はじめての製造業AI

1製造業AIの基礎を知る

1. 1-1.製造業のAIとは？できること・できないことを5つの機能で整理する入門製造業のAIは「判定・予測・最適化・生成・制御」の5機能で捉えると全体が見えます。製造工程にAIを入れた企業は12.2%（大企業31.3%、2025年版ものづくり白書）という現在地と、AIにできないこと、データ基盤との関係を整理します。
2. 1-2.製造業のAI活用10領域：外観検査・予知保全から設計・技能伝承まで一覧製造業のAI活用を外観検査・予知保全・需要予測・生産計画・品質分析・技能伝承・設計・調達・省エネ・安全の10領域に分け、使う技術・必要データ・成熟度を1枚の地図にしました。どの領域でもMESの実績・品質データが成否を分けます。
3. 1-3.製造業がAIを導入するメリット5つとデメリット4つ：判断基準つきで解説製造業のAI導入のメリットは品質の安定・省人化・属人性の解消など5つ、デメリットはデータ整備の負担と運用コストなど4つです。どちらが上回るかは一般論では決まらず、自社のKPIの金額で比べて判断します。その手順を示します。
4. 1-4.製造業のAI導入率はどこまで進んだか：白書・民間調査7本の数字を読む製造業のAI導入率は、製造工程へのAI導入なら12.2%（大企業31.3%）、生成AIの個人利用なら24.6〜65.6%と、指標で大きく変わります。白書と民間調査7本を、何を誰に聞いた数字かで整理し、現在地の正しい読み方を示します。

2テーマを選んでPoCを設計する

1. 2-1.製造業のAI導入テーマの選び方：4つの評価軸で候補に優先順位を付けるAI導入テーマは「効果額・データの有無・現場の受け入れ・横展開性」の4軸で採点して選びます。最初に、閾値やルールで解ける課題などAIで解く必要のないものを外すのがポイントです。採点表の例と、点数が割れたときの判断基準を示します。
2. 2-2.製造業のAI導入手順8ステップ：構想からPoC・本番・横展開までの流れ製造業のAI導入は、構想・テーマ選定・データ確認・PoC・評価・本番設計・運用・横展開の8ステップで進めます。各ステップで作る成果物と判断者を先に決めておくと、PoCで止まる事態を防げます。ステップごとの期間の目安と注意点を示します。
3. 2-3.製造業AIのPoC設計：目的・評価指標・期間・体制を決める5つの手順製造業AIのPoCは技術検証ではなく、本番に進むかを判断する材料集めです。目的・評価指標と合格ライン・評価データ・期間と中止条件・体制の5つを着手前に文書化します。外観検査を例に、PoC計画書に書く項目を具体的に示します。
4. 2-4.製造業AIのROI試算：効果の数え方と投資回収期間の出し方を3つの例で製造業AIのROIは、不良・停止・工数の改善をP/Lの金額に換算し、横展開費用と年間の運用費まで含めて回収期間を出します。外観検査・予知保全・需要予測の3つの試算例で、効果の数え方と見落としやすい差し引き項目を示します。

3データを整えて製品を選ぶ

1. 3-1.AI導入前の製造データ準備：棚卸しと整備で確認する7つのチェック項目製造データを取得している事業者は66.0%、活用しているのは51.4%（2026年版ものづくり白書の図表値）。この差を埋めるために、AI導入前にタグ命名・時刻・欠損・ロット紐付けなど7項目を点検します。各項目の確認方法と、よくある不備の直し方を示します。
2. 3-2.AIに必要な学習データ量の目安：外観検査・予知保全・需要予測の3用途別AIに必要な学習データ量は用途と手法で桁が変わります。外観検査の良品学習は数十〜数百枚の良品で始められ、需要予測は季節性2周期分が目安です。一方で予知保全は故障データの少なさが別の問題になります。3用途別の目安と考え方を示します。
3. 3-3.製造業AIベンダーの選び方：比較すべき8項目と提案を見比べるときの順番製造業AIのベンダー選定では、精度の数字より先に、製造データを扱った経験、運用体制、データとモデルの持ち方を比べます。比較すべき8項目と、提案書を見比べる順番、事業継続性の確認方法を、欧米ベンダーの事業転換の実例とともに示します。
4. 3-4.AIはパッケージ製品かスクラッチ開発か：製造業で使い分ける判断基準5つ製造業のAIは、外観検査や予知保全のように用途が定型ならパッケージ製品、工程固有の判断が絡むならスクラッチ開発が目安です。用途の定型度・データの特殊性・連携範囲・変更頻度・費用構造の5基準と、その中間にある3つの形態を示します。

4本番に載せて定着させる

1. 4-1.PoCで止まる製造業AIを本番に載せる6つの条件：PoC死の構造的な原因インダストリー4.0のパイロットの78%は先に進めなかった（McKinsey）。原因はモデルではなく、データ統合・横展開コスト・事業性の設計不足にあります。PoCで止まる構造を分解し、本番に載せるための6つの条件を、MES連携の観点から示します。
2. 4-2.製造業AIの運用保守：精度劣化・再学習・モデル管理の3つの仕組み製造業のAIは、品種追加・材料ロット・設備の改造・季節で精度が落ちる前提で運用します。精度劣化の監視、再学習の手順、モデルの版管理の3つの仕組みを本番設計に含め、どのモデルで合否を判定したかをロットのトレーサビリティに残す方法を示します。
3. 4-3.1ラインの成功を全工場へ：製造業AIの横展開を阻む4つの壁と対策製造業AIの横展開を阻む壁は、データの命名の違い・設備差・ラベル作業・現場体制の4つです。デジタル製造を全社展開できた企業は約30%（McKinsey、2018年）。最初のPoCの時点で標準化を仕込み、2ライン目以降の費用を下げる方法を示します。
4. 4-4.現場に使われるAIにする：製造業AIを定着させるための7つの工夫製造業のAIが現場に定着するかは、精度よりも、判定結果をMESや作業指示に戻し、現場の手間を減らす形で組み込めるかで決まります。AI専用の画面を1つ増やすだけのAIは使われなくなります。定着のための7つの工夫と、定着度の測り方を示します。

＋読み終えたら

• 用途別のAI活用で、自社のテーマに近い記事を探す
• 製造業AI 製品・サービスのデータベースで候補を同じ軸で並べる
• 製造業AI 導入事例で、同じ業種・用途の先行例を確かめる
• 実務ツール・資料のテーマ選定シートやPoC計画書を持ち帰る
• 製造業AI用語集で分からない語を1語ずつ確認する