Jak AI może pomóc w systemie jakości firmy produkcyjnej: od kart niezgodności po raport 8D?

AI może spiąć karty niezgodności, protokoły pomiarów i reklamacje klientów w jednym miejscu i dać z tego zestawienie braków pogrupowanych po przyczynie, linii i zmianie, szkic raportu 8D oraz listę działań korygujących, których termin minął bez zamknięcia. Nie zastępuje inżyniera jakości przy fizycznej kontroli ani przy podpisywaniu protokołu, ale zdejmuje z niego kilka godzin tygodniowo spędzanych na zbieraniu danych z różnych miejsc i wpisywaniu ich do Excela. To wdrożenie ma sens wszędzie tam, gdzie system jakości już istnieje, ale dane siedzą w trzech miejscach i nikt nie patrzy na nie jednocześnie.

Z jakich dokumentów i pól AI wyciąga dane w systemie jakości?

Zanim AI zrobi cokolwiek, trzeba wskazać mu, skąd brać dane. W typowej firmie produkcyjnej chodzi o kilka rodzajów dokumentów, które zwykle żyją w różnych miejscach i nikt ich razem nie ogląda.

Karty niezgodności (NCR) to pierwsze źródło. Każdy NCR ma: numer dokumentu, datę i godzinę wykrycia, miejsce wykrycia (linia, stanowisko, gniazdo), kod wady z listy słownikowej, ilość niezgodną, ilość kontrolowaną, numer partii lub numer zlecenia produkcyjnego, imię operatora i decyzję o materiale: złomowanie, przeróbka, użycie za zgodą klienta. To są dokładnie te pola, po których AI grupuje i szuka wzorców.

Protokoły pomiarów dorzucają dane liczbowe: wymiar nominalny, tolerancja dolna i górna, wynik pomiaru, numer przyrządu pomiarowego, numer programu CNC albo numer narzędzia skrawającego. U jednego klienta z branży automotive protokoły leżały w Q-DAS: eksportowane do CSV co zmianę, wrzucane automatycznie na wspólny folder sieciowy. AI odbierał te pliki i dołączał wyniki do zestawień bez żadnej ręcznej pracy ze strony działu jakości.

Reklamacje klientów mają inną strukturę. Tam jest: numer reklamacji, data wpłynięcia, klient, numer zamówienia lub WZ, opis reklamowanej wady, ilość reklamowana, czy klient odesłał towar, termin odpowiedzi do klienta i status: otwarta, w toku, zamknięta. W ISOsoftware to moduł Reklamacje. W SAP QM to transakcja QM02. W firmach bez własnego systemu QMS reklamacje siedzą często w mailach lub w Excelu na SharePoint, co i tak da się obsłużyć, tyle że AI musi je najpierw przeparsować i ustrukturyzować przed analizą.

Działania korygujące (CAPA) mają: numer działania, powiązanie z NCR lub reklamacją, opis działania, osobę odpowiedzialną, planowany termin, datę faktycznego zamknięcia i potwierdzenie weryfikacji skuteczności. To ostatnie pole ma największe znaczenie i najczęściej jest puste przez miesiące. Do tego wrócimy.

Jak AI zestawia braki i co z tego wychodzi, czego Excel sam nie pokaże?

Sam Excel pokaże to, co ktoś zdecydował się policzyć. AI zestawi wszystko naraz i znajdzie wzorzec, którego nikt nie szukał.

Typowy wynik takiego zestawienia wygląda tak: AI bierze wszystkie NCR z ostatnich trzech miesięcy, grupuje je po kodzie wady, krzyżuje z linią produkcyjną i zmianą. Wychodzi z tego coś w rodzaju: wada "pęknięcie spoiny" pojawia się siedem razy, z czego pięć razy na linii 3, cztery z tych pięciu na zmianie nocnej, trzy z tych czterech przy tym samym numerze programu spawania. Inspektor wiedział, że "coś jest z linią 3", ale nie wiedział, że to konkretny program i konkretna zmiana nocna.

AI dorzuca do tego dane z protokołów pomiarów: czy przed tymi NCR pojawiały się wyniki bliskie granicy tolerancji? Czy wymiar X systematycznie wędrował w górę przez kilka dni, zanim przekroczył górną granicę tolerancji? Taki dryft widać w danych, ale żeby go zauważyć, ktoś musiałby codziennie patrzeć na wykresy SPC. AI patrzy za niego i mówi: "w ciągu ostatnich pięciu dni wyniki wymiaru A3 na linii 2 zbliżają się do górnej tolerancji."

Kiedy do zestawienia wchodzą też reklamacje klientów, AI może powiązać konkretną partię produkcyjną z reklamacją, która wpłynęła trzy tygodnie po wysyłce. To połączenie, które ręcznie wymaga kilku minut pracy z numerem WZ, datą wysyłki i numerem zlecenia. AI robi to automatycznie przy każdym nowym NCR i każdej nowej reklamacji, bez przypominania.

Raport 8D: które sekcje AI przygotowuje za technologa, a które zostają przy człowieku?

Raport 8D to dokument, którego klient lub odbiorca często wymaga formalnie, z podpisem i terminem odpowiedzi. Jego wypełnienie ręcznie trwa od godziny do kilku godzin, zależnie od tego, jak dobrze udokumentowana jest sprawa i czy dane są w jednym miejscu. AI skraca ten czas, bo duża część raportu to przepisanie i ustrukturyzowanie danych, które już gdzieś są w systemie.

Konkretnie: AI przygotowuje szkic tych sekcji:

• D2: Opis problemu. Wypełnia szablon 5W2H: co się stało, gdzie, kiedy, ile sztuk, jak wykryto, kto zgłosił. Dane bierze z NCR i karty reklamacyjnej. Technolog sprawdza, czy opis jest kompletny i precyzyjny.
• D3: Działania natychmiastowe (containment). Proponuje listę kroków na podstawie podobnych, wcześniej zamkniętych raportów 8D w systemie: "przy tej samej wadzie poprzednim razem zastosowano 100% kontrolę wyrobu na wyjściu z linii 2 i blokadę partii 07/2025." Nie decyduje, tylko proponuje i pokazuje, skąd wzięło ten pomysł.
• D5 i D6: Dobór i wdrożenie działań korygujących. AI przeszukuje historię CAPA pod tym samym kodem wady i proponuje działania, które już raz dały wynik. Technolog wybiera, modyfikuje albo odrzuca.

Sekcje, których AI nie wypełnia samodzielnie: D4, analiza przyczyn źródłowych. Tu technolog mówi wprost: wiemy, że przyczyną był zużyty nóż skrawający, bo wymieniliśmy go i problem znikł. AI może wskazać hipotezy z danych, ale weryfikacja jest ludzka i musi być. D7, działania zapobiegawcze systemowe, wymaga zmiany dokumentacji, procedur albo FMEA, co też decyduje inżynier procesu.

Efekt w praktyce: zamiast zaczynać od pustego szablonu w Wordzie, technolog dostaje wstępnie wypełniony dokument, poprawia D4 i D7, uzupełnia brakujące szczegóły, podpisuje. Czas pracy skraca się realnie, a przede wszystkim nie gubi się żadnych danych, bo AI sam wciągnął je ze źródeł i postawił w odpowiednim miejscu formularza.

Pilnowanie otwartych działań korygujących bez ręcznego przeglądu list

To jest chyba największy ból każdego działu jakości: działanie korygujące jest wpisane do systemu, termin był za dwa tygodnie, a teraz mija trzeci miesiąc i status nadal "w toku." Nikt nie zamknął, nikt nie sprawdził skuteczności, bo nikt nie miał czasu co tydzień przeglądać listy stu otwartych rekordów.

AI ustawia monitoring na polach "planowany termin zamknięcia" i "data faktycznego zamknięcia" w każdym rekordzie CAPA. Gdy termin mija bez zamknięcia, system wysyła powiadomienie do osoby odpowiedzialnej i do kierownika jakości. Jeśli po kolejnym tygodniu nadal nic, eskaluje do dyrektora produkcji. Kaskada powiadomień i terminy eskalacji firma ustawia sama, według własnych zasad.

Ważna subtelność: zamknięcie działania to nie to samo, co potwierdzenie jego skuteczności. CAPA może mieć status "zamknięta," ale pole "wynik weryfikacji skuteczności" puste. AI flaguje takie rekordy osobno, bo to jest luka, która robi wrażenie porządku, a nim nie jest. W audycie ISO 9001 puste pola w sekcji weryfikacji to jeden z pierwszych punktów, na które patrzy audytor zewnętrzny.

U jednego klienta z branży obróbki metali było siedemnaście otwartych CAPA, z których trzy miały termin sprzed ponad roku. Nikt o tym nie wiedział, bo nikt nie miał czasu co tydzień robić ręcznego przeglądu listy. Po podłączeniu AI cały ten dług wyszedł w jednym zestawieniu w ciągu minuty. Trochę nerwowe zebranie działu jakości, ale przynajmniej wiadomo, z czym się ma do czynienia.

Kiedy AI podnosi rękę i mówi, że wada wraca?

Powtarzająca się wada to taka, która pojawiała się wcześniej, na którą były podjęte działania korygujące, ale wróciła. To jest sygnał, że albo działanie nie zadziałało, albo było niewystarczające, albo problem ma głębszą przyczynę i 8D nie trafił w sedno.

AI definiuje powtórzenie przez trzy parametry: kod wady, numer części lub rodzina wyrobów, przedział czasu (np. ostatnie sześć miesięcy). Gdy te trzy warunki schodzą się po raz drugi lub trzeci w tym samym cyklu, AI wystawia alert do kierownika jakości z listą poprzednich NCR i aktualnym statusem CAPA, które były otwarte na tę sprawę.

Firma sama ustawia próg. W automotive, gdzie klient może wymagać raportu 8D w ciągu 24 godzin, każda powtórka to alarm. W mniejszej firmie mechanicznej próg może być wyższy. AI nie decyduje, że coś jest powtórką, bez podania kontekstu: pokazuje zestawienie z datami i numerami dokumentów, nie gołe ostrzeżenie bez źródła.

Od czego zaczynamy integrację AI z systemem jakości?

Pierwsza rozmowa zawsze dotyczy tego, gdzie faktycznie siedzą dane. Odpowiedź brzmi zwykle: w trzech miejscach naraz.

• NCR w ISOsoftware, SAP QM albo module jakości w systemie ERP (BPSC IMPULS 5, Comarch ERP XL)
• Protokoły pomiarów w Q-DAS, CSV z maszyny albo plikach Excel na sieciowym dysku
• Reklamacje klientów w mailach, Outlooku albo w osobnym rejestrze Excel na SharePoint
• CAPA w tym samym QMS albo w Wordzie w katalogu na SharePoint

Każde z tych źródeł podłączamy osobno. QMS z API to najłatwiejszy start. Excel na SharePoint to drugi krok. Maile z reklamacjami to trzeci, bo wymagają najpierw wyciągnięcia strukturalnych danych z treści wiadomości.

Zanim zaczniemy podłączać AI, patrzymy na jakość danych: czy kody wad są wypełniane z listy słownikowej, czy "na wolny tekst"? Wolny tekst to problem, bo "pęknięcie," "rysa" i "crack" mogą oznaczać to samo, a AI potraktuje je jako trzy różne wady i zestawienia nie będą warte nic. Jeden dzień pracy z działem jakości na ujednolicenie słownika przed wdrożeniem oszczędza potem miesiące błędnych grupowań.

Dobry punkt startowy to jedno konkretne zadanie: zestawienie braków z ostatnich trzech miesięcy pogrupowane po kodzie wady i linii produkcyjnej. Nie system, nie wielka integracja: jeden raport, który teraz robi człowiek w dwa dni, a po wdrożeniu AI jest gotowy w pięć minut. Kiedy firma zobaczy ten efekt na własnych danych, rozmowa o kolejnych krokach jest dużo łatwiejsza i bardziej konkretna.

Jeśli chcesz zobaczyć, jak to wygląda na danych Twojej firmy, zacznij od 15 minut rozmowy: wystarczy, żeby ocenić, skąd brać dane i od czego ma sens zacząć. Możesz też przejrzeć realne wdrożenia u firm produkcyjnych, które już to robią.