記事公開日
AI×製造業―不良原因の究明と予知保全を支えるデータ設計

【この記事の要約】
- 製造業のAI活用の壁は、AIの性能よりも、不良・設備・保全・文書の記録がつながっていないこと。用途ごとに、先にそろえるデータを確認します。
- 不良原因の究明は記録のひも付け、予知保全は設備ログと保全記録のそろえ方が出発点です。
- AIの出力は提案までにとどめ、実行は人が行います。最初の一歩は、困っている不良1件の関連記録を1枚の表に書き出すことです。
⏱ 読了目安:約8分
1. 製造業のAI活用でデータが壁になる理由
結論:製造業でAI活用が広がらない大きな要因は、AIの性能よりも、同じ事象を指す記録が、紙・設備ログ・個人のExcelに分かれていて、つなげないことです。
外観不良が増えた朝を想像してください。検査記録は紙の帳票に、設備の稼働ログは制御機器の中に、製造条件の変更は担当者のExcelに残っています。原因を調べる会議は記録を探して突き合わせる作業から始まり、議論に入る前に1日が終わります。
McKinsey & Companyは2025年12月の記事で、売上10億ドル以上の製造業の上級オペレーション幹部101人への調査(2025年6〜7月)をもとに、AI導入が探索段階か限定導入にとどまる企業が約3分の2、完全に統合できている企業は2%と述べています。同じ調査では、データまたはIT/OTシステムに制約があるとの回答が46%で、内訳は老朽化したインフラ19%、データ品質の低さ18%です。
国内でも、経済産業省・厚生労働省・文部科学省が2026年5月に公表した「2026年版 ものづくり白書」の概要は、製造現場のデータを取得している事業者に比べ、取得したデータを活用して効果を得ている事業者は少ないと整理しています。
本記事では、不良原因の究明、予知保全、技能継承の3つで、先にそろえるべきデータと任せる範囲を整理します。
2. 用途別に、必要なデータとAIに任せる範囲を見極める
結論:AIで何をするかを決める前に、その用途で必要な記録が今どこまでそろっているかを確認します。用途によって必要なデータが違うため、データの状態から着手する用途を選ぶほうが失敗しにくくなります。
| 用途 | 最低限そろえるデータ | AIに任せやすい範囲 | 人が判断する範囲 | 着手の目安 |
|---|---|---|---|---|
| 不良原因の究明 | 不良記録(現象コード)、ロット番号、製造条件、設備ID | 条件の違いの洗い出し、原因仮説の候補出し | 原因の確定(現物・現場での確認) | 不良記録が電子化され、ロット番号で他の記録とつながる |
| 予知保全 | 時刻付きの設備ログ、故障・修理の記録 | 通常時と違う挙動の検知、保全の優先度の提案 | 停止や部品交換の判断 | 故障が設備・日時・症状とともに記録されている |
| 保全・技能のナレッジ検索 | マニュアル、トラブル対応記録、文書の版と機密区分 | 該当箇所の検索、要約 | 回答を作業に使うかの判断 | 文書が電子化され、どの機種・どの版かが分かる |
| 外観検査(画像) | 良品・不良品の画像、判定基準 | 合否の候補の仕分け | 判定基準の決定、境界事例の判断 | 判定基準が文章と見本で定義されている |
まず自問すべきは、「一番困っている不良や故障の関連記録は、どこにあり、誰が持っているか」です。答えられない用途は、まず記録の置き場所の整理から始めます。
3. 不良原因の究明:必要なのは「記録のひも付け」
結論:不良原因の究明では、不良記録と製造条件・設備ログ・材料の記録を、ロット番号・設備ID・時刻の3つでつなげる状態を先につくります。
よくあるのは、同じ不良が人によって「キズ」「スクラッチ」「外観NG」と別の言葉で記録されている場面です。AIに原因を探させても、同じ不良として集計できません。PwC Japanグループは2026年8月の論考で、AIが使えるデータには、従来の正確性や一貫性に加えて、理解しやすさや追跡可能性が重要になると述べています。製造現場でいえば、現象を示す言葉をそろえ、ロットごとの設備をたどれることです。
| 記録 | 項目の例 | つなぐキー |
|---|---|---|
| 不良記録 | 品番、ロット番号、発生工程、検出日時、現象コード、数量 | ロット番号 |
| 製造条件・実績 | ロットが通った設備と時刻(製造実績)、条件セット名、条件値と変更の履歴 | ロット番号、設備ID+時刻 |
| 設備ログ | 設備ID、タイムスタンプ、稼働状態、警報 | 設備ID+時刻 |
| 材料・部品 | 材料ロット、仕入先、受入検査の結果、製品ロットとの対応 | ロット番号(対応表が必要) |
| 不良記録 現象コードをそろえる | ▶ | ロットで特定 製造条件・材料へ | ▶ | 設備ID+時刻 設備ログへ | ▶ | AIが候補を提示 条件の違いを洗い出す | ▶ | 人が現物で確認 原因を確定する |
実務で見落としやすいのが、設備ごとに時計がずれていることです。時刻でつなぐ前提の分析は、設備間で数分ずれているだけで、条件の変化と不良の発生が対応しなくなる場合があります。最初に対象設備の時刻をそろえておきます。
AIが示すのは条件の違いや相関の候補です。Microsoftが提供し、MIT Technology Reviewに掲載された2026年10月の記事も、事前にシミュレーションで検討できても物理的な検証は不要にならないと述べています。原因の確定は現物で確認します。
全項目をそろえるのが難しい場合は、不良の多い1つの品番・1つの工程に絞り、現場が迷わず選べる数種類の現象コードから始めます。全品番・全工程の統一は、その後でかまいません。
4. 予知保全:設備ログと保全記録をそろえる
結論:予知保全は設備ログだけでは成立しません。「いつ・どの設備に・何が起きたか」を残した保全記録とそろえて初めて、ログの変化と故障を結びつけられます。
設備ログは大量にあるのに、修理の記録は「ベルト交換」とだけ書かれた日報で、設備IDも日時も症状もはっきりしない場面は珍しくありません。これでは、ログの異常が故障につながっていたかを確かめる「正解」がありません。保全の担当者は記録を読み返して故障の日時を推測することになり、AIの学習に使える形になりません。
もう一つの現実的な制約は、故障の事例が少ない設備では、故障を学習する方式の予知保全が成り立たない場合があることです。そうした設備では、通常時との差を見る監視や保全計画の見直しを優先します。センサーの追加は、故障の影響が大きい設備に絞って検討します。最初の一歩は、点検記録と警報の履歴に、設備ID・日時・症状・対応内容の4項目を残す運用にそろえることです。
5. 技能継承:まず文書を検索できる状態に整える
結論:熟練者の知識をAIに引き継ぐ第一歩は、すでに文書になっているもの(マニュアル、トラブル対応記録、過去の不具合報告)を、検索できる状態に整えることです。
ベテランが異動し、「この異音はどうすればよいか」と聞ける相手がいなくなります。マニュアルには載らず、過去のトラブル対応記録は紙のファイルに埋もれています。PwC Japanグループは同じ論考で、熟練工の暗黙知は言語化しにくいこと、紙ベースの作業が残ること、設計情報の漏えいへの注意を課題に挙げています。
文書をAIで検索できるようにするときは、次の3点を先に決めます。
- 版と対象機種:どの機種の、いつ時点の手順かを文書に付けます。付いていないと、古い手順を最新のように答えてしまいます。
- 機密区分:図面や製造条件は、見せてよい範囲を区分します。詳しくはAIエージェントに渡すデータの権限設計を参照してください。
- 根拠の表示:回答に文書名とページを示させ、作業に使う前に人が確認します。
AIが検索・要約できるのは書かれていることだけです。書かれていない暗黙知は、困った案件を1件選び、ベテランに聞いて書き残すところから始めます。非構造化データの整え方はAIエージェントが動かない本当の理由でも触れています。
6. AIに任せる範囲:意味・権限・記録を決める
結論:製造現場では、AIの出力を提案までにとどめ、設備への指令や条件の変更は人が実行する範囲から始めるのが現実的です。
Microsoft提供の前述の記事は、データは「何が起きているか」を示すが、「何をすべきか」「どの制約を超えてはならないか」「いつ人の判断が必要か」は、現場の知識が文脈として与えるものだと述べています。導入時の規律として、変更してよい範囲の権限、安全境界の定義、意思決定と行動の記録を挙げています。 Google Cloudも2026年9月の自社ブログで、現場の手書きログや紙のマニュアル、個別の制御機器にデータが分断されている状況を課題とし、人が監督する形でのAI活用を強調しています。
- 見てよいデータの区分:図面・製造条件・顧客仕様を、公開可・社内限定・機密の3区分に分け、機密区分は外部のAIサービスに入力しません。
- 提案と実行の線引き:AIは「この条件が怪しい」という提案まで。条件変更や設備の停止は、担当者が確認して実行します。
- 記録:AIが参照したデータと提案を残し、後で振り返れるようにします。
用語の定義が部門でずれている場合はAIエージェントのためのデータ定義整備も参考になります。
7. 最初の90日でやること、足りないときの代替ライン
結論:最初は1つのラインの1つの不良、または1台の設備に絞り、記録のつなぎ方を決めるところまでを最初の30日の目標にします。
| 期間 | やること | 成果物 |
|---|---|---|
| 〜30日 | 対象を1つ選び、関連する記録の置き場所と持ち主を洗い出す。現象コード・設備ID・ロット番号の扱いを決める | 記録の一覧、コード表 |
| 31〜60日 | 既存の記録を同じ形式にそろえてつなぎ合わせ、欠けている部分を確認する | つなげた記録、欠損の一覧 |
| 61〜90日 | AIに原因や異常の候補を出させ、現場が現物で確認し、当たり外れを記録する | 検証の記録、拡大するかの判断 |
90日は目安で、延ばしても構いませんが、30日ごとに「次に進めるか」を決めることは省かないでください。準備の全体像はAIエージェント導入前のデータ整備チェックリストで5軸に整理しています。
代替ラインも用意しておきます。電子化されていない帳票は、スマートフォンで撮影し、設備IDと日時を付けて保存するだけでも、探す時間が短くなります。現場の入力項目は増やさず、いまの帳票の項目を使います。
8. よくある失敗パターンと想定される損失
先にAI製品を選び、記録がつながらないパターン
検証を始めてから、不良記録と設備ログが結び付かないと気づきます。品質保証と生産技術の担当者がデータをつなぎ直す間、検証は止まり、経営層は成果を確認できません。
コードを統一せず、複数工場に展開するパターン
工場ごとに不良の呼び方が違うため、本社の分析担当者が数値の読み替えに追われ、工場間の比較ができません。
現場の入力負担だけを増やすパターン
入力項目を増やすと、空欄や適当な入力が増えます。AIの出力が外れ始めると「当てにならない」と使われなくなり、現場の信頼を取り戻すのに時間がかかります。
9. まとめ:最初の一歩は「困っている不良1件」の記録を集めること
製造業のAI活用は、AIの選定より先に、記録をつなげられる状態にできるかで成否が分かれます。まず、いま一番困っている不良を1件選び、その不良に関係する記録(検査記録、製造条件、設備ログ、材料ロット)が、どこに、誰の手元にあるかを1枚の表に書き出してください。そのうえで、現象コード・設備ID・ロット番号がつなぐキーとして使えるかを確認し、AIに任せる範囲と人が判断する範囲を決めます。
【本記事のまとめ】
- 壁はAIの性能よりも、不良・設備・保全・文書の記録がつながっていないこと。用途ごとに必要な記録を確認してから着手する
- 不良原因の究明は記録のひも付け、予知保全は設備ログと保全記録、技能継承は文書の版・機密区分・根拠表示が出発点
- AIの出力は提案までにとどめ、実行は人が行う。まず困っている不良1件の関連記録を1枚の表に書き出す
製造業のAI活用に向けたデータの棚卸しや、不良原因の究明・予知保全に使う記録の整え方でお悩みの経営層・DX推進担当の方は、株式会社コネクトデータのデータ活用コンサルティングで、現状整理から最初の90日の計画づくりまでご相談いただけます。
10. よくある質問
- Q. センサーのない古い設備でも、AI活用は始められますか?
- A. 始められます。不良記録・点検記録・保全記録・マニュアルといった既存の記録は使えます。まず、それらに設備ID・日時・症状を残す運用にそろえ、センサーの追加は故障の影響が大きい設備に絞って検討します。
- Q. 生成AIと、予知保全に使う機械学習は、何が違いますか?
- A. 予知保全に使う機械学習は、設備ログなどの数値から通常時との違いや故障の兆しを見つけるのが得意です。生成AIは、マニュアルや報告書の検索・要約・下書きに向いています。必要なデータも違い、前者は時刻付きの設備ログと保全記録、後者は版と機密区分のそろった文書が出発点です。
- Q. 図面や製造条件を、社外のAIサービスに入力してもよいですか?
- A. 情報を公開可・社内限定・機密の3区分に分け、機密区分は外部のAIサービスに入力しないことを最低ラインにします。そのうえで、利用するサービスの契約で、入力データの保存場所とAIの学習に使われるかどうかを確認し、社内規程に反映します。




