Polskie zakłady chcą inwestować w AI, ale z niej korzysta tylko kilka procent firm. Problemem nie jest sam algorytm, tylko pieniądze, dane i automatyka. Co zrobić, żeby pierwszy projekt AI w fabryce miał sens.
Duże plany, mała skala
Polski przemysł deklaruje zainteresowanie sztuczną inteligencją, ale liczby pokazują wyraźny rozdźwięk między planami a rzeczywistością. Według raportu ABB Trends 2026/2027 (badanie IQS na 146 firmach przemysłowych) AI jako priorytet inwestycyjny na najbliższe trzy lata wskazuje 34% firm, a jednocześnie AI i uczenie maszynowe stosuje dziś zaledwie 6% z nich (za: ITwiz).
Podobny obraz daje Eurostat: w 2025 r. AI wykorzystywało 8,4% polskich przedsiębiorstw, wobec 20% średnio w Unii Europejskiej. Różnica między firmami małymi (5,8%) a dużymi (45,8%) jest ogromna (za: ITwiz).
Z perspektywy kogoś, kto od ponad 20 lat odpowiada za IT w firmach produkcyjnych, te liczby nie dziwią. AI w fabryce nie zaczyna się od modelu językowego. Zaczyna się od czujnika, sterownika i danych, które da się wiarygodnie odczytać.
Fundament, którego często brakuje
Ten sam raport ABB pokazuje, z jakiego poziomu startują polskie zakłady:
| Technologia | Odsetek firm, które ją stosują |
|---|---|
| Systemy SCADA/DCS | 49% |
| Zdalny monitoring i diagnostyka | 45% |
| Predykcyjne utrzymanie ruchu | 28% |
| Przemysłowy internet rzeczy (IIoT) | 18% |
| Cyfrowe bliźniaki | 7% |
| AI i uczenie maszynowe | 6% |
Źródło: ABB Trends 2026/2027, za: ITwiz.
Co piąta firma produkcyjna ocenia swoją automatyzację jako minimalną, a prawie co trzecia jako niską. Bez automatyki i systemów, które zbierają dane z linii, nie ma czego analizować — ani klasycznymi metodami, ani AI.
Dane EY są jeszcze bardziej wymowne: 77% średnich i dużych firm planuje zwiększyć wydatki na AI w ciągu 18 miesięcy, ale tylko 9% ma kompletną infrastrukturę danych (za: ITwiz).
Trzy prawdziwe bariery
Pieniądze
Ograniczony budżet to według ABB największa przeszkoda — wskazuje ją połowa firm. Badanie EIBIS Europejskiego Banku Inwestycyjnego pokazuje też, że polskie firmy finansują inwestycje głównie z własnych środków (74%, przy średniej unijnej 66%), a większość nakładów wciąż trafia w budynki, maszyny i wyposażenie (za: ITwiz). W takiej strukturze projekt AI musi konkurować z nową linią produkcyjną — i zwykle przegrywa, jeśli nie ma jasnego uzasadnienia biznesowego.
Dane
Według Deloitte 30% firm wskazuje problemy z dostępnością i jakością danych (za: ITwiz). W praktyce oznacza to dane rozproszone między sterownikami, systemem MES, ERP i arkuszami kalkulacyjnymi, zapisywane w różnych formatach, z różną częstotliwością i bez wspólnych identyfikatorów maszyn czy partii produkcyjnych.
Ludzie
Brak kompetencji wskazuje 35% firm w badaniu Deloitte, a dostępność wykwalifikowanych pracowników jako barierę inwestycyjną — aż 81% firm w badaniu EIBIS (za: ITwiz). AI w przemyśle wymaga ludzi, którzy rozumieją jednocześnie technologię i proces produkcyjny. Takich osób na rynku jest mało.
Gdzie AI w fabryce daje wartość już dziś
Najbardziej dojrzałe zastosowania nie są spektakularne, ale dają mierzalny efekt:
- przewidywanie awarii i predykcyjne utrzymanie ruchu — serwis maszyny zanim stanie linia,
- wykrywanie anomalii w parametrach procesu, zużyciu energii czy jakości produktu,
- optymalizacja procesu — ustawień maszyn, harmonogramów i zużycia surowców,
- kontrola jakości z wizją maszynową — wykrywanie wad na linii.
Deloitte zauważa, że 84% producentów osiąga mierzalną wartość operacyjną z AI, ale tylko mniej więcej jedna piąta wdrożeń jest skalowana na całe przedsiębiorstwo lub wiele zakładów (za: ITwiz). To typowy obraz: pilotaż się udaje, a potem utyka.
Jak zacząć, żeby nie skończyć na pilotażu
Zgadzam się z tezą Marka Sulewskiego z ABB, przytoczoną przez ITwiz: dziś największym wyzwaniem nie jest sama AI, tylko efektywne wykorzystanie danych, które firmy już mają. Z mojego doświadczenia najlepiej sprawdza się kolejność:
- Zacznij od problemu, nie od technologii. Konkretny, policzalny cel: mniej nieplanowanych przestojów na jednej linii, mniej reklamacji jakościowych, niższe zużycie energii w jednym procesie.
- Sprawdź, jakie dane już masz. Często w SCADA, MES i ERP jest więcej informacji, niż się wydaje — tylko nikt ich nie połączył.
- Uporządkuj fundament. Wspólne identyfikatory maszyn i partii, synchronizacja czasu, jedno miejsce gromadzenia danych. To nudna praca, ale bez niej żaden model nie będzie wiarygodny.
- Pilotaż z miernikiem sukcesu. Zanim projekt ruszy, ustal, po czym poznasz, że się udał — i ile musi przynieść, żeby skalować go na kolejne linie.
- Planuj skalowanie od początku. Rozwiązanie, które działa na jednej maszynie dzięki ręcznym poprawkom, nie przeniesie się na cały zakład.
- Połącz IT z utrzymaniem ruchu i technologami. Projekty AI w fabryce udają się wtedy, gdy przy jednym stole siedzą ludzie od danych i ludzie od procesu.
- Pamiętaj o bezpieczeństwie. Podłączanie maszyn do sieci i chmury otwiera nowe wektory ataku. Wiele firm produkcyjnych podlega też nowym wymaganiom ustawy o KSC wdrażającej NIS2 — pisałem o tym w artykule NIS2 w średniej firmie: od czego zacząć.
Podsumowanie
Polski przemysł nie ma problemu z chęcią korzystania z AI. Ma problem z fundamentami: automatyką, danymi, kompetencjami i finansowaniem. Dobra wiadomość jest taka, że każdy z tych fundamentów daje wartość sam w sobie — lepsze dane i automatyka poprawiają produkcję niezależnie od tego, czy kiedyś pojawi się na nich model AI. Firmy, które teraz uporządkują dane i procesy, za dwa–trzy lata będą mogły wdrażać AI szybciej i taniej niż konkurencja.
Źródła
- Polski przemysł chce AI, ale brakuje mu pieniędzy i danych — ITwiz, 8.10.2026 — za tym artykułem przytoczono dane z raportów: ABB Trends 2026/2027 (IQS, CAWI, 146 firm przemysłowych), EY „Jak polskie firmy wdrażają AI?”, Eurostat (2025), Deloitte oraz EIBIS 2025 (Europejski Bank Inwestycyjny).
✦ Ten tekst przygotował agent AI. Przed publikacją przeszedł recenzję autora.