Smart Industry BrainStorm: Lekcije za AI u proizvodnji

AI u Hrvatskoj Proizvodnji: Industrija 4.0••By 3L3C

Što nam je Smart Industry BrainStorm donio za AI u hrvatskoj proizvodnji i kako danas pretvoriti industriju 4.0 u manje zastoja, škarta i troškova energije.

AI u proizvodnjiIndustrija 4.0prediktivno održavanjedigitalna transformacijapametne industrije
Share:

Featured image for Smart Industry BrainStorm: Lekcije za AI u proizvodnji

Kako je Smart Industry BrainStorm oblikovao AI u hrvatskoj proizvodnji

Kad je 3. Smart Industry BrainStorm 2022 okupio stručnjake iz industrije, akademske zajednice i javnog sektora pod motom „Pametne industrije transformiraju cijelo društvo“, malo tko je slutio koliko će se brzo njihove teme pretvoriti u realne projekte. Danas, krajem 2025., hrvatske proizvodne tvrtke više ne raspravljaju hoće li uvesti AI i Industriju 4.0, nego kako to napraviti brže, sigurnije i isplativije.

Ovaj tekst ne najavljuje konferenciju – ona je već odigrala svoju pionirsku ulogu. Umjesto toga, koristimo ključne tematske okvire BrainStorma (strateško pozicioniranje, akceleratori, kritične infrastrukture) kao strukturu za praktičan vodič: kako danas primijeniti AI u hrvatskoj proizvodnji, gdje su najveće prilike i što treba napraviti odmah.

Ako ste direktor proizvodnje, vlasnik tvrtke ili voditelj digitalne transformacije, u nastavku ćete pronaći konkretne korake kako iz vizije „pametan pogon“ doći do mjerljivih rezultata: manje zastoja, manje škarta, većeg izvoza i otpornijeg poslovanja.

1. Od Industry 4.0 do 5.0: Zašto je AI postao nužnost

Temeljna tema BrainStorma bila je strateško pozicioniranje pametnih industrija i Industry 5.0. U praksi to znači prelazak s pukog automatiziranja procesa na pametnu, podatkovno vođenu proizvodnju u kojoj AI surađuje s ljudima.

Gdje je danas Hrvatska proizvodnja?

U hrvatskim tvrtkama već nalazimo tipičan miks:

  • klasični CNC strojevi bez ikakvog prikupljanja podataka,
  • djelomično digitalizirane linije s osnovnim nadzorom (SCADA, MES),
  • napredne tvrtke koje već uvode prediktivno održavanje, računalni vid i automatizirano planiranje proizvodnje.

Razlika između ovih skupina ubrzano se povećava. Tvrtke koje ne koriste podatke i AI:

  • gube konkurentnost na izvoznim tržištima,
  • imaju više zastoja i veće troškove održavanja,
  • teže pronalaze i zadržavaju mlade inženjere koji žele raditi u modernim pogonima.

Što znači strateško pozicioniranje u praksi?

Strateško pozicioniranje pametne industrije nije još jedan dokument u ladici, nego odgovor na tri konkretna pitanja:

  1. Gdje AI može donijeti najbrži povrat ulaganja u našem pogonu?
    Primjeri: prediktivno održavanje ključnih strojeva, AI kontrola kvalitete, optimizacija rasporeda proizvodnje.

  2. Koje podatke moramo početi prikupljati već danas da bismo to sutra mogli ostvariti?
    Primjeri: vibracije, temperatura, potrošnja energije, scrap rate, uzroci zastoja, kvaliteta po seriji.

  3. Kako ćemo povezati ljude, procese i tehnologiju?
    AI projekti propadaju kad zanemarimo ljude – operatere, majstore, tehnolozi i voditelji linija moraju biti dio dizajna rješenja.

2. Akceleratori pametne industrije: gdje konkretno početi s AI

Drugi veliki fokus BrainStorma bili su prioritetni akceleratori razvoja pametnih industrija i digitalni ekosustavi. U proizvodnji to izravno prevodimo u četiri ključna AI područja:

  • prediktivno održavanje,
  • AI kontrolu kvalitete,
  • optimizaciju proizvodnje,
  • integraciju s ERP/CRM sustavima.

Prediktivno održavanje: kako spriječiti skupe zastoje

U klasičnom pogonu održavanje je ili:

  • reaktivno (popravljamo kad se pokvari), ili
  • preventivno (mijenjamo po kalendaru, ponekad prerano).

AI uvodi treću razinu – prediktivno održavanje:

  • senzori prate stanje stroja (vibracije, temperaturu, struju),
  • podaci se u realnom vremenu šalju u analitički sustav,
  • AI model prepoznaje obrasce koji prethode kvaru,
  • sustav pravodobno upozori održavanje.

Rezultati koje hrvatske tvrtke već vide:

  • 20–40 % manje neplaniranih zastoja,
  • niži troškovi rezervnih dijelova (kupnja prema stvarnom stanju, ne prema kalendaru),
  • veća pouzdanost u planiranju isporuka.

Praktični prvi koraci:

  1. Identificirajte 3–5 najkritičnijih strojeva (po trošku zastoja).
  2. Ugradite osnovne senzore i povežite ih na centralnu platformu.
  3. Počnite prikupljati podatke i raditi jednostavne analize (i bez AI modela, samo vizualizacija često otkrije brze dobitke).
  4. Tek kad imate nekoliko mjeseci podataka, uvodite napredne AI modele.

AI kontrola kvalitete: manje škarta, više zadovoljnih kupaca

Kontrola kvalitete se u mnogim tvornicama još uvijek oslanja na ručne vizualne preglede. To je sporo, skupo i podložno ljudskim pogreškama.

Računalni vid (computer vision) omogućuje:

  • automatsku detekciju ogrebotina, pukotina, deformacija i drugih defekata,
  • mjerenje dimenzija u realnom vremenu,
  • klasifikaciju proizvoda (A/B/C klasa) bez ručne intervencije.

Prednosti:

  • smanjenje škarta i reklamacija,
  • brži ciklusi kontrole,
  • standardizirana kvaliteta bez „subjektivnog oka“.

Za hrvatske proizvodne tvrtke ključ je krenuti s jednim jasnim use-caseom (npr. detekcija površinskih grešaka na metalu, staklu ili plastici) i skalirati tek nakon što pokažete rezultate.

Optimizacija proizvodnje: od intuicije do podataka

Planiranje proizvodnje u mnogim pogonima i dalje ovisi o iskustvu jednog planer-a ili šefa proizvodnje. AI tu ne zamjenjuje ljude, već im pruža scenarije i preporuke.

Primjeri primjene:

  • optimizacija redoslijeda narudžbi kako bi se smanjili setup-times,
  • dinamičko balansiranje linija ovisno o stvarnim performansama strojeva,
  • predviđanje trajanja pojedinih operacija na temelju povijesnih podataka.

Rezultat je veća iskorištenost kapaciteta i manje „uskih grla“ – što je presudno u uvjetima rasta narudžbi i nedostatka radne snage.

3. Digitalni ekosustavi: zašto ERP i CRM više nisu dovoljni

BrainStorm je naglasio i ulogu digitalnih ekosustava – umreženih rješenja za korisničko iskustvo, e-usluge i osnaživanje zaposlenika. U kontekstu Industrije 4.0, to znači da AI u proizvodnji ne može biti izoliran od ostatka poslovanja.

Povezivanje AI-a s ERP i CRM sustavima

Kada su ERP, CRM i proizvodnja povezani, otvara se niz novih mogućnosti:

  • planiranje proizvodnje na temelju stvarnih i predviđenih narudžbi,
  • prilagodba serija i proizvoda prema preferencijama ključnih kupaca,
  • preciznije kalkulacije troškova i marži po proizvodnoj liniji.

AI tu služi kao „pametni sloj“ koji:

  • predviđa potražnju,
  • optimizira zalihe sirovina,
  • predlaže optimalne termine isporuke.

Osnaživanje zaposlenika kroz podatke

Industrija 5.0 naglašava čovjeka u središtu. To znači da operateri, tehnolozi i voditelji moraju imati:

  • jasne, razumljive vizualizacije stanja strojeva i linija,
  • preporuke koje mogu objasniti („zašto mi AI predlaže baš ovaj potez?“),
  • alate za brzo reagiranje.

Praktično: digitalni alati za upravljanje ljudskim potencijalima (HCM), ciljevima i performansama (npr. platforme za OKR) pomažu da se AI projekti vežu uz konkretne ciljeve – smanjenje škarta, povećanje OEE, brže uvođenje novih proizvoda.

4. Kritične infrastrukture: Smart food, Smart energy & Smart maritime

Treća tematska cjelina BrainStorma – kritične infrastrukture i samodostatnost države i naroda – danas je još relevantnija. Pitanja sigurnosti opskrbe hranom, energijom i logističkim lancima dobila su novu težinu.

Smart food: AI od polja do pogona

Za prehrambenu industriju AI donosi posebne mogućnosti:

  • predviđanje kvarljivosti i roka trajanja,
  • optimizaciju procesa punjenja, pakiranja i etiketiranja,
  • praćenje sljedivosti od sirovine do gotovog proizvoda.

AI modeli mogu analizirati podatke iz proizvodnje, skladišta i prodaje kako bi:

  • smanjili bacanje hrane,
  • optimizirali veličine serija,
  • prilagodili proizvodnju sezonalnosti i navikama kupaca.

Smart energy: učinkovitija i jeftinija proizvodnja

Rastuće cijene energije tjeraju tvrtke da ozbiljno pristupe energetskoj optimizaciji. AI tu pomaže na tri razine:

  1. Nadzor potrošnje energije po stroju i liniji – otkrivanje „energetskih crnih rupa“.
  2. Optimizacija rasporeda rada – pomicanje energetski intenzivnih procesa u povoljnije tarife gdje je moguće.
  3. Prediktivno održavanje energetske opreme – smanjenje gubitaka i kvarova na kompresorima, kotlovima, rashladnim sustavima.

Za mnoge hrvatske tvrtke upravo je AI upravljanje energijom najbrži način da projekt Industrije 4.0 pokaže mjerljiv ROI.

Smart maritime: logistika kao produžetak proizvodnje

Za izvoznike, posebno u brodogradnji, metalnoj i preradivačkoj industriji, logistika je dio proizvodnog lanca. AI se koristi za:

  • optimizaciju punjenja kontejnera i skladišta,
  • predviđanje kašnjenja u transportu,
  • dinamičko planiranje isporuke.

Pametni logistički lanci smanjuju troškove i povećavaju pouzdanost – ključne faktore za izvozno orijentirane hrvatske tvrtke.

5. Kako strukturirati svoj AI put: od pilot-projekta do skaliranja

Iskustvo pokazuje da uvoditi AI „odjednom i svugdje“ gotovo sigurno vodi do razočaranja. Uspješnije tvrtke slijede strukturiran pristup koji se dobro uklapa u duhu konferencija poput Smart Industry BrainStorma – akcelerirati, ali promišljeno.

Faza 1: Dijagnoza i odabir use-casea

  • Mapirajte ključne procese i strojeve.
  • Izračunajte gdje nastaju najveći gubici (zastoji, škart, energija).
  • Odaberite 1–2 use-casea s jasnim i mjerljivim ciljevima.

Primjeri:

  • smanjenje neplaniranih zastoja za 20 % na jednoj liniji,
  • smanjenje škarta za 15 % u jednom ključnom procesu,
  • smanjenje potrošnje energije za 10 % u kompresorskoj stanici.

Faza 2: Prikupljanje i priprema podataka

Bez kvalitetnih podataka nema kvalitetnog AI modela. Fokusirajte se na:

  • pouzdano prikupljanje podataka sa strojeva,
  • standardizirane zapise (jedinice, formati, vremenske oznake),
  • kvalitetnu suradnju IT-a, OT-a (operational technology) i proizvodnje.

Faza 3: Pilot-projekt i učenje

  • Implementirajte rješenje na ograničenom području (jedna linija, jedan stroj).
  • Uključite operatere od prvog dana – neka daju povratne informacije.
  • Razvijajte iterativno – brze korekcije umjesto „velikog praska“.

Faza 4: Skaliranje i integracija

Kad pilot pokaže rezultate:

  • proširite rješenje na druge linije ili pogone,
  • integrirajte AI alate s ERP/MES sustavima,
  • standardizirajte način rada i dokumentirajte najbolje prakse.

Zaključak: Od konferencijskih tema do stvarnih rezultata u pogonu

  1. Smart Industry BrainStorm 2022 jasno je artikulirao ideju da pametna industrija ne mijenja samo tvornice, nego cijelo društvo. Danas vidimo kako se te ideje pretvaraju u stvarnost: hrvatske proizvodne tvrtke uvode prediktivno održavanje, AI kontrolu kvalitete, optimizaciju proizvodnje i energetski management, gradeći temelje za otpornije gospodarstvo.

Ako želite da vaša tvrtka bude dio tog vala, ključno je:

  • strateški odabrati prve AI use-caseove,
  • izgraditi digitalni ekosustav koji povezuje proizvodnju, upravljanje i tržište,
  • sustavno osnaživati zaposlenike da rade rame uz rame s AI alatima.

Sada je pravi trenutak da iz faze promatranja i konferencijskih rasprava prijeđete u fazu realizacije. Koji je jedan konkretan proces u vašem pogonu na kojem već ovaj kvartal možete pokazati što AI i Industrija 4.0 stvarno znače za hrvatsku proizvodnju?