Wdrożenie AI w firmie produkcyjnej: plan krok po kroku
Wdrożenie AI w firmie produkcyjnej nie zaczyna się od zakupu licencji, tylko od wyboru jednego procesu, który pochłania najwięcej ręcznej roboty. W praktyce dobrze zaplanowane wdrożenie AI wygląda tak: jeden proces, dane, które już masz, proof-of-concept w 2–4 tygodnie i pilotaż z mierzalnym efektem. Poniżej cały plan krok po kroku — na przykładzie trzech realnych wdrożeń z polskich zakładów: wycen w kuźni, bazy wiedzy RAG i agenta w biurze.
Spis treści
Od czego zacząć wdrożenie AI w firmie produkcyjnej?
Najkrótsza odpowiedź: od jednego procesu i danych, które już masz. Nie potrzebujesz strategii na pięćdziesiąt stron ani komitetu sterującego — potrzebujesz miejsca, w którym ludzie codziennie tracą godziny na powtarzalną pracę. W zakładach, z którymi pracuję, były to wyceny, szukanie w dokumentacji i drobne czynności biurowe.
Skalę tej szansy widać w liczbach. Według Eurostatu z AI korzysta dopiero 8,4% polskich firm przy średniej unijnej blisko 20%, a w samym przetwórstwie przemysłowym odsetek wynosi 7,8% (GUS, 2025). Dlatego dobrze poprowadzone wdrożenie AI wciąż daje realną przewagę nad konkurencją, która czeka.
Krok 1. Wybierz proces, w którym wdrożenie AI zwróci się najszybciej
Dobry proces na start spełnia cztery warunki. Jest powtarzalny, czyli dzieje się codziennie albo co tydzień. Zostawia ślad w danych: historię ofert, zgłoszenia, maile, skany. Jego efekt da się zmierzyć w godzinach albo złotówkach. Wreszcie błąd nie jest katastrofą, bo wynik i tak zatwierdza człowiek. W zakładach produkcyjnych te warunki najczęściej spełniają:
- wyceny i ofertowanie — wieloletnia historia ofert to gotowy materiał do nauki modelu;
- pytania o dokumentację — DTR-ki, instrukcje i historia serwisowa w jednym miejscu;
- powtarzalne czynności biurowe — zgłoszenia awarii, raporty zmianowe, korespondencja z dostawcami.
Krok 2. Przygotuj dane — wystarczą Excel, PDF-y i maile
Najczęstszy mit brzmi: „najpierw musimy uporządkować dane”. Tymczasem modele językowe radzą sobie z dokumentami w takiej formie, w jakiej są: PDF-y, skany, arkusze, skrzynki mailowe. Na przykład w kuźni, dla której budowałem system wycen, punktem wyjścia był Excel z historią ofert i katalog rysunków. Nie planuj więc rocznego projektu porządkowania danych — to najprostszy sposób, żeby projekt umarł przed startem.
Krok 3. Proof-of-concept, czyli wdrożenie AI na próbę
Proof-of-concept trwa 2–4 tygodnie i opiera się na danych historycznych. Zasada jest prosta: zanim wydasz budżet na cały system, sprawdzasz na próbce, czy AI daje wynik nadający się do pracy. Na przykład przy wycenach porównuje się ceny proponowane przez model z cenami, które faktycznie wysłano klientom. W efekcie decyzja „wchodzimy albo nie” opiera się na liczbach, a nie na prezentacji handlowca.
Krok 4. Pilotaż na hali i mierzenie efektów
Po udanym proof-of-concept system trafia do codziennej pracy — ale pod nadzorem człowieka. Każdą wycenę, odpowiedź czy zgłoszenie ktoś zatwierdza, dopóki zaufanie nie urośnie. Jednocześnie mierzysz te same wskaźniki co przed startem: czas przygotowania oferty, liczbę pytań do technologa, godziny spędzone na raportach. Pełny pilotaż zamyka się zwykle w jeden kwartał.
Trzy realne przykłady z polskich zakładów
Co ważne, wszystkie trzy poniższe systemy zbudowałem w RS Mobile w modelu on-premise. Modele językowe (Bielik 11B v3, Qwen 3.8) działają na serwerze w zakładzie, dlatego wyceny, technologia i korespondencja nie wychodzą poza firmę.
Wyceny: AI proponuje cenę na bazie historii ofert
Śląska kuźnia automotive skróciła przygotowanie oferty z 2–5 dni do kilku godzin. System znajduje podobne wyceny z przeszłości, proponuje cenę i pisze uzasadnienie po polsku. Całe wdrożenie opisuję we wpisie o AI w ofertowaniu.
Dokumentacja: chatbot RAG odpowiada z DTR-ek i historii serwisowej
Pracownik pyta po polsku, a odpowiedź powstaje wyłącznie z firmowych dokumentów — z podanym źródłem. Architekturę i koszty takiego systemu rozbieram we wpisie o prywatnym ChatGPT dla firmy.
Biuro i hala: agent AI sam zakłada zgłoszenia w CMMS
Trzeci poziom to agent, który nie tylko odpowiada, ale działa: zakłada zgłoszenie awarii, dopisuje wiersz do arkusza, odpisuje na WhatsAppie. Czym różni się od zwykłego chatbota — piszę we wpisie o agencie AI dla firmy produkcyjnej.
Ile kosztuje wdrożenie AI w firmie produkcyjnej?
Realne budżety z moich wdrożeń: proof-of-concept to 10–25 tys. zł netto, chatbot RAG z bazą wiedzy 30–60 tys. zł, a system wycen albo agent z integracjami 40–120 tys. zł. Do tego dochodzi utrzymanie — zwykle tylko 1–2 tys. zł miesięcznie, bo przy lokalnym modelu nie płacisz za tokeny. Widełki obejmują prace wdrożeniowe; serwer pod lokalny model to osobny, jednorazowy wydatek 15–35 tys. zł.
Rozbicie tych kwot na pozycje faktury — dane, integracje, testy i utrzymanie — opisuję osobno we wpisie o tym, z czego składa się koszt wdrożenia AI w firmie produkcyjnej.
| Etap / system | Zakres | Budżet netto | Czas |
|---|---|---|---|
| Proof-of-concept | jeden proces, dane historyczne | 10–25 tys. zł | 2–4 tyg. |
| Chatbot RAG z bazą wiedzy | dokumentacja, historia serwisowa | 30–60 tys. zł | 1–2 mies. |
| System wycen AI | historia ofert, uzasadnienia po polsku | 40–120 tys. zł | 2–3 mies. |
| Agent AI z integracjami | CMMS, arkusze, WhatsApp | 50–120 tys. zł | kwartał |
Dotacje: wdrożenie AI nawet o połowę taniej (Dig.IT)
Najbliższa okazja to Dig.IT — program ARP dla produkcyjnych MŚP: granty 150–850 tys. zł i dofinansowanie do 50% kosztów netto. Zlecone prace programistyczne są przy tym wprost kosztem kwalifikowalnym. Drugi nabór (konkurs 2/2026) trwa od 2 do 30 listopada 2026 r., ale ARP może go skrócić przy dużym zainteresowaniu. Dlatego wniosek warto mieć policzony i gotowy przed startem. Natomiast Pilotaż AI PARP (grant do 300 tys. zł, do 70% kosztów) zakończył nabór 16 grudnia 2025 r., a kolejnej edycji PARP dotąd nie ogłosiła.
Minimalny grant Dig.IT wynosi jednak 150 tys. zł, więc przy 50% dofinansowania projekt zaczyna się od ok. 300 tys. zł netto. W efekcie wdrożenie AI najlepiej zaplanować jako część szerszego projektu cyfryzacji. Co najmniej połowę kosztów firma pokrywa przy tym sama.
Trzy błędy, przez które projekty AI umierają
- roczny projekt „porządkowania danych” zamiast proof-of-concept na danych, jakie są — entuzjazm kończy się przed pierwszym efektem;
- dziesięć procesów naraz zamiast jednego — budżet się rozmywa, natomiast żaden obszar nie dostaje wyniku, którym można się obronić przed zarządem;
- brak pomiaru — nikt nie zapisał, ile godzin zajmowały wyceny przed startem, więc po pilotażu nie da się udowodnić oszczędności.
FAQ — wdrożenie AI w firmie produkcyjnej
Ile trwa wdrożenie AI w firmie produkcyjnej? Proof-of-concept 2–4 tygodnie, pilotaż z integracjami zwykle jeden kwartał. Dłuższe harmonogramy to najczęściej znak, że projekt objął za dużo procesów naraz.
Czy wdrożenie AI wymaga własnego działu IT? Nie. Zakłady, z którymi pracuję, zwykle takiego działu nie mają — administrację przejmuje wykonawca, a serwer stoi w zakładzie.
Czy dane produkcyjne trafiają do chmury? Nie muszą. Lokalne modele językowe uruchamiane przez Ollamę działają w całości na serwerze firmy, dlatego zgodność z RODO jest prostsza do wykazania.
Od jakiej wielkości firmy wdrożenie AI ma sens? Już od kilkunastu osób. O opłacalności decyduje nie wielkość firmy, tylko liczba godzin powtarzalnej pracy w wybranym procesie.
Podsumowanie
Wdrożenie AI w firmie produkcyjnej to sekwencja: jeden proces, dane, które już masz, proof-of-concept i pilotaż z pomiarem — a nie wielki projekt IT na lata. W RS Mobile prowadzę takie wdrożenia od proof-of-concept po utrzymanie, a gdy dane są poufne — na serwerze klienta i na lokalnych modelach językowych. Jeśli chcesz sprawdzić, który proces u Ciebie nadaje się na start — napisz do mnie przez formularz wyceny.
