KPIはAIの精度ではなく工場の指標に置く
AI導入の目標を「判定精度95%」「予測誤差10%以内」と置くと、PoCは達成できても経営判断の材料になりません。精度が上がったことで何がどれだけ減ったのか（不良流出、停止時間、検査工数）が示されないからです。工場長や経営層が判断に使うのは、OEE（設備総合効率）、不良率、計画外停止時間、工数、納期遵守率といった、すでに毎月の会議で追っている指標です。
McKinseyが2018年に7市場・700社超を調べた調査では、デジタル製造の取り組みを全社展開できた企業は約30%で、障壁の2番目に「ROIの欠如」（61%）が挙がっていました。BCGの2024年の調査（59か国のCxO 1,000人）でも、AIで具体的な価値を出せていない企業は74%に上ります。どちらも、技術の成否より「価値を示せないこと」が先へ進めない原因になっていることを示しています。
AIの指標から工場KPI、P/Lまでの3層で設計する
KPIは次の3層に分け、上下の層がつながるように設計します。
第1層のAIの性能指標は、見逃し率・過検出率・予測誤差・1日あたりの誤報件数など、AIそのものの出来を測る指標です。ここでは閾値を決めた状態での数字を使います。外観検査で使われるAUROCは閾値に依存しない指標で、実運用の閾値での性能は分かりません。
第2層は工場KPIです。第1層の数字がここにどう効くかを式で書けることが条件になります。例えば外観検査AIなら「見逃し率が下がる → 流出不良件数が減る」「過検出率が下がる → 再検査工数が減る」、予知保全なら「故障の事前検知率が上がる → 計画外停止時間が減る → OEEの可用率が上がる」です。
第3層はP/Lです。工場KPIの変化を金額に換算します。停止1時間あたりの損失、流出1件あたりのクレーム対応費、検査員1人の人件費など、換算の単価は経理部門と合意しておきます。金額換算の方法は ROI試算 で詳しく扱っています。
用途別のKPI設計例
| 用途 | 第1層（AI） | 第2層（工場KPI） | 測るデータの出どころ |
|---|---|---|---|
| 外観検査 | 見逃し率・過検出率 | 流出不良件数・検査工数・再検査率 | MESの検査実績、クレーム記録、工数実績 |
| 予知保全 | 事前検知率・誤報件数/日 | 計画外停止時間・MTBF・保全費 | MESの停止実績、CMMSの保全記録 |
| 需要予測 | 予測誤差（ナイーブ予測比） | 欠品率・在庫日数・段取り回数 | ERPの在庫・受注、MESの段取り実績 |
| 生産計画 | 計画立案時間・制約違反数 | 納期遵守率・稼働率・仕掛在庫 | MESの実績、計画システム |
| 品質分析 | 要因の特定件数 | 工程内不良率・歩留まり | MESの品質判定、工程データ |
予知保全では誤報の扱いが重要です。McKinsey（2021年、Reliable誌による二次情報）は、誤報率10%で節約効果が消えた事例を挙げています。第1層に「1日あたりの誤報件数」を必ず入れ、第2層で誤報に対応した点検工数を差し引けるようにします。需要予測では、ナイーブ予測（前回値のまま）と比べない限り複雑なモデルを評価したことにならないとされます（Hewamalage et al., 2022）。
MESから取れる数字と取れない数字を先に確認する
KPIを設計しても、測れなければ意味がありません。KPIの多くはMESや設備から取れるはずですが、実際には次のような問題がよく見つかります。
- OEEの計算方法が工場ごと・ラインごとに違う（計画停止を分母に含めるかどうかなど）
- 停止時間は記録されているが、停止理由が「その他」に偏っていて、AIで減らせる停止かどうか分からない
- 検査工数が「検査工程全体」でしか取れず、再検査に使った時間を分けられない
- 流出不良がクレーム記録にしかなく、ロット番号でMESの製造実績と結べない
導入前に、KPIの計算式と、それぞれの数字の取得元（システム・テーブル・項目）を一覧にします。取れない数字は、AIの導入より先に記録方法を変えます。OEEの算出とAIへの活用は OEEデータとAI で、MESのデータ項目の整え方は MESデータをAIに使う で扱っています。
目標値の置き方
目標値は「導入前のベースライン」と「改善幅」で置きます。改善幅の目安を他社事例から借りるときは注意が必要です。WEFのグローバル・ライトハウス・ネットワークの2025年9月コホートでは、不良が平均41%減ったと報告されていますが、これは選ばれた先進工場の自己申告ベースの成果で、AI単独の効果ではありません。自社の目標値は、PoCで測った第1層の数字から第2層への影響を試算して置くのが基本です。
目標は1テーマにつき主KPIを1つ、副KPIを1〜2つに絞ります。KPIを増やしすぎると、どれが改善しどれが悪化したかの議論に時間を取られ、意思決定が遅れます。また、副KPIには「悪化させてはいけない指標」（例えば外観検査AIなら見逃し率、生産計画AIなら段取り回数）を入れ、主KPIの改善が別の悪化で相殺されていないかを確認します。導入後の効果の測り方は 効果測定の4つの注意点 で解説しています。
よくある質問
AIのKPIにOEEを使うのは大きすぎませんか
OEEは可用率・性能率・良品率の掛け算なので、AIが効く要素だけを取り出して使います。予知保全なら可用率、外観検査なら良品率の計上方法、といった具合です。OEE全体の変化には他の改善活動の影響も入るため、要素ごとに見る方が効果を説明しやすくなります。
ベースラインのデータがない場合はどうしますか
導入前の1〜3か月を測定期間にあて、手作業でも記録を取ります。ベースラインなしで導入すると、効果を数字で示せず、横展開の稟議が通りにくくなります。
定性的な効果はKPIに入れられますか
技能伝承や作業者の負担軽減のような効果は、教育時間、問い合わせ件数、作業者アンケートなど測れる代理指標に置き換えます。代理指標を置けない効果は、KPIとは別に記録しておくにとどめます。
- Digital manufacturing: escaping pilot purgatory（McKinsey, 2018-07）
- AI Adoption in 2024: 74% of Companies Struggle to Achieve and Scale Value（BCG, 2024-10-24）
- Predictive Maintenance ROI Benchmarks（Reliable Media, 2026-06-09）
- Forecast Evaluation for Data Scientists（Hewamalage, Ackermann, Bergmeir, arXiv 2203.10716, 2022）
- Global Lighthouse Network 2025: 12 new sites（World Economic Forum, 2025-09-16）
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。
