Digitalizace je především o práci s lidmi
8 | Technika & trh | 9-10/2026
dila
Zpočátku, to bylo okolo roku 2018, jsme začali s modely
malých pracovišť, které jsme připravovali pro jednotlivé
malé nové projekty a s tím jsme začali vytvářet strukturu
nejen strojů azařízení, aleibudov, pracovišť výrobních celků.
Postupně jsme doplňovali složitější technologie arekonstruo-
vali modely strojů, knimž nebyla žádná digitální dokumen-
tace. Spomocí skenování mračna bodů, které jsme aplikovali
asi před4lety, sezpětné mapování technologií výrazně zrych-
lilo a dnes můžeme říct, že máme 90 % technologií zmapo-
vaných. Ale od začátku tonebylo moc jednoduché. Naráželi
jsme na odlišné postoje kolegů ohledně práce s CAD sys-
témy a určité míry přesvědčení, že to vlastně není potřeba
ažesetoaninedá zvládnout azajistit udržitelnost. Vpodstatě
jsme došli ktomu, ženejde jenozměnu používané technologie,
aleocelkovou proměnu myšlení nadcelým pracovním proce-
sem a koncepcí. Nejtěžší natom bylo přesvědčit kolegy, aby
opustili zažité postupy aotevřeli senovému způsobu práce.
Byl to jeden z jejích zásadních benetů. Samozřejmě jsou
stovky dalších. Abyste zvládl stovky projektů azměn, je nutné
mít struktury, data, mapy, vkterých seorientujete akteré vám
vytvoří digitální dvojče. Atonejen závodu, aleproduktu, pro-
cesu, infrastruktury apodobně. Zatím účelem bylo potřeba
změnit iprojektovou administrativu a zcela ji digitalizovat.
Projekty seskupujeme podleoblastí atvoříme tzv. projektové
streamy. Stanovujeme si dlouholeté vize acíle asnažíme seje
řídit hybridním modelem projektového řízení. Zavedli jsme
databázi projektů a databázi požadavků, věcem jsme dali
ucelenější řád akontinuálně jsme tak dnes schopni najednou
řešit stále složitější projekty, atosestejným čidokonce men-
ším počtem lidí.
První požadavky na implementaci AI jsme začali řešit
vespojitosti sezjednodušováním administrativních procesů.
AI nejvíce pomáhá lidem, kteří ji přijmou jako asistenta –
zrychlí si tak opakované nebočasově náročné činnosti jako
formátování, překlady, vyhledávání čiprogramování. Druhou
oblastí je práce svelkými daty apredikčními modely přímo
ve výrobních procesech. Tady je situace složitější – u ana-
lýz, které odhalují skryté chyby nebohledají lepší nastavení
procesu, je AI skvělou příležitostí. Upřímého řízení procesu
je to ale jinak: i 99% spolehlivost a opakovatelnost mohou
být nedostatečné, pokud zbývající procento znamená riziko
úrazu nebohavárie. Třetí oblastí je technologické know-how
– cílem není nahradit experty, kterých je ostatně čím dál
těžší najít, alerozšiřovat jejich dovednosti, pomáhat srešer-
šemi anovými nápady. AI totiž sama nenavrhne technologii
ani nenakreslí schéma. K tomu všemu je potřeba budovat
kulturu a postoje, aby ji lidé dokázali přijmout – a jednou
zhranic je ivelké věkové rozpětí zaměstnanců, které logicky
přináší rozdílné postoje aočekávání.
A tady za mě může docházet i k oboustrannému propo-
jení generací – nejde zde jen o přesun zkušeností od star-
ších k mladším, ale inaopak. Vezměte si třeba technologa,
který je expert na obrábění. Když se spektrum produktů
neustále rozšiřuje a denně vznikají nové varianty, nedělá
nic jiného než přípravu výrobních programů. Plýtvá tím
90% svého času, nemá prostor věnovat seobrábění a ino-
vacím, vekterých má největší potenciál, aje vzačarovaném
kruhu. Dotýmu dostane mladého kolegu, který zná nové SW
nástroje, udělá datové srovnávání, připraví skripty azauto-
matizuje tak přípravu programů. Starší kolega tak získá čas
nato, včem je skutečně expert, azároveň mladšímu předává
své know-how zobrábění. Vzájemně si tak mohou vypomoci.
Aletohle může fungovat pouze tehdy, ať užjedním čidruhým
směrem, pokud je každý z nich v tomto mezigeneračním
systému ochotný přijmout změnu aučit seztoho, comu ten
druhý aktuálně nabízí.
Obecně ji používáme nebo testujeme napříč rmou
ve všech již zmiňovaných oblastech. Máme denována
pravidla, jaksní zacházet vurčitých procesech, jakpraco-
vat s výstupy, posuzovat rizika a podobně. Například teď
jsme testovali nasazení umělé inteligence vúdržbě. Jedná
seovelmi náročný proces narychlost dohledání dat vdoku-
mentaci ve spojení s analýzou a vyhodnocením příčin
poruch. Strojů azařízení jsou tisíce, počet variant provedení
avýrobců roste, je-li dostupná dokumentace, je obsahově
rozsáhlejší, funkce jsou komplikovanější. Udržet veškeré
znalosti se stejnou skupinou pracovníků je už nyní téměř
nemožné. Dnes běžně pracovník stráví 45minut hledáním
informací apak někdy do15minut provede opravu.
Cílový stav je mít AI asistenta, který umí procházet doku-
mentaci, schémata, rmware, záznamy o poruchách
ivyhledávat vminulých záznamech záznamech, vyhodno-
tit potenciální příčiny poruchy, dohledat místa veschématu
anapomáhat technikovi identikovat poruchu vevýrazně
kratší době svyšší jistotou výsledku.
Pomůžu si příkladem zmonitoringu energií. Celkově máme
v závodě instalováno 500 měřidel spotřeby. Kdyby dva lidé
dělali screening nad všemi stroji obchůzkami, celý rok
bynedělali nic jiného amohli bypracovat stabulkou týden-
ních dat. Dnes se data, která zaznamenáváme do databáze
cominutu, vyhodnocují automaticky. Nyní tito stejní technici
potřebují umět pracovat sdaty zdatabází, pokročilými nástroji
vystudoval silnoproudou
elektrotechniku nastřední
průmyslové avysoké
škole avestejném
oboru pokračoval
ivpostgraduálním studiu
sezaměřením nadiagnostiku
aměření. Navrhování
aprogramování zkušebních zařízení proelektrické stroje
sevěnuje užoddob studií – nejprve 14let udodavatele,
který je odroku 2004dodával idofrenštátského
závodu, kam sám nastoupil vroce 2016. Digitalizaci
aautomatizaci voboru setak průběžně věnuje už22let
adnes sjeho původní odborností – silnoproudou
elektrotechnikou – tvoří přirozenou synergii.
Přespozice projektového vedoucího avedoucího Project
Ofce sedostal kvedení útvaru Digital Factory, dnes
Operational Excellence, který má zhruba 25lidí včetně
týmu datových analytiků.