Wdrożenia AI w średnich firmach produkcyjnych (50–500 osób) bez przesady i bez marketingu. Case studies, architektury, ROI w PLN, gotowe workflowy: asystent serwisowy, drawing-to-offer, generowanie instrukcji, RAG na dokumentacji. Autor buduje własne narzędzie w tej kategorii, ale pisze tu poza marką.
ROI, business case i decyzje go/no-go dla wdrożeń AI.
Automatyzacja ofertowania, drawing-to-offer, instrukcje pracy.
Asystent serwisowy, wiedza serwisowa, predykcyjne UR.
Dlaczego RAG czasem się myli i jak to ograniczać. Chunking, embeddingi, reranking, projektowanie odpowiedzi „nie wiem" i jak w ogóle zmierzyć jakość, zanim zaufacie odpowiedziom.
Jak sprawić, żeby AI odpowiadało z Waszej dokumentacji (DTR, instrukcje, karty serwisowe), a nie z głowy. Co to jest RAG, dlaczego pasuje do dokumentacji technicznej i gdzie ma granice.
Kiedy trzymać AI u siebie, a kiedy w chmurze. Uczciwa lista przesłanek: wrażliwość danych, wolumen, koszty ukryte (ludzie, prąd), latencja, NIS2 i wariant hybrydowy.
Ile realnie sprzętu potrzebuje lokalny model językowy w fabryce. Jak rozmiar modelu przekłada się na VRAM i klasę karty, dlaczego liczy się realne wykorzystanie, a nie szczyt, i kiedy wystarczy jedna karta.
Case studies, ROI, decyzje go/no-go. AI w średnich firmach produkcyjnych 50 do 500 FTE.
Zanim wyślecie zapytanie ofertowe, zadajcie te dziesięć pytań. Oddzielają dostawcę AI gotowego na produkcję od ładnej prezentacji.
Sensowny pilot AI w produkcji mieści się w 8 tygodniach, ale tylko jako odpowiedź na jedno wąskie pytanie. Co da się sprawdzić, a co jest hasłem sprzedażowym.
Konstruktorzy wklejają rysunki i opisy techniczne do publicznych narzędzi AI, bo to przyspiesza pracę. Pokazujemy, gdzie naprawdę wycieka wiedza i jak zareagować bez zakazów, które i tak nie działają.
Konkretne workflowy AI: serwis, instrukcje pracy, biuro techniczne. Co działa, co jeszcze nie.
Asystent serwisowy jest tak dobry, jak wiedza, którą go karmicie. Ten post jest o samej wiedzy: skąd ją wziąć, jak ją podać modelowi, dlaczego retrieval bywa zawodny i jak utrzymać jakość, gdy zgłoszeń przybywa.
Wdrożenia AI poza chmurą publiczną. Kiedy warto, ile kosztuje, co bierzesz pod uwagę.
Kiedy trzymać AI u siebie, a kiedy w chmurze. Uczciwa lista przesłanek: wrażliwość danych, wolumen, koszty ukryte (ludzie, prąd), latencja, NIS2 i wariant hybrydowy.
Ile realnie sprzętu potrzebuje lokalny model językowy w fabryce. Jak rozmiar modelu przekłada się na VRAM i klasę karty, dlaczego liczy się realne wykorzystanie, a nie szczyt, i kiedy wystarczy jedna karta.
Automatyzacja biura technicznego, ofertowania i serwisu. Drawing-to-offer, AI w sales engineering.
Demo robi wrażenie, codzienność biura konstrukcyjnego jest inna. Rozbieramy, które zadania AI realnie zdejmuje z konstruktora, a które tylko obiecuje na slajdzie.
Ofertowanie z rysunku technicznego to wąskie gardło, które kosztuje zlecenia. Jak AI skraca cykl z dni do godzin, gdzie są granice i co musisz mieć, żeby to zadziałało.
Retrieval-Augmented Generation w produkcji: jak AI uczy się waszej dokumentacji bez halucynacji.
Dlaczego RAG czasem się myli i jak to ograniczać. Chunking, embeddingi, reranking, projektowanie odpowiedzi „nie wiem" i jak w ogóle zmierzyć jakość, zanim zaufacie odpowiedziom.
Jak sprawić, żeby AI odpowiadało z Waszej dokumentacji (DTR, instrukcje, karty serwisowe), a nie z głowy. Co to jest RAG, dlaczego pasuje do dokumentacji technicznej i gdzie ma granice.