A: 中核となる優位性は、AIがリーンを「人による見張り、経験による判断、事後的な修正」から「リアルタイムのセンシング、事前の予測、継続的な最適化」へ変えることです。従来のリーン手法は多品種少量・変動の大きいラインで機能しにくく、AIはまさにその空白を埋めます。違いはいくつかの次元から見ることができます。
1. 問題の発見が、人が異常を探す段階から、異常が自ら浮かび上がる段階へ
従来のリーンはアンドン、巡回検査、班長のダッシュボードに頼るため、異常は人が気づくかどうかにかかっており、見落としや遅れが日常的に起きます。AIは外観検査、設備信号の収集、工数データのモデリングを通じて、肉眼では捉えにくいパターン(タクトのずれ、ボトルネックの移動、小停止の集中)を自動で認識できます。例えば、ある電子工場がSMTラインを段取り替えする場合、従来はIEが作業時間を計測してボトルネックを探しますが、AIは過去の段取り替えデータから、どのステーションが現在詰まっているかをリアルタイムに示し、対応時間を数時間から数分に短縮します。
2. 予測能力は従来手法にはない強み
リーンにおけるTPMは予防保全を重視しますが、従来の実務は固定周期の整備であり、過剰か不足のどちらかになりがちです。AIによる予知保全は、振動・温度・電流といった時系列データを組み合わせて設備の劣化傾向を判断し、非計画停止を未然に防ぎます。ある自動車部品会社がプレスラインを運用しているとします。従来は点検チェックシートに頼りますが、AIモデルは金型摩耗の時期を事前に示せるため、生産計画で高リスク期間を避けられます。これは周期整備ではできません。
3. 生産計画と在庫最適化が、ルール駆動から制約解決へ
従来のAPSは固定ルールと人手の経験調整に頼るため、受注が積み上がり割り込みが頻繁になると破綻します。AIによる生産計画は、段取り時間、設備状態、作業者のスキル、材料の揃い具合を一度に解へ取り込み、ローリングで再計画できます。在庫側では、従来の安全在庫は計算式で設定しますが、AIは需要の変動と供給リードタイムから動的に安全在庫を設定し、欠品を出さずに廃棄を減らします。
4. 継続的改善が、プロジェクト型から日常業務へ
従来のリーン改善は改善週間やバリューストリームマッピングに依存し、サイクルが長く、レビューも手作業です。AIは工数・歩留まり・OEEのデータを継続的にモデルへ投入し、改善の優先順位を自動で提示するため、ループを速く回せます。実務では、機種の切り替えが多いラインほどこの手法が向いています。
選定時には3点を見てください。第一に、データ収集の基盤がしっかりしているか。設備の接続性と工数の粒度が、AIを使えるかどうか自体を決めます。第二に、アルゴリズムの見栄えではなく、モデルがOEE、タクト、段取り時間といったリーン指標に沿っているか。第三に、新たなデータサイロを作らず、既存のMESやAPSへ接続できるか。ERP時代から製造業に関わり、国内外で120万社・数千万台の端末を展開してきたベンダーは、製造データの連鎖がより整っていることが多く、AIという看板だけでなくリーンシナリオの実装深度を評価してください。