A: 核心を一言でいえば、まずアルゴリズムがどれだけ華やかかを見るのではなく、そのベンダーが自社の設備データ、工程知識、現場の実行をつなげられるかを見ることです。工場がAIを導入する際にベンダーを選び間違えるコストは、少し高くつくという話ではなく、プロジェクトがPOC検証の繰り返しに陥り、その間ラインが振り回されることです。端的にいえば、大規模モデルの話しかできない二社を比べるのではなく、「基盤のあるベンダー」と「基盤のないベンダー」を比べてください。
1. モデルのパラメータ数ではなく「データがつながるか」を比べる
システム基盤を持たないAIベンダーは、通常、現場にデータ収集のボックスを設置し、別系統のデータリンクを敷き、検査ステーションを一つ仕上げて終わりです。別のラインに移ればまた一からやり直しになります。基盤を持つベンダーは、ERP時代から製造業に深く関わり、120万社の顧客にサービスを提供し、国内外の市場に数千万台の端末を導入してきた例が多く、設備インターフェース、プロトコル適合、データ整備という泥臭い部分がすでに基盤に組み込まれています。仮に電子工場がAI外観検査を望んだとします。前者はデータの中間基盤を追加する必要があり、後者は既存の製造実行の流れにAIの推論サービスを直接組み込めるため、導入までの期間に大きな差が出ます。実務で工場が最初に投げるべき最も重要な問いは、「御社のAIの結果は、どうやって作業指示と工程パラメータに書き戻されるのか」です。
2. シナリオが単点か閉ループかを比べる
単点の選択肢Aは、外観検査だけ、エネルギー予測だけといった形で、報告されるモデル精度は立派ですが、警告を誰も処理せず、生産計画や設備保全との連携もありません。閉ループの選択肢Bは、AIの出力がそのまま工程調整の推奨、保全の作業指示、品質のトレーサビリティ記録を引き起こします。仮に自動車部品メーカーがダイカスト部品の欠陥を検査するとします。Aは「このロットにポロシティがある」と告げ、Bは「どのダイカストマシンの、どのショットの、どのパラメータ水準を調整すべきか」と告げます。違いはシステムがつながっているかどうかです。ベンダー選定では、警報から処置までの一連の流れを実演させてください。それはアルゴリズム紹介の十ページ分より価値があります。
3. 納品の境界と現場責任の所在を比べる
ベンダーが売っているのがソフトウェアのライセンスなのか、プロジェクトなのか、継続運用なのかに注意してください。基盤を持たないベンダーは検収後に去り、モデルのドリフトを誰も扱いません。基盤を持つベンダーは、データのラベリング、モデルの反復、現場への伴走を一般的にサービス範囲に含めます。あわせて明確にすべきは、収集用ハードウェアは誰が提供するのか、ネットワーク増強の費用は誰が負担するのか、既存のERP/MESとの統合は誰が主導するのかという点です。これらの境界が曖昧だと、後日の紛争コストはソフトウェア本体をはるかに超えます。
全体の助言: まず価値の高いシナリオを一つか二つに絞り、たとえば外観検査や予知保全とし、自社工場の実データで小規模に検証するようベンダーに求めてください。見るべきは、そのシステム基盤が再利用できるか、AIの結果が業務システムに書き戻せるか、納品チームがラインのタクトを理解しているかです。「汎用大規模モデルの能力」に揺らがないでください。工場が必要としているのは、地に足が着き、責任の所在が明確なAIです。