GM chce budować auta dwa razy szybciej. Na przewagę Chin odpowiada danymi i AI

General Motors stawia na sztuczną inteligencję, żeby zbliżyć się do tempa chińskich konkurentów. Jak wynika z rozmowy Axios z dyrektorem ds. produktu GM Sterlingiem Andersonem, firma chce skrócić tradycyjny cykl rozwoju pojazdu z 4–5 lat do mniej więcej dwóch. Ma to się udać dzięki AI i inżynierii wirtualnej, które usprawnią projektowanie, testy i produkcję.

Dlaczego Chiny są tak szybkie

Anderson nie ukrywa, skąd bierze się przewaga chińskich producentów. Korzystają oni ze ściśle zintegrowanego ekosystemu dostawców, który pozwala szybko i sprawnie pozyskiwać typowe komponenty. Zachodnie koncerny takiego zaplecza nie mają.

Skala różnicy jest duża. Według śledztwa Reutersa z 2025 roku chińskie firmy skróciły czas rozwoju pojazdu o ponad połowę, w przypadku nowych lub przebudowanych modeli nawet do 18 miesięcy. S&P Global szacuje chiński cykl na 18–24 miesiące, podczas gdy średnia w branży globalnej to 5–7 lat. Według tych samych danych nowe modele EV w Chinach trafiają z koncepcji na rynek w około 24 miesiące, a u pozostałych producentów ten czas wynosi 40–50 miesięcy lub więcej. Cel GM, czyli około dwóch lat, oznaczałby więc dojście do poziomu, który chińskie marki już osiągają.

Dane zamiast dostawców

GM nie próbuje kopiować chińskiego modelu. Anderson wskazuje inny atut: dziesiątki lat zgromadzonych danych inżynieryjnych i produkcyjnych. Firma ma obszerne zapisy projektów komponentów, właściwości materiałów i instrukcji wytwarzania. Na ich podstawie buduje cyfrowe modele pojazdów i fabryk, w których inżynierowie mogą sprawdzać zmiany, zanim wprowadzą je w rzeczywistości.

Według Andersona AI ma zastąpić powolne, sekwencyjne procesy inżynieryjne równoległym rozwojem i testami wirtualnymi. Jako przykład podał nowe baterie litowo-manganowe z wysoką zawartością manganu (LMR):

• inżynierowie ocenili wirtualnie ponad 300 tys. wariantów projektu, zanim powstał pierwszy fizyczny prototyp,
• zespół przeszedł od pierwszej koncepcji pakietu baterii do formalnej akceptacji w ciągu zaledwie miesiąca.

Skala jako ciężar i zasób

Rozmiar GM od zawsze utrudniał szybkie zmiany kierunku. Anderson przyznaje to wprost: „There is inertia in scale”, czyli skala wytwarza bezwładność. Dodaje jednak: „with scale comes data”. Ta sama wielkość, która spowalnia, wytworzyła ogromny zasób danych, mogący stać się atutem w erze AI.

Logika jest prosta: „The faster you move, the more you iterate. The more you iterate, the better the product gets” – im szybciej działasz, tym więcej iteracji, a im więcej iteracji, tym lepszy produkt.

Warto zachować rozsądek. Przykład z baterią LMR dotyczy jednego podzespołu, a nie całego samochodu, i pokazuje przyspieszenie etapu koncepcyjnego, nie całego cyklu od projektu do salonu. Dwuletni cykl to na razie deklarowany cel, a nie osiągnięty wynik. Jak podsumowuje Axios, wyzwaniem pozostaje przełożenie zgromadzonych danych na krótsze cykle rozwoju, a ostatecznie na lepsze pojazdy.