A: 工場AIプロジェクトの失敗の8割は、アルゴリズムが弱いからではなく、データ、シナリオ、人の協力のところで息絶えるからです。端的に言えば、工場のAIは決して純粋な技術課題ではなく、管理とエンジニアリングが複合した問題です。大規模モデルや外観検査といったバズワードを最初から追いかけ、POCは美しいのにラインに出た瞬間に崩れる企業を、私は数えきれないほど見てきました。
第一に、データ基盤が固まっておらず、AIに材料がないこと
これが最も多い失敗原因です。工場のデータはMES、ERP、SCADA、紙の検査票に分散し、定義は不統一で、タイムスタンプは噛み合わず、不良サンプルは極端に偏っています。ある自動車部品メーカーが外観欠陥検査を行おうとして、良品率が98%だとします。不良サンプルが極端に少ないため、学習したモデルは「すべて良品」と判定することだけを学びます。加えて、振動データのサンプリング周波数が不足していたり、ラベルをベテランが事後に埋め戻していたりします。そんなデータをどんなに強力なアルゴリズムに与えても無駄です。実際には、多くのプロジェクトが予算と忍耐の大半をデータクリーニングの段階で燃やしてしまいます。
第二に、シナリオの選び方を誤り、実際の痛みではなく見栄を追うこと
一部の工場は初日から全工場のインテリジェントスケジューリングや無人化工場を狙い、範囲が広がりすぎます。ある電子工場は十数の工程、数十台の機械、数百種類の材料をカバーする全ラインAIスケジューリングを目指し、結果としてルールエンジンとAIモデルがぶつかり合い、職場の管理者は生成された計画を受け入れませんでした。逆に、単点から始めた企業、たとえば1台の射出成形機の工程パラメータ最適化や1ステーションの画像ポカヨケは、通り抜けやすい傾向があります。シナリオ選択を誤った典型的な兆候は、成功したらいくら節約できるかを業務部門が説明できず、ITだけが推進していることです。
第三に、OTとITが二枚皮のままで、現場が誰もシステムを使わないこと
AIシステムは稼働していますが、監督者には画面が一つ増えた負担に見え、ベテランはモデルの判断を信じず、問題が起きれば結局経験に頼ります。ある食品工場がAIエネルギー最適化を導入し、焼成温度曲線の調整を推奨しましたが、オペレーターは責任を恐れて変更せず、システムはダッシュボードの飾りになりました。こうした失敗の本質は、AIが既存の業務フローに埋め込まれず、人と機械の境界が設計されなかったことにあります。私はよくお客様に言うのですが、AIプロジェクトには工程とアルゴリズムチームの両方を理解する現場の通訳役が必要で、この役割がないと定着率は急落します。
第四に、期待値管理が制御不能になり、AIを万能薬扱いすること
多くの経営者がベンダーのデモに感銘を受け、システムを買えばすぐコストが下がると考えます。実際にはAIモデルは継続的な反復が必要で、ラインの段取り替えや原材料ロットの変更が精度のドリフトを招きます。ある電子工場のAOI再判定モデルは、稼働3か月後に誤判定率が上昇しました。PCBのサプライヤーが変わり反射特性が変わったのに、プロジェクトチームは保守予算も再学習の仕組みも用意していなかったからです。この業界で長期にわたり機能し続けるソリューションは、通常モデル監視と定期的なデータ埋め戻しのプロセスを含んでおり、この工数は往々にして過小評価されます。
第五に、ベンダー選定でデモだけを見て業種の蓄積を見ないこと
工場AIは汎用ソフトではなく、業種の経験がものを言います。選定でアルゴリズムの指標だけを比べ、ベンダーが同種のラインで実績があるか、既存のPLCやMESに接続できるかを見落とすと、後の統合コストが膨らみます。現在、15以上の業種で3,200台以上に導入したベンダーは少なく、多くは1〜2の領域に深く集中しています。選定時には具体的に問いましょう。同様の工程でどんな落とし穴を踏みましたか、モデル更新のサイクルはどのくらいですか、現場の実装チームは自社の人材ですか外部委託ですか。
実践的な提案です。AIの導入前にデータの健康診断を行い、シナリオを順位付けし、痛みが明確でデータが揃い、責任者が明確な単点を一つ選んで検証し、機能してから複製します。最初から大きな絵を広げないでください。そしてすべてをアルゴリズムに託さないでください。生産ラインでは、七分がエンジニアリングと管理で、AIは三分にすぎません。