Souhrn
Výrobní firmy často selhávají při nasazování AI, protože se soustředí na technologii samotnou místo na konkrétní obchodní výsledky. Podle odhadů uvázne až 90 % pilotních AI projektů dříve, než se podaří nasadit v plném rozsahu. Hlavní překážkou není špatný algoritmus, ale fragmentovaná, nekvalitní nebo izolovaná data.
Klíčové body
- Většina AI pilotů selhává kvůli špatné kvalitě dat a jejich izolaci v datových silách.
- Mezi IT a OT (operační technologie) týmy často chybí spolupráce, což brání přechodu z laboratoře na výrobní linku.
- AI projekty je třeba řídit jako kapitálové investice – s jasnými KPI a měřitelným ROI.
- Priorita musí být na obchodním dopadu, nikoli na technologické novince.
Podrobnosti
Podle Sama Waese, vedoucího Smart Industries ve společnosti Orange Business, která se specializuje na digitální transformaci průmyslu, je klíčem k úspěchu vytvoření důvěryhodné a škálovatelné datové infrastruktury. Mnoho výrobců spustí AI piloty bez jasného cíle – například snížení prostojů, zvýšení výstupu nebo optimalizace spotřeby energie – a bez propojení s provozními cíli. V důsledku toho zůstávají tyto projekty izolovanými experimenty bez reálného dopadu na výrobní procesy.
Problém je často strukturální: IT týmy, které ovládají data a cloudové nástroje, nekomunikují s OT týmy, které spravují senzory, PLC a výrobní zařízení. Bez integrace těchto dvou světů nelze zajistit spolehlivý tok dat potřebný pro trénování a nasazení AI modelů. Navíc firmy často podceňují nutnost čistých, konzistentních a kontextualizovaných dat – AI není kouzelná hůlka, která „opraví“ špatná data.
Proč je to důležité
Tento přístup má přímý dopad na konkurenceschopnost českého i evropského průmyslu. Pokud firmy budou nadále investovat do AI bez jasného plánu a infrastruktury, ztratí čas i peníze a zůstanou pozadu za globálními konkurenty. Naopak systematický přístup – s důrazem na obchodní hodnotu, propojení IT/OT a kvalitu dat – umožní využít AI pro skutečnou efektivitu a inovace ve výrobě.
Zdroj: 📰 TechRadar
| 