AIは改善活動の代わりではなく、速くする道具
改善活動の基本は、異常に気づき、原因を突き止め、対策を標準に落とし込むことです。AIが得意なのは、このうち「異常に気づく」と「原因の候補を絞る」の2つで、人が見落とすわずかな変化を捉えたり、多数の変数から関係の強いものを探したりできます。一方、原因を確定し、対策を考え、標準作業を改めるのは人の仕事です。AIは改善のサイクルを速く回すための道具であり、サイクルそのものを置き換えるものではありません。
また、AIは標準作業がある前提で効きます。作業のやり方が人や日によって違うと、データのばらつきが大きすぎて、AIは何が異常かを学べません。標準作業が先、AIはその上に載せる、という順序が基本です。
トヨタ生産方式の考え方とAIの対応
| 考え方 | 本来の意味 | AIが支援できること | 人に残ること |
|---|---|---|---|
| 自働化（ニンベンのついた自動化） | 異常が起きたら機械が止まり、不良を後工程に流さない | 画像・振動・電流から異常を検知し、設備停止やアンドンにつなげる | 止めた後の原因究明と再発防止 |
| 見える化 | 問題が誰にでも分かる状態にする | 稼働・停止・不良をリアルタイムで集計し、傾向の変化を知らせる | 見えた問題から何を優先するかの判断 |
| なぜなぜ分析 | 真因まで原因を掘り下げる | 多変量データから不良と関係の強い要因の候補を示す | 候補が本当の原因かの検証と対策 |
| 標準作業 | 最も良いやり方を決めて全員が守る | 作業動画から要素作業と時間を計測し、標準との差を示す | 標準の改訂と教育 |
| ムダの排除 | 7つのムダを見つけてなくす | 歩行・待ち・探すなどの時間を動画から集計する | なくし方の工夫 |
自働化と異常検知
自働化の考え方は、異常検知AIとよく合います。AIで異常を検知したら、アラームを表示するだけでなく、設備を止める、後工程に流さない、アンドンで人を呼ぶ、というところまでつなぐことで、自働化の仕組みになります。安全監視AIの典型的な失敗として、検知しても止める仕組み（設備のインターロックやPLCとの連携）がなく、アラートだけで終わることが挙げられます。
なぜなぜ分析と要因分析
AIで要因を探すときは、相関を見る、設備・ロット・作業者で層別する、多変量のモデルで影響の大きい変数を探す、実験で確かめる、の順に進めます。注意すべきは、観測データから見つかるのは相関であり、因果ではないことです。AIが示した要因の候補は、なぜなぜ分析の出発点として使い、現物・現場で確かめてから対策を決めます。
標準作業と作業分析
動画と姿勢推定で作業を要素作業に分け、サイクルタイムやムダの時間を自動で計測する作業分析AIは、人がストップウォッチで行っていた時間観測を常時化します。WEFのグローバル・ライトハウス・ネットワークの2025年9月コホートは、サイクルタイムの平均44%短縮を報告しています（選ばれた先進工場の、AI以外の改革も含んだ成果）。
作業分析で最も多い失敗は、監視と受け取られて現場の協力が得られないこと、そして分析結果を標準作業の改訂に使う体制がないことです。目的を改善に限り、個人の評価に使わないことを、導入前に現場と合意します。
改善活動にAIを組み込む手順
AIの導入を改善活動とは別のプロジェクトにすると、現場はAIを「よそから来た仕組み」と受け取りがちです。既存のQCサークルや改善チームのテーマとして扱い、改善チームのメンバーがAIの結果を最初に見る人になるように設計すると、定着しやすくなります。定着の工夫は現場に使われるAIにする7つの工夫、要因分析の手法は要因分析AIで扱っています。
技能伝承の面でも同じ考え方が当てはまります。熟練者のやり方を動画や記録で残し、標準作業に落とし込んだうえで、教育にAIを使います。天昇電気工業は動画マニュアルと動画比較ツールを導入し、熟練者レベルまでの習熟期間を約7分の1にしたと中小企業基盤整備機構の事例集で紹介されています。
よくある質問
AIを入れると改善活動は不要になりますか
不要にはなりません。AIは異常に気づく、原因の候補を絞るといった段階を速くしますが、原因の確定、対策の立案、標準作業の改訂は人の仕事です。改善活動の中でAIを道具として使うのが基本です。
標準作業が整っていない工場でもAIは使えますか
使える場面はありますが、作業のばらつきが大きいと、AIは何が正常で何が異常かを学べません。まず標準作業を決め、データのばらつきを減らしてからAIを載せる方が、精度も定着も良くなります。
作業分析のカメラを現場が嫌がります
目的を改善に限り、個人の評価には使わないことを、導入前に現場と合意することが前提です。撮影範囲を手元や設備に限る、分析結果を改善チームで共有するなど、現場が主体となる運用にすると受け入れられやすくなります。
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。
