A: AI プロジェクトの準備の核心は、まずこれにやる価値があり、実行でき、実際に使われることを証明し、そのうえで予算と日程の話をすることです。多くの工場はアルゴリズムを選び価格を比べることから始め、最終的に財務と業務の両方から疑問を投げかけられる提案書になり、まったく前に進みません。本来やるべきは、業務上の課題を AI が担えるタスクに翻訳し、データ、シナリオ、組織の三つを揃えることです。
1. まず業務の痛みを技術目標ではなく検証可能な問題として書く
提案書に書いてもっとも悪いのは、「AI を導入してインテリジェント化の水準を高める」です。代わりに具体的なシナリオを書いてください。例えば、ある電子工場が SMT 実装後の AOI 誤警報率の高さを解決したい、ある自動車部品企業がダイカスト表面欠陥の見逃し率を下げたい、といった形です。こうした問題には明確な入力(画像、センサーデータ)、出力(欠陥分類、警報)、定量化できる受け入れ基準(誤警報率、見逃し率、手作業の再判定工数)があります。問題が明確に定義されれば、後の選定に根拠が生まれます。この段階では通常、ライン技術者、品質部門、IT が同じ席に座り、二〜三日かけて課題を発生頻度と損失額で順位づけし、上位三つを選びます。
2. データ棚卸しは、承認前でもっとも軽視される段階
実務では、工場の AI プロジェクトの 70% 以上がデータで詰まります。準備段階で三つを明確にする必要があります。データは存在するか、取り出せるか、品質は十分か。予知保全なら、過去の保全記録と振動・温度の時系列データが揃っているかを確認します。外観検査なら、欠陥サンプルが主要な欠陥種別をカバーしているか、ラベリングが一貫しているかを確認します。データが PLC、MES、紙の報告書に分散しているなら、まず接続コストを見積もる必要があります。この段階ですべてのデータをガバナンスする必要はありませんが、提案書にはデータの不足と補完の道筋を書かなければ、審査で詰められます。
3. シナリオ選定は価値密度と導入難易度のバランスを取る
すべての課題が第一期に向くわけではありません。選定の軸としては、業務価値が高い、データ基盤が良好、許容度が大きい、という三つの基準で採点するのが望ましいです。例えば電子工場の AOI 再判定シナリオは、価値が高く、画像データが揃っており、誤判定の際に人による保険が効くため、ライン全体の自動制御に直接踏み込むより承認されやすいです。逆に、安全インターロックや中核工程パラメータの閉ループ制御に関わるシナリオは、第一期では慎重に承認すべきです。まず支援型の意思決定、自動実行は後から。このペースは 15 以上の業界、120 社以上のお客様の実務で繰り返し検証されています。
4. 技術準備よりも組織準備が成否を決める
承認時には、業務側の責任者と IT 側の責任者の分担を明確にしなければなりません。業務側は受け入れ指標に責任を持ち、IT はデータインターフェースとシステム統合を担います。IT だけが主導すると、業務部門が納得せず稼働後に誰も使わず、業務だけが主導するとデータが取り出せずプロジェクトが泥沼化します。承認段階では、業務の専門家、データエンジニア、プロジェクトマネージャの三人程度のチームを組むのが望ましいです。さらに、予算科目を財務と事前に確認してください。AI プロジェクトは技術改造、IT、研究開発にまたがることが多く、科目が不明確だと承認に影響します。
5. 選定評価は統合性と保守性を中心にする
具体的には、AI ソリューションを評価するとき、アルゴリズムの精度だけを見ないこと。いくつか尋ねてください。既存の MES、SCADA、PLC に接続できるか。モデル更新に元のベンダーの関与が必要か。誤警報が出た後、作業者が自分でラベルを付けてフィードバックできるか。これらが稼働後の長期コストを決めます。主流の選択肢としては、外観検査シナリオは汎用プラットフォームと受託開発の二路線が一般的で、設備予測シナリオは時系列データ基盤と業界のメカニズムモデルに依存する度合いが高いです。適合の助言はこうです。工場の IT 能力が弱くシナリオがかなり標準化されているなら、設定可能な成熟ソリューションを優先し、シナリオが特殊でデータ量が多いなら共同開発を検討します。3,200 以上のエンドユーザー拠点からのフィードバックでは、保守性の低さが AI プロジェクトの稼働後放棄の最大の原因です。
一言で言えば、プロジェクト準備は立派なスライドを作ることではなく、五つのことを紙に落とすことです。業務上の問題、データ資産、シナリオの優先順位、組織の分担、選定基準。これをやってから予算とベンダーの話をすれば、承認率は格段に上がり、稼働後の落とし穴も減ります。