych transakcjach w branży maszynowej przy stole zasiadali zarząd, kierownictwo produkcji, dział zakupów i być może kierownik utrzymania ruchu. W projektach związanych z fabrykami AI pojawiają się nowe głosy: bezpieczeństwo IT, ochrona danych, osoby odpowiedzialne za OT, czasem rada zakładowa, okazjonalnie zewnętrzny konsultant ds. cyfryzacji. To wydłuża transakcje. Nie czyni ich automatycznie gorszymi. Ujawnia złe procesy sprzedażowe.

Przykład: W styczniu 2026 roku u klienta z branży maszyn pakujących, zatrudniającego 220 pracowników w regionie Ravensburga, przebudowaliśmy logikę ICP. Wcześniej sprzedaż priorytetyzowała według branży i wielkości obrotu. Następnie dodano 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” lub „OT Security”. Wynik po dziewięciu tygodniach: mniej pierwszych rozmów, ale wskaźnik konwersji z odkrycia do kwalifikowanego projektu wzrósł z 31 do 46 procent. Żadnej magii. Lepszy wybór celu.

To jest pomost między infrastrukturą AI a sprzedażą. Dostępność sprzętu w Europie tworzy nowe kategorie projektów. Nowe kategorie projektów tworzą nowe kryteria zakupu. Nowe kryteria zakupu niszczą stare modele punktacji leadów. Kto nadal segmentuje tylko według liczby pracowników, kodu pocztowego i branży, pomija firmy, które właśnie przeznaczają budżet na Edge AI, cyfrowe bliźniaki i platformy danych produkcyjnych.

Trend 3: Fabryki AI czynią suwerenność danych argumentem sprzedażowym

Trzeci trend jest polityczny, ale nie abstrakcyjny. Suwerenność danych staje się komercyjna. W Niemczech, Austrii i Szwajcarii istnieje głęboka nieufność wobec danych produkcyjnych w obcych rękach. Można się z tego śmiać, jeśli pochodzi się z czystego świata SaaS. Ja bym tego nie robił. Dyrektor zarządzający producenta części precyzyjnych z Villingen-Schwenningen powiedział mi w maju 2026 roku: „Nasze dane procesowe to nasza marża.” To zdanie zapada w pamięć.

Kiedy Foxconn i Bull podkreślają europejską produkcję, europejską integrację i lokalną infrastrukturę AI, trafiają w sedno. Nie chodzi tylko o łańcuchy dostaw. Chodzi o zaufanie w przetargach. Szwajcarski dostawca farmaceutyczny, austriacki producent maszyn czy niemiecki dostawca motoryzacyjny musi być w stanie wyjaśnić klientom, audytorom i wewnętrznym organom, 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 siłę łańcucha dostaw. To nie jest romantyczna europejska samowystarczalność. Foxconn pozostaje Foxconnem. Ale lokalny montaż, kwalifikacja i integracja systemów w UE mogą mieć znaczenie 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 staje się konkretna. Samo „Made in Europe” nie sprzedaje systemu. „Twoje dane obrazowe nie opuszczają fabryki, wnioskowanie odbywa się na klastrze Edge w pobliżu szafy sterowniczej, aktualizacje są wprowadzane w zatwierdzonym oknie serwisowym, a wersja modelu jest dokumentowana w logu audytu” – to sprzedaje. Albo przynajmniej zapobiega, by kierownik IT nie przerwał rozmowy po 42 minutach.

FAQ: Czym jest AI Factory w przemyśle średnich przedsiębiorstw?

AI Factory to nie pojedyncza fabryka z robotami i migającymi pulpitami nawigacyjnymi. W kontekście przemysłowym termin ten oznacza powtarzalną infrastrukturę, za pomocą której firmy szkolą, obsługują, monitorują i integrują modele AI w procesach produkcyjnych. Obejmuje to obliczenia – często serwery GPU lub specjalistyczne systemy Edge – potoki danych, zarządzanie modelami, interfejsy do sterowania maszynami, cyberbezpieczeństwo, monitorowanie i odpowiedzialność. 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 jest nie wielkość. Ważne jest, aby AI przeszła od pilotażu do zdolności operacyjnej.

Infrastruktura AI i zarządzanie pipeline'em: Niewygodne połączenie

Wielu dyrektorów generalnych nadal zbyt dokładnie rozdziela technologię produkcji od technologii sprzedaży. Tam produkcja z OPC UA, PLC, MES, OEE i czujnikami. Tutaj sprzedaż z CRM, kampaniami, targami i raportami z wizyt. To rozdzielenie jest organizacyjnie wygodne. Jest ekonomicznie niebezpieczne.

Jeśli Twoi klienci inwestują w fabryki AI, sygnały sprzedażowe pojawiają się na długo przed oficjalnym zapytaniem. Firma zatrudnia menedżera ds. bezpieczeństwa OT. Kierownik zakładu mówi na LinkedIn o Computer Vision. Raport roczny wspomina o „lokalnym wnioskowaniu”. Oddział buduje nowe centrum logistyczne. Dział zakupów nagle pyta o formaty danych. Projektant pobiera białe księgi dotyczące cyfrowych bliźniaków. Każdy sygnał sam w sobie jest słaby. Razem tworzą intencję.

Właśnie tutaj wiele klasycznych konfiguracji CRM zawodzi. CRM przechowuje to, co sprzedaż już wie. Rzadko rozpoznaje, co dzieje się na zewnątrz. W Amplifa budujemy dlatego modele ICP i kont, które łączą zewnętrzne wyzwalacze, historię CRM, dopasowanie produktu i czas. Nie po to, by zastąpić pracowników sprzedaży. To bzdura. Ale po to, by powiedzieć im, gdzie rozmowa ma sens, a gdzie tylko grzecznie przeszkadzają.

Amplifa ICP Playbook Praktyczny playbook do priorytetyzacji docelowych klientów w przemysłowym B2B na podstawie rzeczywistych sygnałów zakupowych i technologicznych, a nie tylko branży i obrotów.

Co to oznacza dla średnich przedsiębiorstw

Dla firm produkcyjnych zatrudniających od 50 do 500 pracowników w DACH, partnerstwo Foxconn-Bull oznacza przede wszystkim: podnosi się poprzeczka. Duży 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, ale jako skalowalna architektura. Kto wtedy odpowie tylko „My też potrafimy AI”, brzmi jak faks w biurze światłowodowym.

Po drugie, marże się przesuwają. Czysty sprzęt lub czysta mechanika będą nadal pod presją, zwłaszcza jeśli azjatyccy i wschodnioeuropejscy konkurenci pozostaną agresywni cenowo. Wartość powstaje tam, gdzie maszyny, dane, usługi i wiedza procesowa są połączone. Producent stanowisk testowych może stać się dostawcą inteligencji jakościowej. Dostawca komponentów może modelować ryzyka 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 staje się bardziej selektywna. Niemcy, Austria i Szwajcaria są, według partnerstwa, rynkami priorytetowymi, ponieważ łączą się tu gęstość przemysłowa, kompetencje w zakresie automatyzacji i gotowość do płacenia. To dobrze. Ale oznacza to również: więcej dostawców będzie atakować właśnie te rynki. Średnie przedsiębiorstwo z Ostwestfalii konkuruje już nie tylko ze znanym konkurentem z sąsiedniego powiatu, ale z europejskimi partnerstwami platformowymi, które łączą sprzęt, integrację i narrację AI.

Często widzę u COO zrozumiałą reakcję: najpierw poczekać. Linia działa, portfel zamówień nie jest pusty, brakuje ludzi. Ale czekanie nie jest neutralną pozycją, gdy kryteria zakupu są właśnie przepisywane. To decyzja, że inni ustalają standardy. A standardy w sprzedaży są brutalne. Kto definiuje standard, musi mniej wyjaśniać. Kto przychodzi później, musi udowadniać.

Przykład z życia codziennego: Od części zamiennej do szansy AI

Nasz klient z północnej Bawarii sprzedaje komponenty systemów producentom maszyn pakujących i procesowych. Nie jest to koncern, 140 pracowników, dobra reputacja. W CRM klienci długo wyglądali tak samo: obroty, osoba kontaktowa, ostatnie zamówienie. Kiedy dodaliśmy przypadki serwisowe, cykle części zamiennych i publicznie widoczne sygnały inwestycyjne, nagle pojawiły się konta, na których stare komponenty działały w liniach, podczas gdy klient równolegle ogłaszał stanowiska dla „Manufacturing Data Analyst” i „Automation Engineer”. Sprzedaż nie dzwoniła z pytaniem „Potrzebujecie części zamiennych?”. Dzwoniła z pytaniem „Widzimy w podobnych liniach, że modernizacja i zbieranie danych opłacają się, jeśli chcecie lokalnie oceniać dane dotyczące jakości.” Inny ton. Inny termin.

Po czterech miesiącach zespół zarezerwował pięć warsztatów technicznych, z czego trzy z kierownictwem produkcji i IT wspólnie. Wcześniej IT w tych kontach prawie nigdy nie było w rozmowie. Chodzi o to, że Amplifa nie miała żadnej magicznej sztuczki. Chodzi o to, że sygnały AI Factory są widoczne na rynku, jeśli się ich szuka. Większość procesów sprzedażowych po prostu nie szuka.

Przygotowanie: 7 kroków dla dyrektorów sprzedaży, COO i dyrektorów generalnych

1. Zmapuj swoją istotność AI Factory dla każdej linii produktów. Dla każdej maszyny, komponentu lub usługi zapisz, jakie dane powstają, jakie interfejsy istnieją, jakie przypadki użycia AI są realistyczne, a jakie nie. Bądź szczery. Zły przypadek użycia AI szybciej zjada zaufanie niż opóźniony termin dostawy.
2. Rozszerz swój ICP o techniczne wyzwalacze. Liczba pracowników i branża nie wystarczą. Zbieraj projekty MES, role w OT Security, nowe zakłady, ogłoszenia o pracę dotyczące Computer Vision, migracje ERP, raporty zrównoważonego rozwoju, inicjatywy utrzymania ruchu i wskazówki dotyczące cyfrowych bliźniaków.
3. Stwórz prosty slajd architektoniczny, który pracownik sprzedaży może wyjaśnić. Nie 38 pól. Jedna strona: maszyna, Edge, przepływ danych, przetwarzanie lokalne, opcja chmury, bezpieczeństwo, serwis. Jeśli sprzedaż nie rozumie tego slajdu, klient też go nie zrozumie.
4. Szkol pytania odkrywcze dotyczące infrastruktury AI. Nie pytaj: „Czy jesteście zainteresowani AI?” Pytaj: „Jakie dane produkcyjne mogą opuścić Wasz zakład?”, „Kto odpowiada za zatwierdzanie modeli?”, „Gdzie dziś zawodzą decyzje dotyczące jakości?”, „Która linia generuje najdroższe nieplanowane przestoje?”
5. Wcześnie określ role partnerów. Nie każda średnia firma musi budować klastry GPU ani samodzielnie obsługiwać MLOps. Ale musisz wiedzieć, czy Bull, Siemens, Phoenix Contact, lokalne firmy systemowe czy partnerzy chmurowi mogą pojawić się w Twojej architekturze referencyjnej.
6. Połącz dane serwisowe i sprzedażowe. Wiek maszyn, wzorce części zamiennych, przyczyny awarii i okna serwisowe to silne sygnały zakupowe. Jeśli te dane pozostają w serwisie, podczas gdy sprzedaż prowadzi cold calling, marnujesz istniejący kontekst.
7. Uczyń zgodność sprzedawalną. EU AI Act, NIS2, Cyber Resilience Act i rezydencja danych nie mogą pojawić się dopiero przy sprawdzaniu umowy. Przetłumacz wymagania na jasne stwierdzenia, które sprzedaż i technika mogą wspólnie wspierać.

Piąty punkt jest dla mnie ważny. Wiele średnich firm obawia się, że zostaną technologicznie w tyle w zakresie infrastruktury AI, ponieważ nie mają budżetów takich jak DMG Mori, Kärcher czy Brose. Ten strach jest częściowo uzasadniony. Ale często prowadzi do błędnego wniosku: nic nie robić, bo nie można zrobić wszystkiego. Lepsze jest jasne określenie. Jaka funkcja AI sprawia, że Twój produkt jest cenniejszy dla klientów? Jakie dane są do tego potrzebne? Jaka infrastruktura musi istnieć u klienta lub partnerów? Jakie stwierdzenie może przetestować Twój dział sprzedaży jutro?

Produkt Amplifa Amplifa pomaga zespołom sprzedaży przemysłowej identyfikować odpowiednich klientów docelowych, wyzwalacze i priorytety kont za pomocą AI – na podstawie danych CRM, sygnałów rynkowych i logiki ICP.

Dlaczego czyste strategie inbound są zbyt wolne w przypadku fabryk AI

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

COO zauważa, że koszty braków rosną. Kierownik zakładu jest pod presją, aby zwiększyć przejrzystość OEE. Kierownik IT blokuje eksperymenty w chmurze. Dyrektor generalny słyszy na spotkaniu VDMA we Frankfurcie, że konkurenci używają predykcyjnego utrzymania ruchu. Jeszcze nie ma projektu. Jeszcze nie ma budżetu. Ale jest napięcie. Kto wtedy czeka tylko na konwersje na stronie internetowej, zbyt późno dostrzega rynek.

Kto w 2026 roku nadal stawia na czystą strategię inbound, ten za pięć lat nie będzie miał pipeline'u zasługującego na tę nazwę. Zwłaszcza w przemyśle średnich przedsiębiorstw. Zwycięzcami nie będą najgłośniejsze maszyny do tworzenia treści, ale zespoły, które czytają sygnały, tworzą hipotezy i wchodzą w rozmowy z techniczną trafnością. Mniej newsletterów. Więcej wyczucia czasu.

To nie znaczy, że outbound znowu może oznaczać nieudolne seryjne maile. Proszę, nie. Sam dostaję wystarczająco dużo wiadomości, w których moje imię jest źle napisane i ktoś chce mi sprzedać „synergie”. Dobra, zorientowana na outbound sprzedaż przemysłowa wygląda inaczej: zrozumienie klienta, wywnioskowanie sytuacji technicznej, podanie wiarygodnego wyzwalacza, sformułowanie krótkiej tezy, szacowne pytanie. Zdanie takie jak „Widzimy w kilku liniach Kuka i Beckhoff, że lokalna analiza obrazu jest ponownie oceniana właśnie ze względu na rezydencję danych” nie jest idealne. Ale jest tysiąc razy lepsze niż „Chciałem się krótko przedstawić”.

Infrastruktura AI: Koszty, okna kontekstowe i trudna część

Teraz krótko technicznie, bo inaczej zostanie tylko strategia. Infrastruktura AI to nie tylko GPU. W zastosowaniach przemysłowych liczą się opóźnienia, dostępność, segmentacja sieci, jakość danych, monitorowanie modeli, interfejsy i koszty operacyjne. Model, który działa poprawnie w danych laboratoryjnych, może zawieść w produkcji, ponieważ kamera jest ustawiona nieco inaczej, ponieważ mgiełka olejowa zmienia obrazy, ponieważ nocna zmiana używa innego materiału lub ponieważ PLC ma zachowanie czasowe, którego nikt nie symulował w testach.

W przypadku generatywnej AI w sprzedaży dochodzi inny problem: okna kontekstowe i koszty. Duże modele językowe mogą dziś przetwarzać długie dokumenty, tak. Ale kto bez kontroli wrzuca całe historie CRM, specyfikacje techniczne, historie e-maili, dane ofertowe i protokoły serwisowe do każdego promptu, ten nie buduje inteligencji, ale grzejnik tokenów. Ceny tokenów spadają, ale zła architektura skaluje się szybciej niż dobre warunki zakupu. Ciągle widzimy konfiguracje, w których 80 procent kosztów modelu jest spalane na nieistotny kontekst.

Lepsza architektura jest zazwyczaj nieefektowna: normalizowanie danych, wstępne filtrowanie sygnałów, pobieranie odpowiednich fragmentów za pomocą wyszukiwania, używanie modelu tylko tam, gdzie język, klasyfikacja lub rozpoznawanie wzorców naprawdę przynoszą wartość dodaną. W sprzedaży oznacza to: nie każda aktualizacja konta wymaga dużego modelu. Czasami wystarczy zestaw reguł. Czasami mały klasyfikator. Czasami potrzebny jest LLM, ponieważ 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 nie budują istotnej infrastruktury dlatego, że każda średnia firma nagle trenuje swój własny model podstawowy. Szczerze? Niewielu to zrobi. Ważne jest, że przemysłowa AI zbliża się do produkcji i że Europa zyskuje większą kontrolę nad integracją, dostępnością i działaniem. To zmniejsza tarcie. A tarcie często decyduje o tym, czy zespół sprzedażowy w ogóle może skutecznie umieścić ofertę związaną z AI.

Amplifa dla sprzedaży przemysłowej Dla zespołów, które chcą przekształcić techniczne sygnały zakupowe, takie jak Edge AI, automatyzacja, zapotrzebowanie na serwis i projekty modernizacyjne, w priorytetowe działania sprzedażowe.

Osobista prognoza: 2026 do 2029 będzie brutalnym okresem selekcji

Moja osobista prognoza na najbliższe dwa do trzech lat: Rynek nie będzie się sortował według „AI tak czy nie”. Będzie się sortował według zdolności operacyjnej. Dostawcy, którzy sprzedają AI jako demo, wylądują na cmentarzyskach pilotów. Dostawcy, którzy pakują infrastrukturę AI, przepływy danych, zgodność i serwis w zrozumiałą ofertę komercyjną, będą wygrywać większe transakcje – nawet jeśli nie będą najtańsi.

Spodziewam się trzech konkretnych ruchów. Po pierwsze, przetargi w budowie maszyn i urządzeń będą częściej zawierać pytania dotyczące lokalnego wnioskowania, rezydencji danych i monitorowania modeli. Po drugie, integratorzy będą silniej wkraczać w sprzedaż i spychać klasycznych producentów na pozycje doradcze, jeśli ci nie będą w stanie wyjaśnić swojej architektury. Po trzecie, dane o istniejących klientach staną się najważniejszą dźwignią wzrostu, ponieważ projekty AI Factory rzadko zaczynają się od zera. Zaczynają się od istniejących linii, ze starymi sterownikami, ze znanymi problemami.

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

Po rozmowie z Andreą z Ulm ponownie wydrukowałem wiadomość Foxconn-Bull. Papier, nie PDF. Na marginesie widnieje mój odręczny napis: „Nie sprzęt. Kryteria zakupu.” Kawa była już dawno zimna, z produkcji dochodził ten jasny pisk piły, a Andrea dziesięć minut później napisała mi: „Musimy przemyśleć naszą listę klientów docelowych, prawda?” Tak. Właśnie tam to się zaczyna.