ナレッジセンター
目次

Q: 工場はAIのパイロットプロジェクトをどう選び、投じた資金のリターンをどう計算すべきですか?

A: AIのパイロットを選ぶときは欲張らず、1本の生産ラインか1つの工程に絞り、三つの条件、すなわち高頻度の繰り返し + データ基盤の有無 + 人手判断の苦しさで絞り込みます。リターン評価については、プロジェクト承認前に人手工数、歩留まり、エネルギー消費といった基準値を固めておかないと、後から絶対に収支を合わせられません。

1. まず絞り込みの範囲を決める。いきなり全工場に広げない

工場のインテリジェント化を担当する立場なら、最初の一歩はAIベンダーと話すことではなく、候補シーンを列挙し、発生頻度、データの入手しやすさ、人手経験への依存度という三つの軸で採点することです。例えば電子工場のリフロー後の外観検査では、毎日数千枚の基板がラインを流れ、AOIの誤報率が高く、再判定はほぼベテランに依存しています。これは画像データがあり経験依存度も高い典型的な高頻度シーンです。逆に、年に数回しか起きずデータも散在する主要設備のオーバーホールなどは、今は脇に置くべきです。

2. 第一段階は「三つあり、一つなし」で一次選別する

データがあること。画像であれ時系列であれ作業指示であれ、最低3か月分の履歴が取れること。基準値があること。現在の人手効率、不良率、エネルギー値が明確に言えること。苦痛があること。現場の班長自身が不満を言っている事柄は、上司が思いつきで選んだものより信頼できます。コンプライアンスリスクがないこと。人身安全や厳格な規制に関わる工程は、試行段階では避けるべきです。

3. 第二段階はリターンをハードとソフトに分けて計算する

ハードの勘定は、直接節約できる人と物です。ある自動車部品メーカーがダイカスト品の表面欠陥検査を行うとします。以前は2本のラインに2交替で6名の検査員がいました。AI外観検査の試行で再判定の作業量を半分にできれば、節約した工数に現地の総人件費単価を掛けたものが最も分かりやすい分子になります。ソフトの勘定には、歩留まり改善による材料の節約や、クレーム減少による品質コストの低減が含まれます。注意点として、試行段階では将来の全工場展開後の効果を計上せず、このライン自体の分だけを数えてください。

4. 第三段階は約12週間の検証サイクルを設定する

産業AIの試行は半年も走らせるものではありません。最初の4週間でデータ洗浄とモデルのコールドスタート、中間の4週間で人と機械の並行運用(AIが結果を出し、人は確認するが差異を記録する)、最後の4週間で人手確認の比率を下げられるかを見る、という進め方が望ましいです。毎週末に基準値をすり合わせ、単点ではなく傾向を見ます。

5. 第四段階は精度ではなく回収期間で判断する

多くの工場はベンダーに誘導されてモデル精度を見ます。95%と聞くと高く感じますが、現場ではタクトが追いつかず誤報が多すぎれば、作業者はすぐにスイッチを切ってしまいます。本当に見るべきは、許容できる人手確認比率に達した後、節約した工数と材料でこの試行への投資(データのラベリング、計算資源、統合工数を含む)を何か月で回収できるかです。計算が18か月を超えるなら、範囲を狭めるかシーンを変えてください。

6. 注意すべき点

IT部門だけに試行を任せてはいけません。工程を理解した職場の責任者が「何を正しいとするか」の定義に必ず関与する必要があります。さらに試行前に、現状を写真や動画で記録し、人手作業のタクトと再判定の動作を残してください。後で報告するときに、どんなスライド資料よりも役に立ちます。15以上の業界、120社以上のお客様でのこの進め方の実施経験では、最も多い失敗要因はアルゴリズムの弱さではなく、基準値の欠如、作業者の不参加、途中で受け入れ基準が変わることです。上記の四段階を守れば、少なくとも数字は通ります。

分野: AI-FAQ