Proč AI bez dat nefunguje: Realita českého průmyslu

S AI se potkáváme denně v médiích, na konferencích i v nabídkách dodavatelů. Zdá se, že každá firma musí mít AI, jinak zaostane. Ale realita výrobních firem je jiná než sliby markeťáků. Své o tom ví náš CDO, Miroslav Lízal. „Když se bavíme s výrobními firmami o umělé inteligenci, většina diskuzí nekončí u výběru algoritmu nebo modelu. Končí u dat.“ Přečtěte si o jeho postřezích z prostředí českých výrobních firem i přímočaré cestě, po které pomáhá zákazníkům postupovat dopředu.

AI hype vs. realita výrobních dat 

Očekávání jsou jasná: AI jako "plug & play" řešení, okamžité výsledky, automatická optimalizace bez chyb.  

Realita je ale prozaičtější.  

Proč?  

Protože platí princip "garbage in, garbage out". Bez kvalitních dat nemůže AI fungovat, ať už do ní investujete sebevíc. 

Výrobní firmy generují obrovské množství dat. Paradoxně jich ale využívají k rozhodování jen 2–5 %. Máme více dat než kdykoliv předtím, ale méně užitečných informací. Data jsou rozdrobená v izolovaných systémech, mají špatnou kvalitu nebo prostě chybí kontext, který by jim dal smysl. 

Na čem AI projekty nejčastěji selhávají 

Data jsou podle našich zkušeností příčinou naprosté většiny problémů: 

• 50 % projektů trpí nedostatečnou kvalitou dat – nekalibrované senzory, nekonzistentní formáty, duplicitní záznamy 

• 25 % projektů padá na chybějící datové infrastruktuře – systémy spolu nekomunikují, data se přenášejí ručně 

• 15 % selhání způsobuje pokus digitalizovat proces tak, jak je – místo přemýšlení o tom, jak by proces měl vypadat, firmy prostě digitalizují chaos 

• 10 % tvoří špatný výběr use case – AI není vždy správný nástroj; často stačí automatizace 

Mezi další problémy patří často starší systémy ERP/MES, u kterých je integrace velmi drahá, někdy dokonce nemožná. Nesmíme podcenit ani lidský faktor, kdy zaměstnanci aktivně změnu blokují, ať už ze strachu nebo setrvačnosti.  

Současný stav digitalizace v Česku 

Když se podíváme konkrétně na datovou zralost českých výrobních firem z pohledu AI, situace vypadá následovně: 

Úroveň 0 (35 %): Papírové procesy, Excel reporting. Žádná systematická digitalizace. 

Úroveň 1 (40 %): Základní digitalizace s izolovanými systémy. ERP tady, MES tam, ale nemluví spolu. 

Úroveň 2 (20 %): Částečná integrace mezi systémy, MES a ERP propojené. Data existují, ale přístup k nim je komplikovaný. 

Úroveň 3 (5 %): Plně propojená infrastruktura s daty v reálném čase. Toto je základ pro úspěšné AI projekty. 

Pro většinu českých výrobních firem znamená cesta k AI nejprve cestu k lepším datům. 

Typologie problémů: 3D datového pekla 

Chybějící data (Missing Data) 

Starší stroje bez senzorů fungují jako černé skříňky. Víte, že stroj stál dvě hodiny, ale nevíte proč. Procesy mezi operacemi – mezisklady, transport, seřízení strojů – prostě neexistují v datové podobě. Chybí také kontext, např. kdo rozhodl o změně procesu a proč. 

Špatná data (Bad Data) 

Nevalidovaná data ze senzorů bez kalibrace. Setkali jsme se třeba s teplotou zapisovanou v °C i °F bez rozlišení. Duplicitní záznamy, protože více systémů zapisuje totéž, ale každý trochu jinak. Nekonsistentní formáty – různé časové zóny, různé jednotky, různé způsoby zápisu. 

Izolovaná data (Disconnected Data) 

Systémy nekomunikují. ERP říká jedno, MES druhé, SCADA třetí. Manuální přenosy mezi systémy znamenají chyby a zpoždění. Různí vlastníci dat – IT má svá data, OT svá, oddělení kvality zase svá. A tak nakonec nikdo nemá kompletní obraz. 

Jakmile máte propojená data, s dnešní AI už je možné začít dělat reporty i pro netechnické lidi. Ale právě ono propojení je základ. 

Jak na to: řešení krok za krokem 

Cesta k úspěšnému AI projektu začíná u datové infrastruktury. Potřebujete jasnou organizační strukturu s definovanými rolemi (vlastník dat, správce dat, uživatelé), procesy pro validaci kvality dat a standardy, které všichni dodržují. Moderní výrobní datová architektura pak propojuje čtyři vrstvy: sběr dat ze strojů, jejich ukládání a čištění, analytické zpracování, a nakonec reportingovou vrstvu s dashboardy a AI aplikacemi. 

Oblasti, které doporučujeme na rozjezd, jsou např. kvalita produktu, optimalizace spotřeby energie nebo zlepšení OEE. 

Realistický harmonogram od auditu dat přes vybudování infrastruktury až po nasazení trvá 4-8 měsíců pro dobře připravenou firmu. Úspěch pak měřte na třech úrovních: technické metriky (sem patří přesnost modelu a kvalita dat), byznysové metriky (ROI, snížení nákladů) a operativní metriky (adopce v týmu nebo rychlost získávání informací). 

Detailní návod, jak na datovou architekturu a governance ve výrobě, jsme publikovali v Hospodářských novinách. Spolu s Petrem Žídkem, expertem na právo v IT a AI, jsme mj. shrnuli, jak se připravit na AI Act.  

Jste AI-ready? Praktický checklist 

Pořád si nejste jisti, na jaké úrovni se vaše firma nachází? Nachystali jsme pro vás jednoduchý checklist, který vám pomůže. Otestujte si, jestli je vaše firma připravená na AI, zde. 

A co dál? 

První krok je vždy nejdůležitější: uvědomte si, jaký je váš cíl. Ideálně jím není, že "chceme AI", ale konkrétní byznysový problém, který potřebujete vyřešit. 

Druhý krok: nalejte si čistého vína. Zmapujte úzká místa ve vašich datech a procesech. Buďte brutálně upřímní – úspěšná implementace AI začíná u toho, že si nasvítíte, jaký je reálný stav. Pokud sami nevíte, kde začít nebo jak na tom s daty skutečně jste, začněte datovým auditem. Ten vám ukáže, jaká data máte k dispozici, v jaké kvalitě a co vám chybí k tomu, abyste mohli AI nasadit smysluplně. 

Třetí krok: najděte si partnera, pokud nemáte interní tým se specializací na AI. Jeden člověk nestačí, pokud chcete projekt úspěšně dotáhnout a neskončit na pilotu. Je to jako s doktorem – každý problém vyžaduje určitou specializaci. 

Chcete prodiskutovat, jak vaše firma může využít AI naplno? Pojďme si promluvit o tom, kde začít. Kontaktujte nás a můžeme se nezávazně pobavit.