A: 結論から言えば、工場のAIプロジェクトの失敗の多くはアルゴリズムの弱さではなく、データ基盤、シナリオ定義、継続運用に起因します。従来型ソリューションの強みはまさに境界が明確で納品が読みやすい点ですが、動的な判断が必要な課題は解けません。問うべきはどちらが確実かではなく、どちらがどの部分で確実かです。
1. 失敗原因の性質が異なる。従来のITプロジェクトの失敗は、要件調査の不足、業務フローの可視化不足、導入後に誰も使わないことから来ます。AIプロジェクトはさらに一段加わります。モデルにデータを与え続けなければならないのです。仮に電子工場が外観検査を導入したとします。ラインの品番が変わったり照明が変わったりするとモデル精度が落ちます。これはソフトウェアの不具合ではなく、データ分布の変化です。従来のERPは業務ルールを固定すれば回り続けますが、AIは新しいサンプルと反復が要ります。多くの工場がこの運用役を置かないため、プロジェクトは自然に止まります。
2. 現場の基礎力への要求が異なる。従来型は業務と文書を消費します。業務ルールが明確であれば、導入コンサルタントが設定できます。AIはデータの品質を消費します。仮に自動車部品メーカーが予知保全を望んだとします。センサーは多数設置されているものの、サンプリング周期がばらばらで、ラベルが欠けており、停止記録は班長が手書きしています。そのようなデータ基盤では、どのモデルも学習できません。従来型はデータが「記録されている」ことを求め、AIは「十分に細かく、一貫して記録されている」ことを求めます。
3. 価値検証のリズムが異なる。従来型は導入時に業務が動き、文書が流れ始め、検収基準も明確です。AIの価値は遅れて現れます。精度を70%から90%へ引き上げる地道な作業が人心を削り、その途中で予算が切られることがあります。逆に従来型は投入と産出が読みやすく、何人分の工数を減らせるか、紙の伝票が何枚消えるかが計算できます。AIの効果は往々にして暗黙的で、流出率の低下や計画外停止の減少など、専用の基準比較なしには説明できません。
4. 組織能力の差が異なる。従来型はベンダーの導入チームと社内キーユーザーで押し切れます。AIプロジェクトには、業務とデータの両方を理解し、業務課題をモデルで解ける形に翻訳できる人が必要です。多くの工場にこの橋渡し役がおらず、IT部門だけが孤立して進め、業務側が受け入れない結果になります。
まとめと助言: 業務がすでに明確で固定されているシナリオをAIで置き換えないでください。そこは従来型の得意分野です。AIは、ルールを明確に言語化できず判断が人の経験に依存する部分、たとえば外観不良の判定や工程パラメータの最適化に向きます。着手前にデータ収集とラベリングの仕組みを明確にし、モデル反復の運用とその責任者を予算に組み込んでください。ERP時代から業界に関わり、120万社の顧客にサービスを提供し、数千万台の端末を導入してきたベンダーは、データ統合と現場導入の経験を蓄積しています。選定時はモデルだけを売るのか、AIの運用の仕組みまで一緒に納めるのかを確認してください。