AI a ESG reporting v kalírně

Využití AI v provozu tepelného zpracování může zcela zásadně měnit pohled na náš obor. Již jsem nastínil model, který umožňuje počítat nabídkové, plánované a skutečné náklady na výrobní zakázku. Jde ten samý princip aplikovat i na emise a na ESG reporting? Nákladový model je na této infografice.
Základem správné kalkulace nákladů je ERP systém a jeho nastavení. Nebudu tady popisovat detaily, možná se k tomu v budoucnu dostaneme, rozhodující ale je, že každou operaci musím ocenit náklady. Přímými a režijními. Přímé náklady jsou vázány na čas cyklu/operace, nepřímé jsou pak roztříděny na labour, assets a floor, přes stejně pojmenované korekční faktory.
Náklady by měl systém umět počítat 3x, jako nabídkové náklady, jako plánované náklady v okamžiku přijetí zakázky na nabídku, a jako skutečné náklady, plynoucí z výroby. A že to nejde? Opak je pravdou, jde to, a dosti elegantně. Jakou mám oporu pro toto tvrzení? Posledních 5 let v Bodycote jsem byl administrátor systému BCM pro východní Evropu. Zkratka BCM znamená Bodycote Costing Model. Tento model byl vyvinut skupinou IT v Edinburgu a zcela změnil můj pohled na svět ERP systémů a účetnictví v kalírně. Představa, že v okamžiku, kdy uzavřu výrobní zakázku budu vědět jaký mám z ní zisk, je reálná.
Proč se o tom zmiňuji? Na stejném principu totiž mohu mít i ESG reporting. Tedy informaci, kolik kgCO2 jsem zpracováním zakázky vyprodukoval. Ve výsledku budu mít informaci o nabídkových emisích, plánovaných a skutečných emisích.
V okamžiku, kdy výrobní zakázku uzavřu, obvykle tiskem dodacího listu, mám přesnou informaci jak o nákladech, tak i o emisích. Názorný příklad ocenění nákladů a emisí podle jednotlivých operací postupu je na této infografice. Výsledek pak může být na manažerském zobrazení stavu výrobních objednávek.
A jak mi s tím může pomoci AI? Tuto pomoc lze vidět v několika úrovních, nicméně samotný výpočet bude zcela deterministický, a bude jej provádět ERP.
1. AI při nabídkové kalkulaci
V okamžiku nabídky zpravidla známe:
- zákazníka a díl,
- materiál,
- hmotnost,
- požadovaný proces,
- požadované vlastnosti,
- předpokládané zařízení,
- případně podobné dřívější zakázky.
Neznáme ale přesně:
- skutečnou pec,
- skutečnou skladbu vsázky,
- skutečný čas cyklu,
- skutečnou spotřebu energie a médií.
Zde může AI vyhledat například deset až dvacet nejpodobnějších historických objednávek a z nich navrhnout:
- očekávaný čas cyklu,
- očekávanou spotřebu elektřiny nebo plynu,
- spotřebu dusíku, argonu, amoniaku či acetylenu,
- standardní pracovní časy jednotlivých operací,
- pravděpodobný LoadFillRate,
- očekávané kg CO₂e na cyklus a kilogram dílů.
Výstup by mohl vypadat například:
- Pro zakázku byly nalezeny čtyři obdobné postupy na peci TAV_1.
- Odhadovaný čas cyklu je 355–375 minut.
- Očekávaná spotřeba je 1 180–1 280 kWh.
- Nabídková hodnota emisí je 245 kg CO₂e na dá
- Spolehlivost odhadu: 87 %.
AI by tedy nevytvářela číslo libovolně, ale vysvětlila by, z jakých zakázek a parametrů odhad vychází.
2. AI při plánování zakázky
Po přijetí zakázky už znáte konkrétnější podmínky:
- vybranou pec,
- aktuální recepturu,
- plánovanou dávku,
- počet výrobních objednávek ve vsázce,
- jejich hmotnosti,
- skutečný plánovaný začátek,
- případně stav pece.
AI může původní nabídkovou kalkulaci zpřesnit.
Například může rozpoznat, že:
- plánovaná pec má vyšší spotřebu než pec použitá v nabídce,
- vsázka bude pouze z 60 % zaplněná,
- konkrétní geometrie dílů prodlouží ohřev,
- dlouhá výdrž zvýší spotřebu více než samotná hmotnost,
- současné složení vsázky není energeticky optimální.
Plánovaný model pak může navrhnout: Přesunutím zakázky z pece A na pec B lze snížit očekávané emise o 12 %, ale cyklus bude o 35 minut delší.
Nebo: Přidáním další objednávky do stejné vsázky se emise cyklu zvýší pouze o 4 %, ale emise na kilogram dílů se sníží o 21 %.
Toto je velmi hodnotné, protože AI může optimalizovat současně:
- termín,
- náklady,
- využití kapacity,
- emise,
- riziko nedodržení technologického postupu.
3. AI při odhadu času cyklu
Čas cyklu je pro kalkulaci klíčovou informací. Současně historická data ukazují poměrně široké rozdíly mezi minimálním, průměrným a maximálním časem cyklu. AI může čas cyklu odhadovat podle kombinace:
- materiálu,
- počáteční a cílové teploty,
- hmotnosti vsázky,
- hmotnosti přípravků,
- geometrie dílů,
- typu pece,
- požadované atmosféry,
- tlaku kalicího plynu,
- počtu výdrží,
- požadované rychlosti ohřevu a ochlazování,
- historického chování konkrétní pece.
Model pak nemusí pracovat jen s jedním průměrem, ale například:
![]()
AI může zároveň uvést interval:
![]()
To je pro nabídku podstatně bezpečnější než jediná pevná hodnota.
4. AI při odhadu spotřeby energie
Čas cyklu sám o sobě nemusí spotřebu přesně vystihnout. Dva šestihodinové cykly mohou mít různou spotřebu podle:
- cílové teploty,
- počáteční teploty pece,
- hmotnosti vsázky,
- hmotnosti přípravků,
- počtu ohřevových stupňů,
- vakua nebo atmosféry,
- režimu chlazení,
- stavu izolace,
- stáří topných těles.
AI může vytvořit samostatný predikční model:
Pro nabídkovou kalkulaci by predikovala spotřebu. Pro plánovanou kalkulaci by ji aktualizovala podle konkrétní vsázky. Pro skutečnost by se předpověď nahradila měřenými hodnotami. Vhodné by bylo uchovávat obě hodnoty:
5. AI při pracovních operacích
U operací typu Labour může AI analyzovat skutečné historické časy:
- příprava vsázky,
- přípravkování,
- založení,
- vyložení,
- kontrola,
- balení,
- interní logistika.
Může zohlednit:
- počet kusů,
- hmotnost,
- složitost přípravkování,
- počet vrstev ve vsázce,
- potřebu maskování,
- požadované kontroly,
- typ obalu,
- zkušenost provozu s obdobným dílem.
Výstupem může být doporučený čas operace:
AI může také odhalit, že určitá operace je systematicky podhodnocená nebo nadhodnocená.
Například: Nabídkový čas přípravy vsázky je 20 minut, ale průměr posledních 18 obdobných objednávek je 31 minut.
To zlepší současně nákladový i emisní model, protože obě kalkulace používají stejné množství práce.
6. AI při vyhodnocení skutečného cyklu
Po ukončení cyklu bude mít AI přístup k:
- skutečnému času,
- průběhu teplot,
- skutečným kWh,
- spotřebě plynu a médií,
- tlaku,
- údajům z vakuového systému,
- alarmům,
- hmotnosti skutečné vsázky,
- výsledkům kontroly jakosti.
AI zde může provádět tři úlohy.
Kontrola správnosti dat
Například:
- chybějící údaj elektroměru,
- nesmyslně nízká spotřeba,
- duplicitní cyklus,
- nesoulad času mezi ERP a SCADA,
- nulová spotřeba plynu u plynové pece,
- chybný emisní faktor.
Detekce anomálií
Například: Spotřeba tohoto cyklu byla o 18 % vyšší než u srovnatelných dávek.
Podpora hledání příčiny
AI může porovnat průběh s historií a navrhnout pravděpodobné příčiny:
- nízké zaplnění pece,
- delší náběh teploty,
- opakované vakuování,
- netěsnost,
- zhoršený stav izolace,
- delší kalení plynem,
- prodloužená výdrž,
- chyba měření.
Důležité je používat formulaci pravděpodobná příčina, nikoliv automaticky prohlásit, že byla příčina potvrzena.
7. AI při rozdělení emisí dávky
Základní rozdělení by mělo zůstat matematicky pevné:

AI ale může pomoci rozhodnout, zda je hmotnost pro daný proces opravdu nejlepší alokační klíč. Může například zjistit, že pro určitou skupinu dílů lépe odpovídá:
- hmotnost,
- obsazený objem,
- plocha roštu,
- počet kusů,
- tepelná kapacita,
- kombinace hmotnosti a objemu.
Základní metodika by se ale neměnila automaticky. AI by pouze upozornila: U tohoto typu dílu může čistě hmotnostní alokace podhodnocovat jeho podíl, protože díly zabírají 65 % užitečného prostoru pece, ale jen 30 % hmotnosti dávky.
Změnu alokační metody musí schválit odpovědný pracovník.
8. AI při ESG reportingu
AI může automaticky připravit:
- součet emisí podle provozu,
- rozdělení Scope 1, Scope 2 a Scope 3,
- emise podle zařízení,
- emise podle zákazníka,
- emise podle procesu,
- emise na kilogram,
- emise na výrobní objednávku,
- porovnání nabídky, plánu a skutečnosti,
- měsíční a roční trendy,
- komentář k významným změnám.
Například: Celkové emise provozu se v červenci zvýšily o 7,2 %. Hlavní příčinou byl vyšší počet plynových cyklů a pokles průměrného LoadFillRate ze 74 % na 63 %. Emisní intenzita elektrických vakuových pecí se naopak snížila o 4,5 %.
AI může také automaticky vytvářet textovou část reportu, ale čísla musí přebírat z řízeného zdroje.
9. Automatická kontrola konzistence ESG dat
AI může před uzavřením měsíce provést kontrolní bilanci:
- 8 % elektřiny nebylo přiřazeno žádnému zařízení,
- dvě pece nemají aktualizovaný emisní faktor,
- skutečná spotřeba plynu je o 12 % vyšší než součet cyklů,
- u 34 objednávek chybí hmotnost dávky,
- některé cykly jsou vykázány současně jako planned i actual,
- market-based a location-based hodnoty byly zaměněny.
Tato kontrolní funkce může být pro audit důležitější než samotná predikce.
10. Co by AI dělat neměla
AI by neměla bez kontroly:
- měnit emisní faktory,
- měnit klasifikaci Scope 1, 2 nebo 3,
- nahrazovat změřenou spotřebu odhadem,
- rozhodovat o oficiální metodice alokace,
- přepisovat data z ERP, MES nebo SCADA,
- automaticky potvrzovat ESG report,
- zakrývat chybějící data vypočtenými hodnotami.
Musí být vždy jasně označeno:
Value Type
- Measured
- Calculated from fixed formula
- Estimated AI
- Manually Adjusted
=======================================================================================================
Are you solving a similar problem? I will help you with the analysis…
40+ years of experience in the field
30+ years of experience… HT-PROGRES, Bodycote, Galvamet
cooperation… VŠB, Czechimplant, ECM Technologies, TAV Vacuum Furnaces, GHC Invest
12+ years of expert activity
Want to ask for a solution or want a non-binding consultation? Click on this link, I will usually respond within 24 hours. Contact email
========================================================================================================
Jiří Stanislav, Ing. CSc.
Consultant and forensic expert
========================================================================================================
5/8/2026










