工場長の役割は「何に使い、何で測るか」を決めること
工場でAIの取り組みが止まる原因として、McKinseyの2018年調査（700社超）は、人材69%、ROIの欠如61%、ビジョンの欠如59%を挙げています。ROIとビジョンの欠如は、工場の責任者が「この工場のどの数字を、AIでどれだけ動かすのか」を示せていないことと表裏の関係にあります。技術の選定はベンダーや情報システム部門に任せられても、何に使い、何で測るかは工場長にしか決められません。
投資判断の視点：KPI・金額・優先順位
視点1：AIのテーマを現場KPIで言い換える
AIのテーマは、必ず工場のKPIで言い換えます。「外観検査AIを入れる」ではなく「最終検査の流出不良を月X件から減らし、検査工数をY時間減らす」、「予知保全を入れる」ではなく「主要設備の計画外停止を月Z時間減らす」です。
OEE（設備総合効率）は、時間稼働率×性能稼働率×良品率で表され、AIの効果をどこに出すかを整理しやすい指標です。予知保全は時間稼働率、生産計画や段取りの改善は性能稼働率、外観検査や品質分析は良品率に効きます。
| AIの用途 | 動かすKPI | OEEの要素 |
|---|---|---|
| 予知保全・異常検知 | 計画外停止時間、MTBF | 時間稼働率 |
| 生産計画・段取り最適化 | 段取り時間、納期遵守率 | 時間稼働率・性能稼働率 |
| 外観検査 | 流出不良件数、検査工数 | 良品率（判定の安定） |
| 品質分析・条件最適化 | 工程内不良率、歩留まり | 良品率 |
| 作業分析・技能伝承 | サイクルタイム、立ち上がり期間 | 性能稼働率 |
視点2：停止と不良を金額で把握する
KPIを金額に直せないと、AI投資の判断はできません。Siemensの「The True Cost of Downtime 2024」は、大規模自動車工場の停止コストを1時間あたり230万ドルと推計しています。NISTの応用経済局は、2016年の米国離散製造業で予防可能だった保全起因の損失を1,191億ドルとしています。自社の工場で、停止1時間あたり、流出不良1件あたりの損失を、売上機会、手直し、クレーム対応を含めて出しておくと、テーマの優先順位がはっきりします。
視点3：テーマに優先順位を付け、1つに絞る
工場長のもとには、検査、保全、計画、品質など、各部門からAIの提案が上がってきます。すべてを同時に進めると、データ整備と現場の負担が分散し、どれも本番に届きません。効果額、データの有無、現場の受け入れ、横展開のしやすさで採点し、最初は1つに絞ります。採点の方法はテーマ選定の4つの評価軸で扱っています。
現場と効果の視点：巻き込みと効果測定
視点4：現場を巻き込み、AIを改善活動の道具にする
AIが現場で使われなくなる最大の理由は、現場の業務に組み込まれていないことです。アラームが出ても誰が何をするか決まっていない、AIの判定を確認する時間が工数に入っていない、という状態では、数か月で使われなくなります。
AIは改善活動の代わりではありません。異常を早く見つける、要因の候補を速く絞るための道具として、既存のQCサークルや改善活動、標準作業の見直しの中に位置づけると、現場が自分たちの道具として使い始めます。カメラによる作業分析のように、監視と受け取られやすいAIでは、目的を改善に限ることを現場と合意してから始めます。考え方はカイゼン・トヨタ生産方式とAIで詳しく扱っています。
視点5：効果を測り続け、横展開を判断する
AIの効果は、導入前の数字と比べて継続的に測ります。導入後に生産量や品種構成が変わると、AIの効果と他の要因が混ざるため、比較の基準（ベースライン）を導入前に決めておきます。1ラインで効果が出たら、横展開のコスト（センサー、ラベル付け、再学習）を見積もり、全工場への展開を判断します。
よくある質問
工場長はAIの技術をどこまで理解すべきですか
手法の詳細より、AIにできることとできないこと、精度の数字の前提、データが必要な理由を理解していれば十分です。技術の判断は情報システム部門やベンダーに任せ、何に使い何で測るかを決めることに集中します。
AIの効果はOEEに表れますか
用途によって表れる要素が違います。予知保全は時間稼働率、段取りや計画の改善は性能稼働率、品質のAIは良品率に効きます。どの要素を動かすテーマかを最初に決めておくと、効果を測りやすくなります。
現場がAIに抵抗します。どうすればよいですか
AIの目的を人員削減ではなく、検査や点検の負担軽減や改善のスピードアップとして示し、現場のリーダーをテーマのオーナーに入れることが効果的です。作業を撮影するAIでは、目的と使い方を事前に合意します。
- Digital manufacturing: escaping pilot purgatory（McKinsey, 2018年7月）
- The True Cost of Downtime 2024（Siemens, 2024年）
- Manufacturing Machinery Maintenance（NIST Applied Economics Office）
- Maintenance Costs and Advanced Maintenance Techniques（Thomas & Weiss, NIST, IJPHM, 2021年）
- Global Lighthouse Network 2025: 12 new sites（WEF, 2025年9月16日）
この記事に出てくる用語
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。
