この記事は はじめての製造業AI 第4章「本番に載せて定着させる」の 4-1 です。次に読む：製造業AIの運用保守：精度劣化・再学習・モデル管理の3つの仕組み

PoC死は個別の失敗ではなく、構造の問題

PoCで止まる現象は、日本だけの話ではありません。海外の調査は、一貫して「パイロットの大半が本番・全社展開に進めない」ことを示しています。

インダストリー4.0のパイロットを始めて、先に進めなかった企業
78%
McKinsey（2019年2月、グローバル調査）
デジタル製造を全社展開できた企業
約30%
McKinsey（2018年7月、7市場・700社超）
インテリジェント工場の取り組みがパイロット段階にとどまる企業
74%
WEF（2020年、RTInsights報道）

調査の時期や定義は違いますが、7割前後がパイロットで止まるという傾向は共通しています。McKinseyの2018年調査では、障壁として人材69%、ROIの欠如61%、ビジョンの欠如59%、IT環境の不備44%超が挙がりました。モデルの精度不足は、上位の理由に入っていません。

McKinseyの2019年の資料は、パイロットが止まる理由として次の5つを挙げています。

  • 短期の成果では事業性を正当化できない
  • ITシステムとデータの統合が難しい
  • 部門間の連携が弱い
  • 声の大きい推進者に合わせた設計になる
  • 組織・文化の変化を過小評価する

PoCと本番の間にある「4つの溝」

PoCと本番では、求められる条件が大きく違います。PoCの成功は、この溝を越えられることを意味しません。

観点PoC本番
データの入り口担当者が手作業で集めたデータ設備・MESから自動で、止まらずに入る
結果の出口報告書やダッシュボードMESへの書き戻し、ロットのホールド、作業指示
対象範囲1ライン・1品種・限られた期間全品種・季節・材料ロットの変化を含む
運用ベンダーとデータサイエンティストが見る現場が使い、精度の監視と再学習が続く
PoCと本番の間にある、データの入り口、結果の出口、対象範囲、運用の4つの溝 PoC精度は確認できた 本番現場で使われ続ける 1. データの入り口を自動化する 2. 結果をMES・業務に戻す 3. 全品種・季節に広げる 4. 監視・再学習を運用する
PoCと本番の間の溝。モデルの精度はPoCで確認できても、データの入り口・結果の出口・範囲・運用の4つは本番設計で初めて問われる。

PoCが「モデルの精度を確かめる」ことだけを目的にしていると、この4つの溝は本番の設計段階で初めて見つかります。そこで追加の費用と期間が分かり、事業性が崩れて計画が止まります。これがPoC死の典型的な構造です。

本番に載せるための6つの条件

PoCで止まらないためには、次の6つをPoCの計画段階から満たしておきます。

  1. 効果がP/Lの金額で定義されている：AIの精度ではなく、不良率・停止時間・工数など工場のKPIと、その金額で目標を置きます。精度90%という結果だけでは、経営層は本番予算を判断できません。
  2. 本番と横展開の費用がPoC前に見積もられている：本番で必要なカメラや照明の追加、MES連携の開発、ラベル付けの継続作業、2ライン目以降の費用を、PoCを始める前に概算します。McKinseyの資料でも、短期の成果で事業性を正当化できないことが止まる理由の筆頭です。
  3. データの入り口が本番と同じ経路で検証されている：PoCのデータを手作業で集めず、本番と同じ設備・MESからの経路で取ります。手作業のデータで出た精度は、本番の精度を保証しません。
  4. 結果の戻し先が決まっている：AIの判定や予測を誰が受け取り、どの業務を変えるかを決め、MESへの書き戻しやアンドン、作業指示につなぐ方法を確認します。結果がダッシュボードに表示されるだけのAIは、PoCの後に使われなくなりやすいです。
  5. 運用のオーナーがいる：本番で精度を監視し、再学習や閾値の変更を判断する担当（現場部門の責任者と、IT/OTの担当）を決めます。ベンダーやPoCチームが去った後に誰も見ない状態を防ぎます。
  6. 判断のゲートと判断者が決まっている：PoCの終わりに「本番に進むか」を決める場、判断者、合格ライン、中止条件を事前に決めます。

データ基盤を「ユースケース共通の資産」として作る

6つの条件のうち、3と4（データの入り口と結果の出口）は、テーマごとに個別に作ると費用がかさみます。設備データの収集、MESのロット・品質データとの紐付け、結果の書き戻しの仕組みを、複数のAIテーマで共有できる基盤として作ると、2つ目以降のテーマの本番化が速くなります。

2018年のMcKinsey調査では、工場の半数以上をカバーする全社的なデータレイクを持つ企業は20%でした。多くの企業では、AIのテーマごとにデータを集め直している状態だと推測されます。データ基盤の段階的な作り方はデータ基盤の段階的導入ロードマップ、PoC死の調査の詳細はPoC死（パイロット煉獄）の実態で扱っています。

これらが空欄のままPoCを始める場合は、PoCを止めて先に埋めることをおすすめします。PoCの設計手順は製造業AIのPoC設計を参照してください。

よくある質問

PoCで精度が出たのに本番予算が付きません。何が足りないのでしょうか？

多くの場合、効果の金額と本番の総費用が示されていません。精度の結果を、不良率・停止時間・工数の改善額に換算し、本番と運用の費用と並べて回収期間を示すと、判断の材料になります。

PoCを何回も繰り返しているのに本番に進みません。どうすればよいですか？

PoCごとに中止条件と判断者を決めていないと、検証の延長が続きます。次のPoCでは、開始前に合格ライン・期間・中止条件・判断者を文書にし、結果が出たら必ず判断の場を設けてください。

データ基盤を先に作ってからAIを始めるべきですか？

目的のないデータ基盤づくりは、費用と時間がかかり成果が見えにくくなります。最初のAIテーマに必要な範囲でデータの入り口と出口を作り、その仕組みを次のテーマでも使える標準にしていく進め方が現実的です。

この記事に出てくる用語

用語集（日・英・中）をすべて見る

この記事のテーマ
#PoC#導入戦略#データ基盤
この特集について

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

  1. 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
  2. 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
  3. 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
  4. 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
特集の記事をすべて見る →

この記事を書いた人

株式会社サオス

株式会社サオス 製造DX部

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。

運営者情報　編集方針　株式会社サオスのサイト