製造業のAI導入｜6つの活用領域と、現場データ整備の落とし穴

製造業でのAI活用は、大きく6つの領域に分かれます。それぞれ必要なデータも、投資額も、効果が出るまでの期間も違います。まず全体を見て、自社の課題がどこにあるかを確かめてください。

データはあるのに、成果につながっていない

2026年版ものづくり白書によると、一連の製造プロセスにおけるデータを何らかの目的で取得している事業者は7割弱にのぼります。一方で、取得したデータを活用して効果が得られた事業者は約4割にとどまりました。

つまり、データを取得している企業が、そのまま成果につなげられているわけではありません。同白書では、企業間のデータ連携についても2年前からほぼ変化がないと指摘されています。

製造業のAI導入でつまずくのは、技術の選定ではなくデータの扱いです。後半では、その落とし穴を具体的に整理します。

どこから着手するか

6つの領域のうち、最初の候補になりやすいのは需要予測と故障診断です。どちらも既存のデータ（受注実績、保全記録）が使えることが多く、新たな設備投資を伴わないためです。

逆に、熟練者技能の継承は最も難易度が高く、単独の1件目には向きません。ただし製造業にとって重要な課題でもあるため、この記事では独立した章を設けています。

規模による向き不向き

6つの領域は、投資規模も体制も異なります。自社の規模に照らして現実的な選択肢を絞ってください。

従業員数が限られる工場ほど、新たな設備投資を抑えやすい需要予測や、既存データを活用できる生産計画から検討するほうが、投資も体制も無理がありません。

目視での検査をAIに置き換える、あるいは支援させる用途です。製造業のAI活用として最も知られており、効果も数字で示しやすい領域です。

何が変わるか

• 検査工数が減る — 全数を人が見ていた工程で、一次判定をAIが担う
• 判定基準が揃う — 検査員によるばらつきや、疲労による見落としが減る
• 検査記録が残る — 判定結果が自動で蓄積され、トレーサビリティに使える

「AIがすべて判定して人が不要になる」という形は、実際にはあまり採られません。AIが疑わしいものを抽出し、人が最終確認するという分担が一般的です。この形なら、見逃しのリスクを抑えながら工数を減らせます。

最大の壁は、不良品の画像が足りないこと

ここが外観検査の特有の難しさです。品質管理が行き届いている工場ほど、不良品が出ません。つまりAIに学習させる材料が集まらないという逆説が起きます。

対処の方向は3つあります。

• 過去の不良品を掘り起こす — 保管されていれば撮影し直す。写真が残っていれば使える場合もある
• 意図的に不良品を作る — 想定される不良を再現して撮影する。実際の不良品が不足している場合の方法の一つです
• 良品だけで学習させる手法を使う — 良品の特徴から外れたものを異常として検出する考え方。不良品の種類が読めない場合に向きます

着手前に、「不良品の画像が何枚あるか」を必ず確認してください。ここが空白のまま話を進めると、検証の段階で止まります。

「見逃し」と「過検出」のどちらを許すか

検査AIの精度を語るとき、単に「◯%」では設計できません。間違え方には2種類あり、どちらを許容するかで作り方が変わります。

• 見逃し（不良品を良品と判定する）— 顧客に流出するため、多くの現場で最も避けたい
• 過検出（良品を不良品と判定する）— 人の再確認が増えるが、流出はしない

この2つはトレードオフの関係にあります。一般に、見逃しを減らそうとすると、過検出が増える方向に調整することになります。

実務では「見逃しは限りなくゼロに、過検出はある程度許容する」という設計が一般的です。AIが疑わしいと判定したものを人が確認する運用なら、過検出が多少あっても工数は減ります。

検証を始める前に、この方針を決めておいてください。決めずに始めると、結果が出たあとで「精度が低い」という評価だけが残ります。

撮影環境が精度を左右する

見落とされやすいのがこれです。照明の当たり方、カメラの角度、対象物の置かれ方。これらが安定していないと、同じ製品でも画像が変わり、判定がぶれます。

実際の投資では、AIそのものより撮影環境の整備に費用がかかることも珍しくありません。カメラ、照明、治具、搬送との連動。見積もりを取る際は、この部分が範囲に含まれているかを確認してください。

設備が故障してから直すのではなく、兆候の段階で気づいて手を打つという考え方です。突発停止による生産ロスが大きい工程ほど、効果が大きくなります。

3つの保全の違い

予防保全を取り入れている工場では、予知保全に移ることで、交換部品のコストと突発停止のリスクを同時に下げられる可能性があります。

センサーがなければ、そこから始まる

予知保全の前提は、設備の状態が数値で取れていることです。振動、温度、電流、音。これらを常時記録できていなければ、AI以前の話になります。

古い設備ほどセンサーが付いていません。後付けのセンサーで対応できる場合もありますが、その設置費用と工事期間を計画に含める必要があります。

また、故障履歴が残っていることも重要です。「いつ、どの設備が、どう壊れたか」の記録がないと、故障予測のモデル構築が難しくなります。日報や修理伝票が紙で残っている場合、そのデータ化から始まります。

全設備を対象にしない

工場のすべての設備に予知保全を入れる必要はありません。止まったときの損失が大きい設備に絞るのが原則です。

優先順位のつけ方は単純です。次の3つを設備ごとに書き出し、上位から着手します。

• 1時間止まるといくらの損失か（多くの工場ですでに把握されています）
• 過去2〜3年で何回止まったか
• 代替設備があるか（あるなら優先度は下がります）

ボトルネック工程の1台から始めれば、効果も測りやすく、投資額も抑えられます。

「予知保全」と「故障診断」は別物

ここは混同されやすい部分です。故障の兆候を事前に検知するのが予知保全、故障が起きた後に原因を特定するのが故障診断です。必要なデータも、得られる効果も違います。

センサーが付いていない設備が多い工場では、先に故障診断から入るほうが現実的です。保全記録や設備図面は、多くの工場に何らかの形で残っているためです。

大手の取り組みから見えること

ダイキン工業と日立製作所は2025年4月、ダイキンの業務用空調機器を生産する堺製作所臨海工場で、設備故障診断を支援するAIエージェントの試験運用を開始したと発表しました。保全技術者が点検の過程でポンプやバルブなどの故障を発見したとき、その原因と対策を提示する仕組みです。

両社の発表によると、事前の実証実験で10秒以内・90%以上の精度で原因と対策を回答できることを確認したとされています。ただしこの数値は、5種類の設備を対象に各5件の故障状況について推定し、熟練保全技術者2名が5段階で評価した結果です。大量の実運用データによる数字ではない点は押さえておいてください。

この事例で注目したいのは精度よりも、実現のために何をしたかです。工場設備の図面を生成AIが読み取れる形式に変換し、保全記録などのデータとあわせて学習させています。既存の図面と記録を、AIが扱える形に整える作業が前提にありました。

裏を返せば、記録が残っていない設備では同じ成果は出ません。自社の設備で何が記録されているかが、そのまま実現可能性になります。

他業種を含めた事例はAI導入事例で整理しています。

過去の受注実績から先の需要を予測し、生産量や在庫を調整する用途です。6領域のなかで既存データを使って始めやすい、有力な候補の一つです。

なぜ着手しやすいのか

理由は単純で、使うデータがすでに社内にあるからです。受注データ、出荷データ、在庫データ。これらは基幹システムや販売管理システムに蓄積されています。新たにセンサーを付けたり、画像を撮り直したりする必要がありません。

加えて、効果も金額に換算しやすい領域です。欠品による機会損失、過剰在庫の保管費用、廃棄ロス。いずれも現在いくら発生しているかを社内で把握できます。

精度は100%にならない、という前提で使う

需要予測でよくある失敗が、「予測が当たらないから使えない」と結論づけてしまうことです。

比較すべき相手は100%ではなく、現在のやり方です。多くの工場では、ベテランの経験と勘で発注量を決めています。その精度や判断にかかっている時間・コストを、まず測ってください。現在のやり方より改善できる余地があれば、AIを使う価値があります。

また、予測を「決定」ではなく「たたき台」として使う設計にすると、現場の受け入れが変わります。AIが算出した数量を担当者が確認し、必要なら修正する。判断を奪わない形にするほうが、実務では定着します。

何を予測するかで難易度が変わる

「需要予測」と一言で言っても、対象によって難しさが違います。

まず上の行から試してください。カテゴリ単位で当たるようになってから、製品単位に細かくしていく順序です。いきなり下の行を狙うと、精度が出ずに「使えない」という結論になります。

外部要因をどこまで入れるか

天候、カレンダー、経済指標、原材料価格。予測精度を上げるために外部データを組み込むことができますが、1件目から欲張らないでください。

まず自社の実績データだけで組み、精度を測る。そのうえで「何が説明できていないか」を見てから、外部要因を足す。この順序のほうが、どの要素が効いているのかを把握できます。

設備の能力、人員のシフト、納期、段取り替えの手間。複数の制約を満たしながら計画を組む作業を、AIで支援する用途です。

効果が大きい一方、難易度も高い

生産計画は、熟練の計画担当者が数時間から数日かけて作っていることが多い業務です。ここが短縮されれば効果は大きく、計画の質も安定します。

ただし、この領域には特有の難しさがあります。制約条件の多くが、どこにも書かれていないことです。

• この設備とこの製品の組み合わせは、段取りに時間がかかる
• この工程は、あの担当者でないと品質が安定しない
• この取引先は、納期を前倒しすると受け取ってもらえない
• 月末はこの作業を入れると、締め処理と重なって回らない

こうした条件は、計画担当者の頭の中にあります。この洗い出しが、実際の作業量の大半を占めます。

洗い出しそのものに価値がある

ここで押さえておきたいのは、この作業はAIを導入しない場合でもやる意味があるという点です。

制約条件を書き出すと、計画業務が属人化している範囲が可視化されます。担当者が不在のときに計画が止まる、という状態から抜け出す第一歩になります。洗い出してみたら、条件を整理するだけで計画作成が半分の時間になった、という結果もありえます。

制約条件の洗い出し方

「頭の中にある条件を書き出してください」と依頼しても、なかなか出てきません。本人にとっては当たり前すぎて、条件だと認識していないためです。

実務で有効なのは、過去の計画を見ながら「なぜこうしたのか」を聞いていく方法です。

• 「この日にこの製品を入れたのは、何か理由がありますか」
• 「この順番を入れ替えると、何が困りますか」
• 「計画を組むとき、最初に決めるのはどれですか」

複数月分の実際の計画を題材にすると、主要な制約を洗い出しやすくなります。抽象的に聞くのではなく、実物を前にして聞くのがコツです。

全自動を目指さない

計画をAIが完全に自動生成する形は、制約が多い現場ほど成立しにくくなります。現実的なのは、AIがたたき台を作り、担当者が調整する形です。

この分担なら、AIが考慮できていない条件を人が補えます。そして修正された箇所を記録していけば、次に何を学習させるべきかが見えてきます。

製造業にとって重要な課題であり、実現の難易度も高い領域です。まず現状の数字を見てください。

2026年版ものづくり白書の基となった調査によると、ベテランのノウハウの見える化や技能継承にあたっての課題として、「ベテランなどの知識や経験などの形式知化が難しい」が68.6%と最も多く挙げられました。続いて「形式知化の方法やツールが分からない、活用できていない」が28.6%、「形式知化のための時間や経営資源が不足している」が28.1%です。

さらに同調査では、データの取得・活用・効果のいずれにおいても、最も数値が低かったのが「ベテランなどのノウハウ見える化」でした。取り組みたい意思はあるが、方法も時間も足りていない。それがこの領域の実態です。

「形式知化が難しい」の中身

ベテランが「音を聞けば分かる」「見れば分かる」と言うとき、本人も何を根拠に判断しているかを説明できないことがあります。長年の経験が身体的な感覚になっているためです。

ここでAIに期待できるのは、本人が説明できない判断を、データから近似することです。ベテランが「これは調整が必要」と判断した瞬間の各種データを記録しておけば、その傾向を学習できる可能性があります。

進め方は3段階

• 1. 判断が発生する場面を特定する — どの工程で、どんな判断をしているか。まず観察する
• 2. その瞬間のデータを取れるようにする — 温度、振動、画像、作業ログ。判断の根拠になりうる情報を記録する
• 3. 判断結果とデータを紐づけて蓄積する — 「このときこう判断した」の対応を貯める

この3段階のうち、1と2にほとんどの時間がかかります。そしてこの2つは、AIを使うかどうかに関わらず必要な作業です。

大手でも、データ活用には課題があった

前章で触れたダイキン工業と日立製作所の取り組みは、公表資料を読むと設備保全の暗黙知を組織の知として共有し、技術伝承につなげることを目的に掲げています。技能継承は、企業規模を問わない課題です。

興味深いのは、その背景として「設備ログ、保全記録などのデータは蓄積されているものの、業務の効率化に有効活用できていなかった」と説明されている点です。

これは冒頭で触れた白書の構造とまったく同じです。データを取っていることと、活用できていることは別という課題は、大企業でも起きています。だからこそ、記録があるだけで安心せず、それがAIに読ませられる形かを確認する必要があります。

いきなりAIに向かわない

技能継承にAIを使いたいという相談で、最初にお伝えすることがあります。データが取れていない状態で、AIを検討する段階にはありません。

ベテランの作業を動画で記録する、判断のタイミングと理由をメモに残す、作業ログを電子化する。目立たない作業ですが、まずここからです。十分な量と質のデータが蓄積されてはじめて、AIで判断傾向を近似することが現実的になります。

逆に言えば、記録を始めなければ、将来も同じ課題が残り続けます。ベテランの退職時期から逆算して、着手時期を決めてください。

製造業のAI導入は、用途によって費用の規模が変わります。金額は要件により大きく変動するため、費用感を掴む目安としてご覧ください。

「AI以外」の費用を見落とさない

製造業に特有なのは、AIそのものより周辺設備の費用が大きくなりやすいことです。

外観検査ならカメラと照明と治具、ライン上の設置工事。予知保全ならセンサーと配線とネットワーク。これらは物理的な工事を伴うため、見積もりも工期も別建てになります。

見積もりを比較する際は、「この金額に設備側の工事は含まれますか」を必ず確認してください。ここが別途になっていると、後から総額が大きく変わります。

回収期間は、止まっている時間から計算する

製造業では、効果を金額に換算しやすい指標があります。

• ライン停止時間 — 1時間止まるといくらの損失か。多くの工場ですでに把握されています
• 検査工数 — 検査員の人数 × 時間 × 人件費単価
• 不良流出コスト — 返品、回収、再製造にかかった実費
• 在庫の保管・廃棄 — 現在の在庫金額と廃棄実績

これらの現在値を先に押さえておくと、投資判断も、導入後の効果測定も同じ数字で進められます。導入前にしか取れない数字なので、検討の初期に記録してください。

段階別の一般的な費用感はAI導入の費用相場で、補助金の活用は別途整理しています。設備投資を伴う場合、中小企業向けの補助制度が使える可能性があります。AI導入で使える補助金もあわせてご確認ください。

冒頭で触れたとおり、製造プロセスのデータを取得している事業者は7割弱にのぼる一方、そのデータを活用して効果が得られた事業者は約4割にとどまります。この差が生まれる理由が、製造現場に特有のデータの扱いにあります。

1. 設備ごとに形式がばらばら

導入時期もメーカーも異なる設備が並んでいるのが、多くの工場の実態です。データが取れる設備と取れない設備、形式が違う設備が混在します。

この統一作業が、実際の工数の大部分を占めることがあります。着手前に、対象工程の設備がそれぞれ何を出力できるのかを一覧にしてください。ここが見えていないと、見積もりも正確になりません。

2. 紙の記録が残っている

日報、検査記録、修理伝票。製造現場では今も紙が使われています。過去のデータとして使いたい場合、データ化の工数が発生します。

ここで判断が必要です。過去分をさかのぼってデータ化するのか、今日から電子で記録し始めるのか。後者なら費用はほぼゼロですが、AIに使えるだけの量がたまるまで時間がかかります。用途によって選択が変わります。

3. 現場のネットワーク環境

工場内はネットワークが届いていない、あるいは外部と接続していないことがあります。セキュリティ上、意図的に分離している場合もあります。

クラウドのAIサービスを使う前提で計画すると、この時点で止まります。接続方針は情報システム部門と先に握ってください。閉じた環境で動かす構成も選べますが、費用と保守の形が変わります。

4. データはあるが、意味が分からない

最も厄介なのがこれです。設備からデータは出ているが、どの項目が何を示しているのかを説明できる人が社内にいない。設備メーカーに問い合わせないと分からない、という状況が起こります。

この確認には時間がかかります。スケジュールに余裕を見てください。そして、確認した内容は必ず文書に残してください。同じ調査を繰り返すことになります。

5. 繁忙期と重なると、データ整備が進まない

現場の協力なしにデータ整備は進みません。にもかかわらず、繁忙期に着手して止まる例が多くあります。

計画を立てる段階で、対象工程の繁忙期を確認してください。受け入れテストや現場ヒアリングを繁忙期に設定すると、まず動きません。

まず何を確認するか

ここまでを踏まえ、着手前に確認しておく項目をまとめます。そのまま社内の確認リストとして使えます。

• 対象工程の設備が、それぞれ何を出力できるか（一覧にする）
• そのデータが、どこに、どれだけの期間分たまっているか
• 紙で残っている記録があるか。データ化するか、今日から電子化するか
• 工場内のネットワーク方針（外部接続の可否）
• データ項目の意味を説明できる人がいるか。いなければ誰に聞くか
• 対象部署の繁忙期はいつか

この6項目が埋まっていれば、支援会社との会話が一気に具体的になります。逆にここが空白のまま相見積もりを取ると、各社が想定で見積もることになり、金額も範囲もばらばらになります。

つまずきの型そのものはAI導入でよくある失敗で、進め方の全体像はAI導入支援で整理しています。

自社の工程でどこから着手すべきか、そもそもデータが足りているのかも含めてご相談いただけます。相談の結果、まずは記録の仕組みづくりから、という結論になることもあります。