AI ražošanā neprasa 12 nedēļas. Plānojiet 4–9 mēnešus pirmajam use case

Dzielimy się tym, co sami sprawdziliśmy przy wdrożeniach: bezpłatnie i bez założenia, że Twój przypadek wygląda identycznie. Teza krąży po targach i prezentacjach: „AI na linii produkcyjnej wchodzi w 12 tygodni”. Brzmi przekonująco, bo podpiera się konkretami — 60 godzin na postawienie fabryki AI, 6 tygodni na modele obróbki cieplnej, mniej niż 12 tygodni do startu testów w fabryce Siemensa. Jest w tym ziarno prawdy: w dobrze przygotowanym środowisku, z gotowymi interfejsami i jednym, wąskim procesem, naprawdę można ruszyć w kwartał. Problem zaczyna się, gdy ten slajd spotyka się z polską halą, starym parkiem maszyn i danymi zbieranymi do skoroszytów.

Otrās puses spēcīgākais arguments

Nie ma co udawać, że liczby od dostawców są wyssane z palca. Epiroc uruchomił środowisko AI na Azure w 60 godzin, a modele dla ponad 3 500 gatunków stali powstały w 6 tygodni; szczegóły opisał w swoim studium Microsoft. Siemens Rastatt od pierwszych rozmów do startu testów na czterech liniach AOI potrzebował mniej niż 12 tygodni, co dokumentuje studium Siemensa. EGA w 3 miesiące postawiła platformę brzegową, która obniżyła koszt analityki obrazu o 86%. To twarde liczby i wyznaczają górną granicę tam, gdzie infrastruktura jest nowa, dane już płyną, a dostawca wdraża własne narzędzie na własnej linii.

Teza ma sens pod jednym warunkiem: mówimy o wąskim, powtarzalnym procesie, a nie o całym zakładzie. W tle tych historii stoją zwykle nowe linie, czyste strumienie danych i zespoły, które wcześniej przeszły transformację cyfrową. To nie jest oszustwo — to dobra praktyka w wybranym segmencie, ale nie uniwersalny standard.

AIAttēls ģenerēts ar AI.

Ko šis arguments neietver

Te liczby nie obejmują trzech rzeczy, które w Polsce decydują o harmonogramie. Po pierwsze, jakość danych. Gdy czujniki nie mają spójnych identyfikatorów, a pomiary są zapisywane ręcznie co zmianę, sam audyt potrafi dodać 2–6 tygodni. Po drugie, integracja z OT. Stare linie bez API i bez standardów komunikacyjnych wymagają nakładek, bramek lub dodatkowych czujników — to 4–8 tygodni, których w slajdzie nie ma. Po trzecie, ludzie i procedury. Związki zawodowe, zgody na monitoring, RODO przy danych z kamer, wymogi bezpieczeństwa maszyn z odbiorami UDT i szkolenia zmianowe to kolejne 2–6 tygodni. Gdy system może mieć cechy wysokiego ryzyka w rozumieniu AI Act, do harmonogramu wchodzi też dokumentacja zgodności, a nie tylko sam model.

AIAttēls ģenerēts ar AI.

Mūsu nostāja

Planujemy 4–9 miesięcy na pierwszy use case, a nie 12 tygodni. U nas wygląda to tak: audyt i zakres 2–4 tygodnie, wybór procesu i dostawcy 2–3, integracja danych z MES/SCADA/ERP 4–8, budowa i trenowanie modelu 3–6, walidacja na linii 2–4, pilotaż 4–6, skalowanie i szkolenia 4–12. Część tych etapów idzie równolegle: szkolenia prowadzimy w trakcie integracji, procedury odbioru przygotowujemy podczas walidacji. Pierwszych mierzalnych oszczędności nie obiecujemy na starcie projektu — pokazują się zwykle po 2–3 miesiącach stabilnej pracy, a pełny zwrot po 6–12 miesiącach. Budżet pierwszego wdrożenia zamyka się najczęściej w 200–800 tys. zł netto, a utrzymanie to 10–15% wartości rocznie.

Co to zmienia w terminarzu na ten kwartał

Jeśli w poniedziałek rano masz podjąć decyzję, nie szukaj obietnicy 12 tygodni. Poproś o rozpiskę etapów z datami, a nie o slajd z ROI. Zapytaj, ile trwa audyt danych u was, gdzie są API i kto podpisze testy akceptacyjne na linii. Równolegle z audytem zbieraj dane historyczne i listę czujników, a podczas integracji prowadź pierwsze szkolenia dla brygadzistów. Zmienilibyśmy zdanie tylko w jednym warunku: gdyby audyt wykazał czyste dane, gotowe API i jeden wąski proces — wtedy 12 tygodni jest realne. W pozostałych przypadkach 4–9 miesięcy to nie opóźnienie, tylko uczciwy plan.