Dlaczego w małej produkcji wciąż „zamawia się na oko” – i gdzie w tym wszystkim jest AI

Kiedy kilka lat temu siedziałam w biurze u właściciela niewielnej narzędziowni pod Wrocławiem, zobaczyłam klasyczny obrazek: na jednym monitorze arkusze Excela z kolorowymi komórkami, na drugim – Outlook z mailami od dostawców i klientami, a telefon właściwie nie milkł. Zamówienia materiałów? „Na oko, Marta, przecież ja to mam w głowie” – usłyszałam. Tyle że magazyn był wypchany stalą za kilkaset tysięcy, a produkcja i tak co kilka tygodni stawała przez brak jakiegoś drobnego komponentu.

W firmach produkcyjnych do około stu osób zamówienia magazynowe wciąż często opierają się dokładnie na takim miksie: Excel + telefon + intuicja. Bez systematycznego prognozowania popytu decyzje zakupowe są reaktywne. Raz kończy się kluczowy surowiec, innym razem pół magazynu zajmuje materiał, którego nikt nie rusza od miesięcy.

Tu właśnie AI zaczyna robić prawdziwą różnicę. Dobrze wdrożona sztuczna inteligencja w logistyce pozwala przewidywać zapotrzebowanie z dokładnością, której ludzkie oko po prostu nie osiąga, a do tego automatyzuje zamówienia, które dotąd zabierały planistce kilka godzin tygodniowo. Co ważne – największe oszczędności wcale nie zawsze biorą się z „magicznej” optymalizacji zamówień, ale z decyzji wokół nich, na przykład z odważnej zmiany polityki produkcji: mniejsza minimalna wielkość serii, częstsze przezbrojenia, mniej „na magazyn, bo tak zawsze robiliśmy”.

W małych firmach produkcyjnych kluczowa jest prostota. Rozwiązanie AI musi kleić się z tym, co już masz – ERP, prosty WMS, czasem tylko solidny Excel – i wspierać codzienną pracę, zamiast dokładania kolejnej warstwy chaosu. Jeśli narzędzie zmienia Twoje zamówienia w przewidywalny, zrozumiały proces i daje się skalować wraz z rozwojem firmy, to jesteś na dobrej drodze.

W Hivecluster widzę to niemal w każdym projekcie: symbioza ludzkiej kreatywności i algorytmicznej precyzji działa najlepiej wtedy, gdy AI przejmuje żmudne, powtarzalne decyzje, a człowiek zostaje przy tych, które mają realną wagę biznesową. Planistka nie traci czasu na przepisywanie stanów, za to ma przestrzeń, by przemyśleć: czy nie pora zmienić strategii produkcji, warunków z dostawcą, czy struktury BOM.

Czy AI w małej produkcji naprawdę się opłaca?

Pamiętam spotkanie w małej firmie meblarskiej w okolicach Kępna. Właściciel od razu zapytał: „Marta, tylko szczerze – ja mam 60 osób na hali, jedna kadrowa, jedna księgowa, jedna planistka. Czy to nie jest zabawka dla dużych?”. Po kilku miesiącach pilotażowego wdrożenia AI w zamówieniach okazało się, że w jego realiach „zabawka” odblokowała kilkaset tysięcy złotych z zapasów, które po prostu leżały.

Dla MŚP, zwłaszcza tam, gdzie wartość zapasów jest wysoka, AI przestaje być futurystycznym gadżetem, a staje się twardym narzędziem finansowym. Jeśli modele prognoz poprawnie sterują zapasami, typowym efektem jest redukcja stanów o około 10–20%, co czuć od razu w kapitale obrotowym i powierzchni magazynowej. Według danych Proalpha, takie wdrożenia w firmach produkcyjnych przekładają się na wzrost rotacji zapasów o 10–20% – raz kupione materiały szybciej zamieniają się w gotowy produkt i pieniądze.

Druga rzecz: przewidywalność. Tam, gdzie wcześniej planistka co tydzień „dopieszczała” zamówienia ręcznie, system po integracji z ERP i prostym WMS sam liczy, podpowiada i generuje propozycje zakupów. Znika konieczność nagłych, drogich zamówień ekspresowych, które przy rosnących kosztach logistyki potrafią zjeść marżę z całego kontraktu.

Zwrot z inwestycji? W większości projektów, które prowadziłam, mieścił się w przedziale 12–24 miesięcy. Oczywiście przy założeniu, że oprócz samej technologii porządkujemy procesy i dane. AI jest wtedy jak turbo-doładowanie dla już nieźle działającej logistyki.

Jak AI „uczy się” Twojego magazynu i popytu

W jednej z drukarni opakowań w Konstantynowie Łódzkim usiedliśmy kiedyś z szefem produkcji i próbowałyśmy policzyć, ile zmiennych realnie wpływa na zużycie kartonu: sezonowość branż klientów, kampanie marketingowe sieci handlowych, pogoda, zmiany w lead time od papierni. W Excelu dochodzisz do ściany bardzo szybko.

Uczenie maszynowe budowane pod zamówienia magazynowe właśnie z takimi złożonymi układankami radzi sobie najlepiej. Algorytmy analizują wieloletnią historię sprzedaży, sezonowość, struktury BOM, czasy dostaw, a nawet dane zewnętrzne, jeśli je podepniesz (na przykład kalendarz świąt czy wahania kursów). Z tego powstają prognozy popytu, które ograniczają i nadwyżki, i stock-outy.

Co ważne – modele działają w dwóch światach naraz. Z jednej strony uczą się na danych historycznych. Z drugiej, w środowisku treningowym mogą „testować” alternatywne polityki zapasów: co się stanie, jeśli obniżymy safety stock o 15% albo skrócimy cykl zamówień z 30 do 20 dni? Małe firmy rzadko robią takie analizy, a to właśnie tutaj często leżą największe rezerwy – bez dodatkowego ryzyka braków, po prostu dzięki lepszemu doborowi parametrów.

W bardziej zaawansowanych scenariuszach da się to jeszcze podbić uczeniem ze wzmocnieniem: system symuluje różne strategie zamówień i nagradza te, które utrzymują wysoką dostępność przy możliwie niskich zapasach. W praktyce efektem są mniejsze błędy prognoz i ograniczenie stock-outów. Proalpha raportuje, że klienci, którzy przeszli na prognozy wsparte AI, obniżyli liczbę pilnych zamówień o 20–40% – a to bardzo szybko widać w kosztach.

Narzędzia AI: jak dobrać coś, co faktycznie będzie działać

W małej fabryce części metalowych spod Piły usiedliśmy nad kartką papieru i rozpisaliśmy: co już działa, co kuleje, co jest niedopuszczalne biznesowo. Wyszła z tego jedna ważna rzecz – nie potrzebują „wszystkiego naraz”. Potrzebują narzędzia, które po prostu codziennie podsunie planistce sensowne propozycje zamówień.

Kiedy wybieram narzędzie AI do zamówień dla firmy do 100 osób, patrzę zawsze na kilka osi naraz. Po pierwsze, model produkcji: czy to MTO, gdzie wszystko zaczyna się od konkretnego zamówienia klienta, czy MTS, gdzie produkujesz „na magazyn”. W MTO bardziej opłaca się narzędzie oparte na planie produkcji i zleceniach, niż wyrafinowane prognozy sprzedaży. W MTS prognoza popytu staje się sercem całego systemu.

Po drugie, integracja. Bez sensownej wymiany danych z ERP i choćby prostym WMS-em nawet najlepszy silnik prognoz będzie się męczył. Zaskakująco dobrze sprawdzają się tu narzędzia powstałe pierwotnie dla e‑commerce, takie jak StockTrim, Inventory Planner, Lokad czy Datapred. Jeśli firma utrzymuje przyzwoity porządek w prostych danych liniowych – sprzedaż, lead time, BOM – te systemy potrafią skutecznie wspierać nawet produkcję B2B.

Po trzecie, wdrożenie i kompetencje. W firmie, gdzie dział IT to często „pół etatu” jednej osoby, skomplikowany system, którego nikt poza vendorami nie rozumie, jest proszeniem się o kłopoty. Dlatego wolę prostsze narzędzia z dobrym wsparciem i możliwością szybkiego przeszkolenia zespołu niż „kombajn”, którego realnie nikt nie ogarnie.

I wreszcie – koszty i dostępność ludzi na rynku. Jeżeli narzędzie wymaga rzadkich, drogich specjalistów, to prędzej czy później będzie problem z utrzymaniem i rozwojem. System powinien rosnąć razem z firmą, a nie wymuszać wymiany co dwa lata.

Typy rozwiązań: od pełnego planera po lekkiego „agenta w WhatsAppie”

Kiedy we wrześniu wdrażałam rozwiązanie w małej firmie opakowaniowej w okolicach Białegostoku, zaczęłyśmy od najmniej „technologicznego” pomysłu: agenta AI podpiętego do Teams, połączonego z prostym WMS‑em. Efekt? Właściciel w każdej chwili mógł zapytać: „jak stoimy z kartonami 400 g?” i po minucie widział aktualny stan, przewidywaną datę zejścia do safety stock i propozycję zamówienia. Zero logowania do systemów, zero przekopywania się przez raporty.

Takich „klocków” jest dzisiaj kilka:

  • pełne, autonomiczne systemy planowania i zamówień, które zasilasz danymi z ERP, a one w zamian układają harmonogramy produkcji, zamówienia i alokacje materiałów;

  • silniki prognoz popytu – świetne, gdy masz dynamiczny, trudny do przewidzenia popyt i chcesz precyzyjniej dobierać zapasy do sprzedaży;

  • „asystenci magazynowi” – warstwa nad prostym WMS‑em, która pomaga w codziennym zarządzaniu magazynem, od lokalizacji produktów po rekomendacje uzupełnień;

  • lekkie systemy z AI do ustawiania progów zamówień – dobre jako pierwszy krok dla mniejszych firm, które nie są gotowe na wielkie wdrożenia;

  • zaawansowane planery BOM – przydają się tam, gdzie struktury materiałowe są skomplikowane i każdy błąd w wyliczeniu potrzeb materiałowych bardzo boli.

Kluczowe pytanie nie brzmi „co jest najnowocześniejsze”, tylko „gdzie dziś tracisz najwięcej czasu, pieniędzy i nerwów”.

Autonomiczny system planowania i zamówień – kiedy ma sens

W jednej z firm z branży automotive pod Krakowem, 80 osób, 5 tysięcy SKU, zobaczyłam idealny przykład momentu, kiedy pełny, autonomiczny system rzeczywiście ma sens. Planistka spędzała pół dnia na ręcznym przepinaniu zleceń między liniami i liczeniu, czy starczy komponentów na kolejne dwa tygodnie produkcji. Excel przestał już dawać radę.

Autonomiczny system AI do planowania i zamówień działa tu jak centrum dowodzenia. Na bieżąco mapuje zlecenia produkcyjne, BOM-y, dostępne stany, lead time’y i minima logistyczne. Dla każdego materiału automatycznie wylicza moment przekroczenia punktu zamówienia i generuje propozycję zakupu. Dobrze skrojony silnik prognoz (AI‑powered demand forecasting) radzi sobie i z MTS, i z MTO, ale często w małej produkcji kluczowy okazuje się plan produkcji, a nie „wróżenie” sprzedaży.

Istotny element to reguły biznesowe, które muszą być twardo zdefiniowane. AI świetoptymalizuje koszty. jeśli nie wyznaczysz np. minimalnych stanów bezpieczeństwa dla krytycznych komponentów, system może „logicznie” ciąć zapasy w miejscu, gdzie każda godzina braku zatrzyma całą linię. Dlatego zawsze buduję warstwę reguł zamówień jako fundament, a dopiero nad nimi kładziemy AI.

Nie można też zapominać o BOM‑ach i kartotekach. W jednej fabryce chemicznej wyszło w trakcie pilotażu, że część surowców ma w kartotekach wagi „zaokrąglone” w górę o 5–10%. Model uznał to za prawdę i zaczął zamawiać systematyczną nadwyżkę. Tu zawiódł algorytm. dane.

Silnik prognoz popytu: lekkie AI podpięte do ERP

Kilka miesięcy temu pracowałam z producentem maszyn rolniczych z Wielkopolski. Mieli prosty, dość poprawprowadzony ERP. żadnego narzędzia do prognoz. Główna księgowa pokazywała mi regał z częściami, które „zawsze się przydadzą”, a leżały już trzeci rok. Tam wystarczył silnik prognoz popytu, który czyta z ERP: sprzedaż, lead time, aktualne stany i strukturę produktów.

Taki silnik analizuje historię popytu, sezonowość, fluktuacje zamówień i na tej podstawie przewiduje zapotrzebowanie na komponenty. Na wejściu potrzebuje porządnych danych, na wyjściu daje konkret: ile i kiedy zamówić. W wielu przypadkach koszty wdrożenia takiego modułu są zaskakująco niskie, bo budujesz całego systemu od zera. dokładkasz „mózg” do tego, co już działa.

W małej produkcji duży sens ma też oparcie się na danych z produkcji: planie, zleceniach, marszrutach. Prognoza sprzedaży bywa w MŚP bardzo niestabilna, za to plan produkcji – choć zmienny – jest już pewnym zobowiązaniem wobec klienta. AI, które wylicza zamówienia od strony planu produkcji, bywa w takich warunkach bezpieczniejsze niż to zasilane „miękką” prognozą sprzedaży.

Agent magazynowy AI: mini control tower w komunikatorze

W jednej z firm z Podkarpacia, gdzie magazyn prowadził pan Andrzej, rocznik 62, nie było szans, że ktoś go zmusi do codziennego klikania w nowy system. Za to WhatsApp już dawno opanował. Zrobiliśmy więc bardzo prostą rzecz: agenta AI podpiętego do lekkiego WMS‑a, który działał właśnie przez komunikator.

Scenariusz wygląda tak: ktoś z zespołu pisze „pokaż mi status grupy A według ABC” i dostaje listę kluczowych SKU z aktualnym stanem, forecastem zużycia, safety stockiem i propozycją zamówienia. Dodatkowo agent potrafi wykryć anomalie – na przykład nagły skok zużycia danego komponentu – i zaznaczyć to w rekomendacji. Efekt jest taki, że mała firma dostaje coś w rodzaju mini control tower, ale bez paneli 3D i ściany ekranów.

Przy takich rozwiązaniach ważne jest, by system nie był „czarną skrzynką”. W każdej rekomendacji zamówienia dodajemy wyjaśnienie: na podstawie jakich danych i reguł decyzja została podjęta. To szczególnie istotne, gdy księgowość pyta: „dlaczego nagle zamawiamy mniej tego, co zawsze zamawialiśmy tak samo?”. Wyjaśnialność jest też krytyczna przy audytach i certyfikacjach – regulatora zwykle mało interesuje, że „AI tak policzyła”.

Budżetowy system z AI – przykład Zoho Inventory

Zoho Inventory dobrze sprawdził się u jednego z moich klientów z branży spożywczej, 40 osób na produkcji, sprzedaż głównie B2B. Mieli bardzo proste potrzeby: przestać spóźniać się z zamówieniami na opakowania i dodatki, a jednocześnie nie zamrażać wszystkiego „na sezon” już w lutym.

Zoho daje monitoring stanów w czasie rzeczywistym i automatycznie wyliczane punkty ponownego zamówienia. Gdy system widzi, że zbliżasz się do progu, generuje dokument zamówienia w szablonie, który zatwierdza człowiek. Wariant darmowy wystarczał im przez pierwsze miesiące na zrobienie porządku w procesach. Dopiero kiedy zobaczyli, że liczba stock‑outów spadła wyraźnie (na poziomie rzędu 20–30% według ich własnych raportów), przeszli na płatny plan i rozbudowali integrację.

Budżetowe narzędzie ma jeszcze jedną zaletę: obniża barierę wejścia. Możesz przetestować koncept automatycznych progów zamówień bez podpisywania wieloletnich umów i przepychania się przez wielkie wdrożenie.

Zaawansowany planer BOM – przykład Netstock AI

W firmie produkującej maszyny pakujące pod Warszawą zobaczyłam klasyczny problem: prognozy sprzedaży gotowych wyrobów jeszcze jakoś działały, ale przełożenie ich na potrzeby materiałowe dla tysięcy komponentów w BOM‑ach kończyło się wieczornym siedzeniem planistki nad Excelem.

Netstock AI dokładnie w takie sytuacje celuje. Bierze prognozy lub plan sprzedaży wyrobów gotowych, rozkłada wszystko po BOM‑ach i wylicza wewnętrzne zapotrzebowanie na komponenty – z uwzględnieniem lead time’ów, MOQ, narzutów bezpieczeństwa. To tylko ogranicza nadmiar materiałów. też porządkuje harmonogram dostaw pod kątem warunków dostawców. Według danych Proalpha klienci, którzy wdrożyli tego typu rozwiązania, zmniejszyli liczbę pilnych zamówień o 20–40%.

Jest tu jednak jedno „ale”: precyzja BOM i kartotek. W jednej fabryce elementów plastikowych wyszło, że wagi surowców i normy zużycia różniły się od rzeczywistości na poziomie wspomnianych 5–10%. W takim scenariuszu nawet najlepszy planer będzie systematycznie przeszacowywał zamówienia. Dlatego tak mocno podkreślam – jakość danych kartotekowych jest wąskim gardłem większości projektów AI w zaopatrzeniu.

Inteligentny WMS i AI do kompletacji – kiedy magazyn zaczyna naprawdę „biegać”

W centrum dystrybucyjnym LPP w Gdańsku miałam okazję obejrzeć na żywo, jak zachowuje się magazyn wspierany przez PSIwms AI. Różnica w stosunku do klasycznego „chodzenia po magazynie z listą” jest kolosalna – to przypomina dobrze zorganizowany ruch uliczny zamiast chaosu na skrzyżowaniu bez świateł.

PSIwms AI rozwiązuje w praktyce wariant problemu komiwojażera: jak poprowadzić pracownika, żeby zebrał wszystkie pozycje po możliwie najkrótszej ścieżce. Według danych PSI Polska skraca to ścieżki kompletacji o około 30% i zwiększa wydajność kompletacji o 20–40%. Do tego dochodzi redukcja błędów pakowania i wydań, którą producenci WMS‑ów, tacy jak Mecalux czy Xpert Digital, szacują na poziomie 20–50% w projektach, gdzie wprowadzono skanowanie, walidację i inteligentne przydzielanie zadań.

Dla małej firmy produkcyjnej pełne WMS z cyfrowym bliźniakiem magazynu bywa poza zasięgiem finansowym. Natomiast nawet prostsze systemy, które wykorzystują AI do optymalizacji tras kompletacji czy rozmieszczenia towarów, potrafią bardzo mocno poprawić terminowość dostaw na produkcję. I znów – warstwa AI zadziała dobrze tylko wtedy, gdy ma sensowne dane: realne lead time’y, poprawne lokalizacje, aktualne stany.

Chmura i własne modele: Azure AI, Google Vertex AI

W zeszłym roku pracowałam z firmą z branży chemii gospodarczej spod Łodzi, która miała własny zespół analityków danych. Zamiast kupować gotowy system, postanowili zbudować własny model prognozowania zamówień na Azure AI. Zintegrowali dane z ERP, WMS i systemu sprzedażowego, dorzucili statystyki kampanii marketingowych i pogody. Rezultat? Bardzo „szyta na miarę” prognoza, idealnie dopasowana do ich specyfiki.

Platformy takie jak Azure AI czy Google Vertex AI dają dużą elastyczność, ale wymagają twardych kompetencji data science. Typowy schemat wdrożenia wygląda tak: najpierw porządkujemy dane (to zajmuje zaskakująco dużo czasu), potem budujemy i trenujemy model, następnie integrujemy go z ERP/WMS tak, żeby rekomendacje zamówień wchodziły do realnego procesu decyzyjnego. Na końcu dochodzi warstwa kontroli: człowiek musi mieć możliwość odrzucenia lub korekty rekomendacji, a każda decyzja powinna dawać się wyjaśnić.

Tutaj szczególnie ważne jest aktualizowanie lead time’ów na podstawie rzeczywistych dostaw. Po pandemii i kolejnych kryzysach geopolitycznych stare czasy dostaw bardzo często mijają się z rzeczywistością. Widziałam projekty, w których największe błędy AI brały się wyłącznie z tego, że model wierzył w „książkowe” 14 dni, podczas gdy realnie dostawy przychodziły po 21.

Jakie dane są naprawdę krytyczne

W jednej firmie z branży metalowej na Śląsku zrobiliśmy bardzo prosty eksperyment: zanim w ogóle włączyliśmy jakikolwiek moduł AI, przez miesiąc pracowaliśmy tylko nad danymi. Czyszczenie kartotek, dopinanie BOM‑ów, urealnienie lead time’ów, usunięcie duplikatów. Już to dało odczuwalną poprawę planowania, a AI tylko ten efekt zwielokrotniła.

Z mojego doświadczenia kluczowe są cztery grupy danych:

  • historia sprzedaży i/lub historia zużycia na produkcji – tylko ilości. też daty, by AI złapała sezonowość;

  • dane magazynowe – stany, lokalizacje, rezerwacje, daty ważności, jeśli pracujesz z surowcami wrażliwymi;

  • BOM (Bill of Materials) – poprawne struktury materiałowe, normy zużycia, jednostki miary;

  • lead time i minima logistyczne – realne, mierzone z dostaw, a nie „życzeniowe”.

Do tego dochodzą dane pomocnicze: kalendarz produkcji, okna dostaw, ograniczenia magazynowe. Często AI potrafi „oswoić” pojedyncze błędy czy anomalie (np. jednorazowy błąd operatora), ale jeśli dane systemowo są przesunięte o wspomniane kilka procent, to model będzie utrwalał ten błąd. Dlatego wolę etap „nudnego” porządkowania danych przed wdrożeniem niż potem walkę z pozornie niewytłumaczalnymi rekomendacjami.

Kiedy to w ogóle ma sens? Skala i wartość zapasów

W mikrofirmie produkującej kilka powtarzalnych wyrobów z kilkunastu komponentów, przy zapasach za kilkadziesiąt tysięcy złotych, próba wdrażania ciężkiego systemu AI to po prostu przerost formy nad treścią. Najpierw trzeba mieć problem, żeby opłacało się go rozwiązywać tak zaawansowanym narzędziem.

W praktyce widzę próg, w którym efekt skali zaczyna być wyraźny: kilkaset lub więcej SKU, zapasy liczone już w dziesiątkach. setkach tysięcy złotych, kilku–kilkunastu głównych dostawców z różnymi warunkami i czasami dostaw. W takich realiach ręczne zarządzanie zamówieniami to codzienne żonglowanie, które po prostu przestaje się domykać – a każda pomyłka kosztuje dużo.

Wtedy AI staje się narzędziem do „sprasowania” tej złożoności. Przejmuje żmudne liczenie, a człowiek skupia się na krytycznych wyjątkach: niedostępny materiał, załamanie u kluczowego dostawcy, nagły, strategiczny klient. Warunek: procesy są na tyle poukładane, że jest się do czego „wpiąć”.

Jak sensownie wdrożyć AI w małej firmie: krok po kroku (bez spiny)

W jednej firmie z branży HVAC umówiliśmy się od początku, że nie robimy „rewolucji od jutra”. Zaczęliśmy od krótkiej diagnozy, mapy procesów i określenia, gdzie są największe straty: czy w brakach, czy w nadmiarach, czy w czasie pracy ludzi.

Taki zdroworozsądkowy plan zwykle wygląda u mnie tak:

  1. Diagnoza i analiza – rozpoznajemy procesy zamówień, jakość danych, identyfikujemy najboleśniejsze punkty.

  2. Porządkowanie danych – kartoteki, BOM, lead time’y, jednostki miary. Nuda, ale bez tego nie ma sensu iść dalej.

  3. Pilotaż – włączamy moduł prognoz lub rekomendacji zamówień tylko na wybranej grupie asortymentu czy jednym magazynie. System działa równolegle do dotychczasowych procedur.

  4. Integracja z ERP/WMS – dopiero gdy pilotaż jest obiecujący, spinamy to „na twardo” z systemami, by dane płynęły automatycznie.

  5. Decyzje z zatwierdzeniem człowieka – AI proponuje, człowiek klika „akceptuj” lub koryguje. To etap budowania zaufania.

  6. Szkolenia i wsparcie – tłumaczę zespołowi tylko „jak klikać”. też jak czytać rekomendacje, skąd się biorą i gdzie wypada zachować czujność.

  7. Skalowanie – dopiero gdy na ograniczonym obszarze wszystko działa, rozszerzamy automatyzację na kolejne magazyny, grupy produktów czy kraje.

Taki etapowy model pozwala zminimalizować ryzyko i daje zespołowi czas, by oswoić się z nowym sposobem pracy.

Koszty, dotacje i kompetencje

W jednej firmie produkcyjnej na Mazowszu właściciel od razu powiedział: „Jak to ma kosztować tyle, co nowa linia produkcyjna, to ja dziękuję”. Skończyło się na sensownym kompromisie: lekkie narzędzie SaaS, porządkowanie danych wewnętrznie, a na część prac rozwojowych wzięli grant z Narodowego Centrum Badań i Rozwoju na projekt związany z automatyzacją i AI.

Koszt wdrożenia to nie tylko licencja. To także integracje, praca nad danymi, czas ludzi, szkolenia. Dlatego w projektach dla MŚP staram się dzielić to na paczki, które firma jest w stanie „przetrawić” i finansowo, i organizacyjnie. Często zaczynamy od tańszego, prostszego narzędzia, które już przynosi oszczędności, a dopiero później myślimy o bardziej zaawansowanych funkcjach.

Druga ważna rzecz to kompetencje. Nawet najlepszy system bez ludzi, którzy rozumieją jego logikę i potrafią wyciągać wnioski, stanie się wyłącznie generatorem rekomendacji „do szuflady”. Z mojego doświadczenia bardzo dobrze działa współpraca z uczelniami technicznymi czy firmami wyspecjalizowanymi w AI – szczególnie na etapie pierwszych wdrożeń. Potem część kompetencji naturalnie przechodzi do wewnątrz organizacji.

Czy AI zastąpi planistkę lub zaopatrzeniowca?

Pamiętam rozmowę z planistką w zakładzie metalowym pod Poznaniem. Popatrzyła na slajd z opisem systemu i powiedziała wprost: „Czy ja właśnie oglądam swoją następczynię?”. Kilka miesięcy później śmiałyśmy się z tego razem, bo okazało się, że pracy jej ubyło. zmienił się jej charakter.

AI bardzo skutecznie przejmuje to, co najbardziej męczące: przeklejanie danych, ręczne przeliczanie zapotrzebowania, przepisywanie zamówień. Człowiek zostaje przy decydowaniu o tym, co naprawdę istotne: zmiana dostawcy, inna strategia zapasu strategicznych komponentów, negocjacje warunków, priorytetyzacja zleceń.

Rola planistki czy zaopatrzeniowca przesuwa się z „operatora Excela” w stronę analityka i koordynatora. System coś policzył – ktoś musi sprawdzić, czy robi to na sensownych założeniach. Pojawiła się anomalia – ktoś musi zinterpretować, czy to błąd danych, czy realna zmiana w popycie. To praca bardziej wymagająca intelektualnie, ale też zwykle dużo ciekawsza niż wieczne pilnowanie stanów.

Co wybrać na start – i od czego zacząć jutro

W halach jednej z firm z branży tworzyw sztucznych w Pabianicach widziałam kiedyś tablicę na ścianie z ręcznie rysowanymi wskaźnikami: stan zapasów, liczba pilnych zamówień, opóźnienia w dostawach. Pomyślałam wtedy, że to świetny punkt wyjścia do decyzji o AI: najpierw zobacz, co Cię dziś naprawdę boli, i dopiero do tego dobierz narzędzie.

Jeśli masz:

  • kilka–kilkanaście kluczowych indeksów, z którymi ciągle masz braki – zacznij od prostego agenta lub budżetowego systemu z progami zamówień;

  • setki SKU i „puchnące” zapasy – sensowny będzie silnik prognoz połączony z ERP lub lekkim WMS‑em;

  • złożone BOM‑y i częste przestoje z braku komponentu – myśl o planerze BOM i systemie, który liczy potrzeby materiałowe od strony planu produkcji;

  • problemy z błędami i czasem kompletacji – szukaj WMS‑u z elementami AI do optymalizacji tras, rozmieszczenia i walidacji.

Zacząć możesz od bardzo prostej rzeczy: inwentaryzacji danych. Sprawdź, jak wyglądają BOM‑y, lead time’y, stany bezpieczeństwa, ilości „dokładane na wszelki wypadek”. Porozmawiaj z planistką, magazynierem, księgową – każdy z nich widzi inne kawałki układanki. Dopiero potem warto sięgać po AI.

Jeśli wykorzystasz sztuczną inteligencję jako warstwę nad dobrze opisanymi regułami zamówień, zyskasz dwa kluczowe efekty. Po pierwsze, realne oszczędności: mniej zamrożonego kapitału, mniej przestojów, mniej pilnych zamówień. Po drugie, przejrzystość – wiesz, dlaczego system podjął taką, a nie inną decyzję, i możesz ją zakwestionować, jeśli Twoja biznesowa intuicja podpowiada coś innego.

To właśnie taka symbioza ludzkiej kreatywności i algorytmicznej precyzji jest – z mojego doświadczenia – najbardziej skalowalnym modelem dla małych i średnich firm produkcyjnych.