W zakładzie w Kutnie sztuczna inteligencja i cyfrowy bliźniak analizują setki parametrów ciasta, zanim chips trafi do frytownicy. Projekt Kellanovy i Siemensa kosztował 4–5 mln dol., ale już ograniczył odpady o 13% i poprawił jakość produkcji o 10%. To przykład, jak AI wychodzi z biur i centrów danych, by przejmować coraz ważniejszą rolę na halach produkcyjnych.
- Cyfrowy bliźniak na bieżąco odwzorowuje zachowanie ciasta na jednej z linii Pringles w Polsce
- Czujniki zbierają około 200 punktów danych co milisekundę, a modele przewidują jakość chipsów
- System przyniósł 10-procentową poprawę jakości, 13-procentową redukcję odpadów i ponad 40% zwrotu z inwestycji
- Technologia ma zostać rozszerzona na zakład w Belgii, a w 2027 r. także na produkcję w USA
Pringles wyglądają jak produkt zaprojektowany z matematyczną precyzją. Każdy chips powinien mieć niemal identyczny, siodłowaty kształt, kolor, kruchość i smak. Osiągnięcie takiej powtarzalności jest jednak znacznie trudniejsze, niż sugeruje uporządkowany stos w tubie.
Zapisz się na newsletter BGR. Otrzymuj najlepsze informacje i porady, a także zaproszenia na eventy.
Klikając „Zapisz mnie”, potwierdzasz, że przeczytałeś i zgadzasz się z naszą Polityką prywatności.
Powodem są surowce. Parametry ziemniaków, ryżu, kukurydzy czy mąki zmieniają się zależnie od dostawcy, miejsca uprawy, pory roku i konkretnej partii. Nawet ziemniaki z tego samego regionu mogą mieć inną wilgotność lub strukturę. Według Jana Laenena, dyrektora inżynierii w Kellanovie, na końcowy rezultat wpływa ponad 200 zmiennych – od wielkości cząstek mąki, przez wilgotność ciasta, po pochodzenie ziemniaków.
Przez lata kontrola opierała się głównie na doświadczeniu pracowników. Operatorzy zdejmowali fragment ciasta z linii, rozciągali go, oceniali jego lepkość, a następnie ważyli i mierzyli chipsy wychodzące z frytownicy. Jeżeli dostrzegali odchylenie, korygowali maszyny. Reakcja następowała jednak już po pojawieniu się błędu.
W praktyce oznaczało to, że proces był poprawiany dopiero wtedy, gdy wadliwa partia zaczęła już powstawać. Przy produkcji liczonej w setkach tysięcy ton rocznie nawet niewielkie różnice w cieście mogą przekładać się na duże ilości odpadów, straty surowców oraz przestoje urządzeń.
Cyfrowy bliźniak działa w czasie rzeczywistym
Kellanova rozpoczęła współpracę z Siemensem cztery lata temu. Firmy zainwestowały 4–5 mln dol. w stworzenie cyfrowego bliźniaka ciasta Pringles, działającego na jednej z linii w polskim zakładzie. Nie jest to tylko wizualizacja fabryki, lecz działający w czasie rzeczywistym model procesu, zasilany danymi pochodzącymi bezpośrednio z maszyn i nowych czujników.
Co milisekundę rejestrowanych jest około 200 punktów danych. Informacje są przetwarzane lokalnie na przemysłowej platformie brzegowej Siemensa. Model uczenia maszynowego symuluje zachowanie ciasta i przewiduje, czy gotowe chipsy będą odpowiadały wzorcowi.
Gdy system wykryje różnice w nowej partii surowców, może zasugerować korekty: zmianę ilości wody lub oleju, temperatury albo ustawień urządzeń. Jeżeli lokalny model nie potrafi znaleźć rozwiązania, odwołuje się do większego modelu działającego w chmurze i korzystającego z danych historycznych.
Nie jest to generatywna AI znana z chatbotów, lecz klasyczne uczenie maszynowe przeznaczone do przewidywania i optymalizacji procesów. Zamiast tworzyć tekst, obraz lub film, model analizuje zależności pomiędzy parametrami surowców, ustawieniami maszyn i jakością produktu końcowego.
Na razie decyzja pozostaje po stronie człowieka. Operator otrzymuje rekomendację i zatwierdza zmianę parametrów. Fabryka korzysta z szybkości AI, ale zachowuje ludzką kontrolę nad procesem.
Model cały czas uczy się również na podstawie informacji zwrotnych od pracowników. Każda zaakceptowana albo odrzucona rekomendacja może pomóc w udoskonalaniu kolejnych prognoz. Wiedza wcześniej przechowywana przede wszystkim w doświadczeniu operatorów jest stopniowo przekształcana w dane, z których może korzystać cała organizacja.
Sprawdź też: Specjalista czy „nerd do wszystkiego”? Gen Z musi wybrać strategię na obecne czasy
Mniej odpadów, wyższa jakość i szybki zwrot
Efekty projektu są policzalne. Na linii objętej cyfrowym bliźniakiem jakość produkowanych chipsów poprawiła się o 10%, a ilość odpadów spadła o 13%. Kellanova ocenia, że zwrot z inwestycji przekroczył 40%. Siemens podaje również, że poprawę wydajności linii osiągnięto bez zakupu dodatkowego sprzętu produkcyjnego.
Stabilniejsze ciasto rzadziej pęka i przykleja się w trakcie obróbki. Mniej chipsów zostaje odrzuconych, a opakowania mogą być napełniane bardziej przewidywalnie. Spada zużycie surowców, energii i czasu pracy maszyn, a jakość nie zależy już w takim stopniu od obecności najbardziej doświadczonego operatora.
W tym przypadku AI nie zastępuje więc pojedynczego stanowiska, lecz poprawia działanie całego systemu produkcyjnego. Jej wartość nie wynika z efektownej demonstracji technologii, ale z ograniczania strat powtarzających się każdego dnia na masową skalę.
To pokazuje, dlaczego cyfrowe bliźniaki zyskują znaczenie w przemyśle. Z trójwymiarowych modeli urządzeń przekształciły się w systemy odwzorowujące procesy niemal na żywo, przewidujące odchylenia i rekomendujące działania.
Kolejnym krokiem będzie przekazanie AI prawa do samodzielnego korygowania maszyn. W takim modelu system nie tylko wykrywałby problem i wskazywał rozwiązanie, lecz także automatycznie zmieniał parametry procesu. Wiele firm podchodzi jednak do tej autonomii ostrożnie i nadal wymaga akceptacji człowieka.
Polska fabryka laboratorium przemysłu przyszłości
Polski wątek jest w tej historii kluczowy, ponieważ system działa w zakładzie Pringles w Kutnie. Fabryka produkuje te przekąski od 2014 r., była wielokrotnie rozbudowywana i należy do najważniejszych zakładów marki w Europie. W 2021 r. uruchomiono tam czwartą linię produkcyjną.
Dla polskiego przemysłu projekt ma znaczenie wykraczające poza branżę spożywczą. Pokazuje, że wdrożenia AI nie muszą zaczynać się od chatbotów, marketingu czy automatyzacji pracy biurowej. Największa wartość może powstawać tam, gdzie niewielka poprawa stabilności procesu przekłada się na tysiące ton surowców, niższe zużycie energii i miliony identycznych produktów.
Technologia ma zostać wdrożona także w Belgii, a w 2027 r. trafić do zakładu w Stanach Zjednoczonych. Docelowo może objąć wszystkie linie. Rocznie w trzech głównych fabrykach w Polsce, Belgii i amerykańskim Jackson powstaje 705 mln funtów, czyli około 320 tys. ton Pringles.
Projekt rozwijany jest już w nowej sytuacji właścicielskiej. Mars zakończył przejęcie Kellanovy 11 grudnia 2025 r., łącząc Pringles z portfelem marek takich jak Snickers, M&M’s czy Twix. Integracja działalności przebiega jednak w różnym tempie w poszczególnych regionach, dlatego europejskie struktury nadal funkcjonują częściowo równolegle.
Najciekawszy może być kolejny etap. AI ma uczyć się obsługi większej różnorodności ziemniaków, ryżu i kukurydzy bez pogorszenia smaku czy tekstury. Producent zyskałby dzięki temu większą elastyczność zakupową i odporność na wahania jakości surowców.
„Idealny Pringles” nie oznaczałby już idealnie powtarzalnych składników, lecz system zdolny do kompensowania ich naturalnej zmienności. Właśnie w tym kierunku zmierza przemysłowa AI. Nie usuwa nieprzewidywalności świata, ale uczy fabrykę reagować na nią szybciej niż człowiek.
Czytaj też: Bogactwo coraz dalej. Przeciętny pracownik musiałby oszczędzać przez 52 lata
