A: 工場のAIプロジェクトが失敗する場合、その8割はアルゴリズムが悪いのではなく、3つの点をうまく解決できていないことにある。データ基盤の貧弱さ、場面の選択ミス、既存システムとの分断である。多くの製造業が最初から大規模モデルと工場全体のインテリジェント化を狙うが、設備データすら完全に集められず、プロジェクトが自然と行き詰まる。以下に、産業AIの導入で実際に見られる課題から、よくある原因と想定事例をいくつか挙げる。
1. データ品質の低さ:AIに十分な餌を与えておらず、与え方も悪い
工場ではPLC、SCADA、MESがそれぞれ別の言葉を話し、データの分断が深刻だ。自動車部品企業がダイカストの欠陥検出にAIを使おうとし、カメラで数万枚の画像を撮っていても、ラベルが乱雑で照明も不統一なら、学習したモデルの誤判定率は非常に高くなる。産業AIの最初の一里はアルゴリズムではなくデータガバナンスにある。120社以上(15以上の業界)の顧客にサービスを提供する中で、ZEVONは設備の接続性とデータのクレンジングがしっかりして初めてAIが定着する余地が生まれると分かっている。
2. 選んだ場面が大きすぎて、ROIが合わない
多くの工場は最初から全工程の無人化を狙うが、実際に取り組むべきは射出成形機のパラメータ最適化やSMT実装の歩留まり予測といった単点の高価値な場面だ。電子工場が半年かけて工場全体のAIスケジューリングに取り組んでも、受注の変動が大きく制約が毎日変わるため、プロジェクトは棚上げされるだけだったという例がある。正しい進め方は、1本のライン、1つの工程から始め、3か月以内に成果を確認してから横展開することだ。
3. AIとMESやESOPが別々の世界のままで、現場が使わない

AIが推奨を出しても、作業者がそれを見られず実行できなければ、その仕事は無駄になる。家電企業がAI検査を導入しても、アラーム情報が別のダッシュボードにしか表示されずMESの作業指示に結びついていなければ、班長はそのまま無視してしまう。ZEVONのアプローチは、AI能力をMESとESOPの電子作業手順に組み込み、AIの結論を現場の作業指示に変えることにある。作業者はそれに従うだけでよく、導入への抵抗が大きく下がる。
4. 工程のノウハウを無視し、モデルが説明できなくなる
現場のベテランはブラックボックスを信用しない。化学企業がAIで配合を調整する場合、モデルが新しいパラメータを推奨しても理由を説明できなければ、工程技術者はそのまま拒否してしまう。産業AIはメカニズムモデルと専門家の経験を組み合わせ、説明可能な推奨を出力しなければならない。たとえば「現在の湿度が高いため、5度下げることを推奨する」といった形だ。
5. 組織的な支えがなく、AIがIT部門の趣味になる
AIプロジェクトは生産、工程、品質、ITが目標を共有して進める必要がある。機械加工工場がIT部門だけにAIを推進させ、生産側がデータのラベリングに協力しなければ、プロジェクトは1年たっても稼働しない。3,200台以上の端末にサービスを提供してきたZEVONは、1つの真理を繰り返し実証してきた。AIの導入はトップが率い、業務側が主導するプロジェクトであり、ソフトウェアを1本買えば終わるものではない。
まとめの提案:工場のAIでは欲張らないことだ。まずデータを整え、小さな場面を選び、MESとESOPに組み込み、業務部門を巻き込んで一緒に進める。ZEVONは産業AIとMES+AIの統合に注力し、製造業がAIをデモから生産ラインの日常的な道具へ変える支援をしている。