モデル開発費は総額の一部にすぎない
AIベンダーの見積書には、モデル開発、ソフトウェアのライセンス、推論用のハードウェアが並ぶのが一般的です。しかし、製造業のAIプロジェクトの総額は、これらの外側にある費用で大きく膨らみます。
GoogleのSculleyらが2015年に発表した論文は、実際の機械学習システムでは機械学習のコードはごく一部で、周辺のインフラの方がはるかに大きく複雑だと指摘しました。Anacondaの2022年の調査（133か国3,493人）では、データサイエンティストは時間の約38%をデータ準備とクレンジングに使い、モデルの選択・学習・デプロイには約26%しか使っていませんでした。中国工业互联网研究院の鲁春丛院長は、多くの智能化改造プロジェクトで投資の50〜60%をデータエンジニアリングが占めると述べています（2025年9月）。
7つの隠れコスト
1. データ整備
タグ名や単位の統一、時刻のずれの補正、欠損の補完、品番の改番への対応、センサーデータとロット番号の紐付けなどの作業です。現場で多い問題として、タグの命名や単位の不統一、時刻ずれ、通信断やPLC更新による欠損、ヒストリアンの圧縮による情報の損失、手入力値の誤り、マスタの不整合が挙げられます。IPAの「DX動向2026」では、日本企業のデータ整備の課題として「データの標準化が難しい」が36.8%に上りました。
見積もり方：PoCの前にデータの棚卸しを行い、整備が必要な項目と件数を数えます。社内で行うのか、ベンダーに依頼するのかも決めます。
2. ラベル付け
外観検査の画像や、停止・故障の記録に正解ラベルを付ける作業です。判定基準の整備、熟練者によるラベル付け、二重チェックの工数がかかります。熟練者の時間を使うため、社内の工数として見えにくい費用です。詳しくは 製造業AIのアノテーション で扱っています。
見積もり方：1枚（1件）あたりのラベル付け時間 × 必要な枚数 × 二重チェックの割合で、熟練者の工数を計算します。
3. 撮像・センサーの改善
外観検査AIの精度の大部分は撮像系で決まります。欠陥が画像に写らなければAIでは検出できないため、照明、カメラの解像度、ワークの位置決めの再現性を改善する費用が発生します。予知保全では、センサーの追加や取り付け位置の変更、サンプリング周期の見直しが必要になることがあります。
見積もり方：PoCの段階で、量産ラインと同じ条件で撮像・計測できるかを確認し、改善が必要な項目を洗い出します。
4. システム連携
AIの判定結果をMESに書き戻す、作業指示やアンドンにつなげる、品質記録に残すといった連携の開発費です。PoCでは画面に表示するだけで済ませていた部分が、本番では必須になります。MESやPLCの改修が必要になると、AIの開発費より大きくなることもあります。
見積もり方：判定結果の送り先と形式を要件として先に決め、連携先のシステムの改修費をMESやPLCのベンダーから別に見積もってもらいます。
5. 現場の教育と運用変更
検査員や保全担当者がAIの判定を使いこなすための教育、作業標準や検査規格の改訂、品質保証部門の承認手続きの費用です。BCGは、AIで価値を出している企業の資源配分の目安を「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。
見積もり方：改訂が必要な標準書の数、教育の対象人数と時間を数え、社内工数として計上します。
6. 再学習と監視
品種の追加、材料の変更、季節、設備の改造でAIの性能は落ちます。外観検査では品種切替のたびに再学習が必要になり、運用が回らなくなることが典型的な失敗として挙げられます。性能の監視、再学習用のデータの収集とラベル付け、モデルの更新と検証の費用が毎年発生します。
見積もり方：年間の品種追加数、設備変更の頻度から再学習の回数を想定し、1回あたりの工数（またはベンダーへの依頼費）を掛けます。
7. 過検出・誤報への対応
見逃しを防ぐために閾値を厳しくすると、良品を不良と判定する過検出が増え、その再確認に人手がかかります。予知保全では、誤報による無駄な点検が発生します。McKinsey（2021年、Reliable誌による二次情報）は、誤報率10%で予知保全の節約効果が消えた事例を挙げています。
見積もり方：PoCの並行運用で過検出率・誤報件数を測り、1件あたりの確認時間を掛けて年間の工数を出します。
費目ごとの確認表
| 費目 | 発生する段階 | 誰の費用になりやすいか | 事前に確認すること |
|---|---|---|---|
| データ整備 | PoC前〜本番 | 社内（情報システム・生産技術） | データの棚卸し結果 |
| ラベル付け | PoC〜運用 | 社内（検査・品質保証の熟練者） | 必要枚数と1枚あたりの時間 |
| 撮像・センサー改善 | PoC〜本番 | 設備投資 | 量産ラインでの撮像・計測条件 |
| システム連携 | 本番 | MES・PLCのベンダー | 判定結果の送り先と形式 |
| 教育・運用変更 | 本番 | 社内（製造・品質保証） | 改訂する標準書と教育対象者 |
| 再学習・監視 | 運用（毎年） | 社内またはAIベンダー | 品種追加と設備変更の頻度 |
| 過検出・誤報対応 | 運用（毎日） | 社内（検査・保全） | 並行運用での過検出率 |
費用の全体像は 製造業AIの導入費用の内訳 で、運用費は AIの運用コスト で、見積書の読み方は AI開発の見積書の読み方 で扱っています。
よくある質問
隠れコストは総額のどのくらいになりますか
テーマとデータの状態によって大きく変わるため、一律の比率は示せません。中国の改造プロジェクトでデータエンジニアリングが50〜60%を占めるという発言は一つの目安ですが、条件は公表されていません。自社のPoCで、この記事の7項目の工数を実際に測るのが確実です。
隠れコストを減らす方法はありますか
最も効くのは、データの命名規則とキーを工場全体で統一することです。テーマごとのデータ整備のやり直しが減り、2つ目以降のテーマや横展開の費用が下がります。また、既製のAIツールを使える用途では、開発と保守の費用を抑えられます。
ベンダーに隠れコストまで含めた見積もりを依頼できますか
依頼はできますが、社内の作業（ラベル付け、教育、運用変更）はベンダーには見積もれません。ベンダーには自社が担う範囲を明記してもらい、社内の工数は自社で見積もります。
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
- 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
- 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
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。
