Najnowszy raport McKinsey o skalowaniu agentic AI w operacjach ma jedną liczbę, która powinna spędzić sen z powiek każdemu COO w polskiej fabryce: 20-30 procent skrócenia lead time w procesach produkcyjnych i development produktu, gdy...
Najnowszy raport McKinsey o skalowaniu agentic AI w operacjach ma jedną liczbę, która powinna spędzić sen z powiek każdemu COO w polskiej fabryce: 20-30 procent skrócenia lead time w procesach produkcyjnych i development produktu, gdy agentic AI jest wdrożona naprawdę, a nie tylko testowana.
Druga liczba to kontekst. 88 procent firm na świecie używa AI w co najmniej jednej funkcji, ale tylko mała grupka, którą McKinsey nazywa „vanguardem” (około 6 procent), przebudowała swoje procesy wokół agentów AI tak, że ci faktycznie odpowiadają za wynik, a nie za kolejne zadanie w backlogu.
Co większość firm rozumie źle
Pierwszy błąd jest najczęstszy: traktowanie agentic AI jak kolejnego narzędzia IT. Coś, co działa obok ERP, MES i SCADA, dorzuca rekomendacje, czasem coś podpowiada planiście, czasem generuje raport. To nie jest agentic AI. To jest lepszy chatbot.
W rzeczywistości agentic AI to system, który działa autonomicznie w ramach zdefiniowanych granic. Sam decyduje, kiedy przełożyć zlecenie między maszynami. Sam zauważa, że dostawca opóźnia komponent X, sam sięga do alternatywnego BOM-u, sam wystawia PO i sam informuje planistę, już po fakcie. Różnica wobec klasycznego APS jest taka, że APS optymalizuje według reguł, które dałeś mu trzy lata temu, a agent uczy się kontekstu i komunikuje się z innymi agentami w łańcuchu wartości.
Drugi błąd jest ważniejszy. Większość firm myli eksperymentowanie ze skalowaniem. McKinsey w raporcie State of AI 2025 podaje, że 23 procent organizacji deklaruje, iż „skaluje” agentic AI gdzieś w przedsiębiorstwie, a kolejne 39 procent „eksperymentuje”. W praktyce te dwie kategorie zlewają się w jedno: pilotaż w jednym oddziale, jeden use case, jeden zachwycony manager IT i koniec. Mniej niż 10 procent firm, które w ogóle zaczęły z agentami, doprowadziło to do skali, na której widać wynik finansowy.
Trzeci błąd: ROI liczone na pojedynczym use case. Kto oczekuje, że jeden agent w planowaniu zwróci się w 6 miesięcy jak nowa obrabiarka, ten zakopie projekt na etapie POC. Agentic AI ma sens, gdy obejmuje koniec do końca: od projektu produktu, przez konfigurację linii, harmonogramowanie, zakupy, aż po jakość i serwis.
Gdzie konkretnie powstaje te 20-30 procent
McKinsey wymienia kilka obszarów, w których redukcja lead time jest mierzalna. Wybrałem cztery, które widziałem na własne oczy w polskim kontekście i które mogą zadziałać szybko.
1. Konfiguracja linii pod nowy produkt
Przejście od finalnego designu do gotowej do rozruchu linii to historycznie tygodnie albo miesiące pracy inżynierów procesu, technologów i utrzymania ruchu. Agentic AI potrafi to skrócić do dni lub tygodni, nie dlatego, że AI rysuje linię, tylko dlatego, że potrafi równolegle przeszukać bibliotekę gotowych modułów, dobrać przyrządy, wygenerować SOP-y w roboczej wersji, sprawdzić kompatybilność z istniejącym MES i wystawić listę zakupową. Człowiek zostaje recenzentem, nie wykonawcą.
2. Dynamiczne reschedulowanie pod zmienne zamówienia
Klasyczny APS przelicza harmonogram raz na zmianę albo raz na dzień. Agent przelicza go w czasie rzeczywistym, gdy klient zmienia priorytet, gdy wpada awaria na CNC numer 7, gdy dostawca informuje, że paleta przyjedzie 12 godzin później. Co ważne, agent podejmuje decyzje, nie czeka, aż planista wróci z lunchu. Tu właśnie powstaje większość z 20-30 procent na lead time, bo kolejka zleceń przestaje czekać na człowieka.
3. Quality root-cause i CAPA
Trzeci obszar to jakość. Agent przepisany do pracy z danymi z SPC, vision systems i zgłoszeń reklamacyjnych potrafi w godziny złożyć historię defektu, którą dział jakości składał tygodniami. To nie jest „AI lepiej liczy”, to jest „AI lepiej łączy nieoczywiste źródła danych”.
4. Sourcing i alternatywne BOM
Agent obserwujący lead time dostawców, indeksy surowców i własne stany magazynowe potrafi zaproponować (a w wersji dojrzałej złożyć) zamówienie alternatywne, zanim planista zauważy, że czegoś zaczyna brakować. Tu jest między 5 a 15 procent dodatkowej elastyczności w łańcuchu, dokładnie tej elastyczności, której brakuje polskim fabrykom obsługującym niemiecką motoryzację.
Według McKinsey („Scaling agentic AI for operational breakthroughs”) agentic AI skraca lead time w produkcji i development produktu o 20-30 procent. Ale mniej niż 10 procent firm, które rozpoczęły pracę z agentami, doprowadziło wdrożenie do skali, na której tę liczbę widać w rachunku zysków i strat.
Moje doświadczenie z polskich hal
Widziałem do tej pory dwa rodzaje wdrożeń AI w polskich zakładach. Pierwszy to pilotaż pokazowy. Ktoś z góry powiedział, że „musimy mieć AI”, dział IT zrobił POC z jednym dostawcą, na konferencji branżowej powstał case study, a na hali nikt nie zauważył różnicy. Drugi to wdrożenie punktowe, najczęściej predictive maintenance na kluczowych maszynach, czasem vision quality. Tu wynik jest mierzalny, czasami spektakularny, ale to wciąż „AI obok procesu”, a nie „proces na AI”.
Tego, co McKinsey nazywa vanguardem, w Polsce praktycznie nie spotkałem. I nie dlatego, że polskie firmy są gorsze technologicznie. Dlatego, że przebudowa procesu wokół agenta wymaga, by ktoś w zarządzie powiedział: „przestajemy optymalizować to, co mamy, i projektujemy nowy proces tak, jakbyśmy startowali jutro”. To nie jest decyzja CIO. To jest decyzja CEO, COO i, co najważniejsze, ludzi z hali, którzy muszą zaufać, że agent nie wystawi ich na rozmowę dyscyplinarną, gdy podejmie decyzję, która końcowo okaże się zła.
W jednym z zakładów, przeszliśmy przez taki etap z klasycznym APS. Różnica w mentalności, którą byliśmy zmuszeni przełamać, była identyczna z tą, o której dziś mówi McKinsey: kto będzie miał rację, gdy system mówi co innego niż mistrz zmiany. Wtedy wybraliśmy wariant kompromisowy, system rekomenduje, człowiek decyduje. To działało, ale nie dało nam tych 20-30 procent. Dało może 8.
Trzy rzeczy, które powstrzymują polskie fabryki
Po pierwsze, dane. Agentic AI bez czystych, zintegrowanych danych z MES, ERP, WMS i jakości to rzeźbiarstwo we mgle. Większość polskich fabryk ma dane w trzech systemach, które ze sobą nie gadają, plus Excel mistrzów zmian. McKinsey w drugim raporcie, o transformacji danych pod agentic AI, mówi wprost: bez data foundation skalowanie nie istnieje.
Po drugie, governance. Kto odpowiada, gdy agent źle zaplanuje? Kto akceptuje granice autonomii? Czy agent może sam wystawić PO za 50 tysięcy euro? A za 500 tysięcy? Te pytania trzeba mieć rozwiązane, zanim włożysz model do produkcji. Większość firm tego nie ma i dlatego pilotaże grzęzną w fazie „pokazowej”.
Po trzecie, kompetencje. Nie programiści. Process designerzy, którzy potrafią myśleć end-to-end i rozumieją, jak agent komunikuje się z innym agentem. To kompetencja, której praktycznie nie ma na polskim rynku, bo nikt jej dotychczas nie potrzebował. Albo szkolisz własnych ludzi, albo czekasz, aż rynek je wytworzy, czyli masz dwa lata zaległości względem konkurencji.
Wnioski – co zrobić w najbliższych 90 dniach
Po pierwsze, przestań inwestować w pilotaże, które nie mają ścieżki do skalowania. Każdy POC powinien mieć na slajdzie pierwszym odpowiedź na pytanie: jeśli to zadziała, ile linii, oddziałów lub produktów obejmie w ciągu 12 miesięcy. Jeśli odpowiedź brzmi „zobaczymy”, to jest to rozrywka, nie projekt.
Po drugie, zrób audyt danych pod kątem agentic AI, nie pod kątem dashboardów. To inny standard. Pytanie nie brzmi „czy mogę to wykresować”, tylko „czy agent może na tych danych podjąć decyzję, za którą weźmie odpowiedzialność”.
Po trzecie, wybierz jeden proces end-to-end, który chcesz przebudować. Nie use case. Proces. Najlepiej taki, który łączy sprzedaż, planowanie, produkcję i sourcing, bo to właśnie tam agentic AI daje najwięcej, a klasyczne APS najmniej.
Po czwarte, postaw na governance, zanim wybierzesz dostawcę technologii. Granice autonomii, escalation rules, audyt decyzji. Bez tego pierwszy realny incydent zatrzyma projekt na 6 miesięcy.
Po piąte, mierz lead time jako KPI projektu, nie liczbę wytrenowanych modeli. Jeśli za 6 miesięcy lead time nie spadł o minimum 10 procent, projekt jest źle pomyślany. McKinsey mówi 20-30, to jest długoterminowy cel, ale 10 jest progiem zdrowia po pół roku.
Pytanie na koniec
Największy paradoks tej historii nie jest technologiczny. Jest organizacyjny. Firmy, które nigdy nie odrobiły lekcji z lean, będą miały gigantyczny problem z agentic AI, bo agent działający w chlewie produkuje chlew z opóźnieniem milisekundowym. Z drugiej strony fabryki, które mają zdrowe procesy, często mają też największy opór: po co zmieniać to, co działa.
Pytanie nie brzmi „czy wdrożyć agentic AI”, tylko: kto w Twojej organizacji ma mandat, by zaprojektować proces od nowa, i kto z hali siedzi przy tym stole. Bo bez tych dwóch nazwisk to będzie kolejny POC w PowerPoint.
Czekam na komentarze: kto z Was widział w polskiej fabryce wdrożenie, które wykroczyło poza POC? Co było punktem zwrotnym?
