AI w ERP: 7 zastosowań asystenta LLM w firmie produkcyjnej

AI w ERP ma sens wtedy, gdy skraca drogę od pytania do sprawdzonej informacji albo kontrolowanej czynności w systemie. Asystent LLM może wyszukać dane, wyjaśnić odchylenie, przygotować podsumowanie i zaproponować operację do zatwierdzenia. W firmie produkcyjnej o powodzeniu takiego projektu decydują przede wszystkim jakość danych, zakres uprawnień oraz połączenie ERP z informacją z hali.

Dla dyrektora operacyjnego ważniejsze od tego czy system ma AI są cztery kwestie: skąd asystent bierze dane, co widzi, czy może coś zapisać i kto zatwierdza jego działanie. Dzięki temu odróżnisz przydatne rozwiązanie od efektownego interfejsu.

Sztuczna inteligencja w systemach ERP nie sprowadza się do jednego modelu językowego. W środowisku mogą działać modele prognozujące, mechanizmy klasyfikujące dokumenty, OCR, algorytmy wykrywające anomalie oraz LLM, który rozumie polecenie zapisane językiem naturalnym i przygotowuje odpowiedź.

ERP nadal pozostaje źródłem transakcji, reguł biznesowych, dokumentów i uprawnień. LLM nie powinien stawać się alternatywnym źródłem prawdy. Jego zadaniem jest ułatwić dotarcie do danych, połączyć kontekst z kilku źródeł albo uruchomić określoną funkcję systemu.

Asystent AI najczęściej odpowiada, podsumowuje albo przygotowuje propozycję. Agent może wykonać kilka kroków, na przykład pobrać dane, porównać je z dokumentem i przygotować zmianę do akceptacji. AI w ERP może więc zaczynać się od odczytu, a kończyć na kontrolowanym wykonaniu operacji.

Najlepszym punktem wyjścia będzie proces. Do oceny można wykorzystać test czterech Z: Źródło, Zakres, Zapis i Zatwierdzenie. Pozwala on sprawdzić, czy AI w ERP ma dane potrzebne do zadania i czy poziom autonomii pasuje do ryzyka procesu.

Test chroni przed zakupem funkcji bez jasnej odpowiedzi, gdzie AI w ERP ma skrócić pracę. Jeśli najwięcej czasu zabiera odnajdywanie informacji, prawo do zapisu niewiele zmienia. Gdy celem jest automatyzacja operacji, sama rozmowa z danymi będzie za mało.

Pierwsze zastosowanie AI w ERP jest łatwe do sprawdzenia. Zamiast budować raport lub zestaw filtrów użytkownik może otrzymać informacje o tym, które zlecenia na ten tydzień nie mają kompletu materiałów albo zamówienia, których termin dostawy już minął.

Wartość bierze się z krótszej drogi do informacji. Odpowiedź powinna wynikać z aktualnych danych i respektować uprawnienia użytkownika. Jeżeli kierownik nie ma dostępu do danych innej spółki, asystent również nie powinien ich ujawniać. Warto wymagać od systemu możliwości przejścia z odpowiedzi do rekordu źródłowego, bo to ułatwia szybką weryfikację.

Lista opóźnionych zleceń rzadko wyjaśnia przyczynę powstałego problemu. Kierownik chce wiedzieć, czy termin jest zagrożony przez brak komponentu, niedostępność stanowiska, wydłużony cykl, zmianę planu czy problem jakościowy.

Tutaj AI w ERP zaczyna zależeć od danych poza samym ERP. System biznesowy może znać plan, BOM, termin i stan materiału, natomiast informacje o wykonaniu, przestoju czy wyniku kontroli jakości mogą znajdować się w MES, SCADA albo systemie jakości. Dane muszą dać się połączyć przez zlecenie, produkt, operację, partię lub inny wspólny identyfikator.

Jeżeli przepływ jest niespójny, kolejnym krokiem powinno być uporządkowanie synchronizacji danych z ERP z produkcją. Asystent językowy nie naprawi błędnego indeksu, brakującego numeru partii ani statusu aktualizowanego kilka godzin po zdarzeniu. Takie dane jak zlecenia, operacje, BOM, zużycie materiałów, statusy wykonania czy wyniki jakościowe są typowymi elementami wymiany między ERP i produkcją.

Asystent może zebrać informacje, które użytkownik sprawdza w kilku raportach. AI w ERP może przygotować listę zleceń wymagających uwagi, braków materiałowych, zmian terminów i pozycji z niepełnymi danymi. Dla planisty taki widok jest użyteczny wtedy, gdy prowadzi do konkretnych rekordów, a nie kończy się na opisowym komunikacie.

Nie zastępuje to BI. Dashboard lepiej nadaje się do KPI i trendów liczonych według ustalonej definicji. Asystent sprawdza się przy pytaniach ad hoc, wyszukiwaniu wyjątków oraz przejściu od wyniku do szczegółu. Oba narzędzia mogą korzystać z tych samych źródeł, ale służą innym potrzebom.

Zmiana terminu dostawy komponentu może wpływać na kilka zleceń, zapotrzebowanie magazynowe i termin wysyłki. Zebranie tych zależności jest dobrym kandydatem dla asystenta, ponieważ człowiek nadal podejmuje decyzję, ale nie musi odtwarzać wszystkich powiązań.

AI w ERP może wyszukać pozycje, zebrać informacje i przygotować materiał do decyzji. Zmiana terminu, ilości lub zamówienia może pozostać po stronie planisty albo kupca. Firma automatyzuje wtedy zbieranie kontekstu, a nie odpowiedzialność za decyzję.

Prognoza popytu, klasyfikacja ryzyka czy wykrywanie anomalii wymagają metod dobranych do problemu i danych. LLM może objaśnić wynik, zestawić go z informacjami i odpowiedzieć na dodatkowe pytania, ale nie powinien być automatycznie traktowany jako właściwy model do każdego zadania analitycznego.

Dlatego AI w ERP bywa zestawem kilku mechanizmów. Model prognostyczny liczy przewidywane zapotrzebowanie, ERP dostarcza dane o zamówieniach i zapasie, a asystent językowy wyjaśnia zmianę oraz wskazuje elementy wymagające uwagi. Taki podział ról jest łatwiejszy do kontroli i testowania niż powierzanie wszystkich etapów jednemu modelowi.

Dokumenty są dobrym obszarem dla automatyzacji, ponieważ wynik można porównać z konkretnym źródłem. System może odczytać dane z dokumentu, zestawić je z rekordami ERP i przygotować dalszą czynność, na przykład uzupełnienie danych lub zgłoszenie rozbieżności.

W firmie produkcyjnej AI w ERP może wspierać potwierdzenia dostaw, dokumenty zakupowe i inne procesy back office. Dobry kandydat ma dużo podobnych przypadków, jasną procedurę obsługi wyjątków i łatwy do sprawdzenia wynik. Jeśli dokumenty różnią się za każdym razem, a poprawna decyzja zależy od wiedzy kilku osób, pilotaż będzie trudniejszy do oceny.

Poziom wyżej od odczytu znajduje się wykonywanie operacji. Asystent lub agent może przygotować zmianę, utworzyć rekord albo wywołać funkcję udostępnioną przez system. Tu szczególnie ważne są uprawnienia, logowanie operacji i moment, w którym człowiek widzi zmianę przed jej wykonaniem.

Dla procesów wpływających na zapasy, terminy, zobowiązania lub finanse rozsądnym pierwszym wariantem AI w ERP jest „przygotuj i pokaż do zatwierdzenia”. Dopiero wyniki pilotażu pokażą, które działania mają na tyle przewidywalny przebieg, że można rozważyć większą autonomię.

Jeśli pytanie dotyczy wykonania zlecenia, przestoju albo jakości partii, dane ERP mogą nie wystarczyć. MES wnosi kontekst zlecenia i operacji, SCADA lub historian przechowują parametry procesu, a system jakości wynik kontroli. AI w ERP potrzebuje tych źródeł tylko wtedy, gdy są wymagane do rozwiązania danego problemu.

Nie trzeba integrować wszystkiego przed pierwszym pilotażem. Lepiej wybrać jeden przypadek i sprawdzić, jakie informacje są konieczne do poprawnej odpowiedzi. Artykuł o tym, jak przygotować dane przed wdrożeniem AI w produkcji, pokazuje tę zależność na przykładzie danych z PLC, SCADA, MES i ERP.

Znaczenie ma również semantyka. Sama integracja pozwalająca przesłać wartość „status = 1” nie wyjaśnia jeszcze, czy urządzenie pracuje, czeka, jest w trybie ręcznym czy zgłasza błąd. Więcej o tym zależeniu znajdziesz w materiale o API i semantyce danych w systemach ERP, MES i SCADA.

Amerykański National Institute of Standards and Technology używa pojęcia confabulation dla sytuacji, w której generatywna AI tworzy i pewnie prezentuje treść błędną lub fałszywą. NIST opisuje to ryzyko w profilu zarządzania ryzykiem generatywnej AI.

W ERP pomyłka może dotyczyć ilości, daty, kontrahenta albo interpretacji statusu. Dlatego poprawnie brzmiąca odpowiedź nie może być kryterium zaufania do asystenta.

Bezpieczne AI w ERP powinno korzystać z określonych źródeł, respektować role użytkownika, pozwalać sprawdzić podstawę odpowiedzi i wymagać akceptacji tam, gdzie operacja zmienia dane. Trzeba też ustalić, gdzie przetwarzane są prompty i dane, kto ma dostęp do historii oraz jak organizacja obsługuje błędne odpowiedzi.

Najlepszy kandydat występuje często, ma jasno określone dane i pozwala szybko stwierdzić, czy wynik jest poprawny. Przykładem może być codzienne wyszukiwanie zleceń zagrożonych brakiem materiału, jeśli potrzebne informacje są już dostępne i można wskazać właściciela procesu.

Przed startem sprawdź sześć rzeczy:

Wąski zakres może być dobrym wyborem również ze względu na to, że adopcja AI w polskich firmach nadal jest na wcześniejszym etapie niż średnio w Unii. Według danych Eurostatu dotyczących wykorzystania AI w przedsiębiorstwach w 2025 roku co najmniej jedną technologię AI wykorzystywało 8,4% przedsiębiorstw w Polsce zatrudniających co najmniej 10 osób, wobec 20,0% w UE. Dane obejmują różnorodne branże i  zastosowania AI, więc nie są statystyką wdrożeń ERP.

AI w ERP warto zaczynać od procesu, w którym organizacja zna źródła danych, użytkownika i poprawny rezultat. Jeśli potrzebny kontekst znajduje się także na hali, trzeba sprawdzić przepływ informacji między ERP, MES, SCADA, magazynem czy jakością. Sama integracja techniczna nie wystarczy, gdy poszczególne systemy inaczej rozumieją status, czas, produkt lub zdarzenie.

Integracja ERP z produkcją i innymi systemami zakładu, porządkowanie przepływu danych i kontekstu potrzebnego dla AI w ERP. Pierwszy projekt nie musi kończyć się autonomicznym agentem. Jeśli AI w ERP skróci drogę od pytania kierownika do sprawdzonej odpowiedzi i pozwoli wskazać jej źródło, firma ma już mierzalny punkt wyjścia do kolejnego etapu.

Tak, jeśli system udostępnia potrzebne dane i mechanizmy integracji albo producent zapewnia własną warstwę AI. Zakres zależy od wersji ERP, dostępnych API, modelu uprawnień i architektury rozwiązania. Przed wyborem narzędzia trzeba więc sprawdzić konkretny proces, a nie tylko nazwę systemu.

Nie w typowym zastosowaniu. BI lepiej obsługuje stałe KPI, kontrolowane definicje miar i cykliczne raporty. Asystent LLM pomaga przy pytaniach ad hoc, wyszukiwaniu wyjątków, objaśnianiu informacji oraz przechodzeniu od wyniku do konkretnego rekordu lub działania.

Zwykle nie. Dostęp powinien wynikać z zadania i roli użytkownika. Jeśli proces wymaga jedynie odczytu zleceń i stanów materiałowych, nadawanie prawa do modyfikacji danych zwiększa ryzyko bez korzyści dla tego zastosowania.

Wybierz jedno powtarzalne pytanie lub działanie, wskaż źródła informacji, sprawdź ich spójność i wyznacz właściciela procesu. Jeśli zespół potrafi jednoznacznie określić poprawną odpowiedź i zmierzyć czas albo liczbę ręcznych kroków, masz rozsądny punkt startu.