PP: Czy AI w PLM realnie wspiera personalizację produktów dla klientów?

MC: Personalizacja przez lata oznaczała przede wszystkim drogą fanaberię dla wybranych grup produktowych, często o specjalistycznym przeznaczeniu (np. praca w laboratorium). Sztuczna inteligencja w systemach PLM zaczyna zmieniać te proporcje. Analizując dane z systemów CRM, historię zamówień, preferencje klientów i informacje z urządzeń działających w terenie, AI jest w stanie wskazać konfiguracje produktu, które najlepiej odpowiadają konkretnym segmentom odbiorców. W przypadku bardziej złożonych rozwiązań może wręcz podpowiadać warianty projektowe dopasowane do specyficznych warunków eksploatacji.

Kluczowe jest to, że dzieje się to w ramach zintegrowanego środowiska PLM. Propozycje personalizacji od razu uwzględniają ograniczenia produkcyjne, koszty materiałów, dostępność komponentów czy harmonogramy dostaw. Z perspektywy klienta oznacza to bardziej dopasowany produkt, z perspektywy producenta to możliwość masowej kastomizacji.

PP: Jakie są główne bariery we wdrażaniu AI w PLM w firmach przemysłowych?

MC: Obietnice są imponujące, ale codzienność wdrożeń bywa rozczarowująca. Pierwsza i najbardziej przyziemna bariera to dane: rozproszone między działami, zapisane w różnych formatach, często nieopisane w sposób, który pozwala je sensownie wykorzystać. Bez uporządkowanej bazy projektów, historii zmian, danych produkcyjnych i serwisowych nawet najlepszy algorytm będzie jedynie efektywnym generatorem pytań, a nie odpowiedzi.

Drugi problem to integracja z istniejącą infrastrukturą IT. W wielu zakładach przemysłowych systemy PLM, ERP, MES i rozwiązania automatyki mają po dekadę lub dwie i nie były projektowane z myślą o współpracy z modelami uczenia maszynowego czy usługami chmurowymi. Dodanie AI wymaga więc albo modernizacji, albo budowania dodatkowych warstw integracyjnych, co oznacza czas, pieniądze i ryzyko. Trzecią barierą są kompetencje: inżynierowie nie muszą stawać się data scientistami, ale powinni rozumieć, co potrafi AI, a czego nie; specjaliści IT z kolei muszą nauczyć się języka procesów produkcyjnych.

Do tego dochodzi kwestia zaufania. W branżach o wysokiej odpowiedzialności, takich jak lotnictwo czy motoryzacja, decyzja „bo tak powiedział model” po prostu nie przejdzie. Wreszcie, na horyzoncie pojawiają się regulacje, od RODO po unijny AI Act, które nakładają dodatkowe wymagania na systemy wysokiego ryzyka. W praktyce oznacza to, że wdrożenie AI w PLM jest projektem strategicznym, nie tylko technologicznym i wymaga cierpliwości, której często brakuje tam, gdzie przyzwyczajono się do kwartalnych KPI.

PP: Jak na tym tle wypadają polskie firmy? Czy wdrażanie AI w PLM ma u nas swoje lokalne specyfiki?

MC: Polscy producenci nie są w awangardzie, ale zdecydowanie sporo brakuje nam od europejskiej elity. W wielu zakładach AI pojawia się na razie jako warstwa wspomagająca: analizy danych o awariach, monitoring wydajności maszyn, rekomendacje zmian w parametrach procesów, a nie pełne autonomiczne systemy projektujące nowe produkty od zera. Typowy scenariusz to integracja modułów AI z istniejącymi systemami ERP i PLM, często we współpracy z uczelniami, startupami lub wyspecjalizowanymi firmami doradczymi.

Lokalne wyzwania są dość konkretne. Po pierwsze, znów dane: wiele przedsiębiorstw dopiero zaczyna poważnie porządkować swoje zasoby informacyjne, budować hurtownie i architektury, które pozwalają trenować modele na czymś innym niż fragmentaryczne raporty z ostatnich trzech lat. Po drugie, otoczenie regulacyjne. Systemy AI muszą być zgodne z RODO, a od sierpnia 2024 roku także z unijnym AI Act, który wprost dotyka rozwiązań stosowanych w przemyśle. Po trzecie, niedobór kadr. Inżynierowie PLM nie zawsze mają doświadczenie z uczeniem maszynowym, specjaliści AI rzadko znają od podszewki realia produkcji seryjnej.

Do tego dochodzą bardziej przyziemne kwestie: ograniczone budżety IT, infrastruktura, która pamięta jeszcze pierwsze projekty „Przemysł 4.0”, oraz naturalna ostrożność w sięganiu po technologie, których pełne efekty widać dopiero po pewnym czasie. Z drugiej strony, krajowe strategie rozwoju AI i programy wsparcia transformacji cyfrowej sprawiają, że koszt wejścia w ten świat stopniowo maleje. Coraz więcej firm dochodzi do momentu, w którym zamiast debatować, „czy AI ma sens w PLM”, zaczyna układać listę procesów, które jako pierwsze odda pod lupę algorytmów.

Być może właśnie tu kryje się sedno. Sztuczna inteligencja w projektowaniu i zarządzaniu cyklem życia produktu nie obiecuje cudów, obiecuje konsekwencję: w danych, w decyzjach, w procesach. A to, czy wykorzystamy ją po to, by przyspieszyć jeszcze jedną kampanię reklamową, czy po to, by zaprojektować lepszy produkt, zostanie już zapisane nie w kodzie algorytmów, lecz w strategiach firm, które dziś decydują, co naprawdę chcą mierzyć.

Źródło: Tailors group