Dlaczego ChatGPT nie poprowadzi pociągu: wprowadzenie do koncepcji fizycznego AI
Chatboty, generatory obrazów i biurowi asystenci oparte na sztucznej inteligencji stały się symbolem technologicznego boomu ostatnich lat. Dla wielu osób „AI” kojarzy się dziś przede wszystkim z konwersacją: oknem czatu, w którym model językowy odpowiada na pytania, pisze maile, tworzy podsumowania czy generuje kod. To ważna i widoczna część rewolucji, ale tylko jedna z kilku warstw. Równolegle dojrzewa znacznie mniej medialny, a strategicznie kluczowy nurt – fizyczne AI.
Fizyczne AI (Physical AI) to systemy, które nie kończą swojego działania na ekranie. Ich decyzje bezpośrednio wpływają na elementy świata materialnego: sterują ramionami robotów, liniami produkcyjnymi, ruchem pociągów, magazynami automatycznymi, a w przyszłości także infrastrukturą energetyczną czy systemami miejskimi. W tym świecie odpowiedź modelu nie jest tylko tekstem – jest poleceniem dla silnika, zaworu, hamulca lub zwrotnicy.
To zasadnicza różnica wobec czatbota takiego jak ChatGPT. Gdy model językowy się pomyli, w najgorszym razie użytkownik otrzyma błędną informację, straci czas lub doświadczy irytacji. W fizycznym AI błąd może oznaczać realne obrażenia, wielomilionowe straty lub paraliż infrastruktury krytycznej. Dlatego rewolucja AI w przemyśle i transporcie nie będzie wyglądała jak rozmowa z wirtualnym asystentem. Będzie przypominać raczej stopniowe, starannie regulowane przejmowanie kluczowych procesów przez inteligentne, ale bardzo ściśle kontrolowane systemy sterowania.
Jak podkreśla Kosuke Yanai, wicedyrektor Centrum Innowacji Technologicznych AI w Hitachi, fizycznego AI nie da się wdrożyć w społeczeństwie bez systematycznego zrozumienia, które zaczyna się od fundamentalnej wiedzy z zakresu fizyki i urządzeń przemysłowych. Nie wystarczy więc świetny algorytm – konieczne jest głębokie sprzężenie kompetencji informatycznych z inżynierią mechaniki, automatyki, elektryki i bezpieczeństwa.
W kolejnych częściach artykułu rozwinięte zostaną kluczowe różnice między AI „w ekranie” a AI „w maszynie”, rola gigantów przemysłowych w tym ekosystemie, przykłady konkretnych wdrożeń oraz konsekwencje dla zatrudnienia i kompetencji w przemyśle oraz logistyce. Na końcu przyjrzymy się możliwym scenariuszom rozwoju i temu, jakie decyzje strategiczne już dziś stoją przed menedżerami odpowiedzialnymi za infrastrukturę materialną świata.
Od chatbotów do sterowania linią produkcyjną: czym różni się AI w świecie cyfrowym od fizycznego AI
Duże modele językowe (Large Language Models, LLM) i generatywna sztuczna inteligencja potrafią tworzyć tekst, kod, obrazy, dźwięk czy wideo. Ich działanie opiera się na analizie olbrzymich zbiorów danych i przewidywaniu kolejnych elementów sekwencji – słów, pikseli czy nut. Decyzje, które podejmują, pozostają jednak w domenie cyfrowej: są tekstem wyświetlonym na ekranie, fragmentem kodu w środowisku programistycznym lub obrazem w narzędziu graficznym.
Charakterystyczną cechą takich modeli są tzw. halucynacje. Model może z dużym przekonaniem „wymyślić” odpowiedź, która brzmi wiarygodnie, ale jest nieprawdziwa. W kontekście wyszukiwarki czy asystenta biurowego jest to istotne ryzyko, lecz zwykle akceptowalne – użytkownik ma możliwość weryfikacji, poprawy, ponownego zadania pytania. Pewien margines błędu został wbudowany w sposób korzystania z tych technologii.
W fizycznym AI margines błędu jest radykalnie mniejszy. Systemy tego typu działają w czasie rzeczywistym, podejmując decyzje dotyczące ruchu ramienia robota, prędkości pociągu, trasy wózków AGV w magazynie, ciśnienia w rurociągach chemicznych czy pracy transformatorów w sieci energetycznej. Tutaj pomyłka to nie „zabawna odpowiedź”, lecz realne ryzyko wypadku, uszkodzenia kosztownej instalacji czy długotrwałego przestoju.
Dlatego fizyczne AI musi być projektowane w ścisłej integracji z klasycznymi systemami sterowania w czasie rzeczywistym, redundantnymi warstwami bezpieczeństwa i wymagającymi normami certyfikacyjnymi. W przemyśle i kolejnictwie od lat funkcjonują standardy bezpieczeństwa funkcjonalnego, które określają, w jaki sposób projektować, testować i utrzymywać systemy, od których zależy życie ludzi. AI nie może tych standardów omijać – przeciwnie, musi się w nie wpisać.
Ilustruje to proste porównanie. Gdy chatbot zaproponuje błędną formułę w arkuszu kalkulacyjnym, skutkuje to koniecznością poprawki. Gdy system sterowania zwrotnicą kolejową wygeneruje błędne polecenie, powstaje ryzyko zderzenia dwóch pociągów. Stąd tak duży nacisk firm rozwijających fizyczne AI na łączenie modeli uczenia maszynowego z twardymi regułami inżynieryjnymi: wartościami granicznymi parametrów, wysokiej jakości symulacjami, testami na historycznych danych z rzeczywistych maszyn oraz ścisłą walidacją w środowisku produkcyjnym.
Co istotne, nawet „czysto cyfrowe” AI ma swoje materialne konsekwencje. W dyskusji o śladzie środowiskowym centrów danych coraz częściej pojawia się kwestia wody i energii zużywanej do chłodzenia infrastruktury obliczeniowej. Temu zagadnieniu poświęcony jest m.in. tekst Czy ChatGPT naprawdę „pije wodę”? Ślad wodny sztucznej inteligencji bez mitów i paniki. To dobry punkt wyjścia do szerszego spojrzenia na „materialność” technologii: AI zawsze działa w konkretnym środowisku fizycznym, a w przypadku fizycznego AI to środowisko staje się bezpośrednim obszarem działania systemu.
Dlaczego w fizycznym AI rozdają karty giganci przemysłowi, a nie tylko firmy od modeli językowych
Ekosystem sztucznej inteligencji układa się coraz wyraźniej w kilka warstw. Na szczycie znajdują się twórcy modeli – firmy takie jak OpenAI, Google czy Anthropic, które projektują i trenują potężne, multimodalne modele językowe. Niżej operują dostawcy infrastruktury obliczeniowej: Nvidia i inni producenci wyspecjalizowanych układów GPU oraz dostawcy chmur obliczeniowych, zapewniający energię, serwery i narzędzia do trenowania modeli.
Na styku z rzeczywistością fizyczną pojawia się jednak trzecia, kluczowa warstwa – wieloletni giganci przemysłowi. To firmy, które od dekad budują kolej, fabryki, sieci energetyczne, linie produkcyjne, magazyny wysokiego składowania i rozbudowane systemy sterowania. Przykładami są japońskie Hitachi czy niemiecki Siemens, ale także wielu innych producentów infrastruktury i automatyki przemysłowej.
To właśnie ten segment ma unikalne zasoby, których nie da się odtworzyć wyłącznie poprzez trening modeli na publicznie dostępnych danych. Po pierwsze, dysponuje danymi z rzeczywistych instalacji: zapisami pracy maszyn, historią awarii, skutkami konkretnych decyzji operacyjnych. Po drugie, zatrudnia rozbudowane zespoły inżynierów – od mechaników i elektryków, przez automatyków i specjalistów od systemów sterowania, po ekspertów od bezpieczeństwa funkcjonalnego i regulacji branżowych. Po trzecie, ma głębokie doświadczenie w odpowiedzialności regulacyjnej i kontraktowej: wie, jakie są konsekwencje prawne i finansowe błędnych decyzji systemów sterujących.
Hitachi rozwija na przykład architekturę Integrated World Infrastructure Model (IWIM), w ramach której łączy algorytmy AI z bogatą wiedzą o infrastrukturze przemysłowej. W praktyce oznacza to m.in. zautomatyzowaną diagnostykę usterek na liniach produkcyjnych klimatyzatorów komercyjnych, wsparcie dla operatorów sieci kolejowej w Tokio przy identyfikowaniu przyczyn awarii systemów sterowania ruchem czy automatyzację testów sterowników pojazdów w sektorze motoryzacyjnym. Podobną drogą podąża Siemens, wprowadzając elementy AI do systemów SCADA, sterowników PLC oraz cyfrowych bliźniaków fabryk.
Nie oznacza to konkurencji „świata modeli” ze „światem przemysłu”. Raczej mamy do czynienia z komplementarną integracją. Modele językowe, systemy wizyjne, symulacje i algorytmy optymalizacyjne stają się warstwą inteligencji w produktach przemysłowych, które muszą pracować w trudnych warunkach, często przez dekady. Przewaga konkurencyjna w fizycznym AI nie wynika wyłącznie z jakości samego modelu. Kluczowe jest połączenie modelu z tysiącami drobnych detali inżynierskich: parametrami maszyn, sygnałami z sensorów, procedurami serwisowymi, procesami bezpieczeństwa, ograniczeniami regulacyjnymi i praktykami eksploatacyjnymi.
Podobny proces integracji obserwujemy w świecie programistycznym. Narzędzia takie jak Claude Code stają się inteligentną warstwą nad istniejącymi środowiskami developerskimi, co szczegółowo opisuje tekst Claude Code od Anthropic: jak poboczny projekt urósł do miliardowego biznesu narzędzi AI dla programistów. Tak jak tam AI staje się naturalnym rozszerzeniem warsztatu programisty, tak w przemyśle fizyczne AI staje się naturalnym rozszerzeniem warstw sterowania i nadzoru nad infrastrukturą.
Jak działa fizyczne AI w praktyce: przykłady z fabryk, kolei i logistyki
Najlepiej zrozumieć fizyczne AI, przyglądając się konkretnym zastosowaniom. W wielu przypadkach są to już działające systemy, a nie futurystyczne koncepcje.
W fabrykach jednym z kluczowych wyzwań jest diagnostyka usterek. Tradycyjnie polegała ona na doświadczeniu inżynierów utrzymania ruchu, którzy latami uczyli się, jakie objawy zwiastują awarię konkretnego elementu linii produkcyjnej. Fizyczne AI wprowadza tu nową jakość. Systemy uczą się na dokumentacji technicznej, instrukcjach serwisowych, rysunkach konstrukcyjnych oraz na historii pracy maszyn i rejestrowanych przez czujniki anomaliach. Dzięki temu są w stanie zasugerować technikowi, który element prawdopodobnie zawodzi, gdy tylko wykryją nietypowy sygnał lub odchylenie od normy.
Rola człowieka nie znika – to inżynier podejmuje ostateczną decyzję o zatrzymaniu maszyny, wymianie podzespołu czy zmianie parametrów pracy. AI pełni funkcję asystenta, który podpowiada najbardziej prawdopodobne scenariusze i skraca czas dochodzenia do źródła problemu. Mechanizmy bezpieczeństwa obejmują m.in. limity parametrów, których system nie może przekroczyć, automatyczne alerty przy niezgodności z dokumentacją oraz obowiązek zatwierdzenia rekomendacji przez człowieka.
W kolejnictwie stawką jest ciągłość ruchu milionów pasażerów. W aglomeracji tokijskiej Hitachi wdrożyło system AI analizujący sygnały z rozbudowanych sieci sterowania ruchem. Gdy pojawia się usterka, system pomaga operatorom zidentyfikować jej przyczynę i zaproponować optymalny plan awaryjny. Oznacza to nie tylko szybsze usuwanie problemu technicznego, ale też bardziej świadome zarządzanie opóźnieniami i trasami objazdowymi. Znów, to człowiek podejmuje decyzję, lecz robi to w oparciu o kompletne, przetworzone przez AI informacje.
Kolejnym obszarem są testy w motoryzacji. Współczesne pojazdy zawierają dziesiątki sterowników elektronicznych (ECU), które muszą zostać sprawdzone w całym spektrum scenariuszy drogowych. Ręczne przygotowanie i utrzymanie skryptów testowych jest czasochłonne i podatne na pominięcia. Systemy AI potrafią dziś generować skrypty testowe automatycznie na podstawie specyfikacji, wcześniejszych testów i wyników symulacji. W badaniach prowadzonych m.in. przez zespoły Hitachi udało się w ten sposób skrócić czas testów integracyjnych o kilkadziesiąt procent, co przekłada się na szybsze wprowadzanie nowych modeli samochodów na rynek i mniejsze ryzyko błędów oprogramowania.
Logistyka to naturalne środowisko dla fizycznego AI. Inteligentne magazyny, w których autonomiczne wózki AGV i roboty kompletacyjne poruszają się w gęstej sieci korytarzy, wymagają złożonego planowania tras, zarządzania priorytetami zadań oraz unikania kolizji. Systemy AI analizują bieżące obciążenie, napływające zamówienia i stan infrastruktury, by dynamicznie optymalizować przepływ towarów. Równolegle w łańcuchach dostaw pojawiają się rozwiązania predykcyjne, które prognozują zatory, opóźnienia transportów czy niedobory w magazynach, pozwalając wcześniej podjąć działania korygujące.
W każdym z tych przypadków kluczowe są trzy elementy: dane (z sensorów, dokumentacji, historii pracy), rola człowieka (operator, inżynier, dyspozytor) oraz wielowarstwowe mechanizmy bezpieczeństwa (limity, alerty, zatwierdzanie decyzji, stopniowe zwiększanie autonomii). Im bliżej bezpośredniego kontaktu z człowiekiem i im większe ryzyko, tym bardziej warstwa AI jest otoczona klasycznymi systemami sterowania i ludzkim nadzorem.
Interesująca analogia pojawia się również w nauce. W dyskusji o tym, czy modele AI mogą rzeczywiście „odkrywać nową fizykę”, jak w przypadku głośnych prac nad amplitudami gluonów, powraca pytanie o granice zaufania do algorytmów. Temat ten omawia tekst Czy GPT5.2 Pro naprawdę odkrywa nową fizykę? Amplitudy gluonów, AI i granice nauki. Podobnie jak w badaniach naukowych, także w przemyśle AI jest dziś przede wszystkim narzędziem wspierającym ekspertów, a nie ich zastępującym.
Bezpieczeństwo ponad wszystko: dlaczego fizyczne AI musi być rygorystycznie ograniczone
W świecie chatbotów dyskusja o ryzyku koncentruje się wokół reputacji marki, dezinformacji, naruszeń praw autorskich czy odpowiedzialności za błędne porady. To zagadnienia poważne, ale zwykle nie wiążą się bezpośrednio z zagrożeniem życia lub masową awarią infrastruktury. W fizycznym AI stawka jest inna. Systemy te działają w kontekście kolei, energetyki, wodociągów, logistyki i przemysłu chemicznego – obszarów zaliczanych do infrastruktury krytycznej.
Dlatego projektuje się tu tzw. „ogrodzenia bezpieczeństwa” (safety fences) dla algorytmów. W praktyce oznacza to ścisłe ograniczenie zakresu decyzji, jakie może podjąć system AI, wymuszanie zgodności z parametrami dopuszczalnymi dla maszyn, nadzorowane tryby pracy oraz wielostopniową walidację wyników. Powszechną zasadą jest „człowiek w pętli” – nawet jeśli AI generuje rekomendacje lub propozycje działań, to operator decyduje o ich wdrożeniu, zwłaszcza tam, gdzie konsekwencje mogą być krytyczne.
Firmy takie jak Hitachi projektują architektury, w których modele AI nigdy nie są jedynym źródłem prawdy. Dane i rekomendacje generowane przez algorytmy są sprawdzane przez inne systemy, porównywane z regułami inżynierskimi, a następnie prezentowane operatorom w sposób umożliwiający krytyczną ocenę. Dopiero po przejściu takiej ścieżki mogą przełożyć się na realne komendy dla urządzeń – np. dla napędów zwrotnic, napędów hamulcowych czy systemów zabezpieczających sieć energetyczną.
Obrazowe porównanie pozwala uchwycić tę różnicę. Rozmowa z asystentem tekstowym przypomina dialog z dobrze poinformowanym, lecz czasem mylącym się doradcą. Sterowanie pociągiem przez AI byłoby raczej oddaniem hamulca i przepustnicy w ręce autonomicznego pilota, który w sytuacjach awaryjnych musi zadziałać bezbłędnie w ułamku sekundy. W tym drugim przypadku przestrzeń na eksperymenty jest minimalna, a wymogi testowania, certyfikacji i monitoringu – skrajnie wyśrubowane.
Warto pamiętać, że także w kontekście bezpieczeństwa pojawia się wymiar środowiskowy. Gdy AI zaczyna sterować światem fizycznym, błędy mogą oznaczać nie tylko wypadki, ale również straty surowców, awarie instalacji chemicznych czy niekontrolowane emisje. W połączeniu z rosnącym zużyciem energii i wody przez infrastrukturę obliczeniową – opisanym m.in. we wspomnianym wcześniej tekście o śladzie wodnym AI – powstaje szeroki obraz „materialności” sztucznej inteligencji, który musi być uwzględniany w strategiach bezpieczeństwa i zrównoważonego rozwoju.
Jak fizyczne AI zmieni pracę w przemyśle i logistyce: nowe role, nowe kompetencje, nowe ryzyka
Rewolucja fizycznego AI będzie w dużej mierze rewolucją pracy. Dotknie operatorów linii produkcyjnych, techników utrzymania ruchu, dyspozytorów kolejowych, pracowników centrów logistycznych oraz inżynierów odpowiedzialnych za projektowanie i optymalizację procesów. Zmiany nie sprowadzają się do prostego zastąpienia ludzi maszynami, lecz do przesunięcia akcentów – od bezpośredniego wykonywania powtarzalnych czynności do nadzoru nad zautomatyzowanymi systemami i podejmowania decyzji na podstawie danych.
Operator linii produkcyjnej coraz częściej pełni rolę dyspozytora zintegrowanego systemu. Nie musi już samodzielnie analizować odgłosów maszyn czy obserwować migających diod, by wychwycić odchylenia – robi to za niego sieć sensorów i algorytmy wykrywania anomalii. Jego zadaniem staje się interpretacja alertów, priorytetyzacja działań, koordynacja zespołów serwisowych i podejmowanie decyzji w sytuacjach niestandardowych.
Technik utrzymania ruchu korzysta z podpowiedzi systemów diagnostycznych opartych na AI. Otrzymuje listę najbardziej prawdopodobnych przyczyn awarii, sugestie wymiany konkretnych komponentów oraz szacunkowe skutki różnych scenariuszy działania. Nadal jednak to on ocenia stan faktyczny urządzeń podczas przeglądu, decyduje o wyłączeniu maszyny, zastosowaniu procedur bezpieczeństwa i kolejności działań naprawczych. Jego kompetencje przesuwają się w stronę umiejętnej współpracy z cyfrowym asystentem i rozumienia, jak powstają generowane rekomendacje.
Dyspozytor kolejowy pracuje z coraz bardziej zaawansowanymi narzędziami, które symulują alternatywne scenariusze ruchu w czasie rzeczywistym, przewidują skutki opóźnień i awarii oraz sugerują optymalne plany awaryjne. Funkcja ta staje się bardziej analityczna i decyzyjna, a mniej operacyjna w sensie ręcznego ustawiania przebiegów i komunikowania się z maszynistami.
Wraz z tymi zmianami rośnie znaczenie nowych kompetencji. Pracownicy przemysłu i logistyki będą potrzebowali podstawowego rozumienia działania systemów AI, umiejętności pracy z danymi, gotowości do współpracy z robotami i autonomicznymi pojazdami. Kluczowe będą kompetencje przekrojowe: łączenie wiedzy technicznej z rozumieniem procesów biznesowych, bezpieczeństwa, regulacji i aspektów środowiskowych.
Pojawiają się też nowe ryzyka. Jednym z nich jest utrata tzw. wiedzy plemiennej – nieformalnych, intuicyjnych umiejętności, które dziś posiadają najbardziej doświadczeni pracownicy. Jeśli zbyt wiele decyzji zostanie oddanych algorytmom, istnieje ryzyko, że organizacje utracą zdolność samodzielnej oceny sytuacji w razie awarii systemów AI. Innym zagrożeniem jest nadmierne poleganie na rekomendacjach modelu, bez krytycznej refleksji i weryfikacji w terenie. Brak kompetencji do oceniania jakości wyników AI może prowadzić do powolnego erozji bezpieczeństwa.
Dla firm oznacza to konieczność proaktywnego podejścia. Warto inwestować w szeroko zakrojone szkolenia, budować mieszane zespoły łączące ekspertów od procesów z specjalistami AI, projektować programy stopniowego wdrażania automatyzacji z jasno określonymi wskaźnikami bezpieczeństwa i efektywności. Przykład narzędzi developerskich pokazuje, że ignorowanie AI nie jest rozwiązaniem – programiści, którzy uczą się współpracy z systemami pokroju Claude Code, zyskują przewagę konkurencyjną, o czym szerzej traktuje wspomniany już artykuł o tym narzędziu. Podobny mechanizm zaczyna działać w fabrykach, centrach logistycznych i na kolei.
Co dalej z fizycznym AI: scenariusze rozwoju, regulacje i strategiczne decyzje dla biznesu
Rozwój fizycznego AI można opisać kilkoma prawdopodobnymi scenariuszami. W wariancie konserwatywnym systemy te pozostają przede wszystkim narzędziem wspierającym ludzi w diagnostyce, symulacjach i optymalizacji procesów. AI analizuje dane, wykrywa anomalie, proponuje działania, ale ostateczne decyzje – szczególnie tam, gdzie ryzyko jest wysokie – pozostają w rękach człowieka. Autonomia systemów jest ograniczona, a głównym celem jest wzrost efektywności i bezpieczeństwa istniejących procesów.
W scenariuszu ambitnym autonomia fizycznego AI rośnie stopniowo. W magazynach, centrach logistycznych i zakładach produkcyjnych coraz więcej procesów może być realizowanych automatycznie, przy ograniczonej interwencji człowieka. Z czasem podobne podejście może objąć transport – od pociągów metra, przez kolej aglomeracyjną, po transport towarowy. Warunkiem jest jednak stworzenie bardzo ścisłych ram regulacyjnych, obejmujących certyfikację oprogramowania, standardy projektowania systemów, procedury testów i odpowiedzialność za decyzje algorytmów.
Scenariusz hybrydowy, który wydaje się najbardziej realistyczny w średniej perspektywie, zakłada połączenie klasycznych systemów sterowania, modeli AI i ciągłego monitoringu przez ludzi. AI stanowi tu dodatkową, inteligentną warstwę nad istniejącymi systemami, nie zastępując ich całkowicie. Taki model pozwala stopniowo zbierać doświadczenia, udoskonalać algorytmy i budować zaufanie regulacyjne, bez gwałtownych skoków ryzyka.
Kluczową rolę odegrają regulatorzy. Normy bezpieczeństwa, procedury certyfikacji oprogramowania sterującego, wymagania dotyczące audytowalności decyzji algorytmów i jasne zasady odpowiedzialności prawnej będą determinować tempo i kierunki wdrożeń. Równie istotni są inwestorzy i zarządy firm przemysłowych. Przedsiębiorstwa, które najszybciej nauczą się łączyć AI z istniejącą infrastrukturą, mogą zyskać trwałą przewagę kosztową, jakościową i środowiskową. Ci, którzy zignorują trend, ryzykują utratę konkurencyjności w świecie, gdzie efektywność operacyjna staje się kluczowym wyróżnikiem.
Doświadczenia z innych dziedzin AI dostarczają ważnych lekcji. W badaniach naukowych, gdzie rozważa się np. możliwość odkrywania nowych zjawisk fizycznych za pomocą modeli generatywnych, bardzo intensywnie dyskutuje się o granicach zaufania do wyników AI, potrzebie niezależnej weryfikacji i transparentności metod. Te same pytania muszą sobie zadawać menedżerowie odpowiedzialni za infrastrukturę przemysłową i transportową.
Fizyczne AI nie jest wizją rodem ze science fiction, lecz pragmatyczną ewolucją sposobu, w jaki sterujemy światem materialnym. Pociągu pasażerskiego nie poprowadzi dzisiejszy chatbot – i dobrze, bo systemy odpowiedzialne za bezpieczeństwo wymagają znacznie więcej niż elokwentnej konwersacji. To, co może poprowadzić pociąg, to wielowarstwowy, rygorystycznie testowany układ klasycznych sterowników, algorytmów AI, sensorów i ludzi w pętli decyzyjnej. Od decyzji podejmowanych dziś w zarządach firm przemysłowych, logistycznych i kolejowych zależy, czy za kilka lat będziemy mówić o bezpiecznej, produktywnej automatyzacji, czy o serii kosztownych wpadek. Kierunek jest przesądzony – pytanie brzmi, kto i na jakich zasadach będzie tę transformację prowadził.