Umělá inteligence v průmyslových systémech: podpora řízení, nebo další komplexita?

Umělá inteligence (AI) je stále častěji integrována do průmyslových prostředí jako podpůrná vrstva pro provoz, údržbu, řízení kvality a kybernetickou bezpečnost, zatímco klíčové řídicí a bezpečnostní systémy zůstávají vázány přísnými požadavky na spolehlivost a zajištění funkční bezpečnosti. Nedávná data ukazují zřetelné rozšiřování záměrů a pilotních projektů AI ve výrobě, zároveň však odhalují přetrvávající realizační mezery, obavy z přesnosti a strukturální limity dané požadavky funkční bezpečnosti a provozních technologií (OT). Empirická evidence tak rámuje AI v průmyslových systémech nikoli jako binární upgrade či hrozbu, ale jako kompromis mezi měřitelnými provozními přínosy a měřitelným nárůstem systémové komplexity.

Rozšíření v záměru vs. trvalá pilotizace průmyslové AI

Adopce průmyslové AI je široce deklarována, avšak její plná realizace v měřítku zůstává omezená. Podle studie Rockwell Automation State of Smart Manufacturing 2025 56 % výrobců pilotuje řešení chytré výroby, zatímco pouze 20 % je využívá v plném rozsahu; dalších 20 % investice teprve plánuje. Současně 95 % výrobců uvádí, že již investovali nebo plánují investovat do AI/ML, generativní AI nebo kauzální AI v horizontu příštích pěti let. Číselně to vytváří široký trychtýř experimentování, který se výrazně zužuje v bodě provozního škálování.

Nezávislá průzkumná data tuto mezeru potvrzují. Zpravodajství Reuters z roku 2024, odkazující na studii Lucidworks, ukazuje, že ačkoli 58 % lídrů ve výrobě plánovalo v roce 2024 zvýšit výdaje na AI, šlo o výrazný pokles oproti 93 % v roce 2023. Zásadní je však skutečnost, že pouze 20 % plánovaných AI projektů ve výrobě bylo skutečně implementováno. Současná existence 95% dlouhodobého záměru (Rockwell) a 20% realizované implementace (Lucidworks / Reuters) kvantifikuje strukturální tření mezi ambicí a realizací, nikoli nedostatek zájmu.

Regionální pohledy vykazují stejný vzorec. Zprávy ITPro s odkazem na Rockwell Automation uvádějí, že 53 % britských výrobců již využívá AI přímo ve výrobních provozech, oproti 41 % globálně, a 98 % britských výrobců plánuje implementaci oproti 95 % globálně. Ve stejném datovém souboru je však efektivně využíváno pouze 44 % shromážděných průmyslových dat. Tato numerická nerovnováha – téměř univerzální záměr při využití dat pod 50 % – signalizuje, že připravenost dat a jejich integrace zůstávají klíčovou brzdou škálování.

Další analýzy: Systémy ERP a MES ve výrobním prostředí

Měřitelné provozní přínosy: kde AI funguje jako podpora řízení

V případech, kdy je AI úspěšně integrována, jsou provozní přínosy kvantifikovatelné. Analýza McKinsey z roku 2017 v oblasti výrobní analytiky uvádí 30–50% snížení prostojů strojů a 20–40% prodloužení životnosti zařízení při nasazení prediktivní údržby. Tyto hodnoty potvrzují roli AI jako podpory rozhodování založeného na stavu zařízení, nikoli jako náhrady deterministické řídicí logiky.

Pozdější analýza McKinsey k Průmyslu 4.0 (2022) rozšiřuje kvantifikované přínosy o 10–30% zvýšení průchodnosti, 15–30% zlepšení produktivity práce a 30–50% snížení prostojů, spolu s o 85 % přesnějšími prognózami. Ačkoli není specifikována výchozí metrika chybovosti, velikost zlepšení je explicitně uvedena jako relativní. Tyto rozsahy ukazují, že AI může při nasazení jako podpůrná rozhodovací vrstva významně zvyšovat provozní výkonnost.

Indikátory na úrovni trhu tento obraz potvrzují. IoT Analytics odhaduje globální trh prediktivní údržby na 5,5 mld. USD v roce 2022 s meziročním růstem 11 % a s odhadovaným CAGR 17 % do roku 2028. Tentýž zdroj uvádí mediánové náklady neplánovaných prostojů přes 100 000 USD za hodinu, což vytváří numerický kontext, v němž i částečné omezení prostojů generuje významné ekonomické přínosy. ITPro dále zmiňuje návratnost investic pod 12 měsíců v britském výrobním prostředí, ačkoli přesná definice ROI není ve zdrojích blíže specifikována.

Tematicky související: Proč složité technické systémy selhávají navzdory kvalitní technologii

Tření při realizaci: přesnost, nákladová struktura a využití dat

Navzdory kvantifikovaným přínosům je tření při realizaci rovněž číselně doloženo. Shrnutí studie Lucidworks z roku 2024 podle Reuters ukazuje, že 44 % respondentů z výroby uvádí přesnost jako hlavní obavu, oproti 36 % napříč všemi odvětvími, tedy rozdíl 8 procentních bodů, který odráží vyšší nároky průmyslových prostředí. To koresponduje s nízkou mírou implementace (20 %) navzdory uváděným úsporám nákladů téměř u poloviny respondentů.

Ke komplexitě přispívá i nákladová struktura. Stejná zpráva Reuters uvádí, že 70 % výrobců v předchozím roce využívalo nákladné komerční AI modely. Tato závislost zavádí opakované náklady a riziko vendor lock-in, které se liší od tradičních investic do průmyslové automatizace, jež jsou obvykle kapitalizovány v dlouhých životních cyklech zařízení.

Připravenost dat zůstává kvantitativním úzkým hrdlem. Data navázaná na Rockwell ukazují, že v britském výrobním prostředí je efektivně využíváno pouze 44 % shromážděných dat. V kombinaci s podíly 56 % pilotních projektů a 20 % nasazení v měřítku to naznačuje, že komplexita AI pramení méně z algoritmických schopností a více z integračních, řídicích a datově-inženýrských nároků, které zpomalují nebo blokují škálování.

Bezpečnost a spolehlivost: kde AI zvyšuje zátěž na zajištění

Průmyslové řídicí systémy jsou omezeny explicitními cíli spolehlivosti definovanými normami funkční bezpečnosti. Norma IEC 61508, shrnutá v aplikační poznámce MTL z roku 2016, definuje pásma pravděpodobnosti selhání při vyžádání (PFDavg) od 10⁻² až <10⁻¹ (SIL 1) po 10⁻⁵ až <10⁻⁴ (SIL 4) v režimu nízké četnosti požadavků. V kontinuálním nebo vysoce frekventovaném režimu se cíle pravděpodobnosti selhání za hodinu (PFH) pohybují od 10⁻⁶ až <10⁻⁵ za hodinu (SIL 1) po 10⁻⁹ až <10⁻⁸ za hodinu (SIL 4).

Tyto číselné limity vysvětlují, proč AI často zůstává mimo bezpečnostně kritické řídicí smyčky. Stejný materiál MTL výslovně uvádí, že softwarová selhání jsou systematická, nikoli náhodná, a vyžadují kvalitativní metody zajištění namísto pravděpodobnostního modelování poruch. Zavádění AI komponent do funkcí blízkých bezpečnosti tak zvyšuje složitost ověřování, validace a zajištění, aniž by se měnily samotné cíle SIL.

Doporučeno k hlubšímu pochopení: Kybernetická bezpečnost průmyslových systémů – reálné vektory hrozeb

Tlak kybernetické bezpečnosti v průmyslových AI architekturách

Kybernetická expozice přidává další kvantifikovanou vrstvu komplexity. Rockwell Automation uvádí, že 49 % výrobců plánuje využívat AI pro kybernetickou bezpečnost v roce 2025, oproti 40 % v roce 2024, což představuje nárůst o 9 procentních bodů během jednoho roku. Tento růst záměru obranné AI probíhá souběžně s pokračujícími zveřejněními zranitelností v průmyslových řídicích systémech. Analýza SynSaber publikovaná serverem SecurityWeek uvádí 185 doporučení CISA ICS v první polovině roku 2023, oproti 205 v první polovině roku 2022, přičemž počet pokrytých zranitelností klesl o 1,6 %. IndustrialCyber zároveň hlásí 9,8% meziroční pokles počtu doporučení za stejné období.

Rozpor je číselně zřejmý: vnímaná významnost kybernetických rizik (růst záměru na 49 %) se zvyšuje, zatímco jeden z ukazatelů zveřejňování (pololetní počet doporučení) klesá. Dostupná data tuto divergenci nevysvětlují a zdroje nepodporují žádnou kauzální interpretaci nad rámec prostého srovnání.

Investiční záměr vs. systémová komplexita: interpretace rozporů

Napříč daty přetrvává několik kvantifikovaných rozporů. Výrobci uvádějí 95% investiční záměr do AI v pětiletém horizontu (Rockwell), avšak pouze 20% realizaci plánovaných projektů (Lucidworks / Reuters). Provozní přínosy – 30–50% snížení prostojů a 10–30% nárůst průchodnosti (McKinsey) – koexistují se strukturálními bariérami, jako jsou 44% obavy z přesnosti, 70% závislost na nákladných modelech a 44% efektivní využití dat.

Podobně roste využití AI v oblasti kybernetické bezpečnosti (+9 p. b. meziročně) současně s mírným poklesem počtu zveřejněných ICS doporučení (205 na 185 ve srovnatelných pololetích). Data neumožňují určit, zda AI snižuje počet incidentů, mění praxi reportování, nebo pouze přidává analytické nástroje; tyto interpretace nejsou numericky podloženy.

Na základě samotných čísel lze konstatovat, že role AI v průmyslových systémech je asymetrická: metriky přínosů se škálují rychleji než rámce zajištění a investiční záměr roste rychleji než realizační kapacita.

Závěr

Dostupné důkazy ukazují, že umělá inteligence přináší v průmyslových systémech měřitelnou provozní podporu – snižuje prostoje o 30–50 %, zvyšuje průchodnost o 10–30 % a podporuje rychlejší návratnost investic – zároveň však zavádí měřitelnou komplexitu prostřednictvím omezení přesnosti, stropů využití dat (44 %), nákladových struktur (70 % využití komerčních modelů) a přísných požadavků na bezpečnostní spolehlivost (až 10⁻⁹ PFH). Adopce je široká (95 % záměr), ale mělká (20 % v měřítku), a význam kybernetické bezpečnosti roste i při poklesu některých ukazatelů zveřejnění. V těchto numerických mezích AI funguje jako podpora řízení tam, kde rozšiřuje rozhodování mimo bezpečnostně kritické smyčky, a jako zdroj dodatečné komplexity tam, kde naráží na požadavky zajištění, integrace a správy.