データ化の先を決めてから始める
製造業でAI-OCRの対象になるのは、主に次の帳票です。工程内の検査記録やチェックシート（手書き）、設備の点検表（手書き）、材料メーカーから届くミルシート・検査成績書（印字、形式は取引先ごとに異なる）、外注先の納品書や作業報告書です。
これらをデータ化する目的は、品質の分析やトレーサビリティに使える形にすることです。そのためには、読み取った値が、どのロット・シリアル・設備・日時のものかが分かる形で、MESやQMS（品質管理システム）に登録される必要があります。読み取り結果をCSVに出力して共有フォルダに置くだけでは、紙のファイルがデジタルのファイルに変わっただけで、分析には使えません。
AI-OCRを検討する前に、データ化した値を「どのシステムの、どの項目に、何をキーに登録するか」を決めます。登録の設計はAI-OCRの結果をMES・QMSに登録するで扱います。
帳票の種類で方式が変わる
| 帳票 | 特徴 | 向く方式 | 主な課題 |
|---|---|---|---|
| 手書きチェックシート・点検表 | 自社で様式を決められる。数字と記号が中心 | 定型帳票型のAI-OCR（枠と項目を定義） | 字のくせ、記入欄からのはみ出し、訂正の扱い |
| ミルシート・検査成績書 | 取引先ごとに様式が違う。印字が多い | OCRフリー方式や生成AI（VLM）、非定型帳票型OCR | 表の構造の理解、単位と規格値の読み違い |
| 納品書・作業報告書 | 様式がばらばら。文章を含む | 生成AI（VLM）による項目抽出 | 項目名の揺れ、誤抽出の検出 |
自社で様式を決められる手書き帳票は、帳票側の設計を変えることで精度を大きく上げられます。詳しくは手書きチェックシートのAI-OCRで扱います。取引先ごとに形式が違うミルシートは、項目の位置を事前に定義する方式では対応しきれず、文書の構造を理解するOCRフリー方式や生成AIが有利です。こちらはミルシート・検査成績書の読み取りAIで扱います。
評価は文字認識率ではなく、修正不要な項目の率で
AI-OCRの製品は文字認識率を前面に出しますが、業務で意味があるのは別の指標です。1枚の帳票に数十項目あれば、文字認識率が高くても、どこかの項目で修正が必要になる確率は高くなります。評価には次の2つを使います。
- 項目単位で修正が要らない率：数値や記号の項目ごとに、人が直さずに済んだ割合
- 1枚あたりの確認・修正時間：読み取り結果を人が確認し、必要な修正をして登録するまでの時間
PFUのコラム（2025年7月）では、ベンダーの社内テストとして、認識精度90%の帳票で1枚あたりの入力時間が5分56秒から1分58秒に短縮した例が紹介されています。日常業務では80〜90%の精度でも、入力負荷を約50〜70%減らせるとしています（いずれもベンダーによる紹介）。精度が100%でなくても、確認時間が大きく減れば効果があるということです。
数値の誤読は品質記録の改ざんと同じリスク
品質記録の数値を誤って読み取り、そのまま登録すると、記録上は規格内なのに実際は規格外だった、という事態が起こりえます。結果として、品質記録を改ざんしたのと同じ問題になります。
対策は、信頼度の低い項目を人が確認すること、規格値やマスタとの照合で明らかな誤りを自動で弾くこと、修正の履歴を残すことです。とくに、規格の上限・下限の近くにある値は、信頼度にかかわらず人の確認を挟む設計にするのが安全です。
費用の考え方
AI-OCRの費用は、製品のライセンスや読み取り枚数の従量課金だけでは決まりません。帳票の様式の見直し、スキャナの配置と運用、確認画面の作業時間、MES・QMSへの登録の仕組みづくりに費用と工数がかかります。効果は、1枚あたりの入力・確認時間の短縮と、データ化によって可能になる品質分析の価値で見積もります。後者は金額にしにくいため、まず入力・確認時間の短縮だけで投資を回収できるかを確認し、分析の価値は上乗せとして扱うのが堅実です。
導入の手順
よくある質問
AI-OCRの精度は何%あれば使えますか
文字認識率だけで判断せず、項目単位の修正不要率と1枚あたりの確認時間で評価します。ベンダーの紹介では80〜90%の精度でも入力負荷が約50〜70%減るとされており、確認時間が大きく減れば効果があります。
ミルシートと手書きチェックシートは同じ製品で読めますか
読める製品もありますが、得意な方式が違います。自社様式の手書き帳票は定型帳票型、取引先ごとに様式が違うミルシートはOCRフリー方式や生成AIが有利です。帳票の種類ごとに評価してください。
読み取った数値をそのまま品質記録にしてよいですか
してはいけません。信頼度の低い項目と規格値の近くの値は人が確認し、規格値やマスタとの照合で誤りを弾き、修正の履歴を残す流れにしてください。
この記事に出てくる用語
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
- 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
- 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
- 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
- 製造データ品質の10の問題：時刻ずれ・欠損・単位不統一をAI投入前に潰す方法
この記事を書いた人
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。
