Szybka odpowiedź

Computer vision rozwiązuje problemy biznesowe tam, gdzie ludzie dziś wielokrotnie oglądają rzeczy i oceniają je według stałych kryteriów. Pięć obszarów z najlepiej udokumentowanym efektem to kontrola jakości, bezpieczeństwo pracy, magazyn i handel, medycyna oraz rolnictwo. Najmocniejsze dane pochodzą z medycyny: w randomizowanym badaniu MASAI na ponad 100 tys. kobiet przesiewowa mammografia wspomagana AI wykryła o 29% więcej nowotworów bez wzrostu liczby fałszywych alarmów i zmniejszyła nakład pracy radiologów o 44% (MASAI, omówienie wyników w The Lancet, 2026).

Jeśli dopiero poznajesz temat, zacznij od naszego wprowadzenia: czym jest computer vision i jak maszyny uczą się widzieć.

1. Kontrola jakości: każda sztuka zamiast próbki

Computer vision sprawdza każdy produkt na linii w tym samym standardzie, zamiast próbki ocenianej przez zmęczonego człowieka. Kamera nad taśmą wykrywa rysy, pęknięcia, przebarwienia, brakujące elementy i błędy etykiet z prędkością linii.

Dlaczego to ma znaczenie? Bo kontrola wzrokowa wykonywana przez ludzi jest z natury niedoskonała. Przegląd literatury z Sandia National Laboratories, obejmujący ponad 200 publikacji od lat 50., wskazuje, że w badaniach nad inspekcją często podaje się poziom błędów od 20% do 30%, a nawet kontrola 100% sztuk nie wykrywa wszystkich wad (See, Sandia National Laboratories, 2012).

Co daje system wizyjny:

  • stały standard niezależnie od zmiany, pory dnia i doświadczenia osoby,
  • wcześniejsze wykrycie problemu, zanim wadliwa partia zostanie dokończona,
  • dane o przyczynach: które stanowisko, maszyna lub zmiana generuje najwięcej wad.

Na co uważać: rzadkie defekty, których model widział mało, oraz zmiany oświetlenia lub produktu. Model trzeba testować na zdjęciach z własnej linii, a nie na zbiorze demonstracyjnym dostawcy.

2. Bezpieczeństwo pracy: wykrywanie zagrożeń w trakcie, a nie po wypadku

Kamery z detekcją obiektów sprawdzają na bieżąco, czy w strefie niebezpiecznej nie ma ludzi, czy pracownicy noszą kaski i kamizelki oraz czy wózek widłowy nie zbliża się do pieszego. Alert trafia do kierownika zmiany albo bezpośrednio do pracownika w chwili zdarzenia, a nie przy przeglądzie po wypadku.

Druga korzyść jest mniej oczywista: mapa zdarzeń. Gdy widać, w których miejscach naruszenia powtarzają się najczęściej, można zmienić organizację pracy, oznakowanie albo układ hali, zamiast wyłącznie upominać ludzi.

Ten obszar ma najwięcej wymagań prawnych, bo dotyczy ludzi:

  • Kodeks pracy (art. 22²) dopuszcza monitoring wizyjny m.in. dla bezpieczeństwa pracowników i ochrony mienia, nagrania można przechowywać maksymalnie 3 miesiące, a pracowników trzeba poinformować najpóźniej 2 tygodnie przed uruchomieniem (Kodeks pracy).
  • RODO: wizerunek to dane osobowe. Projektuj system tak, żeby wykrywał brak kasku, a nie rozpoznawał, kto go nie ma, jeśli identyfikacja nie jest konieczna.
  • AI Act: od 2 lutego 2025 r. zakazane jest rozpoznawanie emocji w miejscu pracy, poza celami medycznymi i bezpieczeństwa (AI Act, art. 5).

3. Magazyn i handel: wiedzieć, co jest na półce

Computer vision liczy i identyfikuje towar bez ręcznej inwentaryzacji: kamery lub skanery na wózkach i dronach sprawdzają stany półek, wykrywają braki i towar odłożony w złe miejsce, a w logistyce odczytują etykiety i kody z palet w ruchu. W handlu ta sama technologia napędza wyszukiwanie produktów po zdjęciu i wirtualne przymierzanie.

Najgłośniejszy przykład pokazuje jednak, że technologia to nie wszystko. Amazon w 2024 r. wycofał kasy bez kasjerów Just Walk Out ze swoich sklepów spożywczych Amazon Fresh w USA, zastępując je inteligentnymi wózkami, a w styczniu 2026 r. ogłosił zamknięcie wszystkich sklepów Amazon Go i Amazon Fresh. Sama technologia działa dalej u zewnętrznych operatorów, w ponad 360 lokalizacjach w pięciu krajach (NPR, 2024; CSP Daily News, 2026).

Wniosek dla firmy: system wizyjny broni się wtedy, gdy rozwiązuje konkretny, policzalny problem (braki na półkach, błędy kompletacji, czas inwentaryzacji), a nie wtedy, gdy ma zmienić całe doświadczenie zakupowe naraz.

4. Medycyna: drugi czytający, nie zastępstwo lekarza

W diagnostyce obrazowej computer vision działa jako drugi czytający: oznacza podejrzane miejsca, mierzy zmiany i ustala kolejność badań do opisu. To dziś najlepiej zbadany obszar. Na liście urządzeń medycznych z AI prowadzonej przez amerykańską FDA jest ponad 1600 pozycji, a około trzech czwartych to radiologia (nasze zliczenie z listy w stanie na 4 września 2026 r.; FDA zaznacza, że lista nie jest kompletna) (FDA).

Najmocniejszym dowodem jest szwedzkie badanie MASAI, pierwsze randomizowane badanie AI w przesiewowej mammografii. AI analizowało mammogramy i kierowało przypadki niskiego ryzyka do pojedynczego odczytu, a wysokiego ryzyka do podwójnego, przy czym odczyty zawsze wykonywali radiolodzy. Wyniki z kolejnych publikacji badania, podsumowane przy pełnych wynikach w The Lancet w styczniu 2026 r. (The Lancet, 2026; omówienie wyników):

  • o 29% więcej wykrytych nowotworów, bez wzrostu odsetka fałszywie dodatnich wyników (The Lancet Digital Health),
  • o 44% mniej odczytów do wykonania przez radiologów (The Lancet Oncology, 2023),
  • o 12% mniej raków interwałowych, czyli wykrytych między kolejnymi badaniami przesiewowymi (pełne wyniki, 2026).

Warunek praktyczny: wynik AI musi pojawić się tam, gdzie lekarz już pracuje, czyli w archiwum PACS i przeglądarce badań, a nie w osobnej aplikacji. Wiemy to z własnej pracy. W naszym systemie Pulse EDM badania DICOM trafiają do archiwum PACS i są widoczne w kartotece pacjenta razem z opisem, a obrazy otwierają się w przeglądarce DICOM jednym kliknięciem. Każde narzędzie analizy obrazu w placówce powinno wpinać się w taki właśnie przepływ, z zachowaniem dziennika audytu i zasad RODO dla danych medycznych.

5. Rolnictwo: oprysk tylko tam, gdzie rośnie chwast

Kamery na belce opryskiwacza rozpoznają chwasty w czasie jazdy i uruchamiają tylko te dysze, które są nad nimi, zamiast pryskać całe pole. To przykład, w którym oszczędność widać od razu w zużyciu środka.

Według danych producenta, John Deere, technologia See & Spray pracowała w sezonie 2025 na ponad 5 mln akrów (ok. 2 mln ha), a rolnicy zmniejszyli zużycie herbicydów nieresztkowych średnio o blisko 50% (High Plains Journal, 2025). To dane dostawcy, więc traktuj je jako punkt odniesienia, a nie gwarancję dla każdego gospodarstwa. Ciekawy jest też model rozliczenia: opłata za hektar zależy od wykazanej oszczędności.

Ten sam schemat (kamera, model, akcja w ułamku sekundy) działa przy sortowaniu owoców, ocenie jakości ziarna czy monitorowaniu zwierząt.

Co łączy te zastosowania?

Wszystkie pięć opiera się na tych samych zaletach: działaniu bez przerw, stałym standardzie oceny i skali, której człowiek nie jest w stanie obsłużyć. I wszystkie wymagają tego samego: danych z prawdziwego środowiska i człowieka tam, gdzie błąd jest drogi.

ZastosowanieTypowe zadanie CVGłówna metryka efektuGłówne ryzyko
Kontrola jakościKlasyfikacja, detekcja, segmentacjaOdsetek przeoczonych wad, reklamacje, odpadRzadkie defekty, zmiana produktu lub oświetlenia
Bezpieczeństwo pracyDetekcja osób i środków ochronyLiczba zdarzeń niebezpiecznych, czas reakcjiRODO, Kodeks pracy, akceptacja zespołu
Magazyn i handelDetekcja, OCR etykiet i kodówBraki na półce, błędy kompletacji, czas inwentaryzacjiKoszt infrastruktury wobec realnej oszczędności
MedycynaDetekcja i segmentacja zmianWykrywalność, czas opisu, liczba odczytówCertyfikacja wyrobu medycznego, integracja z PACS
RolnictwoDetekcja i segmentacja roślinZużycie środków, plonWarunki terenowe, sezonowość danych

Osobną, bardzo praktyczną kategorią są dokumenty: odczyt faktur, formularzy i notatek ze zdjęć. Szerzej o tym obszarze piszemy w artykule o nowoczesnym OCR w firmie.

Jak policzyć zwrot z inwestycji w computer vision?

Od kosztu obecnego procesu, a nie od obietnic dostawcy. Ogólne deklaracje typu "zwrot w kilkanaście miesięcy" nic nie mówią o Twojej linii, magazynie czy przychodni. Rzetelne ROI powstaje z czterech liczb:

  1. Koszt błędu dziś. Reklamacje, odpad, przestoje, kary, zdarzenia wypadkowe, braki w sprzedaży.
  2. Koszt pracy dziś. Godziny ludzi poświęcone na oglądanie, liczenie i przepisywanie.
  3. Efekt w pilotażu. Te same wskaźniki zmierzone po wdrożeniu na jednym stanowisku, na danych z Twojego środowiska.
  4. Pełny koszt systemu. Kamery i oświetlenie, moc obliczeniowa lub licencje, integracja, utrzymanie, ponowne uczenie modelu i czas ludzi, którzy weryfikują wyniki.

Uwzględnij też koszt fałszywych alarmów. System, który zatrzymuje linię zbyt często, może kosztować więcej, niż oszczędza, nawet przy wysokiej wykrywalności.

Od czego zacząć?

Od jednego zastosowania z jasną metryką, a nie od programu "AI w całej firmie". Kolejność, która sprawdza się w praktyce:

  • Wybierz jeden proces z wysokim kosztem błędu i powtarzalnym obrazem.
  • Zmierz punkt wyjścia przed pilotażem, inaczej nie policzysz efektu.
  • Uruchom kontrolowany pilotaż na danych z własnego środowiska, z osobnym zbiorem testowym.
  • Zintegruj wynik z systemem, w którym ludzie już pracują: MES, WMS, PACS, ERP.
  • Skaluj stopniowo, gdy efekt jest potwierdzony, i zbieraj poprawki ludzi jako nowe dane.

Zastanów się też, gdzie model ma działać. Przy obrazach z ludźmi albo danych medycznych przetwarzanie na własnej infrastrukturze często upraszcza zgodność z RODO. Jak wygląda AI na własnej infrastrukturze, pokazujemy na stronie Infrastruktura AI.

Źródła