製造業のAI活用は、工場を一気に自動化する話ではありません。品質記録、設備履歴、作業標準、図面、現場の申し送りを、必要な人が必要な時に確認できる状態へ変えることが出発点です。
ここでは製造業全体の設計を扱います。個別の進め方は工場の申し送り、品質管理、設備保全も参照してください。
製造業でAIを使える6つの工程
| 工程 | AIの役割 | 入力データ | 人が持つ判断 |
|---|---|---|---|
| 品質検査 | 画像・波形から異常候補を出す | 検査画像、測定値、良否履歴 | 合否、特採、出荷停止 |
| 設備保全 | 異常兆候と類似履歴を探す | センサー、点検票、故障履歴 | 停止、修理、交換時期 |
| 技能継承 | 発言や動画を検索可能な手順へ変える | 作業動画、音声、標準書 | 適用条件、例外、安全 |
| 生産計画 | 需要・能力・在庫から候補案を出す | 受注、在庫、能力、納期 | 優先順位、特急対応 |
| 設計・開発 | 過去図面・不具合・規格を検索する | 図面、仕様、変更履歴 | 設計成立性、規格適合 |
| 間接業務 | 報告書、問い合わせ、規程検索を支援 | 文書、FAQ、申請履歴 | 承認、対外回答、契約 |
すべての工程に共通する条件は、正しいデータ、変更履歴、確認者です。AI精度が高くても、古い標準書を参照すれば判断は誤ります。
公開事例から見る製造AIの実装パターン
| 公開主体・取り組み | 公開されている内容 | 導入設計で見る点 |
|---|---|---|
| パナソニック コネクト ConnectAI | 社内生成AIの活用を広げ、公開記事では業務削減時間44.8万時間と説明 | 利用回数ではなく、業務別の削減時間と品質を追う |
| ものづくり白書 2025 | 製造業を取り巻く環境、人材、DXの動向を整理 | 自社の人材・設備・サプライチェーン課題と結びつける |
| 製造科学技術センターのAIエージェント調査 | 製造業でのAIエージェント活用方策を整理 | 自律実行の前に権限、監視、停止条件を設計する |
| 日立システムズの製造業向け事例 | 製造現場の知識・業務をAIで支援する取り組みを紹介 | 現場固有語と参照文書の更新を運用に入れる |
公開事例の規模や成果をそのまま自社の予測値にしないでください。工場ごとに品種、ロット、設備、検査基準、停止コストが異なります。まず1工程・1製品群で基準値を取ります。
品質検査は「見つける」と「判定する」を分ける
画像AIは傷、汚れ、欠け、組付け違いなどの候補抽出に向きます。一方、照明、カメラ位置、ロット差、季節、材料変更で分布が変わります。
| 評価項目 | 確認方法 | 注意点 |
|---|---|---|
| 見逃し | 重要欠陥を含む検証セットで再現率を測る | 平均正解率だけで判断しない |
| 過検出 | 良品を止めた割合と確認工数を測る | 現場の確認負荷を含める |
| 再現性 | 時間帯、設備、品種、ロットを分ける | 学習時と異なる条件を試す |
| 追跡性 | 入力画像、モデル版、判定、承認者を保存 | 後から原因を説明できるようにする |
AIの一次判定後に、人が最終判定する区間を残します。成熟しても、モデル更新や工程変更時は再検証が必要です。
技能継承は「話を録る」だけで終わらせない
熟練者へのインタビューや作業中の解説を録音すると、暗黙知を集めやすくなります。ただし、文字起こしを保存するだけでは探せず、誤解も残ります。
- 対象作業を工程単位に分ける
- 正常時と異常時の判断を別々に聞く
- 数値、音、触感、見た目など判断根拠を確認する
- AIで文字化し、用語と否定表現を人が直す
- 標準書、設備、品番、適用条件へ紐づける
- 現場責任者が承認し、更新日を付ける
「いつも」「適量」「音がおかしい」のような表現は、そのまま手順にしません。新人が再現できる観察項目へ変換します。
設備保全は故障予測より履歴検索から始める
予知保全は魅力的ですが、故障データが少ない設備では評価が難しいことがあります。最初は、型式、症状、アラーム、処置、部品、復旧時間をそろえ、過去の類似故障を探せるようにします。
AIが提案した処置は、メーカー手順、ロックアウト・タグアウト、安全規程と照合します。設備停止の判断や保護装置の変更をAIだけで行わないでください。
30日で検証する実装手順
| 週 | 実施すること | 残すデータ |
|---|---|---|
| 1週目 | 対象工程と責任者を決め、現状10〜30件を測る | 時間、誤り、停止、再作業 |
| 2週目 | 文書・用語・入力形式を整え、限定ユーザーで試す | 質問、回答、参照元、修正理由 |
| 3週目 | 従来手順と並行し、例外条件を集める | 条件別の精度、見逃し、過検出 |
| 4週目 | KPIとリスクをレビューし、次工程への展開を判断 | 効果、残課題、停止条件、教育計画 |
効果測定は、作業時間の短縮だけでなく、手戻り、不良流出、停止時間、問い合わせの再発、教育時間を含めます。AI利用者だけでなく、後工程の負担も確認します。
現場会話と申し送りを資産にする
交替時の申し送り、保全作業、品質会議には、設備の癖や判断の背景が含まれます。RoroLeeのような携帯型AIデバイスを候補にする場合は、録音時間だけでなく、工場騒音下での収音、手袋をした操作、データ持ち出し規程、専門用語の修正、既存システムへの登録方法まで評価します。
重要なのは録音量ではなく、次の担当者が異常、暫定処置、恒久対策、未完了事項を区別できることです。
製造AI導入のチェックリスト
- 対象工程と製品範囲が限定されている
- 図面、標準書、検査規格の版管理ができている
- AI出力から参照元へ戻れる
- 品質、安全、設備停止の最終判断者がいる
- 学習・検証データの取得条件が記録されている
- 誤り、通信断、モデル更新時の代替手順がある
- 効果を後工程まで含めて測れる
製造業でAIを強くするのは、モデルの新しさではなく現場データの整合性です。1工程で確実に測り、人の判断を残したまま、横展開できる型を作ってください。