データに関する誤解
誤解1：データは多いほどよい
必要なのは量より「ばらつきを代表しているか」と「正解が揃っているか」です。外観検査の良品学習なら、数十〜数百枚でも、ロット・材料・照明の変化を含んだ良品画像が揃っていれば始められます。逆に、同じ条件で撮った1万枚は1種類の条件しか表していません。研究で使われる外観検査のデータセットMVTec ADでも、1カテゴリあたりの良品学習画像は平均200〜250枚程度です。
誤解2：データはもう取っているから大丈夫
取っていることと使えることは別です。2026年版ものづくり白書の図表では、一連の製造プロセスのデータを取得している事業者は7割弱（66.0%）でしたが、取得データを活用しているのは51.4%、効果が出たのは43.9%でした（RIETI BBL資料から読み取った値）。タグ名の不統一、時刻のずれ、ロットとの紐付けがないことが、取得と活用の差になります。
誤解3：不良データがないとAIは作れない
不良サンプルが少ない段階では、正常データだけで学習する異常検知（良品学習）が使えます。キユーピーの原料検査装置は、不良品のパターンではなく良品のパターンを学習し、良品以外を不良とする方式で精度を上げたと報じられています。ただし評価用の実際の不良サンプルは、少数でも必ず確保します。
精度に関する誤解
誤解4：精度99%なら現場で使える
論文やベンダー資料の精度99%は、条件の整ったデータで測った値であることが多いです。外観検査の代表的手法PatchCoreは、MVTec ADで画像レベルAUROC（閾値に依存しない指標）最大99.6%ですが、部品の欠落などの論理的な異常を含むデータを加えた3データセット平均では91.1まで下がります。現場では、決めた閾値での見逃し率と過検出率で評価します。
誤解5：AIは100%正しくなければ使えない
人の目視検査も100%ではありません。比べるべきは「現在の人の判定と比べて、見逃しと過検出がどう変わるか」です。見逃しをゼロに近づけるよう閾値を下げ、増えた過検出を人の再検査で吸収する運用が一般的です。
誤解6：一度作ったモデルはずっと使える
材料ロット、季節、設備の改造でデータの傾向は変わり、精度は落ちます。精度の監視と再学習の仕組みがないAIは、数か月で使われなくなります。運用保守の仕組みは導入前に決めておきます。
効果と組織に関する誤解
誤解7：PoCで成功すれば本番も成功する
McKinseyの2018年調査（700社超）では、デジタル製造ソリューションを全社展開できた企業は約30%でした。BCGの2024年調査では、AIで具体的な価値を出せている企業は26%にとどまります。PoCの成功と本番の成功の間には、データ連携、業務への組み込み、運用体制の壁があります。
誤解8：AIの成否はアルゴリズムで決まる
BCGは資源配分の目安を「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。手法の選択より、現場の業務にどう組み込むかと、データをどう整えるかの方が成否に効きます。
誤解9：AIを入れれば人員を減らせる
厚生労働省の令和8年版労働経済白書（2026年9月公表）は、AIによる大規模な雇用減少の明確な証拠はまだないとしています。Deloitteは、産業機械などで作業時間の81%以上は今後も人間主導で残ると分析しています。AIの効果は、人を減らすことより、同じ人数で検査の全数化や保全の早期化をすることで出る場合が多いです。
誤解10：最新の生成AIを使えば製造の課題は解ける
WEFのグローバル・ライトハウス・ネットワークの2025年1月コホートでは、上位ユースケースの77%が分析系AIによるもので、生成AIを使ったものは9%でした。工場の成果の多くは、検査・予知・最適化といった従来型のAIから出ています。生成AIは文書検索や手順書作成に強く、数値の予測や判定は従来のAIの領域です。
誤解を避けるための確認事項
よくある質問
AIの精度は何%あれば合格ですか
決まった数字はありません。現在の人の判定の見逃し率・過検出率と比べ、流出不良のコストと再検査の工数を金額に直して判断します。合格ラインの決め方はPoCの評価指標で詳しく扱っています。
データが少ない中小企業でもAIは使えますか
使える場面はあります。良品学習の外観検査、事前学習済みモデルの転用、ルールとAIの併用などは少ないデータでも始められます。ただし、評価用のデータと正解の定義は量が少なくても必ず用意します。
AIはルールベースの仕組みより必ず優れていますか
いいえ。判定基準を言葉や数式で書けて、条件の変化が少ない課題では、ルールベースの方が安く、説明もしやすいです。AIは基準を書き下せない課題や、条件が多すぎてルールが破綻する課題で使います。
- 2026年版ものづくり白書 RIETI BBL資料（経済産業省, 2026年6月26日）
- Towards Total Recall in Industrial Anomaly Detection（Roth et al., CVPR 2022）
- EfficientAD（Batzner et al., arXiv 2303.14535）
- Digital manufacturing: escaping pilot purgatory（McKinsey, 2018年7月）
- AI Adoption in 2024: 74% of Companies Struggle to Achieve and Scale Value（BCG, 2024年10月24日）
- AI投資で成果を出す企業は何が違うのか（ITmedia エンタープライズ, 2026年10月1日）
- 2026 Manufacturing Industry Outlook（Deloitte Insights, 2025年11月13日）
- Global Lighthouse Network 2025（World Economic Forum, 2025年1月14日）
- AIで原料を判定、キユーピーの挑戦（MONOist, 2020年4月3日）
- MIT report: 95% of generative AI pilots at companies are failing（Fortune, 2025年8月18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。
