W magazynie małej przychodni system pokazuje 24 sztuki, a personel dolicza się dokładnie 24 opakowań. Zgodna liczba nie oznacza jeszcze wiarygodnego zapasu; zanim sztuczna inteligencja (AI) zacznie prognozować zużycie, manager powinien wyznaczyć osobę prowadzącą magazyn, która połączy jeden kod produktu w systemie ze stanem fizycznym, lokalizacją, partią, terminem, dokumentem dostawy i historią użycia. Indeks produktu oznacza dalej w tekście właśnie taki kod lub pozycję produktu w systemie. Ten modelowy przypadek pokazuje, gdzie ukrywa się różnica i jak ją sprawdzić bez budowania od razu wielkiego projektu.

AI może połączyć wpisy w systemie i wskazać niespójność, której nie widać na zbiorczym liczniku. Nie potwierdzi jednak, co naprawdę leży na półce, czy opakowanie nadaje się do użycia ani czy wskazana partia podlega blokadzie. Fizyczny stan sprawdza osoba prowadząca magazyn. Wskazany przez managera kierownik zatwierdza odłożenie produktu jako niedostępnego do użycia, wycofanie albo korektę danych.

Dla managera polskiej placówki najważniejsza jest więc kolejność: najpierw jeden wspólny kod produktu i sprawdzony zapas, dopiero potem pilotaż AI. Na start manager wybiera jeden często używany produkt, wskazuje pracownika do kontroli i oczekuje jednego z dwóch wyników: dane są gotowe do testu albo lista produktów w systemie wymaga poprawy. Artykuł nie przenosi wyników ani oszczędności z amerykańskich systemów szpitalnych.

Przykład modelowy: dlaczego zgodna liczba sztuk może ukrywać zły zapas?

Przykład modelowy — nazwa produktu, liczby, partie i lokalizacje są hipotetyczne. Przypadek służy wyłącznie do pokazania sposobu uzgadniania zapasu; nie opisuje realnej placówki ani nie wyznacza oczekiwanego wyniku wdrożenia AI.

Mała przychodnia przechowuje sterylne zestawy zabiegowe. Ekran podsumowania sumuje dwa kody produktu i pokazuje 24 sztuki dostępne. Pierwszy kod pochodzi ze starej listy produktów dostawcy, drugi pojawił się po zmianie opakowania. W podsumowaniu wszystko wygląda dobrze, ale osoba prowadząca magazyn otwiera szafę i widzi inną historię.

W centralnym magazynku leży 12 opakowań, choć wpis w systemie przypisuje tej szafie 16. Kolejne 12 jest w gabinecie zabiegowym, mimo że system pokazuje tam osiem. Pracownik przeniósł cztery sztuki, lecz nie zapisał przesunięcia. Dwa opakowania z centralnej szafy mają uszkodzone opakowanie zewnętrzne i zostały odłożone do wyjaśnienia, ale system nadal pokazuje je jako dostępne. Suma fizyczna nadal wynosi 24, ale zapas możliwy do użycia już nie.

Problem pogłębia podział na partie. Starszy kod obejmuje opakowania z krótszym terminem, nowszy — z dłuższym. Gdy komunikat bezpieczeństwa wskazuje konkretny numer katalogowy lub partię, zbiorcze „24” nie mówi, które sztuki trzeba zatrzymać i gdzie ich szukać. Historia użycia też jest zniekształcona, bo część wydań z magazynu zapisano pod starym kodem, a część pod nowym.

Wniosek z przypadku jest prosty: nie chodzi o znalezienie różnicy w sumie, tylko o ustalenie, czy każdy fizyczny produkt ma właściwy kod, miejsce, partię, termin i status. Dopiero taki sprawdzony wpis może zasilać prognozę albo ostrzeżenie.

Co AI porównuje, zanim wskaże rozbieżność?

AI nie powinna zaczynać od pytania „ile zamówić?”. Najpierw musi dostać uporządkowane dane o tym, co jest tym samym produktem, gdzie leży, kiedy zostało przyjęte, z której pochodzi partii i jakie zmiany zapisano od dostawy do użycia lub zwrotu. Może wtedy wskazać, że stary i nowy kod prawdopodobnie opisują ten sam produkt, znaleźć przesunięcie bez dokumentu albo pokazać opakowania, których termin wymaga szybszego sprawdzenia.

Tekst MedCity News z 7 lipca 2026 roku podaje podobną prostą zasadę: przed uczeniem modelu trzeba uporządkować listę produktów, nazwy miejsc przechowywania i jeden uzgodniony obraz zapasu. To opinia dyrektora firmy Tecsys, nie niezależne badanie skuteczności. Źródło nie dowodzi, że model poprawnie odtworzy magazyn polskiej przychodni ani że samodzielnie zoptymalizuje zakupy.

Przy wyrobach medycznych pomaga UDI (unikalny kod identyfikacyjny wyrobu). Komisja Europejska wyjaśnia, że ułatwia on rozpoznanie i śledzenie konkretnego wyrobu. Zależnie od oznakowania kod produkcyjny może wskazywać partię, numer seryjny lub termin ważności. Zakres użycia UDI zależy od rodzaju wyrobu i obowiązujących zasad, dlatego manager nie powinien zakładać, że każdy produkt ma w systemie komplet tych danych. UDI pomaga w identyfikacji, ale nie potwierdza automatycznie zgodności całego magazynu.

Model może więc zwrócić komunikat: „te dwa kody prawdopodobnie opisują ten sam wyrób”, „miejsce na półce nie zgadza się z historią przesunięć” albo „brakuje numeru partii potrzebnego do sprawdzenia komunikatu”. Jeżeli wpis nie zawiera partii lub informacji, czy opakowanie jest dostępne do użycia, wynik powinien brzmieć „do sprawdzenia”, a nie „produkt bezpieczny” czy „wycofaj”.

Kto potwierdza partię i decyduje o blokadzie?

Po ostrzeżeniu AI osoba prowadząca magazyn sprawdza etykietę, liczbę opakowań, miejsce przechowywania, partię, termin i stan opakowania. Porównuje je z dokumentem dostawy oraz zapisanymi przesunięciami i wydaniami. System wskazuje miejsce kontroli, ale pracownik potwierdza fakt na fizycznym produkcie. Jeśli nie może wyjaśnić różnicy, odkłada produkt i oznacza go w systemie jako niedostępny do czasu decyzji, zamiast dopisywać brakującą wartość na podstawie sugestii modelu.

Decyzja o dalszym działaniu zależy też od rodzaju produktu i aktualnego dokumentu urzędowego. Dla produktów leczniczych Główny Inspektorat Farmaceutyczny (GIF) publikuje decyzje o wstrzymaniu, wycofaniu i zakazach w Rejestrze Decyzji GIF. Dla wyrobów medycznych Urząd Rejestracji Produktów Leczniczych, Wyrobów Medycznych i Produktów Biobójczych (URPL) publikuje komunikaty bezpieczeństwa, często ze wskazaniem modelu, numeru katalogowego, partii lub numerów seryjnych. Pracownik wyznaczony przez managera sprawdza pełny dokument i jego aktualność, ponieważ późniejsza decyzja może zmienić wcześniejszy status.

AI może dopasować komunikat do listy produktów i przygotować wykaz opakowań do sprawdzenia. Nie powinna sama zatwierdzać utylizacji, zamiany produktu, wydania pacjentowi ani wznowienia użycia. Manager wcześniej zapisuje w procedurze, który kierownik zatwierdza blokadę lub wycofanie po sprawdzeniu dokumentu i fizycznego zapasu. Jeśli komunikat dotyczy bezpieczeństwa użycia, decyzję konsultuje lekarz wskazany przez dyrektora medycznego albo pracownik odpowiedzialny za dany wyrób.

Jeśli model wskazuje różnicę pracownik sprawdza etykietę i dokument dostawy. Wpis z kontroli powinien obejmować źródło ostrzeżenia, fizycznie sprawdzony produkt, partię i termin, osobę weryfikującą, decyzję oraz czas jej podjęcia. Ślad decyzji jest ważniejszy niż pewny ton modelu.

Jak uzgodnić jeden indeks przed pracą z AI?

Pierwszy krok: manager wybiera jeden często używany produkt, a osoba prowadząca magazyn sprawdza go od etykiety na półce do dokumentu dostawy oraz wpisu w systemie. Nie zaczynaj od całej kategorii ani od prognozy na kolejny kwartał. Jedno przejście ma ujawnić, czy ta sama nazwa oznacza ten sam produkt i czy pracownicy zapisują każde przesunięcie między miejscami przechowywania.

Osoba prowadząca magazyn zapisuje kod używany w placówce, nazwę dostawcy, jednostkę opakowania, miejsca przechowywania, partie, terminy i informację, czy produkt wolno wydać. Następnie porównuje dostawy, przesunięcia, wydania, zwroty i korekty. Gdy dwa kody opisują ten sam wyrób, nie scala ich automatycznie: najpierw potwierdza etykiety, a właściciel systemu ustala, którego wpisu pracownicy będą używać dalej i jak zachowają historię drugiego.

Tę pracę warto powiązać z mapą integracji AI w placówce, bo lista produktów, dokument dostawy i historia użycia mogą pochodzić z różnych systemów. Osobny rejestr danych przed pilotażem AI pomaga managerowi zapisać cel użycia danych, osobę odpowiedzialną, źródło oraz moment zatrzymania testu. AI dostaje dopiero taki zakres, którego pochodzenie i znaczenie potrafią wyjaśnić manager, osoba prowadząca magazyn oraz właściciel systemu.

Na koniec manager uruchamia próbę bez automatycznych zamówień i bez zmiany informacji o dostępności produktów. Model ma wyłącznie wskazać dwa kody opisujące ten sam produkt, brakujące partie, nietypowe przesunięcia i rozbieżne terminy. Osoba prowadząca magazyn sprawdza każde wskazanie na półce i oznacza je jako trafne, błędne albo niemożliwe do oceny z dostępnych danych. Po tej próbie manager decyduje, czy dane nadają się do pilotażu.

Kiedy prognozowanie zużycia trzeba odłożyć?

Pilotaż warto rozważyć, gdy jeden produkt ma jednoznaczny wpis, pracownicy zapisują każde przesunięcie według tej samej zasady, a osoba prowadząca magazyn potrafi odtworzyć partię i termin z dokumentu oraz etykiety. Manager wyznacza też pracownika sprawdzającego ostrzeżenia i kierownika zatwierdzającego blokadę, korektę lub dalsze użycie. Bez tych ról model zwiększy liczbę komunikatów, ale nie zwiększy pewności.

Nie zaczynaj prognozowania, gdy pracownicy zapisują wydania z magazynu dopiero pod koniec tygodnia, dostawcy używają różnych jednostek opakowań, dwa kody tego samego produktu nie mają właściciela albo system nie odróżnia zapasu dostępnego od produktu odłożonego i niedostępnego do użycia. Nieporządna historia nie staje się dobrym materiałem do uczenia modelu tylko dlatego, że ma wiele wierszy. To ten moment, w którym organizacja znów chce dostać efektowną prognozę, choć nadal nie potrafi wskazać, której partii dotyczy liczba.

Wytyczne Światowej Organizacji Zdrowia (WHO) dotyczące dobrych praktyk przechowywania i dystrybucji zalecają regularne porównywanie stanu zapisanego ze stanem fizycznym, wyjaśnianie przyczyn różnic oraz kontrolę produktów bliskich terminowi ważności. WHO nie rekomenduje w tym dokumencie AI. Potwierdza natomiast, że system komputerowy nie zwalnia z uzgodnienia zapasu i udokumentowanego działania człowieka.

Kryterium przerwania powinno być proste: jeśli model nie potrafi wskazać źródła dopasowania, regularnie łączy różne produkty albo jego ostrzeżenia nie da się potwierdzić na etykiecie i w dokumencie, manager zatrzymuje test. Gdy wpis jest niepełny manager wraca do poprawy kartoteki. Najpierw wiarygodny wpis, potem prognoza. W odwrotnej kolejności AI będzie bardzo sprawnie przewidywać liczbę, której nikt nie umie obronić.

Źródła