A Schneider Electric friss felmérése szerint az előállított termékek árbevételének akár 15 százalékát is felemészthetik a csúszások, nem tervezett leállások, utólagos javítások, minőségi problémák és az eszközök nem optimális kihasználása miatt keletkező veszteségek. 

A „2026 Industrial AI in CPG Survey” egyik kulcsmegállapítása, hogy a fogyasztói csomagolt termékek (CPG) gyártói egyre erősödő költségnyomásra és a hatékonyságot rontó tényezők fokozódására számítanak, ezért az úgynevezett ipari intelligencia alkalmazásával próbálják javítani versenyképességüket.

A várakozások szerint a gyártási problémákból fakadó veszteségek aránya a következő években jelentősen növekedhet. Míg jelenleg ez az érték még körülbelül 15 százalék, addig 2027-re 21,37 százalékra, 2030-ra pedig akár 29,14 százalékra is emelkedhet. A kutatás arra is rámutat, hogy a késések, leállások és berendezéshibák már most a végtermékek előállítási költségének mintegy ötödét teszik ki.

A gyártók jelentős része bízik a mesterséges intelligencia ipari alkalmazásában, és azt várja, hogy segítségével csökkenthetők lesznek az elkerülhető veszteségek. Jelenleg azonban mindössze a válaszadók 13 százaléka építette be teljes körĹąen az MI-t a kulcsfontosságú folyamataiba és döntéshozatalába. Ugyanakkor több mint egyharmaduk arra számít, hogy 2030-ra az MI mĹąködésük központi elemévé válik, ami háromszoros növekedést jelentene a technológiát széles körben alkalmazók arányában.

A vállalatok előrejelzései szerint az MI-projektek a jövőben gyors megtérülést hozhatnak. A válaszadók harmada 50–74 százalékos ROI-t vár 2030-ra, míg közel 10 százalékuk 100 százalék feletti megtérüléssel számol, ami egy éven belüli visszahozott befektetést jelentene. Ilyen teljesítmény ma még elsősorban a World Economic Forum által „példaképként” említett üzemekben és az autonóm gyárakban jellemző.

A jelenlegi helyzet azonban ennél jóval visszafogottabb: a válaszadók 70 százaléka szerint az MI-projektek megtérülése ma még nem éri el a 20 százalékot, közel egyharmaduk pedig 5 százalék alatti eredményről számolt be. Ez arra utal, hogy az ágazat egyelőre korlátozottan tudja kihasználni az MI-ben rejlő lehetőségeket.

A szakértők szerint az áttöréshez elengedhetetlen, hogy a mesterséges intelligencia valódi „ipari intelligenciává” váljon, vagyis a valós idejĹą mĹąködési adatok, a modern automatizálás és az MI összehangoltan támogassák a hatékony döntéshozatalt. Jelenleg sok vállalatot még mindig a korszerĹątlen rendszerek és a széttagolt adatstruktúrák akadályoznak ebben, ami jelentős szakadékot eredményez a szándékok és a tényleges felkészültség között.

A felmérés szerint az MI szélesebb körĹą bevezetésének legfőbb akadályai közé tartozik a szükséges szakértelem hiánya (43%), az elavult infrastruktúra (37,5%), valamint a megfelelően strukturált adatok hiánya. Emellett a munkavállalói ellenállás, illetve a kiberbiztonsági és jogi megfelelési kihívások is lassítják az előrelépést.

A kutatás arra is rámutat, hogy a gyors fejlődéshez szorosabb együttmĹąködésre, nagyobb átláthatóságra és egységesebb szabványokra van szükség. A Schneider Electric és az AVEVA közös tanulmánya („Beyond the Hype: Practical AI for Competitive Consumer Goods Manufacturing”) gyakorlati útmutatót kínál az MI sikeres bevezetéséhez, különösen az élelmiszer- és italgyártás területén. A dokumentum bemutatja, hogy az ipari adatok hatékony hasznosítása, a moduláris automatizálás, az elektrifikáció és az MI integrációja miként vezethet az autonóm mĹąködés felé.

English Summary

A recent survey by Schneider Electric finds that production inefficiencies—such as delays, unplanned downtime, quality issues, and suboptimal asset use—can already account for up to 15% of revenue in the consumer packaged goods (CPG) sector, with this figure expected to rise significantly by 2030. Manufacturers are increasingly turning to industrial artificial intelligence to counter growing cost pressures and improve operational performance. While many expect strong returns from AI investments in the coming years, current results remain modest, indicating a gap between ambition and execution. Key barriers include lack of expertise, outdated infrastructure, and insufficient high-quality data. A joint study by Schneider Electric and AVEVA highlights that leveraging industrial data, automation, and AI together is critical to achieving more autonomous and efficient operations.