AI ve výrobě není robot na pódiu, ale méně odstávek

AI ve výrobě se často prezentuje přes roboty, ale v české realitě má největší páku jinde: prediktivní údržba, kamerová kontrola kvality, plánování kapacit, detekce anomálií a práce s provozními daty. V zemi s velkým podílem průmyslu to není okrajové téma. Pokud AI sníží neplánovanou odstávku linky, odhalí vadu dřív nebo pomůže údržbě zasáhnout před poruchou, má dopad, který se dá vyjádřit v hodinách výroby.

Škoda Auto má konkrétní příklad

Škoda Auto v roce 2023 veřejně popsala kamerový systém Magic Eye pro prediktivní údržbu na montážní lince. Podle firemní zprávy kamera sleduje procesy a počítač s podporou AI detekuje nepravidelnosti a potřebu údržby. To je přesně typ průmyslové AI, který není efektní v marketingovém videu, ale dává ekonomický smysl. Nečeká se na poruchu. Sledují se drobné odchylky, které člověk při rutinním provozu snadno přehlédne.

Škoda zároveň v roce 2024 vyrobila přes 925 tisíc vozů globálně. V takovém objemu má i malá procentní změna ve kvalitě nebo dostupnosti zařízení význam. Výrobní AI se proto musí hodnotit jinak než kancelářská generativní AI. Neptáme se, zda odpověď zní přirozeně. Ptáme se, zda systém snížil zmetkovitost, zkrátil reakční čas údržby nebo zvýšil stabilitu procesu.

Třinec: predikce v těžkém provozu

Třinecké železárny jsou dobrý protipól k automobilce. Hutní provoz má jiné rytmy, teploty, senzory i rizika. Veřejná reference Siemens popisuje pilot Predictive Service Analyzer v Třineckých železárnách, který využívá integrovanou AI k predikci budoucích stavů a prevenci situací ohrožujících výrobu. To je důležitá formulace: cílem není nahradit údržbáře, ale dát jim včasnější signál.

V těžkém průmyslu bývá největší překážkou kvalita historických dat a integrace do rozhodování. Model může zachytit anomálii, ale někdo musí vědět, zda kvůli ní zastavit zařízení, naplánovat servis nebo jen sledovat trend. Právě proto průmyslová AI potřebuje doménové experty. Bez nich se z predikce stane další alarm, který provoz postupně přestane brát vážně.

Linet a hranice veřejných dat

Linet je často zmiňován jako příklad vyspělé české výroby zdravotnických lůžek a evropsky významný výrobce. Veřejně dostupné informace ale poskytují méně konkrétních dokladů o AI pilotech ve výrobě než u Škody nebo Třince. Dá se mluvit o digitalizaci, moderním provozu a tlaku na kvalitu, ale nebylo by poctivé tvrdit konkrétní nasazení počítačového vidění nebo prediktivní údržby bez veřejného zdroje.

To samo o sobě říká něco důležitého o českém průmyslu. Mnoho projektů běží interně, pod NDA nebo jako součást dodavatelských řešení. Pro investory, stát i zákazníky je pak těžké rozlišit, kde jde o skutečný posun a kde jen o prezentaci Industry 4.0. Transparentnější případové studie by pomohly celému trhu.

U výroby je přitom návratnost často lépe měřitelná než u kancelářské AI. Znáte cenu hodiny odstávky, cenu zmetku, počet reklamací, spotřebu energie i náklady preventivní údržby. To dává AI projektu pevnější ekonomický rámec. Problém je, že data bývají rozptýlená mezi staršími stroji, lokálními systémy a zkušeností mistrů. Nejtěžší část tedy nebývá vybrat algoritmus, ale přeložit tiché znalosti provozu do dat a rozhodovacích pravidel.

V českém průmyslu bude rozhodovat i dostupnost lidí, kteří rozumí oběma jazykům: výrobě i datům. Externí dodavatel může dodat model, ale bez údržby, kvality a provozního managementu se projekt neudrží. Nejlepší výrobní AI týmy proto nevznikají mimo fabriku. Vznikají kolem linky, kde datový člověk sedí s technikem a společně rozhodují, který signál má cenu.

Takové uspořádání je pomalé na začátku, ale výrazně snižuje riziko falešných alarmů. A tím i riziko, že provoz nový systém potichu odmítne.

Co to znamená

Proč na tom záleží: průmyslová AI nevstupuje do prázdného prostředí. Vstupuje do linek, kde už jsou PLC, MES, ERP, senzory, údržbové plány a lidé s dlouhou zkušeností. Úspěch proto nezávisí jen na modelu, ale na integraci do provozu a na tom, zda výstup mění rozhodnutí.

Praktický postup pro výrobní firmu začíná úzkým use casem. Vyberte zařízení s měřitelnou cenou odstávky. Zmapujte dostupná data, historii poruch a rozhodovací proces údržby. Nechte model nejdřív běžet ve stínu a porovnávejte predikce s realitou. Teprve po ověření připojte doporučení do práce údržby. U kamerové kontroly kvality platí totéž: začít jedním typem vady, ne celou linkou.

AI ve výrobě nebude jedna velká transformace. Bude to řada malých zásahů, které sníží variabilitu procesu. V průmyslu je to kompliment. Nejlepší AI projekt je často ten, o kterém zákazník neslyší, protože linka prostě stojí méně často a kvalita je stabilnější.