AI agent pro kontrolu kvality ve výrobě: dokumentace, odchylky a protokoly

Kontrola kvality ve výrobě má paradoxní vlastnost: firmy ji berou vážně ve chvíli, kdy se dělá, a téměř vůbec ve chvíli, kdy se z ní má něco zjistit zpětně. Kvalitář vyplní protokol, podepíše ho, založí do šanonu — a když za tři měsíce přijde otázka „proč prošla tato dávka s odchylkou", hledání odpovědi trvá déle než samotná výroba dávky.

Toto není problém nedostatku disciplíny. Je to důsledek toho, že papírový nebo excelový záznam je vhodný k zapsání jedné události, ale ne k hledání vzorů napříč stovkami záznamů. Právě tady má AI agent smysl — ne jako náhrada kontroly, ale jako vrstva, která dělá zápis strukturovaným a dohledatelným.

Strukturovaný zápis odchylky. Místo volného textu „rozměr mimo toleranci" agent vede operátora přes přesná pole — který parametr, jaká naměřená hodnota, jaká tolerance, na kterém stroji, ve které směně. Volný text se dá přečíst jednou, strukturovaná data se dají analyzovat napříč tisíci záznamy.

Fotodokumentace přiřazená k záznamu. Fotka odchylky přiložená přímo k datům parametrů, ne samostatně v jiném systému nebo v telefonu operátora, který se mezitím vyměnil.

Rozpoznání opakovaného vzoru. Pokud se stejný typ odchylky objeví třikrát za týden na stejném stroji, agent na to upozorní — ne proto, že by rozhodl o příčině, ale proto, že právě to je typ signálu, který se v papírových protokolech ztrácí úplně.

Příprava podkladu pro audit. Když zákazník nebo certifikační orgán požádá o důkaz, že se konkrétní parametr kontroloval, agent umí vygenerovat přehled místo toho, aby někdo prohledával šanony.

Toto je rozhodující bod celého nasazení. Systém, který automaticky propustí dávku, protože naměřené hodnoty formálně sedí do tolerance, ignoruje kontext, který má zkušený kvalitář — trend v posledních měřeních, stáří stroje, předchozí problémy se stejným dodavatelem materiálu. Rozhodnutí o propuštění dávky musí zůstat u jména konkrétní odpovědné osoby, ne u automatického vyhodnocení.

Hodnota tohoto systému se neprojeví v den, kdy se zápis udělá. Projeví se za měsíce později, když přijde reklamace, audit nebo otázka od zákazníka. Právě tehdy se ukáže rozdíl mezi šanonem, kde se hledá ručně stránku po stránce, a systémem, kde se dá filtrovat podle stroje, data, parametru nebo operátora během sekund.

Tato dohledatelnost má i druhý směr — nejen dokázat, že se kontrolovalo, ale i rychle zjistit rozsah problému. Pokud se odchylka objeví na jednom stroji, otázka „kolik dávek za poslední měsíc prošlo stejným strojem" se musí dát zodpovědět okamžitě, ne po týdnu prohledávání záznamů. Stejný princip rychlé reakce na odchylku rozebíráme v článku o monitoringu a záložních scénářích u automatizace.

• Přesnou definici parametrů a tolerancí pro každý typ produktu — bez toho agent neví, co je odchylka a co je v pořádku.
• Propojení na výrobní dávky a stroje, aby se záznam dal přiřadit ke konkrétní dávce, ne jen k datu.
• Jasná pravidla eskalace — kdy jde upozornění kvalitáři okamžitě a kdy stačí zápis do přehledu.
• Zachování původních dat, ne jen závěrečné hodnocení — u auditu se ptá na naměřené hodnoty, ne na to, že „bylo v pořádku".

S tímto úzce souvisí i celkový tok objednávky ve výrobě — kontrola kvality je jeden z bodů na cestě od objednávky k expedici, které jsme se věnovali v článku o automatizaci procesů ve výrobě.

AI agent pro kontrolu kvality nemá rozhodovat, jestli dávka smí pokračovat — má změnit papírový nebo excelový záznam na strukturovaná, dohledatelná data, upozornit na opakující se vzory a připravit podklad pro audit. Rozhodnutí o propuštění dávky, příčině odchylky a změně procesu musí zůstat na kvalitáři. Hodnota tohoto systému se projeví ne v den zápisu, ale v den, kdy někdo potřebuje zpětně zjistit, co se přesně stalo.

Rozsah nasazení závisí na počtu sledovaných parametrů a na tom, jak jsou dnes propojené výrobní dávky se stroji a operátory. Pokud zvažujete podobné řešení, projdeme si ho na nezávazné konzultaci.