Od 18 lutego 2027 paszport produktu staje się obowiązkowy dla baterii przemysłowych powyżej 2 kWh, trakcyjnych i LMT. Paszportu nie da się wystawić z arkusza kalkulacyjnego — potrzebna jest genealogia wyrobu zbierana na bieżąco przez MES. Pokazujemy, jakie dane trzeba wiązać, które normy to regulują (EN 18219, EN 18220) i co realnie zdąży zrobić średnia polska fabryka w pięć miesięcy.

Multiprojekt (producent systemu OmniMES) oraz Relpol S.A. rozpoczynają wspólną ofertę: certyfikowane liczniki energii RMM od Relpolu w połączeniu z systemem MES i modułem OmniEnergy zgodnym z ISO 50001. Jeden dostawca sprzętu, jeden dostawca oprogramowania, jedna faktura, jedno wsparcie techniczne — zamiast trzech osobnych projektów integracyjnych.

18 lutego 2027 dla baterii przemysłowych powyżej 2 kWh i baterii pojazdów elektrycznych startuje obowiązek Digital Product Passport (rozporządzenie 2023/1542). Pięć i pół miesiąca to nie jest dużo czasu — dostawcy do OEM (Volkswagen, Stellantis, BMW) już od sierpnia 2026 zaczynają wymagać gotowości danych w MES od poddostawców. Artykuł zbiera co dokładnie musi znaleźć się w DPP, jaka jest rola MES w tej strukturze, jakie są wnioski z pierwszych 12 pilotaży EU (Battery Pass Consortium, Circulor/Volvo, ACC, Verkor), i konkretną roadmapę na 5,5 miesiąca dla polskiej fabryki baterii.

BlackHat USA 2026 (1–6 sierpnia) i DEF CON 33 (6–9 sierpnia) zamknęły najgorętsze dwa tygodnie roku dla ekspertów bezpieczeństwa przemysłowego. Trzy prezentacje realnie zmieniają mapę zagrożeń dla polskiego MES: zautomatyzowane włamanie do OPC UA przez zatrute certyfikaty, kradzież modelu AI z serwerów edge Jetson przez side-channel oraz atak łańcuchowy przez ekosystem otwartych bibliotek Python w środowisku SCADA. Artykuł rozbiera każdy z tych trzech wektorów bez marketingu, plus konkretną listę zmian które trzeba wdrożyć w ciągu 30 dni.

2 sierpnia 2026 uruchomił się reżim egzekucji przepisów AI Act dla systemów wysokiego ryzyka. Piętnaście dni później mamy pierwsze dane z rynku: które dokumenty organy nadzoru w Polsce faktycznie sprawdzają, jak wygląda pierwsza fala wezwań do wyjaśnień, gdzie polskie fabryki potykają się najczęściej. Artykuł zbiera fakty z pierwszych dwóch tygodni obowiązywania Annex III w polskim przemyśle produkcyjnym — bez marketingu, z konkretnymi przypadkami i realną listą punktów, które MES musi mieć uporządkowane w pierwszej kolejności.

OmniMES udostępnia endpoint MCP (Model Context Protocol) — most, przez który dowolny asystent AI rozmawia bezpośrednio z Twoim systemem produkcji. Pokazujemy krok po kroku, jak od pustego systemu dojść do gotowego dashboardu na fikcyjnym przykładzie zakładu mebli WOODCRAFT — bez interfejsu i bez jednej linijki SQL.

Przez 50 lat robot przemysłowy uczył się jednego zadania przez programowanie trajektorii w teach pendant. W 2024–2026 pojawiły się trzy otwarte foundation models dla manipulacji robotycznej — Pi-Zero od Physical Intelligence, OpenVLA ze Stanford i GR00T N1.5 od NVIDIA — które obiecują koniec tej ery. Operator pokazuje robotowi co ma zrobić w VR/AR przez 5–10 demonstracji, model generyczny tłumaczy to na trajektorię w czasie rzeczywistym. Artykuł rozbiera, jak to dziś działa, gdzie wystarcza, a gdzie wciąż nie — plus realne implikacje dla integratorów MES w Polsce.

TimescaleDB świetnie obsługuje dane czasowe z ostatnich 1–90 dni (hot), ale przy 5+ latach historii koszt SSD i RAM PostgreSQL rośnie szybciej niż wartość biznesowa. Apache Iceberg (table format dla data lake) plus DuckDB (lokalny silnik SQL) dają tańszą warstwę warm (90–730 dni) i cold (>2 lata) na S3 lub MinIO. Architektura 3-warstwowa redukuje koszt storage o 80–95% przy zachowaniu queryowalności. Artykuł pokazuje konkretnie jak to zbudować dla MES, gdzie są bariery, ile to kosztuje i jak migrować z monolitycznego TimescaleDB.

Definitive period CBAM startuje 1 stycznia 2026, a 1 sierpnia 2026 mija termin pierwszego okresowego raportu w nowym reżimie. Polskie firmy w sektorach stali, aluminium, cementu, nawozów, wodoru i energii — zarówno jako importerzy do UE, jak i eksporterzy do rynków wymagających carbon reporting — muszą zacząć liczyć embedded emissions per tonę produktu. Artykuł rozbiera bez wody: jakie dane z MES + EMS są źródłem, jak je mapować na PCF (ISO 14067), które narzędzia działają, ile to kosztuje, jakie są sankcje. Plus 6-tygodniowa roadmapa do deadline'u.

OmniMES używa TimescaleDB — rozszerzenia PostgreSQL z hypertables, kompresją i continuous aggregates — jako bazę danych dla danych czasowych z czujników przemysłowych. Architektura obsługuje 200 mln pomiarów dziennie, daje 95% kompresji storage i agregacje 200–800 ms. Artykuł opisuje koncept hypertables, architekturę stack'u OmniMES, continuous aggregates i konkretne liczby z produkcji.

Keynote Jensena Huanga na Computexie 2026 (2 czerwca) trwał trzy godziny i był skoncentrowany na przemyśle — robotyce, AI factories i digital twins. AMD i Intel kontrowali tego samego dnia. Z perspektywy MES, pięć ogłoszeń realnie zmienia mapę technologiczną na 2027: GR00T N1.5 (robot foundation model), Cosmos 2.0 (world model do syntetycznych danych treningowych), nowy Omniverse Replicator, AMD Ryzen AI Max+ jako alternatywa dla Jetsona, oraz Intel Gaudi 3 dla edge inference. Artykuł rozbiera każde z nich z perspektywy realnego pipeline'u wdrożeniowego, nie marketingu.

Polska nowelizacja ustawy KSC (transponująca dyrektywę NIS2) wchodzi w fazę realnej egzekucji w drugiej połowie 2026. Fabryki produkujące chemię, żywność, maszyny, motoryzację, elektronikę lub wyroby medyczne — jeżeli mają więcej niż 50 osób — są klasyfikowane jako „podmioty istotne" i podlegają pełnemu pakietowi obowiązków. Artykuł rozbiera 10 wymagań Art. 21 NIS2 z perspektywy MES: które funkcje już produkują dowody compliance, czego brakuje, jak każde zewnętrzne API (OpenAI, chmurowe LLM, SaaS MES) zwiększa powierzchnię audytową, i co konkretnie zrobić w pozostałych miesiącach 2026.

Po dwóch latach od wypuszczenia pierwszych pretrained transformerów dla szeregów czasowych — TimesFM od Google, Chronos-Bolt od Amazona, Moirai-MoE od Salesforce'a — mamy realne odpowiedzi na pytanie, czy custom XGBoost dla predykcji awarii w MES da się wymienić na zero-shot foundation model. Artykuł rozbiera to bez wody: na czym te modele zostały trenowane, jaką jakość dają na realnych sensor data z kompresora, jakie są latencje na Jetson Orin i serwerze GPU, kiedy zero-shot wystarcza, a kiedy fine-tune jest konieczny — i co to znaczy dla 6-miesięcznych projektów ML w fabryce.

18 lutego 2027 paszport baterii staje się obowiązkowy dla baterii EV, przemysłowych powyżej 2 kWh i LMT — pierwszy moment, w którym Digital Product Passport (DPP) z koncepcji unijnej zmienia się w konkretny wymóg produkcyjny. Dla MES oznacza to obowiązek wystawienia kilkunastu atrybutów per sztuka: pochodzenie surowców, ślad węglowy, zawartość recyklatu, batch ID, durability, dane o zdrowiu ogniwa. Artykuł rozbiera ESPR (2024/1781) i Battery Regulation (2023/1542) bez wody: które funkcje MES już to produkują, czego brakuje, jak architektonicznie podpiąć GS1 Digital Link, i co zrobić w pozostałych 9 miesiącach przed deadline'em.

Po roku eksperymentów z GPT-4 i Claude w fabrykach wraca uczciwe pytanie: czy naprawdę musimy wysyłać dane procesowe do chmury, żeby mieć asystenta MES? W 2025–2026 odpowiedź to „nie". Phi-4 (14B, Microsoft, MIT) w kwantyzacji 4-bit mieści się w 8 GB VRAM, sqlite-vec daje wektorowe wyszukiwanie w jednym pliku bez serwera, a Jetson Orin NX/AGX dostarcza 100–275 TOPS na hali. Artykuł pokazuje konkretną architekturę, benchmarki tokenów na sekundę, roczny TCO vs OpenAI API i co to znaczy dla AI Act, NIS2 i utrzymania ruchu IT w zakładzie.

2 sierpnia 2026 zaczynają obowiązywać przepisy AI Act dotyczące systemów wysokiego ryzyka. Część funkcji MES — predykcja awarii, monitoring operatorów, AI w kontroli jakości i wsparcie decyzji o przeniesieniach kadrowych — może zostać sklasyfikowana jako high-risk z karą do 15 mln EUR za naruszenia. Artykuł pokazuje konkretnie, które funkcje MES są pod regulacją (Annex I + Annex III), które prawie na pewno nie, jakie obowiązki musi spełnić deployer i provider, oraz co zrobić w pozostałych ~3 miesiącach.

Model Context Protocol (MCP), opublikowany przez Anthropic w listopadzie 2024 i przyjęty w 2025 przez OpenAI, Google i Microsoft, stał się de facto standardem łączenia agentów LLM z danymi i narzędziami zewnętrznymi. Dla świata MES oznacza to koniec ery integracji „każdy model osobno" — i początek architektury, w której fabryka wystawia swoje dane raz, a podpinają się do nich Claude, ChatGPT, Gemini i agenci własnej produkcji. Artykuł pokazuje, jak działa MCP, co warto eksponować z systemu MES, jak to zaprojektować bezpiecznie (lethal trifecta, IT/OT) i kiedy MCP po prostu nie ma sensu.

Jednym z częściej zadawanych pytań w projektach MES jest: jak zbudować dashboardy analityczne na danych, które żyją w MongoDB, bez przepisywania backendu do bazy SQL? W OmniMES używamy do tego Redash — z dwóch powodów. Po pierwsze, Redash potrafi konsumować REST API jako źródło danych. Po drugie, ma mechanizm Query Results, który pozwala pisać pełny SQL na wyniku dowolnego wcześniejszego zapytania. Efekt: dostajemy siłę SQL (JOIN, CTE, funkcje okienne) na danych z nierelacyjnej bazy, bez zmian w warstwie produkcyjnej. Artykuł pokazuje krok po kroku, jak to uruchomić — od konfiguracji Redasha, przez zapytanie do REST API OmniMES, po SQL wyliczający trend wibracji i wizualizację na dashboardzie.

Wdrożenie systemu MES rzadko zaczyna się od instalacji na całej produkcji. W praktyce najlepsze rezultaty przynosi podejście etapowe, w którym pierwszym krokiem jest pilotażowe wdrożenie systemu na wybranej linii lub obszarze produkcji. Takie podejście pozwala sprawdzić działanie rozwiązania w realnych warunkach, zebrać dane i dopasować konfigurację do potrzeb zakładu, zanim system zostanie rozszerzony na cały park maszynowy. Coraz więcej przedsiębiorstw decyduje się na pilotaż nie tylko ze względów technicznych, ale również organizacyjnych. MES wpływa na sposób pracy operatorów, kierowników produkcji, utrzymania ruchu i planowania, dlatego wdrożenie powinno być procesem kontrolowanym, a nie jednorazową instalacją.

AI w produkcji: problemem nie jest 90% trafności. Problemem jest brak danych. W dyskusjach o Przemyśle 4.0 i 5.0 bardzo często pojawia się argument, że modele AI osiągają około 90% trafności, a w środowisku przemysłowym nawet 10% błędu może oznaczać milionowe straty. Argument brzmi racjonalnie — operuje liczbami i odwołuje się do realnego ryzyka operacyjnego. Problem polega na tym, że ten argument zakłada istnienie w pełni zdigitalizowanej fabryki.

W wielu zakładach produkcyjnych obok nowoczesnych linii pracują maszyny, które mają kilkanaście, a czasem nawet kilkadziesiąt lat. Choć często są one nadal sprawne mechanicznie i technologicznie, to ich największym ograniczeniem bywa brak komunikacji cyfrowej. W efekcie przedsiębiorstwa, które chcą wdrażać nowoczesne systemy MES, stają przed pytaniem: czy starsze urządzenia można skutecznie zintegrować z cyfrowym środowiskiem produkcji? Odpowiedź brzmi: tak — i co więcej, istnieje kilka sprawdzonych sposobów na ich podłączenie, które pozwalają uzyskać dane niezbędne do analizy efektywności i optymalizacji procesów.

Cyfrowy bliźniak coraz częściej pojawia się w strategiach nowoczesnych fabryk. Symulacje procesów, wirtualne linie produkcyjne, testowanie scenariuszy bez ryzyka zatrzymania produkcji – to brzmi jak przyszłość przemysłu. Jednym z najbardziej rozpoznawalnych narzędzi w tym obszarze jest NVIDIA Omniverse. Problem zaczyna się w momencie, gdy cyfrowy bliźniak ma przestać być wizualizacją, a stać się odzwierciedleniem rzeczywistej produkcji. Do tego potrzebne są dane. I tu kluczową rolę odgrywa system klasy MES.

Unia Europejska słynie z wprowadzania restrykcyjnych regulacji, które często komplikują życie biznesowi. Tym razem jednak jest inaczej – nowe przepisy dotyczące dostępu do danych przemysłowych rozwiązują problem, który od lat hamował cyfryzację fabryk. Problem, który blokował transformację Producenci oprogramowania MES (Manufacturing Execution System) doskonale znają ten scenariusz: firma kupuje maszynę za miliony, ale nie może swobodnie pobierać z niej danych. Producent sprzętu albo technicznie blokuje dostęp, chroniąc swoje know-how, albo wymusza dodatkowe opłaty, a często narzuca własny system MES. To nie tylko kwestia techniczna. Brak standaryzacji protokołów komunikacyjnych to jedno, ale prawne bariery w dostępie do danych z własnych maszyn to zupełnie inna sprawa. Dla firm rozwijających rozwiązania oparte na AI problem jest fundamentalny – bez danych nie ma algorytmów, bez algorytmów nie ma inteligentnych fabryk.

System MES (Manufacturing Execution System) - Jeśli w 2025 roku ktoś nadal myśli o systemie MES jako o "terminalach na stanowiskach i raportach z wydziału", to jest mniej więcej tak aktualne jak faks w integracji OT-IT. System Manufacturing Execution System przestał być aplikacją na halę. MES stał się warstwą operacyjnej prawdy między światem automatyki (OT) a światem biznesu (IT). Systemy MES w 2025 roku to platformy operacyjne, które decydują o tym, czy firma żyje z dostępności, jakości, czasu realizacji i efektywności energetycznej. System MES przestał być kosztem—stał się mechanizmem sterowania konkurencyjnością.

Rola kierownika produkcji staje się z roku na rok coraz bardziej złożona. Współczesne zakłady wymagają nie tylko utrzymania płynności pracy i terminowej realizacji planów, ale też optymalizacji kosztów, szybkiego reagowania na odchylenia oraz budowania kultury ciągłego doskonalenia. W takim środowisku tradycyjne arkusze w Excelu, ręczne raporty czy intuicyjne decyzje przestają wystarczać. To właśnie w tym miejscu swoją wartość pokazuje OmniMES — system, który dostarcza kierownikowi produkcji narzędzi do podejmowania świadomych, szybkich i trafnych decyzji.

W świecie nowoczesnej produkcji, w którym liczy się każda minuta pracy maszyny, jednym z najważniejszych parametrów oceny efektywności jest OEE (Overall Equipment Effectiveness). To wskaźnik, który pozwala w jednym prostym wyniku określić, na ile efektywnie wykorzystujemy posiadany park maszynowy. Wbrew pozorom OEE nie jest tylko formułą matematyczną — to narzędzie zarządcze, które pomaga wykrywać straty, podejmować decyzje operacyjne i rozwijać kulturę ciągłego doskonalenia. Firmy, które regularnie monitorują OEE, szybciej eliminują marnotrawstwo, lepiej planują produkcję i osiągają wyższe moce przerobowe bez konieczności inwestowania w nowe maszyny.

Wdrożenie systemu MES (Manufacturing Execution System) to nie tylko instalacja oprogramowania i podłączenie maszyn. To przede wszystkim proces transformacji organizacyjnej, w którym technologia staje się narzędziem do realizacji jasno zdefiniowanych celów biznesowych.Aby wdrożenie zakończyło się sukcesem, warto podejść do niego metodycznie — krok po kroku. Poniżej opisujemy, jak wygląda proces wdrożenia MES w praktyce, z uwzględnieniem najlepszych praktyk i doświadczeń z projektów realizowanych z wykorzystaniem systemu OmniMES.

W każdej firmie produkcyjnej istnieją działania, które nie dodają wartości produktowi, a mimo to pochłaniają czas, zasoby i energię pracowników. W książce Toyota Production System: Beyond Large-Scale Production autorstwa Taiichi Ohno z 1978 roku wskazanych zostało siedem najczęściej występujących rodzajów strat. W filozofii Lean Manufacturing owe działania określa się mianem Muda – czyli marnotrawstwa (muda jap. bezużyteczny, zbędny). Japońskie przedsiębiorstwa, z Toyotą na czele, od lat skutecznie eliminują Muda, osiągając dzięki temu wysoką efektywność i elastyczność produkcji. Poznanie 7 klasycznych strat Muda pomaga zrozumieć, gdzie w Twojej firmie może uciekać produktywność – i jak można to zmienić.

OmniMES to nowoczesny system klasy MES (Manufacturing Execution System) zaprojektowany w oparciu o architekturę mikrousługową. Taki model zapewnia skalowalność, elastyczność oraz możliwość niezależnego rozwoju i wdrażania poszczególnych modułów systemu – od komunikacji z maszynami po analitykę danych i zarządzanie produkcją.

W nowoczesnych zakładach produkcyjnych każda sekunda pracy maszyn ma znaczenie. Nawet krótkie, pozornie nieistotne przerwy – tzw. mikroprzestoje – w skali całej linii mogą generować znaczne straty. Badania (Aberdeen Research) wskazują, że nieplanowane przestoje mogą kosztować firmy produkcyjne od kilkuset do nawet kilku tysięcy dolarów na minutę. To jeden z powodów, dla których coraz więcej przedsiębiorstw wdraża systemy klasy MES (Manufacturing Execution System). Wspierają one utrzymanie ruchu, umożliwiają analizę pracy maszyn w czasie rzeczywistym i pozwalają zminimalizować negatywny wpływ mikroprzestojów.

Przemysł 5.0 to nie tylko kolejny etap cyfrowej transformacji – to fundamentalna zmiana w podejściu do produkcji, która stawia człowieka i zrównoważony rozwój w centrum zaawansowanych technologii. W tej nowej rzeczywistości, platformy analityczne takie jak BigQuery AI stają się kluczowym elementem inteligentnych systemów produkcyjnych, umożliwiając przekształcenie ogromnych ilości danych w konkretne, biznesowe wnioski.

W erze przemysłowej transformacji cyfrowej, globalny rynek interfejsów człowiek-maszyna (HMI) osiągnął wartość 24,5 miliarda USD w 2024 roku i przewiduje się jego wzrost do 55,2 miliarda USD do 2033 roku, przy złożonej rocznej stopie wzrostu (CAGR) 9,7%. Jednocześnie rynek oprogramowania symulacyjnego wzrósł z 19,95 miliarda USD w 2024 roku do przewidywanych 36,22 miliarda USD do 2030 roku przy CAGR 10,4%. Te dynamiczne trendy odzwierciedlają fundamentalną zmianę w podejściu do optymalizacji zasobów produkcyjnych.

Współczesna transformacja cyfrowa w przemyśle wymaga implementacji zaawansowanych rozwiązań komunikacyjnych, które zapewnią interoperacyjność systemów oraz umożliwią efektywne wykorzystanie danych operacyjnych. Protokół Sparkplug B, stanowiący rozwinięcie standardu MQTT dla zastosowań przemysłowych, oferuje ustrukturyzowane podejście do komunikacji w ramach Industrial Internet of Things (IIoT). Integracja tego protokołu z systemami Manufacturing Execution Systems (MES) otwiera nowe możliwości w zakresie predykcyjnego utrzymania ruchu oraz optymalizacji zużycia energii w procesach produkcyjnych.

Cyfrowa transformacja produkcji wymaga strategicznego podejścia do zarządzania partiami produkcyjnymi. Wykorzystanie systemów MES (Manufacturing Execution System) w połączeniu z technologiami Industry 5.0 może przynieść redukcję przestojów o 50% i obniżenie kosztów utrzymania o 40%, zgodnie z najnowszymi badaniami Deloitte.

Współczesny przemysł znajduje się w centrum cyfrowej transformacji, gdzie systemy MES (Manufacturing Execution Systems) z analityką danych w czasie rzeczywistym stanowią fundament Przemysłu 5.0. Według raportu McKinsey Global Institute z 2023 roku, przedsiębiorstwa wdrażające zaawansowaną analitykę w procesach produkcyjnych osiągają średnio 15-20% wzrost wydajności i 25% redukcję defektów.

W erze Industry 5.0, gdzie technologia łączy się z humanistycznym podejściem do produkcji, sektor energii odnawialnej doświadcza bezprecedensowego wzrostu – z rekordowymi 18.6 GW dodatkowej mocy solarnej tylko w pierwszych dziewięciu miesiącach 2024 roku. Manufacturing Execution Systems (MES) wspomagane uczeniem maszynowym stają się kluczowym elementem tej transformacji, oferując konkretne korzyści biznesowe i techniczne.

W dobie Industry 5.0, gdzie efektywność energetyczna staje się kluczowym wyróżnikiem, przedsiębiorstwa produkcyjne stoją przed bezprecedensowym wyzwaniem. Zgodnie z nową dyrektywą UE 2023/1791 w sprawie efektywności energetycznej, kraje członkowskie muszą osiągnąć średni roczny wskaźnik oszczędności energii w wysokości 1,49% w latach 2024-2030, co oznacza, że firmy muszą radykalnie przemyśleć swoje podejście do zarządzania energią.

Podczas gdy przemysł wciąż implementuje rozwiązania Industry 4.0, Industry 5.0 wprowadza nowy paradygmat oparty na trzech filarach: zrównoważoności, odporności i podejściu zorientowanym na człowieka. W tym kontekście integracja Manufacturing Execution Systems (MES) z Internet of Things (IoT) staje się kluczowym elementem transformacji cyfrowej, który nie tylko automatyzuje procesy, ale czyni je bardziej humanitarnymi i ekologicznymi.

Porównanie protokołów komunikacyjnych MQTT i Sparkplug B w kontekście przemysłowego Internetu Rzeczy (IIoT). Dowiedz się o ich zaletach, różnicach, jakości usług (QoS) oraz retencyjności wiadomości. Odkryj, który protokół lepiej spełnia wymagania Twojego projektu IoT.