Kontekst
Producent karmy dla zwierząt w modelu private label, z partnerami B2B w kilku krajach Europy, prowadził zakład i sprzedaż na zestawie arkuszy, poczty i wiedzy w głowach kilku osób. Zapotrzebowanie nie dotyczyło jednego systemu, lecz kilkunastu: planowania i monitoringu produkcji, obiegu dokumentów, zgodności receptur, sprzedaży, magazynu, rekrutacji.
Problem
Naturalną reakcją jest kupić kilkanaście produktów albo zbudować kilkanaście aplikacji. Oba warianty rozbijają się o to samo. Każda aplikacja chce własnego uwierzytelniania, własnej bazy, własnego wdrożenia, własnego kanału powiadomień. Przy dziesięciu systemach i jednym zespole utrzymanie zaczyna kosztować więcej niż budowa, a integracja staje się osobnym produktem, którego nikt nie zamawiał.
Druga trudność jest merytoryczna. Część tych procesów jest regulowana albo obliczeniowo trudna: receptury muszą być zgodne z FEDIAF i przepisami UE, faktury z wymogami KSeF, plan produkcji musi respektować rzeczywiste ograniczenia linii. To dziedziny, w których wynik „prawdopodobnie poprawny" nie ma żadnej wartości.
Podejście
Pierwszą decyzją, przed jakąkolwiek funkcjonalnością, była warstwa współdzielona: jeden Keycloak z jednym realmem, jeden klaster PostgreSQL z bazą per aplikacja, jeden Redis z przydziałem numerów baz, jeden reverse proxy, jeden gateway WhatsApp routujący ruch do pięciu aplikacji, jeden gateway LLM z pełną obserwowalnością kosztu. Każdy nowy system dostaje te elementy jako dane wejściowe, a nie buduje je od nowa. Granice bounded contextów są uzasadniane ADR-ami, bo bez tego „reuse" po kilku miesiącach zamienia się w jeden monolit noszący dziesięć nazw.
Warstwa produkcyjna jest zbudowana zgodnie z ISA-95 (APS/MOM), z akwizycją danych przez OPC UA i MQTT/Sparkplug B oraz szeregami czasowymi w TimescaleDB. Zgodność z modelem ISA-95 nie jest tu ozdobą, to jedyny znany nam sposób, żeby słowa „zasób", „operacja" i „zlecenie" znaczyły to samo w rozmowie z automatykiem, w interfejsie i w schemacie bazy.
W warstwie AI obowiązuje jedna zasada: AI proponuje, człowiek decyduje. Modele czytają dokumenty, klasyfikują, streszczają i przygotowują decyzję. Zatwierdzenie zostaje po stronie człowieka wszędzie, gdzie skutek jest zewnętrzny albo regulowany. Koszt tej zasady jest jawny: nie da się obiecać pełnej automatyzacji, a przy każdym procesie trzeba utrzymać kolejkę do przeglądu. Zysk również: żaden system nie wytwarza zobowiązania, którego nikt nie zatwierdził, i każdy da się obronić przed audytem.
Rezultat
Na wspólnej infrastrukturze pracuje około dziesięciu systemów wewnętrznych, planowanie i monitoring produkcji, obieg dokumentów z KSeF, zgodność receptur w R&D, automatyzacja sprzedaży i marketingu (19 workflow), e-commerce, ATS. Magazyn jest w budowie. Całość utrzymuje się na jednym VPS.
Dwie zmiany operacyjne można podać liczbami. Walidacja cennika dostawcy, wcześniej 8–12 godzin pracy ręcznej, to dziś około 5 minut przetwarzania i 15–30 minut przeglądu przez człowieka. Audyt półkowy przetworzył 2 827 zdjęć w 26 864 obserwacje produktowe.
Wnioski
Kilkanaście systemów wewnętrznych to nie kilkanaście projektów, tylko jedna platforma i kilkanaście funkcji. Decyzja, która o tym rozstrzyga, podejmowana jest przed pierwszą linią kodu funkcjonalnego i praktycznie nie daje się odwrócić później bez przepisania wszystkich wdrożeń.
Drugi wniosek dotyczy zasięgu AI w środowisku produkcyjnym i regulowanym. Granica użyteczności nie leży tam, gdzie kończy się dokładność modelu, ale tam, gdzie zaczyna się odpowiedzialność za skutek. Systemy, które mają tę granicę narysowaną jawnie, wchodzą do codziennego użycia. Te, które jej nie mają, zostają w pilotażu.