Aşağıdaki simülasyon, pilot süreci boyunca KPI'ların nasıl değiştiğini gösterir. Timeline'ı sürükleyin, hız değiştirin, senaryo butonlarıyla "ya eski sistem olsaydı?" / "ya yeni ürün lansmanı düşseydi?" gibi durumları test edin.
Depo, statik rota tabloları üzerinde çalışan klasik MiR Fleet ile yönetiliyordu. Rush hour'da AGV'ler ön-tarafta birikiyor, geç saatlerde boşa beklemeye geçiyordu. Yeni bir SKU lokasyonu eklemek günler alıyor, sipariş öncelik değişimi manuel müdahale gerektiriyordu.
AgenticPlant runtime, MiR Fleet'in üzerine geçti; Logistics-02 agent'ı tüm AGV pozisyon ve görev state'ini real-time tuttu. Her 80 ms'de sipariş kuyruğu + hat hızı + depo doluluğu girdileriyle rota tablosu yeniden derlendi. Çakışma çözümünde deterministik öncelik (acil sipariş > standart) uygulandı; operatör ekranına 'neden bu rota' açıklaması anında düştü.
İlk üç ayda throughput %24 arttı, ortalama teslim 18s'den 11s'e indi, boşta süre %18 azaldı. Yeni SKU lokasyonu eklemek günler yerine 4 dakikada tamamlanır oldu. Müşteri 14 ek AGV ile filo genişletmeye karar verdi.
"Filo büyüdükçe klasik fleet manager şişiyor; AgenticPlant ise tam tersi — AGV sayısı arttıkça karar kalitesi artıyor. Yeni bölge eklediğimizde rota öğrenme süresi sıfır."
Bir Tier-1 otomotiv yan sanayi tedarikçisinin enjeksiyon kalıplama hattında, 12 kameralı vision agent'ı devreye alındı. Üç ay içinde false-positive %3.2'den %0.04'e düştü; QA mühendisinin günlük müdahale zamanı 6 saatten 40 dakikaya indi.
Çamaşır makinesi montaj fabrikasında, 240 kritik makineye titreşim/sıcaklık/akım sensör paketi takıldı. Maint-Watch agent'ı ortalama 31 saat öncesinden arıza pencereleri işaretledi; planlanmamış duruş %23 azaldı.
4 hafta içinde sahada ölçülebilir geri dönüş.
Üretim hatlarına yerleşen, sensörü okuyan, robotu yönlendiren ve kararı 200 ms altında veren endüstriyel agentic AI runtime.