工場のオペレーションでAIが今日実際にできること
DBR77 Team7分で読めます
このページの内容
今日、工場のオペレーションにおけるAIは、現場の人を支えるアシスタントとして最もよく機能します。設備やプロセスのデータの異常なパターンを見つけ、停止や欠陥の原因として考えられるものを示し、未完了の作業に優先順位を付け、生産順序を提案し、シフトのメモを要約し、工場自身の文書に基づいて質問に答えます。ライン、製品、安全を変えることについては、引き続き人が判断します。ほとんどの工場は、自ら動く工場の段階にはなく、それは最初の目標としてふさわしくもありません。
これが重要なのは、AIの予算が、次の四半期に工場が使えるものではなく、約束をもとに決められることが多いからです。
オペレーションにおけるAIについてデータが示していること
AIの利用は今や一般的です。McKinseyが1,719人を対象に行った2026年のState of AI調査では、10人中約9人が少なくとも一つの業務機能でAIを日常的に使っていると回答しています。自動車や半導体などの先端製造業の回答者は、サプライチェーン、在庫、製造工程でAIエージェントを使っていると答えています。
成果は利用に追いついていません。同じ調査で、EBITへの何らかの効果をAIによるものとした回答者は37%で、この数字は前年からほとんど変わっていません。AIから最も多くの成果を得ている企業は、古い業務フローにAIを付け足すのではなく、AIを軸に業務フローを作り直す傾向があります。
工場はこのパターンを以前にも経験しています。2018年にMcKinseyは、重要なデジタルのユースケースを大規模展開に移せた製造業者は3分の1に満たないことを明らかにし、この差を「パイロット煉獄」と呼びました。世界経済フォーラムのライトハウスに関する報告書は、先進的な工場は今や「パイロット煉獄」に苦しんではいないものの、ネットワークやバリューチェーン全体での「拡大の停滞」に取り組んでいると述べています。先進的な工場でさえ、まだ実証済みのユースケースを広げている段階です。
異常検知が通常から外れていく値を知らせ、技術者またはシフトリーダーが対応します。
今日の工場でうまくいく六つの使い方
それぞれの使い方は、3列目にある条件がそろえば機能します。
| 使い方 | AIが行うこと | 必要なもの | 判断する人 |
|---|---|---|---|
| 異常検知 | 通常から外れていく設備やプロセスの値を知らせる | 設備に結び付いた、整った設備データ | 技術者またはシフトリーダーが確認して対応 |
| 原因の提案 | 停止や欠陥が記録されたとき、考えられる原因に順位を付ける | 文脈付きの停止理由と品質記録 | エンジニアまたは品質リーダーが原因を確定 |
| 作業の優先順位付け | 未完了の作業指示とタスクを影響の大きさで並べる | 設備の重要度、未完了の作業、計画 | 保全の計画担当者またはシフトリーダー |
| 生産順序の提案 | 段取り替え時間を減らす指図の順序を提案する | 工程経路、段取り時間、リアルタイムの設備状態 | 計画担当者が計画を承認 |
| シフトの要約 | シフト日誌、メモ、観察を短い報告にまとめる | 一つのシステムに書かれた日誌 | 次のシフトのリーダーが読んで確認 |
| 文書に基づく回答 | SOP、マニュアル、過去の修理記録から質問に答える | 読み込まれ、最新に保たれた文書 | 質問した本人が出典を確認 |
どの使い方でも人はプロセスの中に残り、異常な値、考えられる原因、必要な文書、前夜から残っている問題を探す時間が短くなります。
AIがまだ弱い点
- 作り話をする。NISTは「作話(confabulation)」を、生成AIシステムが誤った内容や虚偽の内容を生成し、自信を持って提示することと説明しており、ハルシネーションとも呼ばれます。チャットボットが示した誤った締め付けトルク値は、品質上のリスクです。
- まれな事象を見たことがない。2年分の通常稼働で学習したモデルは、5年に一度しか起きない故障についてほとんど何も言えません。
- 物理的な世界が見えない。データが示すことはわかっても、安全カバーが緩んでいることや、パレットが通路をふさいでいることはわかりません。
- 古くなる。新しい製品、工具、仕入先によってパターンは変わります。役に立ち続けるには、モデルに新しい締められた記録が必要です。
- 責任を負えない。重要な判断には、名前のある担当者が責任を持つ必要があります。
例(説明のための架空の例):オペレーターが、充填機の段取り替えの手順をAIアシスタントに尋ねます。回答は七つの手順を挙げ、SOPを引用しています。そのうち一つの手順は、先月差し替えられた古い版の文書から取られたものです。アシスタントが出典を示していれば、オペレーターは古い改訂日に気づきます。示していなければ、その誤りはラインまで届いてしまいます。最新の文書に基づいて回答し、その出典を示すことが安全策です。
こうした弱点のほとんどはデータから生じます。工場のAIがつながった運用データなしでは失敗する理由では、データがないとパイロットが失敗する理由を説明しています。
最初のユースケースの選び方
よい最初のユースケースは、次の四つのテストに合格します。
- 判断の頻度が高い。 年に一度ではなく、毎日または毎シフト発生する。
- データがすでにある。 バインダーの中ではなく、文脈付きでシステムに入っている。
- 誤った提案のコストが小さい。 人が1分で確認でき、誤りによる損失が小さい。
- 出力に担当者がいる。 シグナルからタスク、完了までで説明しているように、名前のある役割が提案を受け取り、それに基づいて対応する。
シフトの要約と作業指示の順位付けは、たいてい四つすべてに合格します。プロセスの自律制御は、たいてい3番目で不合格になります。AIが推奨すべきときと人が判断すべきときでは、AIが監視するだけか、助言するか、自ら実行するかのレベルをどう設定するかを説明しています。
DBR77 IRISでの仕組み
DBR77 IRISには2種類のAIがあり、どちらも各モジュールがすでに集めているデータを使います。IRISのアシスタントは、どの画面にもあるサイドパネルです。工場のライブデータと、設備の資料、保全履歴、プロセス、製品から作ったナレッジベースをもとに、わかりやすい言葉で質問に答えます。Data & AIは、各モジュールのデータをルールと照合して推奨を出し、プラットフォームのデータでシンプルで説明可能なモデルを学習させます。使うのは線形回帰、ロジスティック回帰、k-means、閾値ルールです。IoTモジュールでは、直近のセンサー測定値の傾向と偏差から設備の健全度スコアを算出し、IRIS QMSはルールに基づく品質の指摘を加えます。
アシスタントは読み取りだけを行います。記録の作成、クローズ、変更はせず、操作を頼まれたときは、どの画面を使えばよいかを伝えます。回答に含まれる数値はすべて、その会話の中でツールが返した結果から取られ、回答は利用者の役割に与えられた権限の範囲内に限られます。各推奨にはスコアの根拠が示され、人がそれを適用、承認、却下、または保留します。詳しくはIRISのAIをご覧ください。
よくある質問
自律型工場は今日、現実的ですか?
ほとんどの工場にとっては現実的ではありません。クリックなしで実行できる工程もありますが、計画、品質の出荷判定、安全に関する判断には、引き続き人が必要です。まず支援から始め、根拠を積み重ねて次の段階に進んでください。
始めるのにデータサイエンティストは必要ですか?
最初の使い方には必要ありません。シフトの要約、原因の順位付け、文書に基づく回答は、既存の記録で動かせます。データサイエンスが重要になるのは、独自の予測モデルを作る場合です。
生成AIを現場で使っても安全ですか?
回答が自社の最新の文書から作られ、出典が示され、プロセスを変えるものはすべて人が確認するのであれば安全です。
まとめ
シフトリーダーや計画担当者が毎シフト行っている判断を一つ選び、四つのテストに照らし、その出力に名前のある担当者を付けてください。シフトの要約と作業指示の順位付けはたいてい合格し、プロセスの自律制御はたいてい誤った提案のコストで不合格になります。ライン、製品、安全を変えるものには必ず人を置き、AIの役割を広げるのは根拠がそろったときだけにしてください。
出典
- McKinsey & Company, The state of AI in 2026: On the road to ROI, 2026
- McKinsey & Company, How digital manufacturing can escape "pilot purgatory", 2018
- World Economic Forum, Manufacturing Lighthouses and the Path to Impact: Adopting AI at Speed and Scale, 2023
- NIST, AI 600-1: Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile, 2024