AI najczęściej kojarzy się z chatbotami i marketingiem, tymczasem po cichu odchudza przegrody w samolotach, przyspiesza symulacje crash testów i wskazuje części maszyn, które nie dożyją końca gwarancji. Coraz częściej robi to już nie w zamkniętych „labach innowacji”, lecz w samym środku systemów PLM. W tym wywiadzie sprawdzamy, co sztuczna inteligencja naprawdę zmienia w projektowaniu produktów – i dlaczego brak strategii AI staje się dla producentów coraz bardziej kosztowny.

Wywiad z Markiem Cendrowiczem ujęty w tekście jako „MC” współredagowany przez redakcję PortalPrzemyslowy.pl ujętym w tekście jako „PP”.

Inżynierowie Airbusa postanowili kiedyś sprawdzić, co się stanie, jeśli zamiast klasycznych reguł projektowania oddadzą przegrodę kabiny A320 w ręce algorytmów generatywnych. Efekt? „Bioniczna” ściana działowa, zaprojektowana obliczeniowo i wydrukowana w 3D okazała się blisko o połowę lżejsza od standardowego rozwiązania, a przy tym spełniała surowe wymagania wytrzymałościowe. Nie jest to jeszcze „AI” z nagłówków, a raczej pokaz, jak daleko mogą zajść algorytmy, gdy pozwolimy im szukać rozwiązań poza inżynierskimi nawykami.

BMW idzie krok dalej: buduje wirtualne bliźniaki ponad 30 fabryk i dokłada do nich generatywne oraz agentowe systemy AI. Według oficjalnych komunikatów koncernu te wirtualne zakłady produkcyjne mogą obniżyć koszty planowania produkcji nawet o 1/3, a to, co kiedyś wymagało czterech tygodni fizycznych testów na linii, dziś da się zasymulować w trzy dni.

W tle widać większe przesunięcie. McKinsey szacuje, że sama generatywna AI może zwiększyć produktywność badań i rozwoju o równowartość 10–15 proc. całkowitych kosztów B+R, a w skali gospodarki dodać od 2,6 do 4,4 bln USD rocznie. Jednocześnie dane Eurostatu pokazują, że z technologii AI korzysta już 13,5 proc. firm w UE zatrudniających co najmniej dziesięć osób, a wśród dużych przedsiębiorstw to ponad 40 proc. To nie jest już wyłącznie atrybut największych firm na świecie, tylko narzędzie, które po cichu staje się nowym standardem.

Na tej osi między „bioniczną” przegrodą a wirtualną fabryką i twardymi danymi o wzroście produktywności pojawia się AI-native PLM. Już nie jako kolejny moduł IT, lecz cyfrowy kręgosłup organizacji, który łączy ludzi, dane i procesy od pierwszego szkicu po serwis i wycofanie produktu z rynku. Pytanie, które dziś zadają sobie producenci, brzmi więc mniej więcej tak: nie „czy” wpuszczać sztuczną inteligencję do procesu projektowania, ale „jak” to zrobić, żeby faktycznie skrócić time-to-market i podnieść jakość zanim konkurencja zacznie traktować to jako oczywistość, a nie przewagę.

To właśnie ten praktyczny wymiar jest osią rozmowy z Markiem Cendrowiczem, Architektem rozwiązań PLM w Transition Technologies PSC.

PP: Jak sztuczna inteligencja przyspiesza etap projektowania produktu w środowisku PLM? Czy da się wskazać moment, w którym algorytmy realnie skracają czas symulacji lub testów?

MC: Generative design to dla wielu firm pierwszy punkt styku z AI w projektowaniu. Inżynier, zamiast żmudnie tworzyć kolejne wersje konstrukcji definiuje warunki brzegowe: materiał, obciążenia, ograniczenia geometryczne, a algorytm w odpowiedzi generuje dziesiątki, czasem setki możliwych wariantów. Równolegle system od razu pokazuje, jak każda z tych zmian wpływa na inne komponenty, masę, koszty, a nawet ślad węglowy. To, co wcześniej zajmowało tygodnie iteracji i uzgodnień, zaczyna mieścić się w jednym popołudniu.

Sztuczna inteligencja uczy się przede wszystkim na przeszłości. Modele analizują dane historyczne, wracają do udanych i nieudanych projektów, wyciągają z nich wzorce i podpowiadają rozwiązania, które minimalizują ryzyko powtórzenia tych samych błędów. Dzięki tzw. modelom zastępczym można przewidywać wyniki złożonych symulacji bez każdorazowego uruchamiania pełnych obliczeń. W praktyce oznacza to skrócenie czasu liczonych scenariuszy nawet o 80–90 procent. Airbus wykorzystuje uczenie maszynowe, aby prognozować wyniki symulacji aerodynamicznych, redukując czas oczekiwania z dni do minut. BMW integruje algorytmy AI z PLM, aby szybciej przewidywać zachowanie komponentów w różnych warunkach i skracać czas testów o jedną trzecią, czasem więcej. Z tej perspektywy AI nie jest więc konkurencją dla inżyniera, ale wyjątkowo cierpliwym i wydajnym asystentem.

PP: W jaki sposób AI pomaga w rekomendowaniu zmian w produkcie na etapie prototypu?

MC: Faza prototypowania to moment, w którym produkt przestaje być zbiorem wytycznych, a zaczyna zdradzać swoje prawdziwe oblicze. Sztuczna inteligencja porządkuje ten etap. Łączy dane z wcześniejszych projektów, wyniki aktualnych testów, wnioski z symulacji i informacje z laboratoriów, żeby wychwycić wzorce w wydajności, trwałości czy ergonomii. Na tej podstawie podpowiada, które miejsca konstrukcji są nadmiernie przeciążone, gdzie materiał pracuje na granicy swoich możliwości, a gdzie komponenty są rozmieszczone tak, że proszą się o przyszłe problemy serwisowe.