失敗の多くはモデル以外で起きる

AI導入の失敗を調べた調査は、どれもモデルの性能以外に原因を見ています。McKinseyが2018年に7市場・700社超を調べた調査では、デジタル製造ソリューションを全社展開できた企業は約30%で、障壁として人材（69%）、ROIの欠如（61%）、ビジョンの欠如（59%）、IT環境の不備（44%超）が挙がりました。BCGは2024年10月、1,000人のCxOを調べ、AIで具体的な価値を出せていない企業が74%だったと発表し、資源配分の目安を「人とプロセスに70%、技術とデータに20%、アルゴリズムに10%」としています。

デジタル製造を全社展開できた企業
約30%
McKinsey（7市場・700社超、2018年7月）
AIで具体的な価値を出せていない企業
74%
BCG（CxO 1,000人・59か国、2024年10月）
データ整備の課題に「人材の確保」を挙げた日本企業
51.2%
IPA「DX動向2026」（2026年7月）

ここでは、失敗の理由を企画・データ・運用の3段階、10項目に分けて整理します。PoC段階に絞った失敗パターンはPoCが失敗する7つのパターンで扱っています。

企画段階の失敗（理由1〜4）

  1. AIで解く課題ではなかった。ルールで判定できる、あるいは工程や治具を変えれば解決する課題にAIを使うと、費用に見合いません。AIを使わない方がよい4つのケースを先に確認します。
  2. 効果を金額で定義していない。「品質向上」「省人化」だけでは投資判断ができず、PoCの後に予算が付きません。McKinseyの2018年調査で障壁の2位がROIの欠如だったのはこのためです。
  3. 推進者の関心に合わせてテーマを選んだ。McKinseyの2019年の資料は、パイロットが止まる理由の1つに「声の大きい推進者に合わせた設計になる」ことを挙げています。効果額、データの有無、現場の受け入れ、横展開性で採点して選ぶのが原則です。
  4. 横展開のコストを見ていない。1ラインで成功しても、他のラインに広げるときのセンサー、ラベル付け、再学習の費用が大きく、全社展開の段階で止まります。

データ段階の失敗（理由5〜7）

  1. データにコンテキストがない。センサーの時系列データがあっても、どのロット・品番・設備・作業者のときのデータかがわからなければ学習に使えません。このコンテキストを持っているのはMES（製造実行システム）で、MESと時系列データをつなぐキーの設計がAIの前提になります。
  2. データ品質の問題を甘く見た。タグ名や単位の不統一、時刻のずれ、欠損、品番の改番によるマスタの不整合、良否ラベルの基準の揺れは、どの工場にもあります。IPAの「DX動向2026」（2026年7月）では、日本企業のデータ整備の課題として「人材の確保が難しい」51.2%、「データの標準化が難しい」36.8%が挙がっています。
  3. 異常データが足りない。不良や故障はもともと少ないため、教師あり学習に必要な数が集まりません。良品だけで学習する方式や、ルールとの併用など、少ないデータで始める方法を選ぶ必要があります（データが少ない工場でAIを始める方法）。
企画・データ・運用の3段階と失敗理由10項目 企画 データ 運用 1 AIで解く課題でない2 効果を金額で定義せず3 推進者の関心で選定4 横展開コストを見ない 5 コンテキストがない6 データ品質を甘く見る7 異常データ不足 8 業務フローに入らない9 精度劣化に気づかない10 オーナー不在
失敗の10の理由を3段階に分けた図。モデルの性能そのものは主因に入らないことが多い。

運用段階の失敗（理由8〜10）

  1. 業務フローに組み込まれていない。AIの判定がダッシュボードに表示されるだけで、ホールド、再検査、作業指示につながらないと、現場は見なくなります。判定結果をMESに書き戻し、次の作業を起動する出口を設計します。
  2. 精度の劣化に気づかない。品種、材料ロット、季節、設備の改造でデータの性質が変わり、精度は徐々に下がります。精度の監視と再学習の仕組みがないと、ある日現場から「最近当たらない」と言われて信頼を失います。
  3. オーナーがいない。PoCを担当したプロジェクトチームが解散すると、誰も運用に責任を持たなくなります。McKinseyの2018年調査では、C-levelの責任者を置いていた企業は36%でした。現場部門長とIT/OTの担当者を、本番の運用オーナーとして決めておきます。

段階ごとの打ち手

段階打ち手担当
企画課題を金額で定義し、4軸で採点してテーマを選ぶ。横展開のコストも初期に見積もる経営・事業部門
データMESのロット・実績と時系列をつなぐキーを設計し、判定基準と不良コードを統一する品質保証・IT/OT
運用判定結果を業務フローにつなぎ、精度監視と再学習の担当を決める現場部門長・IT/OT

よくある質問

失敗の原因として一番多いのは何ですか

調査によって設問が違うため一概には言えませんが、McKinseyやBCGの調査はいずれも、人材・ROI・組織など技術以外の要因を上位に挙げています。

データ基盤が整っていないとAIは始められませんか

全社の基盤が整うのを待つ必要はありません。ただし、対象テーマで使うデータについては、ロットや設備との紐付け、判定基準の統一を先に済ませる必要があります。

一度失敗したテーマに再挑戦すべきですか

失敗の理由が企画段階（課題設定）にあったなら、テーマを変えるほうがよいでしょう。データや運用に理由があったなら、そこを直せば再挑戦の価値があります。

この記事に出てくる用語

用語集（日・英・中）をすべて見る

この記事のテーマ
#導入戦略#データ基盤
この特集について

AIは「データ基盤」で決まる

PoCは成功したのに本番で止まる。原因の多くはモデルではなく、MESと設備データの側にある　全130本

  1. MESとAIの関係：ロット・作業指示・品質判定がAIの精度を決める理由
  2. 製造業AIが本番で止まる7つの理由：PoCは成功したのにラインに載らない構造
  3. 製造業のAI-OCR：紙の検査記録・点検表・ミルシートをデータ化する手順
  4. データ基盤の段階的導入ロードマップ：ユースケースから逆算する8ステップ
特集の記事をすべて見る →

この記事を書いた人

株式会社サオス

株式会社サオス 製造DX部

DELMIA Apriso を中核とした MES / 製造DX の導入・運用・人材育成と、製造業向けAIの調査・開発・教育を手がけるITコンサルティング企業。ISO 9001:2015 / ISO 27001:2022 認証取得。 日本・中国・米国で製造業のMES・データ基盤・AI導入を手がけた実務者が、欧米・中国の一次情報にあたって書いています。

運営者情報　編集方針　株式会社サオスのサイト