Sztuczna inteligencja (AI) w przemyśle — zastosowania, koszty, przepisy

Czym jest AI w przemyśle 4.0 — zastosowania na pierwszy rzut oka

Automatyzacja procesów produkcyjnych i rola AI

Przemysł 4.0 łączy automatyzację procesów produkcyjnych, internet rzeczy i sztuczną inteligencję w jeden ekosystem. AI przemysłowa (Industrial AI) różni się od ogólnej sztucznej inteligencji jednym kluczowym aspektem: działa na danych z czujników, sterowników PLC, systemów SCADA, MES i ERP — nie na tekstach czy obrazach z internetu. Przetwarza odczyty temperatury, wibracji, ciśnienia i prądu, by w ułamku sekundy wykryć anomalię, której operator nie zauważyłby przez godziny.

Globalny segment AI dla produkcji rośnie szybko: według prognozy MarketsandMarkets z 2023 roku ma on urosnąć z 3,2 mld USD (2023) do 20,8 mld USD w 2028 roku, przy CAGR 45,6%. To prognoza sprzed trzech lat — traktuj ją jako rząd wielkości, nie jako aktualny pomiar rynku. W Polsce odsetek średnich i dużych firm z pierwszymi wdrożeniami AI wzrósł z 25% (2024) do 34% — wynika z badania EY na próbie 499 przedsiębiorstw, przeprowadzonego w IV kwartale 2025.

Sześć głównych obszarów zastosowań AI w przemyśle:

Najczęściej wdrażanym zastosowaniem z tej tabeli jest predykcyjne utrzymanie ruchu. Zamiast serwisować maszynę co określoną liczbę godzin albo czekać na awarię, model uczenia maszynowego śledzi wibracje, temperaturę i pobór prądu, a potem sygnalizuje, kiedy usterka faktycznie się zbliża. McKinsey szacował redukcję przestojów na 30–50% (analiza z sierpnia 2017). To potencjał zmierzony na wdrożeniach sprzed niemal dekady, a nie gwarantowany wynik. Szczegóły rozbieramy osobno: predykcyjne utrzymanie ruchu — kiedy się zwraca, interwał P-F, baseline.

Kontrola jakości z AI — computer vision na linii produkcyjnej

Systemy wizyjne AI to drugie najpopularniejsze zastosowanie sztucznej inteligencji w produkcji. Kamery przemysłowe z algorytmami deep learning analizują każdy produkt na linii — w czasie rzeczywistym, 24/7, bez spadku koncentracji.

Jak działa inspekcja AI

Kamera rejestruje obraz produktu (zdjęcie 2D lub skan 3D). Algorytm computer vision — najczęściej konwolucyjna sieć neuronowa (CNN) wytrenowana na tysiącach zdjęć wadliwych i prawidłowych produktów — klasyfikuje element jako OK lub NOK w milisekundach. Zaawansowane systemy lokalizują konkretny defekt: mikropęknięcie, wtrącenie, odchylenie wymiarowe, wadę powłoki.

Zastosowania w polskim przemyśle: wykrywanie mikropęknięć w metalach (automotive), kontrola spawów, inspekcja opakowań, weryfikacja kompletności montażu.

AI vs inspekcja manualna — porównanie

Przewaga AI nie polega na tym, że „widzi lepiej” niż człowiek — tylko na tym, że ocenia każdą sztukę tak samo, bez spadku uwagi. Dlatego computer vision zwykle nie zastępuje inspektorów: przejmuje kontrolę 100% produkcji, a ludzie przechodzą do oceny przypadków spornych i nietypowych wad, których model nie zna.

AI a robotyzacja — czym się różnią i kiedy co wybrać

To najczęściej mylone pojęcia w polskim przemyśle. „Wdrażamy AI” pada zarówno przy instalacji prostego ramienia robotycznego, jak i przy zaawansowanym systemie predykcyjnym. Tymczasem AI, RPA i tradycyjna automatyzacja PLC to trzy różne technologie z różnymi zastosowaniami.

Uwaga: widełki kosztowe i czas zwrotu podajemy jako rząd wielkości, bo w Polsce nie istnieje publiczny, reprezentatywny benchmark cen wdrożeń AI w przemyśle. Każdą ofertę trzeba wycenić indywidualnie.

Kiedy wybrać AI: proces jest zmienny, dane historyczne są dostępne, a decyzje wymagają analizy wielu czynników jednocześnie — np. optymalizacja parametrów produkcji.

Kiedy wybrać RPA: proces jest cyfrowy, powtarzalny i oparty na jasnych regułach — np. przenoszenie zamówień z e-maila do ERP.

Kiedy wybrać automatyzację PLC: proces jest fizyczny, powtarzalny i nie wymaga podejmowania decyzji — np. paletyzacja, spawanie cykliczne.

Coraz częściej te technologie współdziałają. Coboty (roboty współpracujące) sterowane przez AI adaptują swoje ruchy do kształtu obrabianego elementu — łączą fizyczną automatyzację z inteligentną adaptacją. Więcej o różnicach między tymi podejściami znajdziesz w naszym artykule o automatyzacji procesów biznesowych z AI, a to, jak przeprowadzić wdrożenie na hali od wyboru przypadku po skalowanie, rozkładamy w tekście o AI w produkcji.

Punkt startu: Polska jest krajem słabo zrobotyzowanym

Zanim zaczniesz planować AI, warto znać skalę zaplecza. Według IFR World Robotics 2025 gęstość robotyzacji w Polsce wynosi 81 robotów na 10 tys. pracowników przemysłu — przy średniej światowej 132 i średniej UE-27 na poziomie 231. Polski przemysł jest zrobotyzowany około trzykrotnie słabiej niż unijna średnia. Ma to bezpośrednie konsekwencje dla AI: mniej robotów i mniej nowoczesnych maszyn oznacza mniej czujników, a więc mniej danych, na których model mógłby się uczyć. Dlatego w wielu polskich zakładach pierwszym krokiem „wdrożenia AI” jest w praktyce doposażenie maszyn w czujniki — a jego koszt zależy głównie od tego, jaką magistralą mówi maszyna. Szerzej o tym w tekście o robotyzacji.

Ulga na robotyzację nie sfinansuje Twojego projektu AI

To najczęstsze nieporozumienie w rozmowach o finansowaniu. Ulga na robotyzację (art. 38eb ustawy o CIT) nie obejmuje oprogramowania AI ani RPA. Przepis pozwala odliczyć dodatkowe 50% kosztów uzyskania przychodu, ale wymaga zakupu fabrycznie nowego robota przemysłowego — maszyny automatycznie sterowanej, programowalnej, wielozadaniowej, stacjonarnej lub mobilnej, o co najmniej 3 stopniach swobody. System predykcyjnego utrzymania ruchu ani model computer vision tego warunku nie spełniają. Odliczyć można natomiast oprogramowanie i czujniki funkcjonalnie związane z takim robotem.

Druga rzecz, o której trzeba wiedzieć przy planowaniu budżetu: ulga przysługuje na koszty poniesione do końca roku podatkowego rozpoczętego w 2026 roku (art. 38eb ust. 5). Rada Ministrów zajęła 6 marca 2026 roku negatywne stanowisko wobec poselskiego projektu jej przedłużenia (druk sejmowy nr 1708). Jeśli Twój plan inwestycyjny zakłada rozliczenie ulgi w 2027 roku — na dziś nie ma do tego podstawy prawnej.

Z zestawienia tych dwóch terminów wychodzi konsekwencja, której nie widać w żadnym z osobna. Robot przemysłowy kupiony w 2026 roku łapie jeszcze jedno i drugie: ulgę na robotyzację i ocenę zgodności według starej dyrektywy maszynowej 2006/42/WE. Ten sam robot kupiony w 2027 roku nie łapie żadnego z nich — ulga wygasa, a od 20 stycznia 2027 obowiązkowo stosuje się nowe rozporządzenie maszynowe (UE) 2023/1230. Jeśli masz w planie inwestycyjnym zakup robota i realny wybór co do terminu, to nie jest niuans księgowy, tylko różnica w koszcie i w ścieżce certyfikacji.

Polskie fabryki z AI — case studies i dane

Produkcja jest jedną z branż najbardziej zaawansowanych we wdrożeniach AI w Polsce. Dane z badania EY „Jak polskie firmy wdrażają AI” (lipiec 2025):

• 30% firm produkcyjnych dokonało już pierwszych wdrożeń AI, a 37% jest w trakcie wdrożenia
• 79% firm, które wdrożyły AI, osiągnęło zamierzone korzyści biznesowe
• 30% odnotowało wzrost produktywności o 21–40%, a kolejne 33% — wzrost o 11–20%
• 23% firm produkcyjnych określa priorytet AI jako „bardzo wysoki” — więcej niż w usługach (16%) i handlu (7%)

Wśród średnich i dużych firm ze wszystkich sektorów odsetek z pierwszymi wdrożeniami AI wzrósł z 25% (2024) do 34% — badanie EY z IV kwartału 2025, próba 499 przedsiębiorstw.

Dlaczego dane GUS mówią coś zupełnie innego

Te liczby trzeba zestawić z jedynym źródłem, które bada całą populację firm, a nie próbę dobraną przez firmę doradczą. Według GUS, „Społeczeństwo informacyjne w Polsce w 2025 r.” w 2025 roku sztucznej inteligencji używało 8,7% polskich przedsiębiorstw (wobec 5,9% rok wcześniej). Rozkład wg wielkości: duże firmy 42%, średnie 15,6%, małe 6,1%. Średnia unijna to 20,0% (Eurostat, Use of artificial intelligence in enterprises).

Skąd rozbieżność „30% firm produkcyjnych” (EY) kontra „8,7% firm” (GUS)? To nie sprzeczność, tylko dwie różne próby — rozbieżność między statystykami adopcji AI rozbieramy szerzej na danych z całej gospodarki. EY badał 499 średnich i dużych przedsiębiorstw — czyli ten segment, w którym adopcja AI faktycznie sięga kilkudziesięciu procent. GUS liczy wszystkie firmy powyżej 9 pracujących, łącznie z tysiącami zakładów, w których nie ma nawet MES. Praktyczny wniosek dla decydenta: jeśli prowadzisz dużą fabrykę, punktem odniesienia jest liczba EY i konkurencja rzeczywiście już wdraża. Jeśli prowadzisz zakład 30-osobowy, realnym benchmarkiem jest raczej 6,1% — i nie jesteś spóźniony, tylko typowy.

Główne bariery wdrożenia

Bariery wskazywane w najnowszej edycji badania EY:

1. Bezpieczeństwo danych (39%) — obawy o wyciek danych produkcyjnych, zwłaszcza przy rozwiązaniach chmurowych
2. Trudności technologiczne (34%) — łączenie AI z legacy SCADA, MES i ERP, których producent nie aktualizuje od lat
3. Brak dostępu do ekspertów (22%) — deficyt kompetencji po stronie firmy, nie tylko dostawcy

Warto też znać drugą stronę bilansu: tylko 51% firm deklaruje, że wdrożona AI realnie działa i przynosi korzyści, a około połowa mierzy się z rozczarowaniem lub niepełnym zwrotem z inwestycji. Jedynie 9% ma infrastrukturę danych faktycznie gotową do zasilania modeli AI.

Polskie wdrożenia AI w przemyśle

Uczciwa uwaga o polskich case studies: dostawcy AI chętnie podają procenty, ale prawie nigdy nie ujawniają metodologii ani punktu odniesienia, a same fabryki rzadko zgadzają się na publikację nazwy. Dlatego w tabeli powyżej znajdziesz wyłącznie wyniki, które ktoś publicznie firmuje nazwiskiem lub nazwą firmy. Anonimowe „wzrost wydajności o 19% w fabryce pod Poznaniem” bez dostępnego źródła traktuj jako materiał marketingowy, nie jako benchmark — również wtedy, gdy trafi do Ciebie z prezentacji dostawcy.

Ile kosztuje wdrożenie AI w produkcji — ROI i kalkulacja

Decydent, który musi uzasadnić inwestycję przed zarządem, potrzebuje konkretnych liczb — i tu zaczyna się problem. Nie istnieje publiczny, reprezentatywny cennik wdrożeń AI w polskim przemyśle. Kwoty krążące po prezentacjach dostawców („kontrola jakości: 380 tys. PLN, ROI 124%”) nie mają za sobą metodologii, próby ani źródła, które dałoby się otworzyć. Nie powtarzamy ich tutaj.

Zamiast fałszywej precyzji — struktura kosztu, którą musisz wycenić u siebie:

Z czego składa się budżet wdrożenia

Jak realnie oszacować koszt: poproś minimum trzech dostawców o wycenę tego samego, precyzyjnie opisanego przypadku (jedna linia, jedna maszyna, jeden wskaźnik) i o referencje z zakładu o zbliżonej skali. Rozrzut ofert powie Ci więcej niż jakikolwiek benchmark z internetu.

Kompleksowe porównanie kosztów AI na tle innych inwestycji technologicznych znajdziesz w przewodniku AI dla firm.

Wdrożenie AI w fabryce — w skrócie

Skuteczne wdrożenie zaczyna się od problemu biznesowego, nie od technologii. W zarysie wygląda tak:

1. Wybór przypadku — jeden mierzalny problem (przestoje, braki, reklamacje), a nie „wdrożenie AI” w ogóle.
2. Dane — cyfrowa historia odczytów z maszyn. Bez niej model nie ma na czym się uczyć.
3. Baseline i KPI — zmierzony stan wyjściowy wskaźnika, który AI ma poprawić.
4. Pilotaż — jedna linia albo jedna maszyna, zanim zapadnie decyzja o całym zakładzie.
5. Skalowanie — etapami, linia po linii, aż do całego zakładu, z regularnym retreningiem modelu.

Całą procedurę, razem z checklistą gotowości, opisujemy w osobnym tekście: jak wdrożyć AI w produkcji krok po kroku — wybór przypadku, dane, pilotaż, skalowanie. Jeśli w zakładzie brakuje fundamentów (cyfrowych danych, czujników, łączności), realnym pierwszym etapem są wcześniejsze kroki transformacji cyfrowej.

AI Act i regulacje — co musi wiedzieć polski przemysł

AI Act (rozporządzenie 2024/1689) wszedł w życie 1 sierpnia 2024 roku i jest wdrażany etapami. Uwaga: harmonogram zmienił się w połowie 2026 roku. Pakiet Digital Omnibus — przyjęty przez Parlament Europejski 16 czerwca 2026 i ostatecznie zatwierdzony przez Radę UE 29 czerwca 2026 — przesunął obowiązki dla systemów wysokiego ryzyka. Jeśli gdzieś czytałeś, że „AI Act staje się w pełni egzekwowalny 2 sierpnia 2026”, to nieaktualny kalendarz. Wiele serwisów wciąż go publikuje.

Dwie ścieżki wysokiego ryzyka — a przemysł idzie nimi obiema:

To rozróżnienie ma praktyczne znaczenie. Fabryka, która produkuje maszyny z komponentem AI, wchodzi w ścieżkę załącznika I — ocena zgodności AI idzie wtedy w parze z oceną zgodności samej maszyny wg Machinery Regulation. Fabryka, która tylko używa AI do oceny wydajności pracowników, wchodzi w ścieżkę załącznika III. Wiele zakładów jest w obu jednocześnie i ma dwa różne terminy.

Pozostałe poziomy ryzyka:

• Minimalne ryzyko — większość zastosowań opisanych w tym artykule: predykcyjne utrzymanie ruchu, kontrola jakości computer vision, optymalizacja planowania, predykcja popytu. Brak dodatkowych obowiązków. To najczęściej pomijany fakt: typowa AI przemysłowa nie jest systemem wysokiego ryzyka.
• Ograniczone ryzyko (art. 50) — obowiązek przejrzystości: chatboty i systemy generujące treść muszą informować, że odpowiedź tworzy AI. Ten termin nie został przesunięty — obowiązuje od 2 sierpnia 2026 (dla systemów generatywnych obecnych na rynku wcześniej przewidziano okres przejściowy na znakowanie maszynowe do 2 grudnia 2026). Jeśli masz chatbota obsługi klienta lub asystenta AI dla operatorów, to jest data, która dotyczy Cię najwcześniej.
• Praktyki zakazane (art. 5) — obowiązują od 2 lutego 2025. W przemyśle najbardziej realne ryzyko to rozpoznawanie emocji pracowników w miejscu pracy. Kary do 35 mln EUR lub 7% światowego obrotu.

Kary za naruszenie obowiązków dotyczących systemów wysokiego ryzyka i art. 50 sięgają 15 mln EUR lub 3% światowego rocznego obrotu — kwoty wyższej (art. 99 ust. 4).

Rozporządzenie maszynowe wyprzedza AI Act o półtora roku

To termin, który w praktyce uderzy w producentów maszyn wcześniej niż sam AI Act. Rozporządzenie (UE) 2023/1230 (Machinery Regulation) zaczyna być obowiązkowo stosowane 20 stycznia 2027 roku (Komisja Europejska) i zastępuje dotychczasową dyrektywę maszynową 2006/42/WE. Kluczowa zmiana dla AI: rozporządzenie obejmuje wprost oprogramowanie pełniące funkcję bezpieczeństwa oraz systemy o zachowaniu ewoluującym (self-evolving behaviour) — czyli takie, które zmieniają się po wprowadzeniu maszyny na rynek. Klasyczna dyrektywa zakładała, że maszyna po certyfikacji już się nie zmienia; model uczący się na nowych danych to założenie łamie.

Praktyczna kolejność dat dla producenta maszyny z AI: 20.01.2027 — rozporządzenie maszynowe, 2.08.2028 — obowiązki AI Act dla wysokiego ryzyka z załącznika I. Do tego norma IEC 62443 (cyberbezpieczeństwo systemów przemysłowych OT) i PN-EN ISO 13849-1 (bezpieczeństwo funkcjonalne układów sterowania). Dyrektywa NIS2 nakłada dodatkowo obowiązek raportowania incydentów cyberbezpieczeństwa — w tym dotyczących systemów AI.

Praktyczna rada: jeśli AI w Twojej fabryce wpływa na ruch maszyny lub decyduje o parametrach bezpieczeństwa — skonsultuj klasyfikację ryzyka z prawnikiem specjalizującym się w AI Act, zanim rozpoczniesz wdrożenie. Powyższe to skrót stanu prawnego, nie porada prawna.

Najczęściej zadawane pytania o AI w przemyśle