Jak sztuczna inteligencja zmienia kontrolę jakości w motoryzacji

Nieprawidłowości jakościowe są kosztowne. W 2025 r. amerykańscy producenci pojazdów wypłacili 20,81 mld USD z tytułu roszczeń gwarancyjnych, a według National Highway Traffic Safety Administration wycofano ponad 29 mln pojazdów. Za każdą z tych liczb stała wadliwa część, której nie zauważono lub której nie skontrolowano prawidłowo — niezależnie od tego, czy błąd popełniono na etapie projektowania lub kontroli, czy też problem pojawił się w pojeździe już po jego dostarczeniu klientowi.

Podczas wykrywania wad na linii produkcyjnej trzeba brać pod uwagę wiele coraz bardziej złożonych czynników. Funkcje, które wcześniej działały mechanicznie, są dziś sterowane przez oprogramowanie, a w przypadku podzespołów mechanicznych i akumulatorów pojazdów elektrycznych tolerancje są coraz mniejsze, więc margines błędu jest niewielki. Ponadto globalne łańcuchy dostaw powodują zmienność, nad którą pojedynczy zakład nie może w pełni zapanować. To kolejne powody, dla których warto zadbać o odpowiedni proces wykrywania wad na linii produkcyjnej. 

Sztuczna inteligencja daje zespołom ds. jakości nowe narzędzia. Zamiast kontrolować po produkcji próbkę części i liczyć na to, że żaden problem nie umknie uwadze, producenci mogą teraz monitorować każdą część w czasie rzeczywistym oraz wykrywać trendy i odchylenia, zanim przerodzą się w wady. Od lat współpracuję z producentami z branży motoryzacyjnej, oponiarskiej i akumulatorowej, pomagając im mierzyć się z tymi problemami. Chcę więc omówić, co rzeczywiście się zmienia i co jest potrzebne, aby takie programy przynosiły efekty.

Wykrywanie problemów, zanim się nasilą

Największą zmianą, jaką sztuczna inteligencja wnosi do kontroli jakości, jest skala. Monitorując wszystkie produkty na linii produkcyjnej, można wykryć nieprawidłowości, zanim przerodzą się w wady. Błądzić jest rzeczą ludzką, więc jeśli kontroluje się tylko próbkę produkcji i polega na ludziach, którzy oceniają produkt wzrokowo, niektóre nieprawidłowości mogą zostać przeoczone. Może to wynikać z błędu ludzkiego — na przykład niemożności dostrzeżenia wady — albo ze zmęczenia, przez które pracownicy nie są już tak skrupulatni jak na początku zmiany.

Rozwój i połączenie technologii kamer ze sztuczną inteligencją mogą przynieść branży motoryzacyjnej znaczne korzyści. Można nie tylko wykrywać więcej wad na linii produkcyjnej, ale, co kluczowe, także identyfikować problemy, zanim wystąpią. Producenci zaczęli wykorzystywać sztuczną inteligencję do wykrywania wad podczas testów wirtualnych, aby nie tylko przewidywać możliwe awarie, lecz także tworzyć nowe testy swoich produktów. Co więcej, zastosowanie sztucznej inteligencji na linii produkcyjnej pozwala wykrywać więcej wad niż kiedykolwiek wcześniej. Badania przeprowadzone przez McKinsey wykazały, że producenci, którzy wdrożyli sztuczną inteligencję na linii produkcyjnej, byli w stanie wykryć o 90% więcej wad.

Kontrola, która sama się doskonali

Wykrywanie większej liczby wad to tylko część obrazu. Drugą zmianą jest to, że skuteczność kontroli opartej na sztucznej inteligencji z czasem rośnie, zamiast pozostawać na niezmienionym poziomie. System oparty na sztucznej inteligencji nie tylko wykrywa więcej wad, lecz także analizuje wszystkie zgromadzone dane i uczy się na ich podstawie. Przewidywanie wyników pracy maszyn z pomocą sztucznej inteligencji pozwala wykryć, kiedy maszyny nie działają zgodnie ze specyfikacją. Jeśli zaczną przekraczać dopuszczalne tolerancje, można powiadomić system, by skorygował parametry maszyn i przywrócił produkcję w granicach tolerancji, a produkty — zgodność ze specyfikacją.

Przykładem z branży oponiarskiej jest łączenie elementów opony. Wykorzystanie sztucznej inteligencji i systemów wizyjnych w tym procesie pozwala ograniczyć liczbę połączeń wykraczających poza dopuszczalne tolerancje, a jednocześnie poprawić wydajność. W branży motoryzacyjnej przykładem może być poprawa szerokości szczelin i zlicowania elementów w zakładzie budowy nadwozi lub spawalni. Ponieważ system uczy się na podstawie bieżących i historycznych danych, wie, jak powinno wyglądać prawidłowe połączenie oraz jakie są właściwe tolerancje geometryczne. Dzięki temu może w czasie rzeczywistym dostosowywać parametry procesowe maszyn i robotów, aby utrzymać je w granicach tolerancji. Ta pętla uczenia odróżnia nowoczesną kontrolę jakości opartą na sztucznej inteligencji od wcześniejszych rozwiązań automatyzacyjnych. Standardy pozostają spójne na różnych zmianach, liniach produkcyjnych, a nawet w zakładach w różnych regionach. Ma to znaczenie dla producentów opon i samochodów, którzy korzystają z tych samych systemów i modeli w wielu zakładach na całym świecie.

Od zabezpieczenia do strategicznej przewagi

Przez długi czas kontrola jakości pełniła funkcję zabezpieczenia — była końcowym sprawdzianem, który miał nie dopuścić do tego, by wadliwe części trafiły do klientów. Sztuczna inteligencja przekształca ją w narzędzie o strategicznym znaczeniu. 

Można nie tylko wykrywać więcej wad, lecz także ustalić, gdzie powstają. Lepsze zrozumienie procesu pozwala dostrzegać trendy i usuwać źródła problemów, zanim doprowadzą do poważniejszych konsekwencji. Gdy wiadomo już, gdzie pojawiają się wady, można zwiększyć uzysk za pierwszym przejściem oraz ograniczyć wskaźnik braków i poprawek, a zmniejszenie liczby braków i poprawek pozwala zwiększyć przepustowość.

Wskaźniki, które mają tu znaczenie, nie są niczym niezwykłym. Uzysk za pierwszym przejściem, wskaźnik braków i poprawek, skargi klientów oraz dokładność kontroli istniały jeszcze przed pojawieniem się sztucznej inteligencji. Zmienia się szybkość i konsekwencja, z jaką producenci mogą je mierzyć i podejmować na ich podstawie działania. Wada wykryta na linii produkcyjnej kosztuje znacznie mniej niż wada wykryta po montażu, a wada wykryta po montażu kosztuje znacznie mniej niż taka, która trafia do klienta i prowadzi do roszczenia gwarancyjnego lub wycofania produktu z rynku.

Dlaczego tak wiele programów AI grzęźnie

Oczywiście nic z tego nie dzieje się automatycznie. Sam zakup kamer i oprogramowania AI nie oznacza, że uda się wykrywać więcej wad. Jest kilka kluczowych czynników, które wyróżniały producentów skutecznie wdrażających te procesy. Zidentyfikowali problem na swojej linii produkcyjnej i próbowali rozwiązać go za pomocą AI, zamiast pochopnie wdrażać AI i dopiero szukać dla niego zastosowania. Zadbali też o wyznaczenie mierzalnych celów, z którymi mogli porównać wyniki. Gdy wiadomo już, że pilotaż zakończył się sukcesem, można rozważyć rozszerzenie procesu na inne obszary linii produkcyjnej.

Warto też zadbać o odpowiednie kompetencje w zespole. Być może zespół ds. jakości doskonale zna proces, ale nigdy nie korzystał z uczenia maszynowego. A może zespół data science świetnie zna się na uczeniu maszynowym, ale nie wie, jak przebiega praca na linii produkcyjnej. Zapewnienie takich kompetencji międzyfunkcyjnych, a także doświadczenia w skalowaniu rozwiązań, pozwoli wdrożyć te procesy na linii produkcyjnej i w całej działalności operacyjnej.

Perspektywy na przyszłość

W branży motoryzacyjnej reputację od zawsze budowała jakość. Pojedyncza nieprawidłowość, która trafi na rynek, może doprowadzić do akcji przywoławczej kosztującej setki milionów dolarów i podważyć zaufanie klientów budowane przez lata. AI pozwala wykryć taką nieprawidłowość wcześniej, zrozumieć, dlaczego do niej doszło, i zapobiec jej ponownemu wystąpieniu na każdej linii produkcyjnej i w każdym zakładzie, zamiast zajmować się nimi pojedynczo.

Producenci, którzy dziś czerpią realne korzyści z AI, niekoniecznie dysponują najbardziej zaawansowaną technologią. To ci, którzy traktują jakość jako system, który należy rozumieć i stale doskonalić, a AI jako jeden z jego elementów, a nie cały system. W miarę jak architektury pojazdów będą się rozwijać, a wielkość produkcji rosnąć, takie podejście będzie miało coraz większe, a nie mniejsze znaczenie.