結論から言うと、その目論見は半分だけ当たった。傷の有無を判定する画像検査の一部はAIが引き受けた。導入したのはクラウド型の画像検査パッケージで、機器・設置・初期学習費用の合計は200万円台前半の規模だったとされる。だが「この程度なら出荷して大丈夫」という、ベテランが長年培った微妙な線引きは、最後まで機械に移せなかった。数値化できない判断は、退職者の頭の中に残ったまま去っていった。
なお、その判断を組織として引き継ぐ手段はAIだけではない。標準書への言語化、判断場面を収録した動画マニュアルの整備、後継者との判定事例の読み合わせといったアナログの仕組みも、AIと並行して機能する。こうした記録化の取り組みについては「今後の技術動向と構造的課題」の節でも触れる。
この「半分当たって半分外れる」感覚こそ、製造現場でAIを試した担当者が最初にぶつかる壁だ。何ができて何ができないのか。その境界線は、思っているより手前にある。
外観検査AIの実態：できることとつまずく点
画像分類が得意な理由
外観検査、つまり製品の傷や欠けを見つける工程は、AIが比較的得意とする領域だ。理屈は単純で、正常品と不良品の画像を大量に見せておけば、「これは正常」「これは異常」の分類は機械が回せる。視覚認識と動作制御を結びつける技術は年々こなれてきている。
製造業向けの画像検査AIについては、たとえばキヤノン株式会社が産業用画像処理ライブラリ「HALCON」（ドイツ・MVTec社製）の国内販売を通じて工場向けソリューションを展開しているほか、オムロン株式会社が2023年度の統合レポート（オムロン株式会社「2023年度 統合レポート」2023年度時点）の中で製造現場向けAI検査への取り組みを報告している。ただし、こうした大手の技術基盤が中小製造業の現場にそのまま適用できる状況にあるかどうかは別の問いであり、後述するコスト・データ要件を踏まえた判断が必要だ。
「不良品画像が集まらない」問題と現実的な対処法
現場でやってみると、すぐ落とし穴にはまる。学習させる不良品の画像が、そもそも足りないのだ。優秀な工場ほど不良が出ない。不良が出ないから、AIに「これがダメな例です」と見せる教材が集まらない。品質管理がしっかりした現場ほど、AIに教える材料に困るという皮肉な構造がある。
この問題に対しては、現在いくつかの手段が使われている。
一つは「正常品だけを覚えさせて、そこから外れたものを弾く」異常検知（正常品のパターンを学習し、逸脱を異常と判定する手法）への切り替えだ。不良品サンプルがゼロでも着手できる点が利点で、少量多品種の中小製造業で選ばれやすい。
二つ目はデータ拡張（既存の画像を回転・反転・明度調整して人工的にサンプル数を増やす手法）で、学習用データが100枚未満の段階でも一定の精度を出せる場合があるとされる。
三つ目は転移学習（大量のデータで事前に学習済みのモデルを流用し、少ない追加データで自社製品に適応させる手法）で、学習に必要なデータ量とコストを大幅に圧縮できる。ImageNetなど大規模公開データセットで学習したモデルを産業用途に転用する事例が報告されており、経済産業省「製造業のDXの現状と課題」（2022年3月時点）でも中小製造業における少量データ活用の課題が取り上げられている。
四つ目は合成データ生成（正常品の3Dモデルや画像から、傷・変形・異物などの不良をコンピュータ上でシミュレーションして疑似的な不良品画像を作り出す手法）だ。NVIDIAが同社のシミュレーション基盤「Isaac Sim」を活用した製造業向け合成データ生成の用途を公式ドキュメントで紹介しており（NVIDIA公式ドキュメント「Isaac Sim Overview」2024年時点）、同様の機能を提供するベンダーも複数存在する。合成データは実際の不良品画像と品質差があるため、実サンプルとの組み合わせが推奨されている。
これらの手法が現実的かどうかは業種・製品形状・予算によって異なる。転移学習や合成データを活用できるベンダーを選ぶかどうかも含め、PoC（概念実証、小規模試験導入）の段階で確認することが現実的だ。
異常検知に切り替えたある工場では、一定の成果を上げた。だが今度は、正常のバリエーションが広い製品、たとえば手作業の要素が残る部品では、正常なのに弾かれる誤検知が増えた。現場の作業者が再確認に追われる時間が発生し、削減したはずの工数が別の場所で膨らんだ。便利にするはずの仕組みが、入れた瞬間に別の作業を生む。この逆転は製造現場では特に見えやすい。
中小企業が画像検査AIを使える現実的な条件
現時点で中小企業が現実的に使えるのは、クラウド型の画像検査SaaSや、AIカメラベンダーが提供するパッケージ製品が中心だ。国内で導入実績が報告されているものとしては、オムロン株式会社の「FHシリーズ」画像処理システムや、キーエンス株式会社の「XGシリーズ」などが中小製造業の事例紹介で名前が挙がることが多い（各社製品紹介ページ参照、2024年時点）。
費用の相場感として、機器・設置・学習込みで100万円台から300万円台が複数のベンダー事例で示されているが、検査対象の形状複雑度・ライン数・ネットワーク構成によって大きく変わるため、複数社への見積もり比較が前提となる。
不良品サンプルが各クラスあたり50〜200枚程度（ベンダーおよび採用手法によって異なる）揃わない場合、転移学習や合成データで補う前提でない限り、費用対効果が出ない可能性が高いと考えられる。この枚数に届かない段階では、後述する「周辺業務への先行投資」を優先するほうが合理的だ。
「言葉にならない判断」が移せない構造的な理由
暗黙知と明文知の境界線
冒頭のベテラン検査員が持っていたのは、傷を見つける能力ではなかった。傷を見つけるだけなら、若手でもできる。彼の価値は「この傷は機能に影響しないから通す」「この位置の傷は客先でクレームになるから止める」という、製品知識と顧客事情を掛け合わせた判断にあった。
これがAIには移せない。移せない理由は技術力の問題ではなく、そもそも本人が言語化していないからだ。「なんとなく分かる」を、本人が説明できない。説明できないものは、AIに教えることもできない。
この問題はAIとは独立した課題でもある。判断の標準書化（手順・基準をテキストと図で明文化した文書の整備）、判定場面を収録した動画マニュアルの作成、後継者との判定事例の読み合わせといった取り組みは、AI導入とは別に先行して機能しうる。経済産業省「2022年版ものづくり白書」（経済産業省・厚生労働省・文部科学省、2022年5月時点）では、製造業における技能継承の課題として暗黙知の属人化が繰り返し指摘されており、こうした非デジタルの手段が依然として有効であることが示されている。
ベテランが非協力的になる心理的背景
AI導入を進めると、ベテランほど非協力的になる場面がある。表向きは「機械は信用できない」と言うが、内側では自分の判断基準を明け渡すことへの抵抗が働いている。行動経済学でいう保有効果（自分がすでに持っているものを客観的価値より高く評価する心理的傾向）が、暗黙知の移転を静かに妨げる。
これを責めても仕方がない。むしろ、暗黙知が言語化されないまま属人化している状態こそ、経営リスクとして先に手を打つべきものだ。AIを入れる入れないの前に、特定の人物にしか触れないブラックボックスが現場にいくつあるかを棚卸しするほうが優先順位として高い。
検査周辺の事務作業でAIが効く理由
記録・報告業務への適用で工数を削減した事例
意外だったのは、検査そのものより、その前後の事務作業でAIが効いたケースが多かったことだ。検査記録の転記、不良報告書の作成、客先への報告文面の下書き。こうした「現場の紙とデータの往復」は、生成AI（大量のテキストを学習し、指示に応じて文章を生成するAIの総称）が素直に引き受ける。
ある部品メーカー（従業員50名規模、金属プレス加工業）では、検査で見つかった不良の内容を作業者が音声で吹き込むだけで報告書の草案ができる仕組みを構築した。それまで1件あたり15分かかっていた報告書作成が、確認と修正込みで5分ほどに縮んだ。1日20件の検査が発生する工程では、1日で約3時間20分の削減になる計算だ。初期構築費用は外部ベンダーへの発注で50万円程度だったとされており、単純計算では数カ月で投資回収の水準に入ったと考えられる。ただし、費用対効果は工程の規模と報告件数によって変わるため、自社の実態に当てはめた試算が必要だ。
「周辺から入る」アプローチが社内合意を得やすい理由
注目すべきは、これが「検査を自動化する」話ではない点だ。判断は人間がやる。人間の判断を記録し、整理し、伝える部分だけをAIが担う。この役割分担が、製造現場では素直に機能しやすい。
理由は二つある。一つは、周辺業務には正解があるからだ。報告書のフォーマット、転記のルール、報告文の型。これらは明文化されている。明文化されているものはAIに渡せる。逆に、検査判断のように明文化されていないものは渡せない。境界線は「言葉になっているかどうか」でほぼ引ける。
もう一つは、周辺業務は失敗しても取り返しがつくことだ。報告書の下書きが多少ずれても、人間が直せば済む。だが検査判断を誤れば、不良品が客先に流れる。AIに任せる範囲を「間違えたときの被害の大きさ」で決めるという考え方は、製造現場では特に合理的に機能する。
社内提案の観点からも、「AIで検査を無人化します」と言えばベテランは身構え、経営陣は品質事故を恐れる。だが「検査記録の転記をAIに任せて、検査員が判断に集中できるようにします」と言えば、反対する理由が薄れる。同じAI導入でも、どこを狙うかを言い換えるだけで社内の空気は変わる。
導入を見送るべき条件と撤退基準
費用対効果が出ない典型パターン
AIを入れれば必ず効果が出るわけではない。以下の条件が重なる場合、少なくとも現時点での導入は見送るか、より小さなスコープに絞るべきだと考えられる。
不良品サンプルが極端に少ない工程（各不良クラスあたり50枚未満が目安）では、画像検査AIの学習精度が実用水準に達しない可能性が高い。転移学習や合成データで補える場合もあるが、ベンダーへの事前確認が前提となる。また、検査基準が顧客ごとに大きく異なり、かつ文書化されていない場合も、AIへの学習転用が困難だ。この場合はAI導入より先に、検査基準の文書化を優先したほうが長期的な投資効率が高い。
さらに、月間の不良報告件数が極めて少ない工程では、報告書作成の自動化による削減工数が小さく、構築・運用コストを回収しにくい。目安として月間50件未満の報告業務であれば、汎用の文書テンプレート整備で十分な場合が多い。
撤退・縮小の判断タイミング
PoC期間（通常3〜6カ月）を経ても誤検知率が現場の許容水準を超え続ける場合、または作業者の再確認工数が導入前より増加している場合は、縮小または撤退を検討する段階と判断できる。PoCの開始前に「この数値を下回ったら継続しない」という定量的な基準を決めておくことが、撤退判断を後から合理的に行うための条件になる。
今後の技術動向と構造的な課題
AI性能の進歩と製造現場への到達時間
AIの性能向上は継続しており、今日「機械には無理」とされている判断業務の一部が数年後には移せるようになる可能性はある。国内では、たとえばパナソニック ホールディングス株式会社が2023年度アニュアルレポート（パナソニック ホールディングス「2023 Annual Report」2023年度時点）の中で製造工程向けAI活用の中期投資方針を示しており、同様の開示は複数の大手製造業で確認できる。ただし、これらの大手企業の研究開発ロードマップが中小製造業の現場に適用可能な製品・サービスとして届くまでには、技術の商用化・価格の普及という段階を経る必要があると考えられる。個別の発表内容を判断の根拠とする際は、各社の公式プレスリリースや有価証券報告書を直接参照することを勧める。
技術が追いついても構造的な課題は残る
技術が進歩しても、暗黙知が言語化されていなければ移せないという構造は変わらない。ベテランの判断をAIに教えるには、まず人間がそれを言葉にする必要がある。その作業を誰が、いつ、どのように担うのかという問いこそ、AI導入で本当に問われる仕事だ。
冒頭の工場長は、退職者を引き止められなかった。だが、その反省から、残ったベテランの判断を少しずつ記録に残す取り組みを始めたという。AIに教えるためではなく、まず人間に引き継ぐために。標準書の整備も、動画マニュアルの撮影も、当初の目的はAI連携ではなかった。だが結果として、それが画像検査AIへの再挑戦の土台になった。AIを入れようとして、結局いちばん整理されたのは人間の頭の中だった。この順序の逆転が、製造現場ではよく起きる。
今日から取れる行動：自社の検査工程を棚卸しする手順
チェックリストと判断の基準
記事を読んだ翌日にそのまま使えるよう、以下の問いを自社に当てはめてほしい。これらは情報収集や社内稟議の前段として、担当者が単独で実施できる確認作業だ。
まず、現在の検査工程のうち、判断基準が文書化されているものとそうでないものを分けてみる。文書化されている工程が、AIに最初に渡せる候補だ。
次に、不良品サンプルが何枚手元にあるかを確認する。各クラス50枚未満なら、画像検査AIより異常検知・転移学習の活用または周辺業務自動化を先に検討するほうが現実的だ。転移学習や合成データ活用に対応しているかどうかを、ベンダー選定の条件として明示することも有効だ。
続いて、月間の不良報告件数・転記作業の合計時間を計測する。月間50件・月間10時間以上であれば、報告書自動化のPoC費用50万円前後は数カ月で回収できる可能性がある。この水準に満たない場合は、汎用テンプレートの整備を先行させるほうがコスト効率が高い。
最後に、自社の検査基準を「自分がいなくても説明できるか」をベテランに問うてみる。この問いへの答えが詰まるなら、AI導入より先に着手すべき知識整理がある。標準書化や動画マニュアルの作成はその出発点になる。
手応えがある仕事と見送るべき仕事の線引きは、この棚卸しの途中でしか見えてこない。
本記事はAI編集を経たのち、編集長が事実確認と品質チェックを実施しています。数値・事例は取材情報および公開情報をもとに構成していますが、個別の投資判断は必ず自社の状況に照らして検討してください。
本記事はAskiveのAIネイティブ編集部が執筆し、編集長 四月鶉（Yotsuki Uzra）が監修しています。内容は公開時点で確認できた情報に基づきます。