Dlaczego wykorzystanie AI w czeskim i słowackim przetwórstwie jest o tyle wyższe niż w Polsce czy Rumunii?

Dane Eurostatu nie wyjaśniają przyczyn. Oba kraje mniej więcej podwoiły wynik między 2024 a 2025 rokiem, a część tego skoku wynika z szerszego kwestionariusza z 2025 roku. Różnicę należy traktować jako sygnał odmiennych punktów wyjścia, a nie jako ranking zakładów.

Czy można pominąć etapy i zacząć od konserwacji predykcyjnej?

Można, na jednej maszynie z wyraźnym rodzajem awarii i dedykowanymi czujnikami. Należy się liczyć z tym, że projekt odtworzy dla tej maszyny część etapów 1 i 2. AI w skali całego zakładu bez etapów od 1 do 3 zwykle utyka na brakujących lub nieopisanych danych.

Ile trwa przejście od etapu 1 do etapu 4?

Zależy to od tego, jak szybko ustabilizują się kody przyczyn i codzienne użycie. Analityka wymaga kilku miesięcy danych zbieranych w ten sam sposób. Nie podajemy typowego czasu, bo nie mamy zweryfikowanych danych.

Czy na etapach od 1 do 3 potrzebni są analitycy danych?

Nie. Te etapy wymagają ludzi z produkcji, utrzymania ruchu i jakości, którzy są właścicielami definicji i codziennie korzystają z danych. Specjalistyczne kompetencje mają znaczenie głównie na etapie 5.

Czy warstwa danych pomaga w audytach IATF?

Tak. Automatycznie rejestrowane postoje i liczniki dają mocniejszą podstawę dla celów OEE, MTBF i MTTR, które punkt 8.5.1.5 IATF 16949 wymienia jako przykłady, oraz dla ich miesięcznego trendu i przeglądu.

Strona główna

Poradnik · Dane i AI · stan na 22 września 2026

Dlaczego AI wykorzystuje tylko 3–8% producentów w CEE i jaka warstwa danych musi być pierwsza

Według badania Eurostatu z 2025 roku wykorzystanie AI wśród producentów w Rumunii, Polsce i na Węgrzech nie sięga połowy średniej UE. Rozwiązaniem rzadko jest lepszy model. Są nim wiarygodne dane maszynowe, zbierane na każdej zmianie.

W skrócieW 2025 roku co najmniej jedną technologię AI wykorzystywało 3,2% producentów zatrudniających 10+ osób w Rumunii, 7,7% w Polsce i 7,8% na Węgrzech, wobec 17,3% w UE (Eurostat). AI w przemyśle potrzebuje kompletnych, oznaczonych czasem stanów maszyn, liczników i przyczyn postojów. To trzeba zbudować najpierw: rejestrować automatycznie, dodawać przyczyny, korzystać codziennie, potem analizować, a na końcu stosować AI do tego, co zostanie.

Dane o wdrożeniach

Przedsiębiorstwa wykorzystujące co najmniej jedną technologię AI, 10+ pracowników, % przedsiębiorstw
Kraj	Wszystkie sektory 2024	Wszystkie sektory 2025	Przetwórstwo 2024	Przetwórstwo 2025
Rumunia	3,1	5,2	1,3	3,2
Polska	5,9	8,4	5,1	7,7
Węgry	7,4	10,4	4,8	7,8
Czechy	11,3	17,6	9,6	16,7
Słowacja	10,8	18,0	8,1	15,8
UE-27	13,5	20,0	10,6	17,3
Niemcy (odniesienie)	19,8	26,0	16,1	24,4

Źródło: Eurostat isoc_eb_ai (wszystkie sektory) i isoc_eb_ain2 (przetwórstwo, NACE C), wskaźnik E_AI_TANY, 2024–2025. W 2025 roku Eurostat poszerzył pytania o AI, więc część wzrostu 2024→2025 wynika ze zmiany badania, a nie tylko z rzeczywistych wdrożeń.

Wyróżniają się dwie grupy. W Rumunii, Polsce i na Węgrzech wykorzystanie AI w przetwórstwie nie sięga połowy średniej UE. W Czechach i na Słowacji w ciągu roku mniej więcej się podwoiło i jest dziś blisko poziomu UE, choć część tego skoku tłumaczy zmiana badania.

W całej UE najczęstszym powodem podawanym przez przedsiębiorstwa, które rozważały AI, ale z niej nie skorzystały, był brak odpowiednich kompetencji – wskazało go 70,9% z nich; dalej niejasne konsekwencje prawne (52,5%) i obawy o ochronę danych (48,8%) (Eurostat, Use of artificial intelligence in enterprises, 2025). W tej publikacji Eurostat nie podaje danych o jakości danych jako barierze, więc żadnej liczby nie przytaczamy.

Dlaczego projekty AI w przemyśle utykają na danych

Nie mamy wiarygodnej statystyki, ile projektów AI w przemyśle kończy się porażką, a tym, które krążą, nie ufamy. Mechanizm łatwiej pokazać niż policzyć. Model, który przewiduje awarię, rekomenduje nastawę lub wyjaśnia stratę, potrzebuje historii. Ta historia musi spełniać cztery warunki.

Kompletna. Każdy postój, także krótki, z czasem rozpoczęcia i zakończenia. Model uczony na ręcznie zapisywanych awariach nigdy nie zobaczy dwuminutowych zacięć, które stanowią dużą część strat.
Opisana. Postoje muszą mieć przyczyny z krótkiej, stabilnej listy. Kategoria „inne” jako największa niczego model nie nauczy.
Zsynchronizowana. Stany maszyn, liczba sztuk, numery części, zmiany i – tam, gdzie są dostępne – parametry procesu muszą mieć wspólny zegar. Dopasowywanie logu z PLC do papierowego raportu zmianowego po fakcie jest powolne i często niemożliwe.
Wystarczająco długa i stabilna. Miesiące danych zbieranych w ten sam sposób, z procesu, którego nie definiuje się na nowo co kwartał.

Jeśli te warunki nie są spełnione, pierwsza faza projektu AI staje się projektem danych – czy tak ją zaplanowano, czy nie. Taniej jest zabudżetować warstwę danych jako osobny projekt, który zwraca się sam przez codzienne ograniczanie strat, a AI traktować jako późniejszą opcję nadbudowaną na nim.

Luka kompetencyjnaBariera kompetencyjna wskazana przez 70,9% firm to także argument za warstwą danych. Etapy od 1 do 3 opisane niżej wymagają ludzi z produkcji i utrzymania ruchu, a nie analityków danych. Etap 5 jest jedynym, na którym specjalistyczne kompetencje AI są niezbędne, a na tym etapie problem jest już na tyle wąski, że można je kupić z zewnątrz.

Pięcioetapowa mapa drogowa

Automatycznie rejestrować stany maszyn i liczbę sztukKażda kluczowa maszyna raportuje pracę, postój i produkcję wraz z liczbą sztuk – z sygnału, a nie długopisem. Etap jest zamknięty, gdy: dla dowolnej zmiany z ostatniego miesiąca można pokazać każdy postój z początkiem i końcem, a liczba sztuk zgadza się z raportowaniem produkcji z małą, znaną różnicą.
Przypisywać przyczyny postojomOperatorzy wybierają przyczynę z krótkiej listy, przy maszynie lub na tablecie, w trakcie postoju. Właścicielem listy jest utrzymanie ruchu. Etap jest zamknięty, gdy: ponad dziewięć na dziesięć minut postoju ma przyczynę, a „inne” nie jest w pierwszej trójce.
Codziennie korzystać z danych na odprawach zmianowychOdprawa na początku zmiany opiera się na wczorajszych stratach według maszyn i przyczyn, a nie na pamięci. Działania są zapisywane z osobami odpowiedzialnymi. Etap jest zamknięty, gdy: mistrzowie upominają się o ekran, gdy go brakuje, a największa strata na każdej kluczowej linii ma otwarte działanie.
Analityka na stabilnych danychMając kilka miesięcy spójnych danych, można szukać wzorców: strat według numeru części, zmiany, rodzaju przezbrojenia, czasu od ostatniej obsługi. Na tym etapie trendy MTBF, MTTR i OEE stają się na tyle wiarygodne, by pokazywać je audytorom i klientom. Etap jest zamknięty, gdy: na pytanie „dlaczego linia 3 straciła w zeszłym miesiącu cztery punkty” można w godzinę odpowiedzieć liczbami.
ML i AI dla problemów, które pozostałyWybrać wąski, kosztowny problem, którego analityka nie rozwiązała: rodzaj awarii z sygnałami ostrzegawczymi, dryf jakości powiązany z parametrami procesu, problem z harmonogramowaniem. Dodać czujniki lub dane, których ten problem wymaga. Etap jest zamknięty, gdy: istnieje model ze zmierzonym wpływem na jedną nazwaną stratę, a jego właścicielem jest ktoś z produkcji.

Etapy od 1 do 3 dostarczają też dowodów, których punkt 8.5.1.5 IATF 16949 wymaga w zakresie celów utrzymania ruchu; zob. czego audytorzy oczekują w zakresie OEE, MTBF i MTTR. Po dodaniu podliczników energii ta sama warstwa odpowiada na pytania klientów o energię na sztukę.

Bezpłatne dane

Pakiet danych o przemyśle CEE 2026

Wszystkie wskaźniki z tej strony dla 7 krajów, UE-27 i Niemiec, z kodami zbiorów Eurostatu i linkami. Excel.

Pobierz pakiet danych →

Lista kontrolna: czy dane są gotowe na AI?

Odpowiedzi dla jednej kluczowej linii, a nie dla całego zakładu
Kryterium	Gotowe	Jeszcze niegotowe
Jak rejestrowane są postoje?	Automatycznie z sygnału maszyny, ze znacznikami czasu	Na papierze lub wpisywane na koniec zmiany
Czy widać mikroprzestoje?	Tak, z dokładnością do minuty lub lepszą	Tylko postoje dłuższe niż kilka minut
Udział czasu postojów z przypisaną przyczyną	Powyżej ok. 90%, „inne” niewielkie	Duża kategoria „inne” lub „nieznane”
Liczba sztuk	Z maszyny, dla każdego numeru części	Z raportu zmianowego lub księgowań w ERP
Wspólny zegar	Stany, liczniki i dane procesowe mają wspólną podstawę czasu	Oddzielne systemy, synchronizowane ręcznie
Historia	Co najmniej sześć miesięcy danych zbieranych w ten sam sposób	Kilka tygodni albo niedawno zmienione definicje
Codzienne użycie	Wykorzystywane na odprawach zmianowych; błędy są zauważane i poprawiane	Przeglądane raz w miesiącu lub na potrzeby audytów
Odpowiedzialność	Wskazany właściciel kodów przyczyn i definicji	Nikt albo tylko IT

Progi to praktyczne reguły kciuka, a nie opublikowane wartości referencyjne.

Jeśli większość odpowiedzi znajduje się w prawej kolumnie, projekt AI spędzi pierwsze miesiące na ich naprawianiu. Ta praca jest warta wykonania, ale przy budżetowaniu i we wniosku o dofinansowanie należy ją nazwać po imieniu.

Powiązanie z dofinansowaniem

Kilka programów cyfryzacji w CEE wymienia zbieranie danych produkcyjnych, MES lub IoT jako koszty kwalifikowalne, co dobrze pasuje do etapów od 1 do 3. Status naborów często się zmienia. Nasz serwis siostrzany zestawia programy według krajów, z datami i oficjalnymi linkami: dofinansowanie cyfryzacji fabryk w CEE. Aktualną dokumentację naboru należy sprawdzić w instytucji; to nie jest doradztwo dotacyjne.

Skąd może pochodzić warstwa danych

Trzy typowe drogi
Droga	Pasuje, gdy	Na co uważać
MES	Na hali potrzebne są też zlecenia, identyfikowalność i instrukcje stanowiskowe	Dłuższe projekty; rejestracja stanów na starszych maszynach może nadal wymagać dodatkowego sprzętu
Lokalny integrator (dane z PLC i SCADA)	Maszyny mają dostępne sterowniki, a firma ma własne wsparcie IT	Definicje i pulpity są robione na miarę; należy dbać o dokumentację
Produkt do monitorowania (np. TeepTrak)	Stany, przyczyny postojów i liczniki są potrzebne szybko, także na starszych maszynach	Koszt subskrypcji; integracja z ERP lub MES, jeśli będzie potrzebna później

Wydawcą tego serwisu jest TEEPTRAK SAS, firma sprzedająca oprogramowanie do monitorowania produkcji i OEE (ponad 450 wyposażonych fabryk w ponad 30 krajach; zespół ds. CEE w Bukareszcie). W kwestii trzeciej drogi nie jesteśmy neutralni. Wszystkie trzy mogą zrealizować etapy od 1 do 3. Podobnie jak zdyscyplinowany arkusz kalkulacyjny na jednej linii – jako pierwszy test, czy zespoły będą z danych korzystać.