Prípadová štúdia: ako sme nasadili AI do českej výroby

Táto prípadová štúdia opisuje reálne nasadenie AI v českej strojárskej firme. Meno klienta neuvádzame pre NDA, ale čísla a postup vychádzajú z reálneho projektu. Počas 14 mesiacov sme nasadili AI v kvalite, plánovaní, back-office a zákazníckej podpore.

Článok je určený pre CFO, COO a IT lídrov, ktorí chcú vidieť praktické rozhodnutia, náklady, chyby a výsledky, nie marketingovú prezentáciu.

1. Profil klienta

• Sektor: strojárska výroba pre automotive a aerospace
• Lokalita: Stredočeský kraj
• Zamestnanci: 180, z toho väčšina vo výrobe
• Obrat: 320 mil. Kč ročne
• ERP: Helios iNuvio + custom MES
• Typ výroby: strednosériová výroba, približne 120 SKU a zákaznícke úpravy

2. Stav pred nasadením AI

Kontrola kvality

Visual inspection na konci linky robili QC technici. Defect rate na výstupe bol citeľný a reklamácie stáli firmu milióny Kč ročne.

Plánovanie výroby

Plánovač a disponenti pracovali v Exceli. Plán bol fixný, zmeny sa riešili ručne a oneskorenia sa prenášali do celej výroby.

Back-office

Objednávky, faktúry, nákupné požiadavky a onboarding zákazníkov vyžadovali veľa ručného prepisovania.

Zákaznícka podpora

Zákazníci sa pýtali na termíny, stav objednávky a technické detaily. Odpovede záviseli od toho, kto práve otvoril ERP a MES.

3. AI stratégia

Nenasadili sme „AI všade“. Vybrali sme štyri scenáre s jasným dopadom: AI vision pre kvalitu, back-office agent, plánovanie výroby a zákaznícka podpora. Každý scenár mal vlastné KPI, pilota a rozhodovací míľnik.

4. AI vision pre kontrolu kvality

Technický stack

Kamerový systém na linke, vision model pre detekciu defektov, napojenie na MES a dashboard pre QC tím. AI nerozhodovala sama o vyradení všetkého; rizikové prípady posielala technikovi.

Implementácia

Najprv sme zbierali a anotovali vzorky. Potom bežal model paralelne s ľudskou kontrolou. Až po overení presnosti sa zapojil do produkčného workflow.

Výsledky

Defekty sa zachytávali skôr, klesol počet reklamácií a QC tím sa presunul od monotónnej vizuálnej kontroly k riešeniu výnimiek a príčin chýb.

5. AI back-office agent

Vyťažovanie faktúr

Agent čítal PDF faktúry, porovnával ich s objednávkami a pripravoval údaje do účtovného systému.

Automatizácia nákupu

Pri opakovaných položkách agent navrhoval nákupné objednávky podľa stavu skladu, dodacích lehôt a spotreby.

Customer onboarding

Nový zákazník už neznamenal sériu ručných e-mailov a prepisov. Agent pripravil podklady, skontroloval chýbajúce údaje a otvoril výnimky.

6. AI plánovanie výroby

Plánovanie sme nenahradili čiernou skrinkou. AI navrhovala plán podľa kapacít, dostupnosti materiálu, termínov a priority zákazníkov. Plánovač mal posledné slovo, ale dostal lepšie varianty a rýchlejšie prepočty.

Finančný dopad vznikol z kratších prestojov, menšieho množstva urgentných zmien, lepšej dostupnosti materiálu a stabilnejších termínov dodania.

7. AI customer support

Agent čítal znalostnú bázu, ERP a stav objednávok. Zákazník dostal rýchlejšiu odpoveď na bežné otázky, zatiaľ čo technické alebo obchodne citlivé prípady smerovali na človeka.

8. Súhrn finančného dopadu

Najväčší prínos prišiel z menšieho počtu reklamácií, nižšej ručnej práce v back-office, lepšieho plánovania a rýchlejšej zákazníckej komunikácie. Celková návratnosť sa merala v mesiacoch, nie rokoch.

9. Časový harmonogram

• Mesiac 1 až 2: audit procesov a dát.
• Mesiac 3 až 5: pilot AI vision a back-office agenta.
• Mesiac 6 až 9: produkčné nasadenie prvých scenárov.
• Mesiac 10 až 14: plánovanie výroby, zákaznícka podpora a optimalizácia.

10. Lessons learned

Čo fungovalo dobre

• Začať scenármi s jasným finančným dopadom.
• Nechať človeka schvaľovať výnimky.
• Meranie pred a po, nie dojmy.
• Zapojenie výroby, kvality a IT od začiatku.

Čo by sme dnes urobili inak

• Skôr by sme začali s dátovým auditom.
• Viac času by sme dali zmene interných návykov.
• Niektoré integrácie do MES by sme navrhli modulárnejšie.

11. Financovanie

Projekt sa dal rozdeliť na samostatné fázy, čo uľahčilo schvaľovanie. Pri podobných projektoch firmy často kombinujú vlastný rozpočet, dotačné programy a interné investičné fondy na automatizáciu.

12. Kľúčové posolstvá

• AI vo výrobe nie je iba chatbot.
• Najväčší dopad býva v kvalite, plánovaní a back-office.
• Bez dátového auditu sa projekt predraží.
• Človek má ostať pri výnimkách a zodpovednosti.
• Postupné nasadenie je bezpečnejšie než veľký skok.

Záver: AI vo výrobe je zrelá technológia

Výrobná firma nemusí čakať na dokonalý Industry 4.0 projekt. Stačí vybrať konkrétny problém, pripraviť dáta, spustiť pilot a merať výsledok. AI už dnes dokáže zlepšiť kvalitu, plánovanie aj administratívu.

Ak chcete posúdiť AI scenáre vo výrobe, napíšte nám. Prejdeme procesy, dáta a pripravíme roadmapu s návratnosťou.

Často kladené otázky (FAQ)

Koľko stojí AI vo výrobnej firme?

Jednotlivý pilot môže stáť stovky tisíc Kč, širšie nasadenie milióny. Rozhoduje počet liniek, integrácie, dáta a požiadavky na dostupnosť.

Bude AI prepúšťať zamestnancov?

V tomto type projektov najčastejšie presúva ľudí z rutiny na výnimky, kontrolu a zlepšovanie procesov. Dopad závisí od cieľa firmy.

Dá sa AI nasadiť postupne?

Áno. Je to odporúčaný postup: jeden proces, pilot, meranie, rozšírenie.