Fabryki kupują AI szybciej, niż potrafią jej używać. Problemem nie jest technologia, lecz pracownicy

Sztuczna inteligencja coraz szybciej trafia z prezentacji zarządów bezpośrednio na hale produkcyjne. Systemy przewidują awarie maszyn, analizują obrazy z kamer kontroli jakości, optymalizują parametry linii, pomagają planować produkcję i podpowiadają technikom, gdzie szukać przyczyny przestoju. Pieniędzy na kolejne wdrożenia również nie brakuje. W badaniu Augury z 2026 roku 83 proc. ankietowanych producentów zapowiadało zwiększenie inwestycji w AI, a odsetek organizacji skalujących rozwiązania na ponad połowę swoich zakładów wzrósł w ciągu roku z 14 do 42 proc. Jednocześnie 43 proc. respondentów wskazywało ograniczenia kadrowe jako jeden z największych problemów operacyjnych. Technologia wchodzi więc do fabryk szybciej, niż część organizacji potrafi przebudować sposób pracy ludzi.

Nie oznacza to jednak, że pracownicy są jedynym problemem ani że "nie nadążają" z własnej winy. Dane Deloitte pokazują bardziej złożony obraz. Aż 84 proc. badanych producentów deklaruje już mierzalną wartość generowaną przez AI, ale tylko około 20 proc. zastosowań zostało skutecznie przeskalowanych pomiędzy zakładami lub na poziom całego przedsiębiorstwa. Barierą są kompetencje, ale również jakość danych, integracja systemów, zarządzanie zmianą i brak powtarzalnych procesów wdrożeniowych. Coraz wyraźniej widać więc, że kupienie kolejnej platformy AI jest stosunkowo prostą częścią transformacji. Znacznie trudniejsze jest sprawienie, żeby operator, automatyk, technolog i kierownik rzeczywiście wykorzystywali jej rekomendacje podczas codziennej produkcji.

Dlaczego fabryki inwestują w sztuczną inteligencję tak szybko?

Powód jest bardzo praktyczny: w produkcji nawet niewielka poprawa wydajności może przełożyć się na duże pieniądze. Kilka procent mniej braków, krótsze przestoje albo szybsze przezbrojenie linii przy tysiącach godzin pracy maszyn rocznie może mieć znacznie większą wartość niż podobna poprawa w niewielkim procesie biurowym. Deloitte wskazuje, że AI jest dziś szczególnie intensywnie wdrażana tam, gdzie dostępnych jest dużo danych i łatwo zmierzyć rezultat. W badaniu z 2026 roku zastosowania w obszarze jakości deklarowało 62 proc. respondentów, w produkcji 57 proc., a w logistyce i łańcuchu dostaw 49 proc. To właśnie tam sensory, systemy wizyjne i automatyka dostarczają ogromnych zbiorów informacji nadających się do analizy.

Presję zwiększa także obawa, że konkurencja zacznie korzystać z AI wcześniej. Globalne badanie Parsec obejmujące 1200 przedstawicieli przemysłu wykazało, że 72 proc. producentów wdrożyło już sztuczną inteligencję w jakiejś formie, chociaż tylko 10 proc. zrobiło to na dużą skalę. Co ciekawe, 60 proc. ankietowanych menedżerów bardziej obawiało się zbyt ostrożnego podejścia do AI niż zbyt agresywnego. Powstaje więc sytuacja, w której firmy kupują narzędzia również po to, żeby nie zostać uznane za technologicznie spóźnione. Problem pojawia się później, gdy pilotaż trzeba zmienić w rozwiązanie działające przez trzy zmiany, w wielu fabrykach i z setkami pracowników o bardzo różnych kompetencjach.

Dlaczego działający pilotaż AI nie oznacza jeszcze sukcesu w całej fabryce?

Pilotaż można przeprowadzić na jednej maszynie, z pomocą dostawcy technologii i grupy najbardziej zaangażowanych pracowników. Skalowanie wygląda zupełnie inaczej. System musi działać na urządzeniach różnych producentów, wykorzystywać dane zapisane w innych formatach i dostarczać podobną jakość rekomendacji niezależnie od zakładu. Deloitte opisuje właśnie taką lukę pomiędzy wartością i skalą: większość firm potrafi już znaleźć użyteczne przypadki zastosowania AI, ale znacznie mniej organizacji posiada procedury pozwalające powtórzyć sukces na kolejnej linii. To dlatego jedynie około jednej piątej przypadków użycia osiąga pełną skalę, mimo że zdecydowana większość respondentów widzi już mierzalne korzyści.

Na tym etapie ujawniają się również problemy, których nie było w prezentacji pilotażowej. Według badania Augury 47 proc. producentów uważa jakość danych za największą barierę osiągania dojrzałości AI, 43 proc. wskazuje problemy procesowe i operacyjne, a 39 proc. brak potwierdzonej wartości lub jasno określonego zastosowania. Paradoksalnie najbardziej zaawansowane firmy często zaczynają dostrzegać więcej problemów z danymi, ponieważ dopiero skalowanie ujawnia różnice pomiędzy systemami i zakładami. AI może więc być technicznie gotowa, ale jeśli jedna fabryka inaczej opisuje awarie niż druga, model otrzymuje dane, których nie można bezpośrednio porównać.

Dlaczego brak kompetencji pracowników staje się jednym z największych ograniczeń AI w produkcji?

System przemysłowy nie tworzy wartości tylko dlatego, że poprawnie wykrył anomalię. Ktoś musi jeszcze zrozumieć komunikat, ocenić jego wiarygodność i podjąć właściwą decyzję. Technik utrzymania ruchu powinien wiedzieć, czy rekomendacja rzeczywiście wskazuje na zużycie łożyska, operator musi rozumieć konsekwencje zmiany parametrów procesu, a kierownik powinien potrafić ocenić, czy wynik modelu uzasadnia zatrzymanie linii. Cisco w badaniu ponad 350 przedstawicieli produkcji z 19 krajów stwierdziło, że 38 proc. respondentów uważa brak wykwalifikowanych pracowników za jedną z największych przeszkód we wdrażaniu przemysłowej AI. Wyżej znalazły się jedynie obawy dotyczące cyberbezpieczeństwa.

Podobny problem widać w brytyjskim przemyśle. Raport Make UK z czerwca 2026 roku wskazuje, że ponad połowa producentów wymienia braki kompetencyjne jako główną barierę adopcji AI. Jednocześnie tylko 2 proc. firm deklarowało szerokie osadzenie technologii w działalności przedsiębiorstwa. Zastosowania na hali nadal były znacznie rzadsze niż w administracji: 11 proc. badanych używało AI w produkcji, 7 proc. w łańcuchu dostaw, a 6 proc. w kontroli jakości, podczas gdy zastosowania w HR, finansach i administracji były zdecydowanie częstsze. Pokazuje to, że wykorzystanie generatywnego narzędzia w biurze jest znacznie łatwiejsze niż włączenie AI do procesu, od którego zależy jakość fizycznego produktu.

Dlaczego zwykłe szkolenie z obsługi AI może nie wystarczyć pracownikowi fabryki?

W produkcji nie chodzi wyłącznie o nauczenie pracownika, gdzie kliknąć. Operator czy technik musi rozumieć zarówno proces przemysłowy, jak i ograniczenia narzędzia. Powinien wiedzieć, kiedy rekomendacji można zaufać, jakie dane wpływają na wynik i kiedy należy ją zakwestionować. To szczególnie ważne w środowisku, w którym błędna decyzja może prowadzić do zatrzymania linii, uszkodzenia sprzętu albo wyprodukowania tysięcy wadliwych elementów. Dlatego kompetencje przyszłej fabryki będą coraz częściej hybrydowe. Sam specjalista AI bez wiedzy procesowej może nie rozumieć realiów produkcji, a doświadczony operator bez podstaw analizy danych może nie wykorzystać pełnych możliwości systemu.

Badanie opisane przez Harvard Business Review pokazuje, że pracownicy wyraźnie odczuwają niedostatki obecnego modelu wdrażania nowych technologii. W siedmiotygodniowym badaniu 85 pracowników pierwszej linii z sześciu branż w Australii, Wielkiej Brytanii i USA ponad trzy czwarte uczestników deklarowało niezadowolenie ze szkolenia związanego z nowymi technologiami, w tym AI. Wielu nie wiedziało również, jak zmieni się ich rola. Autorzy wskazują, że najlepsze rezultaty osiągają producenci, którzy projektują AI razem z pracownikami, zamiast przekazywać im gotowy system dopiero po zakończeniu projektu. Zaufanie okazuje się częścią wdrożenia technicznego, a nie miękkim dodatkiem po jego zakończeniu.

Czy pracownicy fabryk rzeczywiście boją się sztucznej inteligencji?

Obawy istnieją, ale dane pokazują, że zwykły opór przed AI może być mniejszym problemem, niż firmy zakładały kilka lat temu. Raport Manufacturers Alliance Foundation i Roland Berger wskazuje, że w badaniu z 2024 roku 66 proc. przedsiębiorstw uznawało naturalną obawę pracowników przed zastąpieniem przez AI za znaczącą przeszkodę. W 2026 roku podobny problem wskazywało już tylko 10 proc. firm. Jednocześnie producenci mocniej koncentrują się na rozwijaniu umiejętności obecnej kadry. Aż 78 proc. badanych organizacji deklarowało programy upskillingu i szkoleń dotyczących technologii AI, a 47 proc. korzystało z wymiany wiedzy pomiędzy pracownikami.

To nie znaczy, że niepewność zniknęła. Pracownik może zaakceptować używanie AI, a jednocześnie obawiać się, że technologia zostanie wykorzystana do oceny jego wydajności albo późniejszego zmniejszenia zatrudnienia. Wspomniane badanie pracowników pierwszej linii pokazało głęboki brak zaufania zarówno do narzędzi, jak i sposobu ich wdrażania przez organizacje. Problem można więc łatwo pogłębić, jeśli firma komunikuje AI wyłącznie jako projekt oszczędnościowy. Znacznie łatwiej uzyskać zaangażowanie wtedy, gdy pracownik widzi konkretną korzyść: mniej niespodziewanych awarii, szybsze rozwiązywanie problemów, łatwiejszy dostęp do instrukcji albo ograniczenie monotonnych czynności.

Czy AI w fabrykach zabierze ludziom pracę, czy przede wszystkim zmieni ich obowiązki?

Na razie dane nie wspierają prostego scenariusza, w którym wdrożenie AI automatycznie oznacza masowe zwolnienia. W majowym badaniu Dallas Fed 56,8 proc. ankietowanych producentów z Teksasu deklarowało już korzystanie z AI, podczas gdy jeszcze w kwietniu 2024 roku było to 28,2 proc. Większość zastosowań pozostawała jednak ograniczona do pilotażu lub niewielkiej części pracowników. Jednocześnie 70 proc. producentów korzystających z AI deklarowało wzrost produktywności pracowników wykorzystujących te narzędzia. Wpływ na zatrudnienie pozostawał zdecydowanie bardziej złożony i często sprowadzał się do zmiany rodzaju wykonywanych zadań zamiast prostego usuwania całych stanowisk.

World Economic Forum szacuje, że w nadchodzącej dekadzie zmieni się charakter około trzech czwartych stanowisk przemysłowych. Pracownicy mają częściej nadzorować systemy wspierane AI i podejmować decyzje dotyczące ich działania, zamiast wykonywać wszystkie czynności samodzielnie. To może oznaczać, że technik będzie mniej czasu poświęcał na rutynowe inspekcje, a więcej na interpretację diagnostyki i planowanie napraw. Operator będzie nadal odpowiadał za linię, ale część optymalizacji wykona algorytm. Wartością człowieka staje się wtedy wiedza procesowa, ocena wyjątkowych sytuacji i odpowiedzialność za decyzję, której model nie powinien podejmować samodzielnie.

Dlaczego doświadczeni pracownicy mogą być ważniejsi dla AI niż młodzi specjaliści od nowych technologii?

Fabryki posiadają ogromną ilość wiedzy, której nie zapisano w żadnej bazie danych. Doświadczony operator wie, że konkretny dźwięk maszyny zapowiada problem, technik rozpoznaje charakterystyczne drganie, a technolog pamięta, że określony materiał zachowuje się inaczej przy wysokiej wilgotności. Jest to wiedza ukryta, zdobywana przez lata pracy. System AI może jej nie posiadać, jeśli wcześniej nikt jej nie zarejestrował. Dlatego odejście doświadczonych pracowników bez wcześniejszego przejęcia ich wiedzy może być dla cyfryzującej się fabryki szczególnie bolesne. AI potrzebuje bowiem nie tylko danych z sensorów, ale także kontekstu mówiącego, co te dane oznaczają.

Producenci zaczynają właśnie dlatego inwestować w rozwijanie obecnych zespołów zamiast budować transformację wyłącznie poprzez rekrutację nowych informatyków. W badaniu Manufacturers Alliance przedstawiciele firm podkreślali, że chcą zwiększać kompetencje aktualnych pracowników, ponieważ posiadają oni głęboką wiedzę o procesach przedsiębiorstwa. Raport opisuje też zmianę podejścia do AI jako transformacji, w której technologia stanowi tylko część sukcesu. Firmy próbują łączyć doświadczenie operacyjne pracowników z nowymi narzędziami, zamiast traktować oba zasoby jako konkurencyjne. To może być szczególnie ważne w obliczu starzenia się przemysłowej kadry.

Dlaczego kupienie AI bez zmiany procesu może nie poprawić wyników fabryki?

Najlepszy system predykcyjny nie pomoże, jeśli organizacja nadal działa według starego schematu. Załóżmy, że AI wykrywa rosnące prawdopodobieństwo awarii pompy na trzy tygodnie przed zatrzymaniem. Jeżeli dział utrzymania ruchu nie ma procedury pozwalającej zaplanować naprawę na podstawie takiej informacji albo menedżer nadal czeka na fizyczne objawy usterki, technologia nie przyniesie oczekiwanej wartości. Nowy model zostaje wtedy po prostu nałożony na stary sposób działania. To właśnie dlatego eksperci coraz częściej mówią o zdolności organizacji do absorbowania technologii, a nie wyłącznie o jej zakupie.

Dane Augury dobrze pokazują tę różnicę. Predykcyjne utrzymanie ruchu jest już wdrażane przez 57 proc. respondentów, a udział firm skalujących AI w wielu zakładach szybko rośnie. Jednocześnie procesowe i operacyjne przeszkody wskazuje 43 proc. producentów. Oznacza to, że kolejny etap transformacji będzie wymagał przebudowy procedur, zakresów odpowiedzialności i sposobu podejmowania decyzji. AI musi zostać umieszczona w konkretnym momencie procesu: kto otrzymuje alert, kto go weryfikuje, kto podejmuje decyzję i jak wynik trafia z powrotem do systemu. Bez tego nawet bardzo dobry model pozostaje drogim źródłem rekomendacji, których nikt konsekwentnie nie wykorzystuje.

Jak firmy powinny szkolić pracowników, żeby inwestycje w AI zaczęły się zwracać?

Najskuteczniejsze szkolenie powinno zaczynać się od konkretnego stanowiska, a nie od ogólnego kursu "czym jest sztuczna inteligencja". Technik utrzymania ruchu potrzebuje innych umiejętności niż kontroler jakości, planista produkcji czy kierownik zakładu. Pierwszy powinien nauczyć się interpretować diagnozy dotyczące maszyn, drugi pracować z systemami computer vision, a trzeci rozumieć, kiedy rekomendacja modelu może wpływać na harmonogram całej produkcji. Warto również uczyć ograniczeń AI: błędów, niepewności, jakości danych i sytuacji, w których człowiek powinien przejąć pełną kontrolę. Samo szkolenie z obsługi interfejsu jest za mało, jeśli pracownik nie wie, dlaczego system podał konkretną rekomendację.

World Economic Forum wskazuje trzy powtarzające się elementy działań liderów przemysłowych: planowanie przyszłych potrzeb kadrowych, rozwój kompetencji AI oraz budowanie ścieżek pozwalających ludziom przechodzić do bardziej technicznych ról. Manufacturers Alliance pokazuje natomiast szerokie wykorzystanie szkoleń, peer learningu, analizy luk kompetencyjnych i mobilności wewnętrznej. Wspólny mianownik jest prosty: nauka nie może odbywać się wyłącznie przed wdrożeniem. W fabryce korzystającej z szybko zmieniających się modeli i narzędzi szkolenie staje się procesem ciągłym, podobnie jak utrzymanie samej infrastruktury technicznej.

Czy prawdziwy wyścig o przemysłową AI stanie się wyścigiem o ludzi?

Coraz więcej danych wskazuje, że właśnie tak może wyglądać następny etap. Dostęp do modeli AI będzie się stopniowo demokratyzował. Więcej dostawców będzie oferowało podobne systemy predykcyjne, narzędzia generatywne i agentów przemysłowych. Sama licencja nie będzie więc długo stanowiła wyjątkowej przewagi. Różnica pojawi się w tym, czy przedsiębiorstwo potrafi połączyć AI z dobrymi danymi, procesem i pracownikami rozumiejącymi zarówno produkcję, jak i możliwości systemu. Deloitte podsumowuje ten problem wyjątkowo wyraźnie: dzisiaj przewaga przesuwa się od firm posiadających najwięcej pilotaży do tych, które potrafią powtarzalnie skalować działające rozwiązania.

Dlatego stwierdzenie, że problemem "nie jest technologia, lecz pracownicy", warto nieco skorygować. Pracownik nie jest przeszkodą, którą trzeba usunąć z procesu. Znacznie częściej problemem jest firma, która kupuje AI, ale nie daje ludziom czasu, wiedzy, odpowiedzialności i narzędzi potrzebnych do jej wykorzystania. Badania z 2026 roku pokazują jednocześnie szybki wzrost inwestycji i powtarzające się bariery dotyczące kompetencji, danych oraz organizacji. Fabryka przyszłości nie będzie więc najprawdopodobniej zakładem bez ludzi. Będzie zakładem, w którym człowiek bez umiejętności pracy z AI i AI pozbawiona wiedzy doświadczonego człowieka okażą się równie niepełnymi elementami tego samego systemu.