Przemysł 4.0 i optymalizacja produkcji - Blog Nexelem

Od Excela do automatycznego harmonogramowania: wdrożenie Nexelem APS w Tricogen, etap pierwszy

Wojciech Szywalski — Mon, 05 Oct 2026 00:00:00 GMT

Tricogen produkuje szeroką gamę wyrobów na bazie nadtlenku wodoru, kosmetyków do włosów, kosmetyków i produktów do pielęgnacji osobistej, zarówno na rynek profesjonalny (salony fryzjerskie), jak i detaliczny. Zakład w Newton Aycliffe w hrabstwie Durham, na północnym wschodzie Anglii, może wyprodukować do 6 mln butelek rocznie.

Planowanie produkcji opiera się na chmurowym systemie MRP i zestawie rozbudowanych arkuszy Excela, które co tydzień przelicza doświadczona osoba odpowiedzialna za planowanie produkcji. Harmonogram musi jednocześnie uwzględnić dostępność materiałów, pojemność zbiorników i magazynu półproduktów, przezbrojenia, dostępność pracowników oraz terminy klientów.

Ten układ, oparty na MRP, Excelu i wiedzy planisty o zakładzie, od lat wspiera rozwój firmy. Sprawdzenie harmonogramu względem stanów materiałowych, mocy produkcyjnych i dostępnej obsady to jednak praca wykonywana ręcznie, a nie coś, co system robi sam. Tymczasem liczba rzeczy do skoordynowania szybko rośnie: produkcja masy, magazynowanie międzyoperacyjne, konfekcjonowanie, ludzie, surowce i popyt klientów w kilku kategoriach produktowych naraz.

Tricogen postanowił usprawnić planowanie i harmonogramowanie produkcji, żeby lepiej wspierać decyzje, wzrost firmy i zwiększanie wolumenów.

Razem z VirtusLab firma zakończyła pierwszy etap wdrożenia Nexelem APS: działający prototyp, który potwierdził integrację z MRP i logikę harmonogramowania, zanim powstanie pełny, dedykowany system.

Spis treści:

Tricogen i skala wyzwania planistycznego
Jak wygląda planowanie dziś
Etap pierwszy: najpierw integracja, potem pełny system
Co dał etap pierwszy
Co przyniesie etap drugi
FAQ

Tricogen i skala wyzwania planistycznego

Firma: Tricogen Laboratories Ltd, brytyjski producent wyrobów na bazie nadtlenku wodoru, kosmetyków do włosów, kosmetyków i produktów do pielęgnacji osobistej na rynek profesjonalny i detaliczny.
Lokalizacja: Newton Aycliffe, hrabstwo Durham, Wielka Brytania.
Zakres projektu: prototyp Nexelem APS i projekt interfejsu, podłączone do kopii roboczej chmurowego systemu MRP używanego w Tricogen.
Problem: harmonogram składany ręcznie w kilku tygodniowych arkuszach, dostępność materiałów i moce sprawdzane ręcznie zamiast w jednym, aktualnym widoku.
Rozwiązanie (etap pierwszy): proof of concept (PoC) i makieta interfejsu w Figmie; potwierdzenie, że zlecenia produkcyjne, receptury i terminy mogą automatycznie przepływać między MRP a Nexelem.
Status: wykonalność integracji potwierdzona, etap drugi, czyli budowa pełnego APS, zaplanowany jako kolejny krok.

Tricogen produkuje w modelu dwuetapowym. Najpierw powstaje masa (bulk), czyli baza lub szarża, a potem następuje mieszanie, butelkowanie i konfekcjonowanie. Łączne moce produkcyjne wszystkich linii rozlewniczych i konfekcjonujących to około 130 000 sztuk tygodniowo. Każda rodzina produktów (utleniacze, kremy, balsamy, produkty do stylizacji) wymaga własnego zbiornika lub miejsca na szarżę między oboma etapami.

Planowanie obejmuje kroczący horyzont 12 tygodni i dodatkowy sześciotygodniowy widok „pipeline". Dla producenta chemii i kosmetyków to nic nadzwyczajnego. Trudność leży gdzie indziej: w tym, ile trzeba skoordynować jednocześnie i w ilu kategoriach produktowych. Produkcja masy i potrzebny do niej magazyn międzyoperacyjny, konfekcjonowanie, dostępność surowców, ludzie i ich kompetencje na zmianie, czasy przezbrojeń, a do tego popyt klientów, który trzeba obsłużyć niezależnie od reszty zamówień. Każdy z tych czynników zmienia się niezależnie od pozostałych. Utrzymanie ich w równowadze tydzień po tygodniu, z dokładnością, na jakiej pracuje taki zakład, to dokładnie ten problem, do którego rozwiązywania powstały systemy APS.

Jak wygląda planowanie dziś

Tygodnia w Tricogen nie wyznacza jedno wąskie gardło. Linie mogą pracować w trybie ciągłym, więc dostępność ludzi i ich kompetencje mają duże znaczenie, ale tak samo ważne są materiały, zbiorniki między produkcją masy a konfekcjonowaniem, czasy przezbrojeń i terminy, w które musi się zmieścić każdy harmonogram. Kolejność korzystna dla jednego ograniczenia potrafi stworzyć problem przy innym. Dlatego tak duża część planu opiera się na doświadczeniu i znajomości zakładu osoby, która go układa.

Tę wiedzę przekłada się na Excela: jeden arkusz na każdy tydzień harmonogramu i osobny z czasami realizacji zleceń, w którym podobne zlecenia grupuje się ręcznie, żeby ograniczyć liczbę przezbrojeń. Chmurowy MRP generuje własny wynik, ale służy on do kontroli krzyżowej, a nie jako punkt wyjścia planu. Zapotrzebowanie materiałowe wylicza się z harmonogramu i ręcznie weryfikuje z magazynem.

Ten sposób pracy sprawdza się od wielu lat. Jego koszt to czas i widoczność. Każda weryfikacja jest ręczna: czy materiał będzie na miejscu, kiedy ruszy szarża; czy osoby rozpisane na zmianę mają kompetencje wymagane przy danym zadaniu; czy zmiana kolejności, która oszczędza jedno przezbrojenie, nie spowoduje konfliktu o zbiornik kilka dni później. Większe przezbrojenia planuje się zwykle na piątki, co daje tygodniowi naturalny bufor. Ograniczeniem nie jest jakość decyzji, tylko czas potrzebny, żeby je podjąć, oraz ilość ręcznej pracy przy każdej zmianie. Tę lukę ma zamknąć etap drugi: ta sama wiedza planistyczna, ale zastosowana do harmonogramu, który trafia do operatorów już sprawdzony względem aktualnych danych.

Jeśli w Twoim zakładzie planowanie wygląda podobnie, więcej o tym, jak system MRP różni się od narzędzi harmonogramujących, możesz przeczytać w osobnym artykule.

Etap pierwszy: najpierw integracja, potem pełny system

Zamiast od razu budować całość, Tricogen i VirtusLab postanowili najpierw sprawdzić najbardziej ryzykowną część projektu: czy Nexelem może niezawodnie wymieniać dane z chmurowym systemem MRP, na którego działanie nie mamy bezpośredniego wpływu.

Ustalona w tym etapie metoda integracji wygląda następująco:

Na bazie danych MRP powstaje warstwa hurtowni danych zbudowana z zapytań SQL (widoków).
Widoki odświeżają się na żądanie i są udostępniane przez dedykowane API zabezpieczone kluczem.
Niewielka aplikacja-konektor wywołuje to API i przenosi dane do zewnętrznego schematu, z którego importuje je Nexelem.
Poza oknami odświeżania API jest wyłączone, więc powierzchnia ekspozycji danych pozostaje mała.

Równolegle z technicznym PoC dział planowania Tricogen przeszedł przez makietę przyszłego interfejsu Nexelem w Figmie i zobaczył podwójny widok, który wykorzysta gotowy system (szczegółowy wykres Gantta i tygodniowe podsumowanie), zanim którykolwiek z nich został zaprogramowany. Dzięki temu uwagi i prośby o zmiany pojawiały się na etapie szkicu, a nie jako poprawki po uruchomieniu. W projekcie, w którym przeprojektowuje się codzienną pracę planisty, ma to większe znaczenie, niż mogłoby się wydawać.

Co dał etap pierwszy

Efektem pierwszego etapu nie był harmonogram sterujący produkcją, tylko potwierdzenie, że najtrudniejsze założenia projektu się bronią.

Zlecenia produkcyjne, receptury (BOM) i terminy przeszły z MRP do działającego prototypu Nexelem bez ręcznego przepisywania, od początku do końca.
Wybrana metoda integracji, czyli widoki SQL odświeżane na żądanie po zabezpieczonym API, pasuje do istniejącej infrastruktury IT i polityki bezpieczeństwa Tricogen i nie wymaga budowania nowych.
Praca na makiecie w Figmie pokazała działowi planowania widok Gantta i tygodniowe podsumowanie, zanim ruszyła integracja pełnego systemu, a przy okazji dała konkretną listę zmian na etap drugi: cele dla poszczególnych stanowisk, widok BOM z oznaczeniem braków magazynowych oraz możliwość dodawania komentarzy bezpośrednio na wykresie Gantta.

Dyrektor zarządzający Tricogen, Neil Bagnall, podsumował współpracę w liście referencyjnym (tłumaczenie z angielskiego):

„Przez cały czas współpracy zespół VirtusLab wykazywał się wysokim profesjonalizmem, wiedzą techniczną i szybkością reakcji. Poświęcił czas na zrozumienie naszych wymagań biznesowych i wyzwań operacyjnych, dbając o to, by rozmowy koncentrowały się na praktycznych rozwiązaniach i osiągalnych celach. […] VirtusLab to kompetentna, rzetelna i profesjonalna organizacja, która ceni długoterminowe relacje z klientami i konstruktywnie pracuje nad dostarczaniem wartości."

Co przyniesie etap drugi

Etap pierwszy odpowiedział na pytanie, czy integracja zadziała. W etapie drugim zautomatyzujemy samo planowanie.

Po zakończeniu prac Nexelem będzie pobierał z MRP zlecenia, receptury, terminy i dostępność materiałów, a następnie wyliczał zoptymalizowany harmonogram uwzględniający dostępność ludzi, materiałów i moce produkcyjne, zanim plan trafi do działu planowania. Czas przezbrojenia na start przyjmuje prostą wartość domyślną 30 minut. Przezbrojenie jest traktowane jako zadanie o zerowej ilości z własnym miejscem w harmonogramie. Pełna macierz przezbrojeń to kolejny krok, gdy zbierze się wystarczająco dużo rzeczywistych danych o czasach przestawień.

Każdy harmonogram nadal będzie przeglądany i zatwierdzany przez dział planowania, na tym samym wykresie Gantta i widoku tygodniowym, które sprawdzono na makiecie w Figmie. Różnica polega na tym, że braki materiałowe i konflikty mocy produkcyjnych będą widoczne od razu, a nie odkrywane w trakcie tygodnia. Zatwierdzone harmonogramy będą automatycznie wracać do MRP, co zamknie pętlę, która dziś wymaga ręcznej aktualizacji dat. Tricogen dostanie też analizę scenariuszy what-if: pilne zamówienie albo awarię maszyny będzie można przetestować na aktualnym harmonogramie, zanim ktokolwiek podejmie decyzję, zamiast ratować rozbity plan po fakcie.

To kolejne wdrożenie APS, w którym integracja z istniejącym systemem była punktem wyjścia. Jak wygląda to przy SAP i kilkuset stanowiskach, możesz przeczytać w case study Sanok Rubber Company.

Jeśli Twój zespół planowania składa harmonogram z kilku arkuszy i eksportu z MRP lub ERP, etap pierwszy w Tricogen pokazuje, jak najpierw sprawdzić najbardziej ryzykowne założenia. Możesz zobaczyć, jak Nexelem APS harmonogramuje z uwzględnieniem ograniczeń, albo skontaktować się z nami i porozmawiać o tym, jak mógłby wyglądać podobny PoC dla Twojego systemu.

VirtusLab uruchamia interfejs Nexelem AI. Sztuczna inteligencja analizuje dane produkcyjne bez konieczności wysyłania ich poza fabrykę.

Wojciech Szywalski — Thu, 17 Sep 2026 00:00:00 GMT

W skrócie. Nexelem AI wspiera proces podejmowania decyzji poprzez interpretację danych w szerokim kontekście pracy zakładu. AI wspiera ludzi w podejmowaniu decyzji, a nie zastępuje ich. Rozwiązanie może działać lokalnie, w infrastrukturze klienta, dzięki czemu dane produkcyjne nie muszą być wysyłane do zewnętrznych dostawców modeli.

Branża oprogramowania dokleja dziś słowo „AI” do niemal każdej funkcji, często bez jasnego przełożenia na rzeczywistą wartość dla użytkownika. W Nexelem świadomie wybraliśmy inną drogę.

Nexelem AI nie zastępuje silnika planowania produkcji modelem językowym. Harmonogram nadal tworzy deterministyczny algorytm Nexelem, uwzględniający reguły biznesowe i cele konkretnego zakładu. Rola sztucznej inteligencji zaczyna się dopiero tam, gdzie plan jest już gotowy: wyjaśnia decyzje planistyczne, analizuje dane, wskazuje zależności i pomaga testować alternatywne warianty.

W praktyce oznacza to możliwość „rozmowy z danymi” produkcyjnymi bez budowania z góry zdefiniowanych zapytań, raportów czy dashboardów. Wystarczy opisać, jaka informacja jest potrzebna albo jaka decyzja jest do podjęcia, a model sam przygotuje odpowiednie zapytanie lub widok na podstawie dostępnych danych i kontekstu biznesowego firmy.

Dla działów IT i BI oznacza to również możliwość szybszego tworzenia niestandardowych widoków analitycznych i narzędzi pracujących na tej samej warstwie danych. Bez konieczności każdorazowego tworzenia nowej integracji z systemem MES lub APS oraz niezależnie od dostawcy systemu.

Największa różnica jest jednak odczuwalna wyżej, na poziomie kadry kierowniczej. Zamiast codziennie wracać do dashboardu i samodzielnie śledzić wskaźniki, wystarczy w kilku zdaniach opisać, co chce się sprawdzić, np. czy dana zmiana harmonogramu ma sens, gdzie narasta opóźnienie lub która linia produkcyjna traci najwięcej czasu na przezbrojenia. System sam przygotuje odpowiednią analizę.

AI na produkcji czyli czarna skrzynka nie jest rozwiązaniem

Część dostawców oprogramowania produkcyjnego wykorzystuje dziś modele językowe do generowania lub optymalizacji harmonogramów. Takie podejście ma istotne ograniczenie: modele językowe działają probabilistycznie (czyli opierają się na prawdopodobieństwie, a nie na sztywnych, z góry ustalonych regułach), więc ich odpowiedzi mogą się różnić dla tych samych danych wejściowych.

Na produkcji powtarzalność decyzji ma znaczenie nie tylko operacyjne. Zakład musi umieć wyjaśnić, dlaczego dane zlecenie wykonano w konkretnej kolejności, wykazać sposób podejmowania decyzji podczas audytu, przeanalizować przyczynę opóźnienia.

W Nexelem harmonogram tworzy własny silnik APS, sterowany regułami odzwierciedlającymi cele biznesowe zakładu. Może to być między innymi planowanie just-in-time (JIT), produkcja na zapas czy minimalizacja liczby i czasu przezbrojeń maszyn.

Te same dane wejściowe i te same parametry zawsze prowadzą do tego samego wyniku, niezależnie od tego, ile razy zostanie przeliczony harmonogram.

AI nie zastępuje silnika planistycznego, ale pozwala użytkownikowi zapytać między innymi:

dlaczego dana wersja harmonogramu różni się od poprzedniej,
dlaczego określone zlecenia zostały przypisane do konkretnych maszyn lub gniazd,
gdzie w harmonogramie znajdują się bufory czasowe i potencjalne ryzyka,
kiedy warto przeliczyć plan z innymi parametrami.

Decyzja o uruchomieniu alternatywnej symulacji zawsze należy do planisty. Sztuczna inteligencja pełni rolę asystenta, czyli pomaga przedstawić kontekst oraz przygotować użytkownika do podjęcia decyzji, natomiast nie podejmuje jej za niego.

Z Nexelem AI dane i model mogą pozostać w fabryce

W kontekście Nexelem AI istotne jest to, że wdrażanie sztucznej inteligencji w firmie produkcyjnej nie musi dziś oznaczać oddawania danych komuś na zewnątrz. Dane firmy produkcyjnej zostają na lokalnym serwerze fabryki, na produkcji.

Nexelem AI zaprojektowano tak, by dane produkcyjne w ogóle nie musiały trafiać na zewnątrz do dostawców modeli AI takich jak OpenAI (ChatGPT) czy Anthropic (Claude). Cały „mózg" systemu, czyli mały model językowy klasy GPT-OSS, który analizuje dane i odpowiada na pytania, może działać on-prem, w wewnętrznej sieci klienta.

W takim scenariuszu dane nie opuszczają sieci zakładu, a AI działa wyłącznie na warstwie analitycznej danych.

To rozwiązanie ma jeszcze jedną zaletę: nie wymaga potężnej, kosztownej infrastruktury. Dzięki temu lokalna AI staje się realną opcją także dla średniej wielkości zakładów produkcyjnych, a nie tylko dla największych graczy na rynku.

Dane produkcyjne jako otwarty interfejs

Dane z systemów MES i APS przez lata trafiały przede wszystkim do wcześniej zdefiniowanych raportów i dashboardów przygotowanych przez dostawcę oprogramowania albo budowanych przez integratora na zamówienie klienta.

Nexelem AI to zmienia, otwierając dane firmy dla modeli językowych przez ustandaryzowane „okno" (technicznie: interfejs oparty na Model Context Protocol, w skrócie MCP). Model może te dane wyłącznie czytać i analizować, nie może edytować zleceń, zmieniać harmonogramów ani wprowadzać zmian w systemie produkcyjnym.

Jednocześnie sam dostęp do danych może nie wystarczać do uzyskania użytecznych odpowiedzi. Dlatego po konsultacji z klientem Nexelem może poszerzać wiedzę modelu także o kontekst biznesowy przedsiębiorstwa, czyli “konfigurację firmy” oraz reguły i zależności potrzebne do właściwej interpretacji danych.

Dzięki temu użytkownik może:

rozmawiać z własnymi danymi biznesowymi zamiast szukać odpowiedzi w gotowych widokach,
budować własne dashboardy i narzędzia analityczne na tej samej warstwie danych,
podłączać te dane (z MES i APS) do innych systemów używanych w firmie,
tworzyć analizy i rekomendacje uwzględniające dane oraz kontekst biznesowy firmy.

Ponieważ interfejs działa wyłącznie w trybie odczytu, klient zachowuje również swobodę wyboru modelu wykorzystywanego do reasoningu. Może zastosować model lokalny, działający on-premise, albo, jeśli charakter danych i polityka bezpieczeństwa przedsiębiorstwa na to pozwalają, model chmurowy, np. używany w ChatGPT czy produktach Google.

„Rynek jest dziś zalany funkcjami z dopiskiem AI, które w praktyce niewiele zmieniają. W Nexelem harmonogram nadal liczy nasz własny, deterministyczny algorytm, bo tylko takie podejście daje wynik, który można odtworzyć i sprawdzić. AI dokłada to, czego samemu algorytmowi brakuje — język. Tłumaczy, dlaczego powstał dany plan, i pozwala bez pisania kodu przeanalizować warianty z innymi parametrami. To jest AI, który można audytować, a nie czarna skrzynka, w którą trzeba uwierzyć.”

Krzysztof Sobota, Product Manager, Nexelem

Więcej maszyn, większy problem?

Jednym z obszarów, w których połączenie Nexelem z AI może przełożyć się bezpośrednio na efektywność produkcji, jest analiza kondycji maszyn. Dane zbierane przez IoT, takie jak:

zużycie energii,
wibracje
temperatura,

Dane te mogą być gromadzone i udostępniane modelom AI w ustandaryzowanej formie.

Dzięki temu AI może analizować jednocześnie dużą liczbę parametrów i maszyn, wyszukiwać wzorce oraz odchylenia, porównywać rzeczywisty stan operacyjny urządzeń z oczekiwaniami producenta i wskazywać sygnały mogące świadczyć o pogarszającym się stanie maszyny.

Tradycyjnie podobna analiza wymagała stałego monitorowania danych przez analityków i była trudna do prowadzenia na dużą skalę. AI pozwala rozszerzyć ją na cały park maszynowy, pomagając wcześniej wykrywać anomalie, ograniczać nieplanowane przestoje i lepiej wykorzystywać dostępne moce produkcyjne.

Dostępność

Interfejs Nexelem AI jest już dostępny dla klientów korzystających z modułów MES i APS Nexelem jako szyte na miarę rozszerzenie zakresu funkcjonalności.

Dostęp do warstwy AI konfigurujemy indywidualnie dla każdego wdrożenia.
Funkcjonalność może działać lokalnie u klienta
Uruchomienie interfejsu Nexelem AI nie wymaga zmiany istniejących procesów produkcyjnych ani ingerencji w konfigurację MES i APS.

Nexelem to modułowe oprogramowanie do zarządzania produkcją, rozwijane przez VirtusLab Sp. z o.o., polską firmę technologiczną z Krakowa.

Platforma obejmuje moduły APS (planowanie i harmonogramowanie produkcji) oraz MES (realizacja produkcji na hali), a także funkcje związane z zarządzaniem materiałami i zapasami (MRP), magazynem, sensorami IoT oraz łańcuchem dostaw i śledzeniem partii (traceability).

Matryca kompetencji zintegrowana z planowaniem produkcji: wdrożenie w Sanok Rubber Company

Thu, 06 Aug 2026 00:00:00 GMT

Sanok Rubber Company, producent komponentów gumowych dla branży motoryzacyjnej i maszyn rolniczych w Europie Środkowej, posiadał matrycę kompetencji pracowników w systemie HR, ale była to matryca pasywna, całkowicie odcięta od planu produkcji na hali montażu ręcznego. VirtusLab wdrożył modułowy system Nexelem (Matrycę Kompetencji, MES i moduł planistyczny), zintegrowany szyną danych z SAP oraz pozostałymi systemami klienta, dzięki czemu pracownicy są dziś przypisywani do zadań automatycznie, na podstawie realnych kwalifikacji.

Spis treści:

Firma i zakres wdrożenia
Problem
Rozwiązanie
Rezultaty
FAQ

Firma i zakres wdrożenia

Firma: Sanok Rubber Company, producent komponentów gumowych dla motoryzacji i maszyn rolniczych.
Obszar wdrożenia: hala montażu ręcznego.
Zakres: Matryca Kompetencji Nexelem wraz z modułami MES i planistycznym (APS), zintegrowana szyną danych z SAP, systemem RCP, systemem CMMS oraz systemem kart dostępowych.
Problem: matryca kompetencji istniała w systemie HR, ale była pasywna i niepowiązana z planem produkcji, a dane o ludziach, maszynach i utrzymaniu ruchu leżały rozproszone w kilku niezintegrowanych systemach.
Rozwiązanie: połączenie matrycy kompetencji z planowaniem i realizacją produkcji, z automatycznym przypisywaniem pracowników do zadań na podstawie kwalifikacji i hierarchii zakładowej, oraz historycznych sugestii brygadzistów.

Problem

Montaż ręczny to obszar produkcji, w którym wynik operacji zależy w dużej mierze od tego, kto przy niej stoi. Sanok Rubber posiadał matrycę kompetencji, ale funkcjonowała ona jako osobny rejestr w systemie HR, sprawdzany ręcznie i tylko wtedy, gdy ktoś o to zapytał. Nie było narzędzia, które łączyłoby tę wiedzę z planem produkcji: dynamicznej symulacji obciążenia, prognozowania zapotrzebowania na konkretne kompetencje ani automatycznego przypisywania pracowników do zadań.

Do tego dochodziła fragmentaryzacja danych. Informacje o ludziach, maszynach i produkcji leżały w kilku systemach, które ze sobą nie rozmawiały:

SAP jako ERP,
RCP do rejestracji czasu pracy,
CMMS do utrzymania ruchu i system kart dostępowych.

Planista, który chciał sprawdzić, czy na zmianie jest ktoś z odpowiednimi uprawnieniami do konkretnej operacji, musiał zestawiać dane ręcznie z kilku źródeł naraz. Przy nieplanowanym przestoju albo nagłej zmianie w zamówieniu ta ręczna weryfikacja była zwyczajnie zbyt wolna, żeby produkcja mogła zareagować tego samego dnia.

Rozwiązanie

VirtusLab wdrożył modułowy system Nexelem złożony z Matrycy Kompetencji, modułów MES oraz planistycznego (APS), połączonych szyną danych z SAP i pozostałymi systemami klienta. Gotowe komponenty Nexelem przyspieszyły wdrożenie i jednocześnie zostawiły miejsce na customizację odzwierciedlającą realne procesy i przepływ informacji w zakładzie, zamiast wymuszać na kliencie dopasowanie się do sztywnego szablonu.

System oferuje planiście wizualne planowanie i harmonogramowanie w widoku Gantta, z automatycznym przeliczaniem zapotrzebowań w oparciu o forecasty i bieżące realizacje zleceń. Do dyspozycji są symulacje obciążenia i warianty scenariuszy produkcyjnych, więc planista może sprawdzić skutek zmiany, zanim ją wdroży na hali.

Dzięki modułowości system może być też iteracyjnie dostosowywany do zmieniających się procesów klienta.

Najważniejsza zmiana dotyczy jednak samych ludzi: pracownicy są przypisywani do zadań automatycznie, na podstawie ich kwalifikacji z matrycy kompetencji, hierarchii zakładowej oraz wyników historycznych z konkretnych operacji, a nie na podstawie tego, kogo akurat udało się znaleźć na hali.

Dzięki temu zarządzanie personelem i zadaniami produkcyjnymi stało się wielowariantowe: system uwzględnia hierarchię zakładową, która wpływa na to, jaka lista zadań trafia do konkretnej osoby, zamiast traktować wszystkich pracowników o podobnych kompetencjach jednakowo.

"Dzięki nowemu systemowi do planowania pracownik dokładnie wie co ma wykonywać i jakie są jego priorytety na dany dzień, a system do raportowania pozwala uniknąć zbędnej papierologii i przyczynia się do zwiększenia komfortu pracy" — Magdalena Bochnak, Kierownik Działu Produkcji Sanok Rubber Company - Operacje końcowe

Rezultaty

Poniżej efekty wdrożenia, które zaobserwowali klient i zespół wdrożeniowy.

Lepsze planowanie pozwoliło zredukować zapasy magazynowe, bo produkcja jest dokładniej dopasowana do możliwości obsady.
Plan produkcji jest zsynchronizowany z realną dostępnością zasobów ludzkich, co ograniczyło ryzyko opóźnień wynikających z braku odpowiednich kompetencji na zmianie.
Planowanie w systemie zintegrowanym z matrycą umożliwiło szybsze przygotowanie wiarygodnych harmonogramów oraz natychmiastowe symulacje wariantów przy zmianach zamówień.
Automatyczne przypisywanie pracowników do zadań poprawiło wykorzystanie posiadanych kompetencji i zredukowało błędy związane z ręcznym planowaniem obsady.
Wielowariantowe zarządzanie personelem, uwzględniające hierarchię zakładową, ułatwiło rozdzielanie zadań między osobami o zbliżonych kwalifikacjach.

Więcej o różnicach między pasywną i dynamiczną matrycą kompetencji można przeczytać w artykule o cyfrowej matrycy kompetencji w produkcji będącej modułem systemu Nexelem MES. Jeśli Twoja matryca kompetencji też funkcjonuje dziś jako osobny plik obok systemu planowania, można to zmienić.

Zapisz się na demo Nexelem albo umów bezpłatną konsultację, wypełniając poniższy formularz kontaktowy.

Planowanie produkcji zintegrowane z SAP: wdrożenie APS i MES w Sanok Rubber Company

Wed, 29 Jul 2026 00:00:00 GMT

Sanok Rubber Company, producent komponentów gumowych dla branży motoryzacyjnej i maszyn rolniczych w Europie Środkowej, planował produkcję na wielu niezsynchronizowanych arkuszach Excela, ręcznie przepisując dane z SAP i z papierowych zapisów z hali. Efekt: gotowy harmonogram bywał nieaktualny w chwili publikacji. VirtusLab wdrożył Nexelem APS i MES zintegrowane z SAP, dzięki czemu planista pracuje dziś na jednym harmonogramie, aktualizowanym na bieżąco w oparciu o realny przebieg zleceń.

Spis treści:

Firma i skala wyzwania
Problem
Rozwiązanie
Rezultaty
FAQ

Firma i skala wyzwania

Firma: Sanok Rubber Company, producent komponentów gumowych dla motoryzacji i maszyn rolniczych.
Skala zakładu objętego wdrożeniem: 340 stanowisk roboczych, 1200 indeksów, 2000 operacji technologicznych, 5000 zadań planistycznych, 20 000 zależności technologicznych.
Zakres wdrożenia: Nexelem APS i Nexelem MES zintegrowane z SAP, sieć 120 stacji raportowania produkcji na hali.
Źródła danych przed wdrożeniem: SAP oraz papierowe zapisy produkcji.
Problem: plan powstawał ręcznie w wielu arkuszach Excela i był nieaktualny, zanim trafił na halę.
Rozwiązanie: APS pobierający dane planistyczne bezpośrednio z SAP i MES raportujący postęp z hali w czasie rzeczywistym, połączone w jeden cyklicznie aktualizowany harmonogram.

Zakład Sanok Rubber Company obsługuje setki stanowisk roboczych i tysiące indeksów produkcyjnych. Przy takiej skali liczba możliwych sekwencji operacji i zależności między nimi rośnie szybciej, niż jakikolwiek arkusz kalkulacyjny jest w stanie utrzymać w spójności. To właśnie ta kombinatoryka, a nie sama chęć „ucyfrowienia" planowania, była właściwym powodem projektu.

Problem

Zanim wdrożono APS, planiści pracowali na wielu niezsynchronizowanych plikach Excel naraz. Dane trzeba było ręcznie przepisywać z SAP (marszruty, BOM-y, stany magazynowe, zlecenia sprzedażowe) oraz z papierowych zapisów produkcji, bo część informacji o postępie zleceń nie istniała nigdzie indziej. Pilnowanie spójności między plikami zajmowało tyle czasu, że reakcja na zmianę zapotrzebowania albo nagłą fluktuację zamówień przychodziła zawsze o krok za późno. Plan bywał gotowy i już nieaktualny w tej samej chwili.

Za tym ogólnym opisem stały konkretne pytania, na które planiści i kadra zarządzająca nie mieli szybkiej odpowiedzi:

Czy w danej chwili produkowane są wyroby rzeczywiście najbardziej potrzebne, czy tylko te, które akurat łatwiej było zaplanować?
Jakie zasoby produkcyjne (maszyny, narzędzia, gniazda) są teraz dostępne i czy ich obciążenie pozwala zrealizować dzisiejszy plan?
Jakimi kompetencjami dysponują pracownicy obecni na zmianie i czy pokrywają się z operacjami zaplanowanymi na dziś?
Czy plan uwzględnia realne ograniczenia produkcji gumy: przezbrojenia i ich czasy, serie minimalne, dostępność form i oprzyrządowania?
Czy komunikacja między planowaniem a produkcją jest wystarczająco szybka, żeby harmonogram reagował na odchylenia w ciągu dnia, a nie następnego dnia rano?

Skala samych danych pokazuje, dlaczego Excel przestał wystarczać: 1200 indeksów, 2000 operacji technologicznych, 5000 zadań planistycznych i 20 000 zależności technologicznych między nimi na 340 stanowiskach roboczych.

W sytuacji gdy żaden arkusz nie utrzyma tylu powiązań w spójności, kiedy zmienia się choćby jedno zlecenie nawet najbardziej doświadczeni specjaliści planowania produkcji potrzebują rozwiązania systemowego.

Rozwiązanie

VirtusLab wdrożył Nexelem APS zintegrowany z SAP jako źródłem danych planistycznych oraz Nexelem MES jako warstwę zbierającą postęp produkcji bezpośrednio z hali. Z systemu SAP pobierane są dane planistyczne (marszruty, BOM-y, wersje produkcyjne), stany magazynowe, planowane dostawy, lead time'y i rezerwacje materiałów na próby, zlecenia sprzedażowe wraz z zapasami bezpieczeństwa i zamówieniami z innych zakładów, a także dane specyficzne dla procesu gumowego: maszyny alternatywne, produkcję jednoczesną w formach, serie minimalne dla stanowisk, maszyny pracujące w trybie non-stop, priorytety wyrobów końcowych, grupy na wytłaczaniu oraz wymagania i dostępność ŚPP.

Dane te przechodzą przez warstwę pośrednią, która może być algorytmem wewnętrznym Nexelem, lub zewnętrznym solverem wpiętym w Nexelem. W tym przypadku klient zdecydował się użyć tego drugiego rozwiązania, korzystając z elastycznej architektury Nexelem.

Z drugiej strony, Nexelem dostarcza dane, których SAP nie ma i mieć nie musi: partie produkcyjne MES z aktualnym stanem bieżącym, kalendarz osobowy z kompetencjami głównymi i planowanymi kompetencjami szczegółowymi, kalendarz maszynowy z przestojami, a także nowe i zmodyfikowane partie produkcyjne powstające w trakcie dnia.

Na tej podstawie planista pracuje na wizualizacji Gantta, która pokazuje bieżący plan produkcji i luki powstałe w trakcie planowania, wykorzystując drzewiastą strukturę zależności między operacjami, a nie płaskie zlecenia. Reguły planowania minimalizują liczbę przezbrojeń i wydłużają serie tam, gdzie proces na to pozwala. System monitoruje postęp i anomalie na produkcji w czasie rzeczywistym, porównując plan z wykonaniem, i optymalizuje kolejkę produkcyjną na bieżąco. Planista może też uruchomić symulację alternatywnego wariantu planu i porównać go z aktualnym na poziomie twardych wskaźników, zanim zatwierdzi zmianę (analiza what-if jest funkcjonalnością, która pojawi się w docelowej wersji wdrożenia).

Na hali dane wracają do systemu przez sieć 120 stacji raportowania produkcji. Operator widzi tam listę swoich zadań i zgłasza postęp z częstością odpowiednią do danego stanowiska, a system pokazuje mu bieżący stan realizacji normy, tak żeby odpowiedź na pytanie zadane podczas gemby nie wymagała kontaktu z liderem zmiany.

Dzięki nowemu systemowi do planowania pracownik dokładnie wie co ma wykonywać i jakie są jego priorytety na dany dzień, a system do raportowania pozwala uniknąć zbędnej papierologii i przyczynia się do zwiększenia komfortu pracy" — Magdalena Bochnak, Kierownik Działu Produkcji Sanok Rubber Company - Operacje końcowe

Rezultaty

Plan produkcji w Sanok Rubber Company aktualizuje się dziś cyklicznie w oparciu o realny postęp zleceń, a nie tylko o założenia sprzed kilku dni. Poniżej efekty, które zaobserwowali klient i zespół wdrożeniowy.

Planowanie zeszło z poziomu całych zleceń na poziom pojedynczych operacji, aktualizowanych online, zamiast raz dziennie.
Plan uwzględnia stany magazynowe i zapotrzebowanie na materiały bezpośrednio na stanowisku pracy, więc planista nie musi tego sprawdzać ręcznie w SAP.
Zmiany w planie wprowadza i waliduje planista w jednym narzędziu, zamiast negocjować priorytety telefonicznie ze zmianą produkcyjną.
Priorytety produkcyjne są te same dla planisty, mistrza, operatora, logistyki i utrzymania ruchu, bo wszyscy patrzą na ten sam harmonogram.
System sygnalizuje zagrożenia wynikające z wąskich gardeł w horyzoncie nawet do 12 miesięcy, zamiast pozwalać, żeby ujawniły się dopiero jako opóźnienie.
Raportowanie uzysku, zużycia materiałów i czasów operacji odbywa się bezpośrednio z 120 stacji na hali, więc dane odzwierciedlają to, co faktycznie wydarzyło się na produkcji, a nie to, co ktoś dopisał z pamięci pod koniec zmiany.

Jeśli zastanawiasz się, jak wygląda planowanie produkcji zintegrowane z ERP w praktyce przy dużej liczbie indeksów i zależności technologicznych, zapisz się na demo Nexelem albo umów bezpłatną konsultację przez poniższy formularz kontaktowy.

Fabryka przyszłości na SuperAI 2026: AI w produkcji wyszło z map drogowych i weszło na halę

Wojciech Szywalski — Tue, 30 Jun 2026 00:00:00 GMT

Konferencja odbyła się 10–11 czerwca w Marina Bay Sands i przyciągnęła ponad 10 000 uczestników oraz 1500 firm AI ze 150 krajów. Sześć osi tematycznych kształtowało program: modele graniczne, infrastruktura AI, robotyka i wcielona AI, biotechnologia, AI dla przedsiębiorstw oraz bezpieczeństwo i zarządzanie. Produkcja pojawiała się w kilku z nich jednocześnie, czasem wprost, czasem jako powtarzający się wątek poboczny.

Z SuperAI 2026 w Singapurze wróciłem z innym odczuciem niż rok wcześniej. Mniej ekscytacji tym, co AI kiedyś zrobi. Więcej ciekawości tym, co już robi.

To, co uderzyło mnie najbardziej, to prosta obserwacja: firmy rozmawiające o AI w produkcji w 2026 roku to nie te same firmy, które robiły to rok wcześniej. W 2025 dominowały koncepcje i mapy drogowe, rzeczy, które mogą mieć znaczenie za pięć lat. W 2026 prelegenci przyjeżdżali z prototypami i produktami działającymi już na halach produkcyjnych.

Luka między „to jest możliwe" a „to już wysyłamy do klientów" zamknęła się szybciej, niż większość ludzi się spodziewała.

Spis treści:

Największa zmiana: od koncepcji do produktów
Cyfrowe bliźniaki wreszcie dostają mózg
Agent AI, który może znać Twoją halę lepiej niż kierownik produkcji
Roboty humanoidalne: produkt, nie obietnica
Widok z Birmingham: z czym producenci naprawdę się borykają

Największa zmiana: od koncepcji do produktów

Rok temu sesje o AI w produkcji brzmiały jak ambitne planowanie. W 2026 brzmiały jak raportowanie operacyjne.

Zmiana dotyczyła nie tylko słownictwa. Widać ją było w tym, kto prezentował. W 2025 głosy należały często do badaczy i strategów. W 2026 inżynierowie i liderzy operacyjni pokazywali dashboardy, harmonogramy wdrożeń i rzeczywiste metryki. Poziom szczegółowości gwałtownie wzrósł.

Raport Deloitte Resilient By Design: The Agentic Supply Chain, opublikowany na początku 2026 roku, opisuje agentową AI jako gotową do ciągłego monitorowania i autonomicznego podejmowania decyzji na skalę wykraczającą poza możliwości człowieka — i odnotowuje, że adopcja już przyspiesza. Oddzielne badanie IBM wykazało, że ponad połowa ankietowanych kierowników łańcucha dostaw wdraża już agenty AI do automatyzacji procesów. Nastrój na SuperAI 2026 był zgodny z tymi danymi. Robotyka, cyfrowe bliźniaki i agenty AI przestały być najbardziej spekulatywnymi rozmowami w sali. Stały się najbardziej konkretnymi.

Dla odbiorców z produkcji to istotna zmiana: dyskusja technologiczna przesunęła się z „czy to wykonalne?" na „jak to wdrożyć i skalować?". To fundamentalnie inne rozmowy, wymagające innych ludzi w pokoju i innych decyzji.

Cyfrowe bliźniaki wreszcie dostają mózg

Najważniejszy trend produkcyjny na SuperAI 2026 nie dotyczył robotów. Chodziło o połączenie generatywnej AI z cyfrowymi bliźniakami w celu budowania wirtualnych fabryk, które naprawdę symulują produkcję.

Podstawowa idea jest prosta, ale konsekwencje są duże. Zamiast spędzać 12 miesięcy na ręcznej konfiguracji cyfrowego bliźniaka fabryki, wąsko wyspecjalizowany model generatywny może zbudować tę wirtualną fabrykę AI w ciągu kilku dni. Po zbudowaniu symulacja może ruszyć w tydzień. Inteligentna fabryka nie istnieje jeszcze w metalu i betonie, lecz w przepływach danych, uruchamiając scenariusze produkcyjne z dużą szybkością.

Ta szybkość ma jeden warunek: dane muszą być już tam, ustrukturyzowane i aktualne. W praktyce oznacza to system realizacji produkcji (MES) zbierający dane produkcyjne w czasie rzeczywistym z maszyn i operatorów, oraz warstwę agregacji IIoT zarządzającą przechowywaniem inteligentnie, z pełną rozdzielczością dla najnowszych danych i niższą dla starszych rekordów. Bez tej podstawy danych model generatywny nie ma z czego budować. Z nią budowa wirtualnej fabryki staje się kwestią dni, a nie projektu mierzonego w kwartałach.

Siemens zaprezentował to konkretnie z Digital Twin Composer, uruchomionym na CES 2026. PepsiCo wykorzystało to narzędzie do konwersji kilku amerykańskich zakładów produkcyjnych i magazynowych w wierne cyfrowe bliźniaki 3D, obejmujące każdą maszynę, przenośnik, trasę palet i ścieżkę operatora, z dokładnością fizyczną. Agenty AI symulowały, testowały i udoskonalały zmiany systemów w tym wirtualnym środowisku. Wynik: PepsiCo zidentyfikowało do 90% potencjalnych problemów przed jakimikolwiek fizycznymi modyfikacjami, osiągnęło 20% wzrost przepustowości przy pierwszym wdrożeniu i zredukowało wydatki kapitałowe o 10–15%.

Rev Lebaredian z NVIDIA opisał szerszą zasadę: „W erze, gdy każdy fizyczny obiekt i proces będzie miał cyfrowego bliźniaka, Digital Twin Composer Siemensa ustanawia cyfrową nić łączącą silosy projektowania, inżynierii i operacji."

Cyfrowy bliźniak nie jest już pasywnym lustrem fabryki. Staje się generatywnym środowiskiem, w którym decyzje są walidowane przed zaangażowaniem fizycznych zasobów.

Dla dyrektora zakładu lub kierownika produkcji praktyczna konsekwencja jest istotna. Decyzje inwestycyjne, zmiany mocy produkcyjnych, przeprojektowania układu: to wszystko można teraz walidować wirtualnie, tanio, w skróconej perspektywie czasowej. Pytanie przesuwa się z „czy możemy sobie pozwolić na eksperymenty?" na „dlaczego mielibyśmy nie eksperymentować?".

To zmienia też sposób myślenia o planowaniu zdolności produkcyjnych. Zamiast statycznych modeli aktualizowanych kwartalnie wirtualna fabryka staje się żywą symulacją informującą decyzje na bieżąco. Luka między planowaniem a rzeczywistością zwęża się nie dlatego, że ludzie pracują ciężej, lecz dlatego, że model działa szybciej.

MES i APS Nexelem są zaprojektowane dokładnie pod ten łańcuch: MES zbiera dane o realizacji z hali, warstwa IIoT agreguje je we właściwej szczegółowości, a APS używa tego obrazu na żywo do harmonogramowania zleceń produkcyjnych, przydzielania zadań do maszyn i przypisywania operatorów dopasowanych według udokumentowanych kompetencji. Architektura ma już właściwy kształt, żeby generatywny cyfrowy bliźniak mógł na niej działać.

Agent AI, który może znać Twoją halę lepiej niż kierownik produkcji

Drugi główny temat SuperAI 2026 był bardziej koncepcyjny, ale wskazywał na coś, co będzie miało ogromne znaczenie dla organizacji produkcyjnych: agenty AI jako uzupełnienie, a w niektórych przypadkach w przyszłości zastąpienie, nagromadzonej wiedzy doświadczonych kierowników produkcji.

To nie jest automatyzacja w tradycyjnym sensie. Podstawowa wartość kierownika produkcji jest poznawcza: zna halę, rozumie jej specyfikę, zna ograniczenia, wie, co robić gdy coś idzie nie tak. Ta wiedza żyje w jego doświadczeniu, nie w żadnym systemie.

To, co się wyłania, to przejście od „wiedzy w głowach" do „kontekstu w systemach". Agent AI nie musi znać wszystkiego z góry; potrzebuje dostępu do właściwego kontekstu: stanów maszyn, historycznych wyników, bieżących zleceń, dostępności operatorów. Mając ten kontekst, może rozumować o tym, co zrobić dalej.

Zastanawiałem się, czy rola kierownika produkcji w erze AI i agentowych fabryk stanie się rozszerzeniem HR. Widzę tu pewną prawidłowość, ale dla mnie jest jasne, że najlepsi kierownicy produkcji to nie tylko najbardziej doświadczeni inżynierowie. To też osoby łączące załogę, jak kapitanowie na statku, którzy sami nie wiosłują ani nie stawiają żagli.

Szersza społeczność AI nazywa to przejściem od systemów opartych na wiedzy do agentów napędzanych kontekstem. Zastosowane do produkcji: agent nie potrzebuje 15 lat doświadczenia na hali, żeby podejmować użyteczne decyzje produkcyjne. Potrzebuje dobrych danych, jasnych ograniczeń i możliwości działania na ich podstawie.

Technologia leżąca u podstaw dojrzewa szybko. Protokoły takie jak MCP (Model Context Protocol) umożliwiają już producentom połączenie agentów AI bezpośrednio z systemami MES i ERP bez kosztownych prac integracyjnych na zamówienie.

W konkretnych kategoriach jest to kontekst, który dobry system APS już posiada: aktualny harmonogram produkcji, dostępność maszyn i linii, ograniczenia materiałowe oraz przypisania operatorów dopasowane według poziomu kompetencji. Agent AI, który może odczytać i działać na tym ustrukturyzowanym obrazie, nie musi wyprowadzać wiedzy operacyjnej od zera. Potrzebuje właściwego połączenia i jasnego zestawu ograniczeń do rozumowania.

Dla kierowników produkcji to niekoniecznie zagrożenie. To redystrybucja tego, co wymaga ludzkiego osądu, a co można delegować. Doświadczeni kierownicy, którzy rozumieją tę zmianę, prawdopodobnie użyją agentów AI do pomnożenia swojej skuteczności, zwalniając uwagę na decyzje, które naprawdę wymagają ludzkiego osądu.

Roboty humanoidalne: produkt, nie obietnica

Roboty humanoidalne dominowały w nagłówkach SuperAI 2025 jako zwiastun fabryk przyszłości. W 2026 są nadal obecne na konferencjach, ale przesunęły się z głównej sceny w tło. Nie dlatego, że postęp zwolnił, lecz dlatego, że są teraz produktami w produkcji, a nie demami na konferencji.

Liczby są konkretne. Figure AI produkuje teraz Figure 03 w tempie jednego robota na godzinę w swojej fabryce BotQ, w porównaniu z jednym dziennie zaledwie cztery miesiące wcześniej. Unitree wysłał ponad 5500 humanoidalnych jednostek w 2025 roku, zajmując pierwsze miejsce globalnie pod względem wysyłek i celując w 20 000 jednostek w 2026. Boston Dynamics dostarcza elektrycznego Atlasa do klientów, w tym Hyundai i DeepMind. Agility Robotics prowadzi aktywne wdrożenia w Toyota Canada w modelu Robot-as-a-Service.

Jedna firma wyróżniała się jako świadomy kontrpunkt do tego wszystkiego: Asimov by Menlo Research. Mieli fizycznego robota na hali, 120 cm, 35 kg, 25 siłowników, ale byli szczerzy co do tego, że większość demonstrowanych zachowań nadal działała w symulacji. To, co czyniło ich interesującymi, to nie sam robot, lecz zasada za nim stojąca: Asimov jest w pełni open-source, dostępny jako zestaw DIY z publiczną listą materiałów i otwartym repozytorium GitHub. W polu zdominowanym przez zamknięte, mocno dofinansowane platformy rywalizujące na własnościowym sprzęcie i danych treningowych, humanoid open-source to naprawdę inny zakład. Czy się opłaci w skali przemysłowej, pozostaje otwartym pytaniem, ale koncepcja warta jest obserwacji, szczególnie dla zespołów badawczych i producentów chcących eksperymentować bez zobowiązania do ekosystemu konkretnego dostawcy.

Pytanie z 2025 roku brzmiało: „czy te roboty będą działać?". Pytanie z 2026 roku: „dla jakich zadań mają ekonomiczny sens i w jakiej skali?".

Odpowiedź wyłaniająca się z wdrożeń: zadania ustrukturyzowane i powtarzalne w spójnych środowiskach. Spawanie, montaż, obsługa części tam, gdzie warunki są przewidywalne. Nie ogólne roboty przemierzające fabrykę i rozwiązujące cokolwiek napotkają. To odpowiada temu, co Persona AI demonstrowała na SuperAI 2025: konfiguracja robotów do konkretnych ról, Budowniczego, Spawacza, Producenta, Montera, zamiast jednej uniwersalnej zdolności. To podejście okazało się trafne.

Z perspektywy zarządzania produkcją roboty humanoidalne wprowadzają interesującą złożoność: stają się zasobami do planowania, jak każde inne urządzenie, ale z innymi profilami wydajności i innymi trybami awarii. Kwestia integracji, czyli tego, jak roboci pracownicy łączą się z systemami harmonogramowania produkcji, to coś, czym branża dopiero zaczyna poważnie się zajmować.

Miałem przyjemność ponownego spotkania z moim kolegą z QuikBot, którego platforma robotyczna jest rozwijana wokół szerszej wizji inteligentnego miasta. Ich roboty już działają jako autonomiczni kurierzy w biurowcach i szpitalach, transportując leki i materiały. Lubimy rozmawiać o zastosowaniach fabrycznych. To było dobre przypomnienie, że wiele technologii omawianych na konferencjach AI jest teraz rzeczywistością, używaną w prawdziwych środowiskach do rozwiązywania praktycznych wyzwań operacyjnych każdego dnia.

Widok z Birmingham: z czym producenci naprawdę się borykają

SuperAI 2026 pokazało najnowszy front technologiczny. Kilka dni wcześniej, na Smart Manufacturing Week w Birmingham, nastroje były inne: przyziemne, miejscami sfrustrowane i bardzo szczere w kwestii tego, czego przeciętna firma produkcyjna doświadcza w rzeczywistości.

Cztery tematy powtarzały się na panelach i w rozmowach:

Zarządzanie zmianą pozostaje główną przeszkodą w każdym wdrożeniu technologii, w tym AI. Narzędzia mogą być gotowe; organizacja często nie jest.
Koszty energii rosną wystarczająco szybko, żeby przeważać inne priorytety. Decyzje produkcyjne są podejmowane ze względów energetycznych, których żadne narzędzie do harmonogramowania AI jeszcze nie rozwiązało.
Zakłócenia łańcucha dostaw nadal wymagają ludzkiej adaptacji, której zautomatyzowane systemy nie mogą w pełni wchłonąć.
Presja, żeby używać AI do problemów, które jej nie potrzebują, generuje realne straty. Producenci potwierdzili: problem nie leży w dostępności narzędzi, lecz w tym, które problemy AI powinna naprawdę dotykać.

Jedna obserwacja zasługuje na osobną uwagę. Kierownicy produkcji średniego szczebla czują presję z obu stron: z góry, żeby cyfryzować i wdrażać AI, z dołu, żeby utrzymać produkcję. To tworzy specyficzny rodzaj stresu, którego żadna mapa drogowa technologiczna nie rozwiązuje. Najlepsze narzędzia na świecie nie pomagają, jeśli osoba odpowiedzialna za ich wdrożenie jest już przeciążona.

Rozmowa o AI na SuperAI 2026 i rzeczywistość operacyjna na większości hal produkcyjnych poruszają się z bardzo różnymi prędkościami.

Wypełnienie tej luki to właściwa praca. Nie wybór kolejnej platformy, lecz zrozumienie, gdzie AI tworzy realną wartość na konkretnej hali produkcyjnej, z konkretnymi ludźmi, w konkretnym kontekście. Producenci w Birmingham byli jednoznaczni: nie szukają dostawcy z najwyższym numerem wersji czy najlepszymi funkcjami. Szukają partnerów z wiedzą dziedzinową, którzy rozumieją, co zarządzanie produkcją naprawdę oznacza.

To spójne z tym, co słyszymy w Nexelem od naszych klientów. Wartość nie leży w samym narzędziu; leży w połączeniu narzędzia ze zrozumieniem tego, co trzeba rozwiązać. Jeśli zastanawiasz się, gdzie AI pasuje do Twojego zarządzania produkcją, chętnie porównamy spostrzeżenia.

Jeszcze jeden wątek wart odnotowania, szczególnie dla firm produkcyjnych rozwijających własne oprogramowanie. Transformacja AI nie ogranicza się do operacji produkcyjnych; przekształca też sposób, w jaki tworzy się oprogramowanie. Organizacje przyzwyczajone do tradycyjnych cykli wytwórczych odkrywają, że agentowa AI zmienia tempo, narzędzia i proces przeglądu na każdym etapie. VirtusLab odpowiada na to przez Visdom, platformę programistyczną natywną dla AI, która pomaga organizacjom dostosować procesy wytwórcze do świata agentów AI. Dostępna jest też macierz dojrzałości do samodzielnej oceny dla zespołów, które chcą uczciwie zobaczyć, gdzie faktycznie stoją.