A: 最も多い誤解は、AIをリーンの「代替」と捉え、「増幅器」と捉えないことです。多くの工場は、AI外観検査やAIスケジューリングを導入すれば自動的にリーンが実現すると考えますが、基本的な標準時間やタクトのデータすら不正確で、AIモデルが出す提案がかえって現場を誤らせています。リーンの基盤は無駄の排除と工程の安定化であり、AIの真価はその基盤の上で加速し、盲点を埋めることにあります。順序を間違えると、投資はあっさり無駄になります。
1. AIを「万能薬」とみなし、リーンの基盤を飛ばしていきなりアルゴリズムに向かう
多くの企業は5S、標準作業、バリューストリームマッピングすら円滑に回っていないのに、AIスケジューリングやAI検査に飛びつきます。ある電子工場はAIスケジューリングを直接導入できると考えましたが、職場のタクトデータが手計算の見積もりで、段取り時間の記録も歪んでいたため、得られた計画は現場とまったく合わず、かえって特急注文の混乱を大きくしました。リーンは「まず安定させ、それから改善する」と言いますが、データ収集の正確さはAIの基盤です。基盤が不安定なら、モデルが複雑なほど偏差は大きくなります。実務的な助言は、まず主要工程のタクト、歩留まり、段取り時間を信頼できるデータソースにし、それからAIの関与を語ることです。
2. 「検査」と「スケジューリング」に固執し、無駄の特定におけるAIの役割を無視する
AIによるリーン支援と聞くと、多くの人が外観検査とインテリジェント・スケジューリングを思い浮かべます。この2つは確かに成熟していますが、リーンの核心は7つの無駄を特定することであり、AIはそこでも力を発揮します。ある自動車部品メーカーがAIで設備ログと職場の映像を分析したところ、待ちの無駄や動作の無駄が頻発する時間帯を自動で指摘でき、人手によるストップウォッチのサンプリングをはるかに超える範囲をカバーしました。誤解は、AIを「人の目の代替」に狭めてしまい、反復的なデータ観察やパターン発見において人を代替させることをしない点にあります。
3. データ収集が「ある」だけで「正確」「つながっている」に至っていない
多くの工場はセンサーと収集ゲートウェイを設置すればデータ基盤ができたと考えます。実際には、設備データ、MESデータ、品質データが別々に保存され、AIモデルには孤島の山が渡されます。ある電子工場が社内で数えたところ、ライン上の収集点は十分あるのに、作業指示や工程に実際に対応づけられるのは半数未満で、AIの原因分析がしばしば見当違いの場所を指していました。リーンは流れを重視し、データも流れなければなりません。粒度、タイムスタンプの整合、工程との紐付けができていなければ、AIの支援は砂上の楼閣です。
4. AIの提案を「命令」とみなし、現場の改善ループを失う
AIがパラメータ最適化の提案や異常アラートを出しても、現場がそのまま従えばよいわけではありません。誤解は、それをブラックボックスの命令として発令することです。作業者は理解せず、フィードバックも出さないため、改善のループが切れます。リーンのDNAは現地現物と継続的改善にあり、AIの出力は改善への入力として、班が検証し、調整し、標準化してからモデルに戻すべきものです。こうしたソリューションの導入では、AIの提案を単なるポップアップではなく、朝礼や異常対応のプロセスに埋め込む必要があります。
5. 人の役割を無視し、AIなら自動的に「リーンになる」と考える
AIは最適なタクトを計算できますが、段取り動作の標準化、多能工の育成、かんばんルールの徹底は、依然として人に依存します。誤解は、リーンを技術プロジェクトとみなし、班の能力構築を怠ることです。ERP時代から数十年にわたり取り組み、120万社にサービスを提供し、数千万台の端末を導入してきたベンダーの経験から判断すると、AIによるリーン支援の成否は、アルゴリズムよりも、現場に使う気があり、使い方を知り、校正を続けられる人がいるかどうかにかかっています。
一言でいえば、リーン生産におけるAIの正しい姿勢は「リーンが方向を定め、データが基盤を敷き、AIが加速を担う」です。まず基本とデータガバナンスを整え、そのうえで無駄の特定、異常通知、パラメータ最適化といった具体的なシナリオから入り、一足飛びの完成を期待しないことです。選定時には、モデルの指標だけでなく、AIの出力を既存の改善プロセスに埋め込めるかどうかに着目してください。