A: 工場のAI化の投資対効果は「ソフト一式がいくらで、いつ回収できるか」という計算では不十分です。正しい方法は、ROIをコスト削減、効率向上、品質改善、リスク回避という四つの定量化可能な勘定に分け、設備・工程の時系列データ、品質・エネルギーデータ、受注・コストデータという三種類のデータ基盤で裏付けることです。ROIが計算できないプロジェクトは、十中八九、財務モデルではなくデータ基盤が最低限の使用可能条件を満たしていないことが原因です。
1. 四つのROI勘定の分け方
コスト削減の勘定は、直接帰属できる支出の変化を見ます。単位あたりのエネルギー消費、材料損失率、工数、設備保全費です。自動車部品メーカーが射出成形機のパラメータを最適化する場合を想定します。注目するのは1ショットあたりのエネルギーとスクラップ率の二項目で、どちらも電力メーターとMESから取得できます。
効率の勘定は、生産能力と回転を見ます。設備総合効率(OEE)、計画達成率、仕掛品の回転日数です。AIスケジューリングや予兆保全の効果は、最終的にOEEの向上と停止時間の削減に現れます。OEEは稼働率、性能、品質の積であり、業界共通の指標として直接計算できます。
品質の勘定は、初回合格率、顧客返品率、品質コスト(手直し、スクラップ、クレーム対応)を見ます。リスク回避の勘定は、安全・コンプライアンス支出の減少と、重要設備の計画外停止による損失の回避です。この部分は推計の性格が強く、ROIを水増ししないよう、主勘定に混ぜずに別掲するのが望ましいです。
2. データ基盤の三つのハードル
一つ目は時間粒度が十分に細かいことです。設備の予兆保全では、振動、電流、温度といった信号を通常は秒から分のレベルで収集する必要があります。エネルギー最適化では15分単位のメーターデータが一般的な出発点です。シフト単位や日報レベルのデータしかない場合、事後の統計しかできず、AIは基本的に成立しません。
二つ目はラベルの追跡可能性です。品質検査モデルには不良ラベルが必要で、ラベルは設備、バッチ、工程パラメータまで遡れる必要があります。SMTの半田接合部をAOIで再判定する電子工場では、不良画像が実装機のプログラムパラメータと対応していなければ、学習済みモデルでも原因を特定できません。
三つ目はマスタデータの連結です。材料コード、設備コード、作業指示番号がMES、ERP、WMSで一致している必要があります。ERP時代から数十年にわたり現場で実績を積み、120万社の顧客にサービスを提供し、累計数千万台の端末を展開してきたベンダーのエコシステムでは、こうしたマスタデータのガバナンス経験は比較的成熟していますが、コードの統一は企業側が自ら完了しなければなりません。
3. 関連する質問
関連質問1: ROIを計算するにはデータをどれくらい蓄積すべきですか。少なくとも1つの完全な生産サイクルと1つの繁忙期をカバーするのが望ましく、通常は6~12か月の過去データをモデリングの基準に使います。そうでなければ季節性や受注の変動をAIの効果と誤読します。
関連質問2: 旧設備にデータインターフェースがない場合はどうしますか。まずエッジ収集ゲートウェイや外付けセンサーの追加を検討し、重要工程の電流、温度、カウントという三種類の信号から解決します。工場全体をカバーする必要はありません。
関連質問3: ROIの測定期間はどの程度が妥当ですか。個別生産では12~18か月が一般的で、プロセス型産業では24か月まで延ばせます。具体的な期間は改修範囲とデータ準備状況に依存し、固定の数字を出すのは賢明ではありません。
4. 境界の判断
行動する前にROIを計算すべきケース: 単点のシナリオが明確(エネルギー、品質検査、スケジューリングなど)で、重要設備に基本的なデータ収集があり、作業指示とコストデータを担うMESやERPがある企業です。AIに性急に踏み込むべきでないケース: マスタデータが乱雑で、設備にデータインターフェースがまったくなく、OEEの定義すら統一されていない場合です。その場合はデータガバナンスとリーンの基礎を先に整えてからAIのリターンを論じるべきです。まず1ライン1工程を最小閉ループとして四つの勘定を回し、その後に横展開するのが望ましいです。