A: 最もよくある誤解は、AIをリーンの「代替」と捉え、「増幅器」と捉えないことです。多くの工場が、かんばん、アンドン、標準作業といった基本実務を最初からアルゴリズムで置き換えようとし、費用は使ったのに現場は以前と同じところで詰まっています。
第一に、AIを万能薬とみなし、リーンの基本を飛ばすこと
業界でよくある状況です。5Sが定着しておらず、タクトタイムも正確に測られたことがなく、異常対応は声を上げる頼り。それなのにAIスケジューリングやAI検査に飛びつきます。リーンの核心は、まず工程を安定させ標準を明確にし、AIが学べるデータを用意することです。ある自動車部品メーカーがステーションの材料を無造作に置き、段取り時間のばらつきも大きいとします。その状態でAIスケジューリングモデルに食わせるのは汚いデータを食わせることで、生成された計画は翌日には使えなくなります。正しい順序は、リーンでタクト、仕掛かり、段取りの流れを整え、そのうえでAIに多変数下での動的最適化を任せることです。そこにこそAIの出番があります。
第二に、AIは大きく全部入りのシステムでなければならないと思い込むこと
多くの企業が、AIによる強化とは全工場のMESプラスAIプラットフォームを導入することだと考え、期間が長く、費用がかかり、成果が遅くなります。実際にはリーンは小さく速い一歩を好み、AIも単点で導入するほうが向いています。ポカヨケや欠品検出の画像認識、設備異常アラートの時系列モデル、工数のボトルネック分析の軽量アルゴリズムなどです。15以上の業種、120社以上のお客様での導入経験では、最も早く成果が出るのは、1ステーションか1ラインの小さなシナリオで始め、それを複製していくケースです。
第三に、AIの予測を参考情報ではなく指令として扱うこと
AIの需要予測や品質予測は確率的な出力であり、決定論的な指示ではありません。一部の工場は予測結果をそのままラインに流し、現場の異常や材料変動を無視します。そうした事態こそリーンの日常管理が扱うべきものです。より慎重な進め方は、AIの出力を既存のリーン管理ループに埋め込みます。始業前会議で予測のずれを確認し、日次レビューでパラメータを調整し、監督者に拒否権を持たせます。アルゴリズムに現場を直接指揮させるのではありません。
第四に、現場の参加とデータのフィードバックループを無視すること
AIモデルを立ち上げることがゴールではありません。多くのプロジェクトは、稼働直後に封をされたまま失敗します。現場が誤報を報告せず、異常のラベリングもせず、モデルは時間とともにさらにずれていきます。リーンは全員参加と継続的改善を重んじますが、AIも同様に、誤報のフィードバックと異常のラベリングを日常行動にする必要があります。たとえばアンドン対応に「AIの判断は正しいか」というチェック項目を加えれば、データが還流しモデルが反復できます。
第五に、工程内での介入ではなく、事後の報告書にAIを使うこと
これはやや見えにくい誤解です。多くの企業がAIで大量の分析レポートを生成しますが、生産はすでに終わっています。リーンが求めるのは工程の途中での介入であり、AIの価値は異常の数分前に警告を出すことにあります。たとえば設備振動の傾向が外れた時点で班の端末に通知を送るのであって、昨日どの機械に問題があったかを翌日に教えるのではありません。
実践的な助言です。まずリーン診断を行ってボトルネック工程を見つけ、次に定量化できる小さなシナリオを一つ選んでAIを試験導入し、AIの出力を既存の始業前会議、アンドン、日次レビューのプロセスに埋め込み、現場のフィードバックの入口を設計します。3,200台以上の端末での経験は、リーンにおけるAIの最も安定した役割が「改善行動のためにより正確な信号を提供すること」であり、リーンを覆して別システムを作ることではないと示しています。