--- title: "工場のAIとは：外観検査・予知保全・生産計画・技能伝承の選び方と効果が出る条件" url: "https://www.issoh.co.jp/column/details/19698/" published: 2026-11-13 updated: 2026-11-13 categories: ["AI"] publisher: "株式会社一創" --- # 工場のAIとは：外観検査・予知保全・生産計画・技能伝承の選び方と効果が出る条件 工場でAIが実務に入る場所は、製品の外観検査、設備の予知保全、生産計画の立案、そして熟練者の技能伝承の4つにほぼ集約されます。どの領域も「AIを入れれば人手不足が片付く」ほど単純ではなく、成果を大きく左右するのは、手元のデータの量と質、外れたときに誰が直すかという条件です。この記事では4領域ごとにAIへ渡すデータと人が判断を残す工程を整理し、2026年版ものづくり白書の調査や設備故障診断AIの事例から工場のAIがどこで止まりやすいかを読み解きます。そのうえで、最初の1テーマの選び方、既製品と個別開発の分け方、導入を見送るべき条件までを示します。 ## まとめ：工場のAIで最初に成果が出る領域と、テーマを1つに絞る判断基準 結論から書きます。工場のAIで最初に成果が数字で見えやすいのは、目視に頼っている外観検査と、突発停止の損失が大きい設備の予知保全です。どちらも「検査員の工数」「停止1回あたりの損失額」という形で効果を金額に置き換えられ、導入の可否を経営に説明できます。 生産計画のAIは効果が大きい反面、段取り替えや設備の制約を入力に持たせる作業が重く、立ち上がりに時間がかかります。技能伝承は生成AIで手を付けやすい領域ですが、熟練者の手順書や不具合記録が文書として残っていなければ、AIは何も答えられません。 テーマを選ぶ基準は2つです。損失額を数えられること、そしてAIが外れても人が直せば生産が止まらないこと。この2つを満たす領域から1ラインだけで始め、自社にしか無い条件が増えて既製品では手直しが減らなくなった時点で、個別開発を検討します。 ## 工場のAIが担う4領域と、各領域でAIに渡すデータ・人が判断を残す工程 「工場にAIを入れる」と一括りにすると、何のデータを集め、どこに確認者を置くかが決まりません。AIが出す成果物ごとに分けて見ていきます。 ### 外観検査のAIが置き換える目視判定と、良品画像だけで学習させる場合の限界 外観検査のAIは、カメラで撮った製品画像から傷・打痕・異物・色むらを判定し、良品と不良品を振り分けます。置き換える対象は、検査員が目で見て合否を決めていた工程です。判定基準が人によってぶれる、夜勤帯で見逃しが増える、といった課題がある現場ほど効果が出ます。 注意したいのは学習データの偏りです。不良品はそもそも数が少ないため、良品画像だけを学ばせて「良品らしくないもの」を検出する方式がよく使われます。この方式は未知の不良も拾える一方、照明の変化や部品ロットの色の違いまで異常として扱いやすく、過検出が増える傾向です。ルールベースの画像処理との違いと導入判断は[AI外観検査の仕組みとルールベースとの違い](https://www.issoh.co.jp/column/details/16007/)で、撮像から仕分けまでの工程設計としきい値の決め方は[目視検査を置き換える工程設計としきい値の決め方](https://www.issoh.co.jp/tech/details/16884/)で扱っています。 ### 予知保全・異常検知のAIが読む設備データと、故障履歴が少ない工場の始め方 予知保全のAIは、モーターの振動、軸受の温度、電流値といったセンサーの時系列データから、故障の前触れを見つけます。修理を「壊れてから」でも「決まった周期で」でもなく、「状態が悪くなったときに」行う形へ移すのが狙いです。 故障を直接予測するには、過去の故障の記録が十分に要ります。ところが、きちんと保全している工場ほど故障の件数は少ないものです。そこで、まずは正常時のデータだけで「いつもと違う動き」を検知する異常検知から始め、故障が起きるたびに記録を足して予測モデルへ育てる順序が現実的です。手法の種類は[異常検知の機械学習の手法と製造業での使いどころ](https://www.issoh.co.jp/column/details/15436/)で、故障予測モデルの型の選び方は[予知保全のAI導入と故障予測モデルの型の選び方](https://www.issoh.co.jp/column/details/16244/)で整理しました。 ### 生産計画・需要予測のAIが組む日程と、段取り替えの制約を入力に持たせる設計 生産計画のAIは、受注と需要予測の数量をもとに、どの設備で、どの順番に、いつ作るかの日程を組みます。品種が多く、段取り替えの順序によって停止時間が大きく変わる工場では、計画担当者が毎日数時間かけていた組み替えを、候補を出して人が直す作業に変えられます。 難しいのは制約の入力です。「この金型はこの設備でしか使えない」「塗装は淡い色から濃い色の順」「この工程は夜勤では動かさない」といった現場の決まりごとは、ベテランの頭の中にしか無いことが少なくありません。これを書き出してAIに渡さない限り、AIの日程は現場で使えません。計画の段階（大日程・中日程・小日程）とMRPとの関係は[生産計画の立て方の5段階と需要予測・MRPとの関係](https://www.issoh.co.jp/column/details/19562/)で、需要予測・在庫・工程計画へのAIの効果と進め方は[生産管理のAI導入とその進め方](https://www.issoh.co.jp/column/details/15577/)で詳しく扱っています。 ### 技能伝承に生成AIを使うとき、熟練者の手順書・不具合記録を検索可能にする方法 技能伝承で生成AIが担うのは、熟練者の知識を「聞けば答えが返ってくる」形にすることです。過去の不具合報告書、保全記録、作業手順書、設備の取扱説明書を検索できるようにし、若手が「この異音のときは何を確かめるか」と尋ねると、関連する記録を引いて回答を組み立てます。社内文書を検索して回答の根拠に使うこの仕組みは、RAG（検索拡張生成）と呼ばれます。仕組みとファインチューニングとの違いは[RAGの仕組みとLLM・ファインチューニングとの違い](https://www.issoh.co.jp/column/details/12919/)で解説しました。 効くかどうかは、元になる文書の中身で決まります。不具合報告書に「調整して復旧」としか書かれていなければ、AIもそれ以上は答えられません。導入の前に、原因・確認した箇所・処置を書く欄を報告書の様式に足すほうが、モデルの選定より効果が大きいことがあります。 ### 製造業の生成AIが事務と現場で削れる作業と、図面や顧客情報を入力する前の確認点 技能伝承のほかにも、製造業で生成AIが削れる作業は文章の仕事に集中しています。不具合報告や是正処置報告の下書き、取引先からの品質クレームへの回答文、外国人の作業者向けに作業手順書を母語へ訳す作業などです。 入力してよい情報の線引きは、導入前に決めておきます。顧客の図面や仕様書には秘密保持契約の対象が含まれ、取引先担当者の氏名や連絡先は個人情報です。[個人情報保護委員会が2023年6月2日に公表した生成AIサービスの利用に関する注意喚起](https://www.ppc.go.jp/news/careful%5Finformation/230602%5FAI%5Futilize%5Falert/)は、個人情報を含むプロンプトの入力が利用目的の範囲内か確かめること、本人の同意なく入力した個人データが応答の出力以外の目的で扱われると法違反になり得ることを示しています。入力データを学習に使わない法人プランに限り、図面と顧客情報の入力可否を社内規程に書いておくのが最低限の備えです。漏洩の経路と入力ルールの作り方は[生成AIの情報漏洩の5つの経路と入力ルール](https://www.issoh.co.jp/column/details/19452/)にまとめています。 ## ものづくり白書2026から読む工場AIの現在地と、データ連携で止まる理由 経済産業省・厚生労働省・文部科学省が2026年5月29日に公表した[2026年版ものづくり白書](https://www.meti.go.jp/report/whitepaper/mono/2026/index.html)は、技能継承とAI・デジタル技術の両方に節を割いています。工場のAIを検討する立場で読むと、どこで導入が止まりやすいかが見えてきます。 ### 技能継承にデジタル技術を使う企業の実態と、AIを入れているのが大企業に偏る背景 白書の[人材確保・定着と技能継承の節](https://www.meti.go.jp/report/whitepaper/mono/2026/pdf/honbun%5F1%5F2%5F3.pdf)は、労働政策研究・研修機構の調査をもとに、技能継承がうまくいっている理由として「計画的にOJTを実施しているから」が最も多いと報告しています。技能継承のためにデジタル技術を使う企業では、「デジタル手順書・電子マニュアル」と「動画によるマニュアル作成・共有」の割合が高く、画像・言語認識や生成AIを含むAIは、従業員規模の大きい企業で割合が最も高いという結果でした。 この結果は、工場のAIを考える順序を示しています。AIが答えを組み立てる材料は、手順書と記録です。大企業でAIの割合が高いのは、手順書や保全記録が電子化され、AIに読ませる文書がすでにあるためと読むのが自然でしょう。紙と口頭で技能を伝えている工場が、いきなり生成AIから入っても答えの材料がありません。まずは動画やデジタル手順書で記録を残し、量がたまった段階でAIの検索に載せる、という順序になります。 ### ダイキン工業と日立製作所の設備故障診断AIが保全記録だけでは足りなかった理由 白書の[AI・デジタル技術と製造業の多角化の節](https://www.meti.go.jp/report/whitepaper/mono/2026/pdf/honbun%5F1%5F4%5F3.pdf)には、ダイキン工業と日立製作所が試験運用を始めた設備故障診断AIエージェント「現場サポートAIナビ」の事例が載っています。海外工場で保全技術者の確保と育成が追い付かず、保全のリードタイムが延び、品質にばらつきが出ていたことが出発点でした。 この事例で参考になるのは、最初の失敗です。当初は設備保全記録だけをAIに学習させたものの、過去に起きた故障にしか対応できず、別の設備の類似事例や新しい故障は扱えませんでした。熟練者の考え方を分析すると、頭の中で設備図面を思い描いて原因を絞り込んでいることが分かり、図面をナレッジグラフ（知識をグラフ構造で表すデータモデル）に変換して、保全記録などの設備データと日立の故障原因分析の手順とあわせて学習させています。その結果、新しい故障への対応や故障箇所の特定まで扱えるようになったと報告されています。 読み取れる教訓は2つあります。記録だけでは熟練者の判断は再現できず、熟練者が「何を見て考えているか」を先に調べる必要があること。そして同社が100%の精度より、早く現場に入れて答えの誤りを直していく速さを優先したことです。技能伝承のAIは、完成させてから配るのではなく、使いながら育てる前提で計画を組みます。 ### 工程や部門をまたぐデータ連携が進まない工場で、AIをライン単位から始める根拠 同じ節は、設計・調達・製造といった工程や部門をまたいでデータを連携している事業者の割合が低い水準にとどまり、データを取得している事業者でも、その連携にAIを使っていない事業者が多数を占めると報告しています。 工場のAIを計画するうえで、この事実は重く受け止めるべきです。生産計画のAIは受注・在庫・設備稼働の各データがつながっていないと働かず、全社横断の構想から入ると、AIより先にシステム連携の工事が始まります。外観検査や予知保全は1台の設備、1本のラインの中でデータが閉じているため、連携の壁にぶつからずに始められます。ライン単位で成果を出してから、設備・MES・基幹システムの順にデータをつなげていくのが筋です。階層ごとの連携の作り方は[設備・MES・基幹の階層別インタフェース設計と段階導入](https://www.issoh.co.jp/column/details/16922/)で、設備データの取り方は[スマートファクトリーのIoT構成と発注仕様の決め方](https://www.issoh.co.jp/column/details/16653/)で扱っています。 ## 工場のAIの選び方：4領域の比較と、最初の1テーマを決める順番と形態 ここからは選び方の話です。4つの領域を同じ物差しで並べ、最初に手を付ける1テーマと導入の形を決めます。 ### 外観検査・予知保全・生産計画・技能伝承のデータ要件と効果指標の比較 領域ごとに、最低限ほしいデータ、効果を測る指標、立ち上がりまでの重さを並べると次のとおりです。 | 領域 | 最低限ほしいデータ | 効果を測る指標 | 立ち上がりの重さ | | ---- | ----------- | ------------ | ------------ | | 外観検査 | 良品・不良品の画像 | 見逃し率・検査工数 | 撮像環境の作り込み次第 | | 予知保全 | 振動・温度などの時系列 | 突発停止の回数と時間 | センサー後付けなら中程度 | | 生産計画 | 受注・在庫・設備の制約 | 計画作成時間・段取り回数 | 制約の書き出しが重い | | 技能伝承 | 手順書・不具合記録 | 問い合わせ件数・習熟期間 | 文書の電子化次第 | 表の右端が示すとおり、どの領域でも立ち上がりの重さを決めるのは、AIそのものより周辺の準備です。外観検査は照明とカメラの位置が決まれば立ち上がりが速く、生産計画は制約の書き出しに数か月かかることがあります。手元にどのデータがすでにあるかで、選ぶ順番が変わります。 ### 損失額を数えられるか、外れたとき人が直せるかで最初のテーマを選ぶ基準 最初のテーマは、次の順で絞り込みます。上から順に満たさないものを外していくと、多くの工場で候補は1つか2つに減ります。 1. 効果を金額で数えられる（検査員の工数、停止1時間あたりの損失、計画担当者の作業時間） 2. AIに渡すデータが、すでに電子データで残っているか、数か月で集められる 3. AIが外れても人が直せば出荷や生産が止まらない（最初は人の確認を残す） 4. 1台の設備か1本のラインの中でデータが閉じていて、他システムとの連携が不要 4つ目の条件を満たさない生産計画は、効果が大きくても最初のテーマには向きません。逆に、外観検査で人の再確認を残す運用や、予知保全でアラートを保全担当者が確かめる運用は、4条件をそろえやすい組み合わせです。 ### 既製のAI製品・汎用の生成AI・個別開発を分ける自社固有の条件の数 導入の形は、既製のAI製品（検査装置や予知保全のパッケージ）、法人契約の汎用生成AI、個別開発の3つに分かれます。分かれ目は、自社にしか無い条件がいくつあるかです。 検査対象が一般的な金属部品の傷で、ライン速度も標準的なら、既製の検査装置で足ります。製品の形状が特殊で照明の当て方から作り込む必要がある、検査結果を生産管理システムに書き戻して不良の原因工程まで追いたい、といった条件が重なると、既製品の設定項目に収まらなくなります。技能伝承の文書検索は、文書が数百件規模なら汎用の生成AIのファイル検索で試せますが、図面・保全記録・設備台帳を結び付けて答えさせるなら個別開発の領域です。外観検査について装置メーカー・AIソフト・受託開発の3つのルートを比べた記事は[AI外観検査のメーカー・AIソフト・受託開発の選び方](https://www.issoh.co.jp/column/details/16620/)です。 ## 工場のAIを外注開発に進める条件と、既製品やPoCで止めて見送る場面 「まずは小さく試しましょう」で終わらせず、発注するかどうかを規模と条件で決めます。 ### 検査員の人数と突発停止の損失額から見る、個別開発の費用を回収できる分岐点 仮の数字で試算します。1本のラインで目視検査員が2交代で各2人、計4人いるとします。1人あたりの年間人件費を450万円と置くと年1,800万円です。AIが一次判定を担い、検査員を再確認の各1人に減らせれば、年900万円が浮きます。撮像設備と開発で2,000万円かかっても、2年強で回収の見通しが立ちます。一方、検査員1人が1日2時間だけ検査しているラインなら、浮くのは年110万円程度で、個別開発の費用は回収できません。 予知保全も同じ考え方です。突発停止が年6回、1回あたり4時間、停止1時間あたりの損失を30万円とすれば年720万円の損失になります。半分を防げれば年360万円です。停止の損失がこの規模に届かない設備では、定期保全の周期を見直すほうが安く済みます。見積もりを依頼する前に、人数・時間・停止損失の3つを数えておくと、この計算を自社の数字で行えます。 ### 工場のAI導入を見送るべき条件と、AIの前に片付ける記録とデータの問題 見送るべき条件を言い切ります。不良品の画像も、設備の稼働データも、不具合の記録も残っていない工場は、AI開発を発注しないでください。開発費の多くがデータ集めと整備に消え、AIの部分にたどり着く前に予算が尽きます。 不良の定義が検査員ごとに違う工場も同じです。人によって合否が分かれる品目では、AIに教える正解の画像そのものが揺れます。まず限度見本を作り、不良の種類と合否の境目を文書と画像で決めてください。生産計画であれば、段取り替えの順序や設備の制約を書き出す作業が先になります。この準備はAIを見送ったとしても、品質の安定や引き継ぎに役立つため無駄になりません。 ### 最初の1ラインを決めてPoCの指標を1つに絞り、本番運用へ進める手順 最初の1ラインは、不良や停止の損失が大きく、かつAIの判定を人が確かめられる工程から選びます。進め方は次の順です。 1. 対象ラインの現状を1か月計測する（見逃し件数、検査工数、突発停止の回数と時間） 2. 成功の指標を1つだけ決める（例：見逃し率、または突発停止時間） 3. 人の確認を残したままAIを並走させ、2〜3か月で指標の変化を測る 4. 既製品の設定で手直しが減らない時点で、個別開発の要否を判断する 指標を複数置くと、検査工数は減ったが過検出は増えた、といった結果のときに続けるか止めるかを決められません。精度目標の置き方と本番移行の判断は[AI PoCの精度目標の決め方と本番移行を判断する基準](https://www.issoh.co.jp/column/details/16003/)で詳しく扱いました。検査データや設備データを生産管理システムと結び付けたAI、図面と保全記録を横断して答える技能伝承のAIを検討する段階では、[生成AI開発・AI受託開発](https://www.issoh.co.jp/service/ai/development/)で要件の整理から相談を受け付けています。 ## よくある質問 工場へのAI導入について寄せられやすい質問を5つ取り上げます。 ### 工場のAIは、どの業務から始めると効果が出やすいですか？ 目視に頼っている外観検査と、突発停止の損失が大きい設備の予知保全から効果が出やすい傾向があります。どちらも検査工数や停止時間という形で効果を金額に置き換えられ、1本のラインの中で始められるためです。生産計画のAIは効果が大きいものの、設備や段取りの制約を書き出す準備が重く、2つ目以降のテーマに向きます。 ### 中小規模の工場でもAIは導入できますか？ 中小規模の工場でもAIの導入は可能です。既製の検査装置や予知保全のパッケージ、法人契約の生成AIで作業手順書の翻訳や報告書の下書きを始めるだけでも、作業時間は変わります。個別開発は、自社にしか無い条件が増えて既製品の設定に収まらなくなってから検討すれば足ります。最初に、検査員の工数や停止の損失額を数えておくと判断がぶれません。 ### 工場にAIを入れると、検査員や保全担当者は不要になりますか？ 不要にはなりません。外観検査のAIは一次判定を担い、判定に迷う画像や新しい種類の不良は人が確かめます。予知保全のAIが出すのは「いつもと違う」という知らせで、分解して原因を確かめ、処置を決めるのは保全担当者です。導入後の仕事は、全数を目で見る作業や巡回点検から、AIの判定を確認し、外れた例を記録してAIを直す作業へ移ります。 ### 工場のAI導入にはどのくらいの費用がかかりますか？ 導入の形によって、費用の桁は異なるものです。法人契約の生成AIは1人あたりの月額が中心で、既製の検査装置や予知保全のパッケージは機器代と年間の利用料がかかります。生産管理システムや設備データと連携する個別開発は、数百万円から数千万円規模の初期費用に保守費が続きます。金額の妥当性は、浮く検査工数や防げる停止損失から、何年で回収できるかで判断してください。 ### 製造業で生成AIを使うとき、図面や技術情報の漏洩はどう防げばよいですか？ 入力データを学習に使わない法人プランに限定し、個人のアカウントで業務データを扱うことを禁止するのが出発点です。そのうえで、顧客から預かった図面や仕様書は秘密保持契約の範囲を確かめ、入力してよい情報と禁止する情報を社内規程に書きます。社外に出せない図面を扱う場合は、閉じた環境で動かす構成を個別に設計する方法もあります。 ## 関連記事 - [スマートファクトリーとは？定義と5階層の構成要素・投資判断の線引きを解説](https://www.issoh.co.jp/column/details/16154/)：工場のAIを、IoTや生産管理システムを含む工場全体の構成の中で位置づけています。 - [製造業のDXとは？課題・進め方・つまずかない導入手順を解説](https://www.issoh.co.jp/column/details/12824/)：AIを含む製造業のデジタル化を、全社の進め方の順序で整理しています。 - [製造業のデジタルツイン｜着手順序とPoCが止まる条件・投資回収の見方を解説](https://www.issoh.co.jp/column/details/16906/)：設備データを仮想ラインに再現するデジタルツインの着手順と回収の見方を扱っています。 - [製造業のAI-OCR導入判断｜帳票種別ごとの適合と医療・自治体との違い](https://www.issoh.co.jp/column/details/16217/)：検査成績書や納品書など、工場の帳票をAIで読み取る場面の判断基準をまとめています。 - [マニュアル作成ツールとは？4タイプの違い・選び方と自社開発の分岐](https://www.issoh.co.jp/column/details/13551/)：技能伝承のAIの材料になる手順書を、どの道具で作り残すかを比べています。 --- 出典: [工場のAIとは：外観検査・予知保全・生産計画・技能伝承の選び方と効果が出る条件]()（株式会社一創）