どの業務にAIを入れるか——製造業の3軸診断フレーム

製造現場でAI導入の議論が始まると、決まって「どの業務から始めるか」という話になる。候補が5つ6つと出てきて、どこから手をつければいいかわからなくなる——そういう状況を、何度も見てきた。

問題は、出発点が間違っていることだ。「どこから始めるか」より先に、「どこには入れられないか」を決めるべきだ。この順番を逆にすると、導入後に「思っていたのと違う」が必ずついてくる。目視検査にAIを入れようとしたが画像データが整備されていなかった、生産計画をAIで自動化しようとしたが調整ルールが属人的すぎて機械化できなかった——現場でよく聞く話だ。

まず「入れられない業務」を仕分けする。そこから始めると、「入れられる業務」が自然に残る。その業務に集中することで、社内合意も取りやすくなる。

AI適用に向いている業務の2条件——繰り返し性と判断の構造化可否

AIが本領を発揮するのは、業務そのものの性質として次の2条件がそろう業務だ（データ状況とコスト対効果は後段の3軸診断で扱う）。

① 繰り返し性が高い 毎回同じ手順で行う業務。判断や操作のパターンが安定していること。外観検査、定型レポートの作成、在庫補充の判断などが典型例だ。逆に、毎回違う状況への対応が求められる業務——設備トラブルの一次対応、顧客からの仕様変更交渉、現場調整——はAI単体で担うのが難しい。

② 判断を構造化できる 「ベテランの勘」は、実は複数の条件が重なった判断だ。「このキズの大きさと場所ならOK、あの位置なら不合格」——その基準が言語化・数値化できる業務であれば、AIに学習させることができる。判断基準そのものが毎回変わる業務、あるいは感性や経験値が不可欠な業務は、現時点では適用が難しい。

最初に作るべきはAIシステムではなく、判断の地図だ。自社の業務をこの2条件で評価すると、「入れられない業務」が先に見えてくる。

品質検査・設備保全・生産計画——事例で見るAI適用の可否

製造業でAI効果が出やすい領域として、品質検査・設備保全・生産計画がよく挙げられる。ただし事例をそのまま自社に当てはめると失敗する。それぞれの「適用できる条件」と「適用できない条件」を見ておく必要がある。

品質検査（外観検査） AI画像検査は現在、50ミクロン（0.05mm）レベルの欠陥を99%超の精度で検出し、1時間に1万点超を処理できると報告されている。対する検査員の精度は70〜80%とされ、しかも2時間の連続作業で精度がさらに15〜25%低下する。加えて検査員間で欠陥の重大度判定が一致する率は55〜70%にとどまるという（出典：ifactoryapp.com, 2026年。以降のベンダー系数値もすべて公表値のため幅を持って見る必要がある）。

ただし、これは「何をもって合否とするか」の基準が明確な業務の話だ。基準が担当者によって異なる、あるいは文書化されていない工場では、まず合否基準の明文化が先になる。

設備保全（予知保全） センサーデータと故障履歴がそろっていれば、AI予知保全のROIは250〜300%が報告されている（出典：tech-stack.com, 2026年）。条件はシンプルで、センサーが付いていること、稼働データが記録されていること、そして「どんな前兆で壊れるか」の事例が一定数あること。この3点がそろわない工場では、まず計測環境の整備が第一歩になる。

生産計画・スケジューリング IDCの予測では、近い将来40%超の製造業がAIスケジューリングを導入し、2030年には65%に達するとされる（出典：tech-stack.com, 2026年／IDC FutureScape引用）。ただし、生産計画が属人化している工場では、「Aさんしか組めない工程計画」の中に暗黙の調整ルールが埋まっている。そのルールを棚卸しする前にAIを入れると、計画品質がベテラン担当者以下になる。繰り返し性と判断の構造化可否を最初に確認する理由は、ここにある。

「うちには向かない」と思う前に確認すべきデータの現状

「うちはAIに向いていない」と感じる担当者の多くは、業務特性の問題ではなく、データの問題を抱えている。デジタル化に着手している工場は増えているが、AIが動かせるレベルで整備されているかは別の話だ。

データ状況の確認ポイントは3つだ。

記録があるか：過去の実績・異常・判断の記録が電子データとして存在するか。手書きでも、後からデジタル化できる状態か。

品質があるか：欠落・誤記・バラツキが許容範囲内か。測定器が違う、担当者によって記録粒度が違う、といった問題はないか。

量があるか：AIが学習できるサンプル数があるか。外観検査の不良画像であれば、良品・境界品・不良品などクラスごとに500〜2,000枚が目安とされる（出典：ifactoryapp.com, 2026年）。

この3点を確認してから、コスト対効果の評価に進むのが正しい順番だ。「データがない」から「AIに向かない」と判断してしまうのは早計で、記録の仕組みを整備すれば適用候補になる業務も多い。

中小製造業の3軸診断の進め方——自社業務への当てはめ方

3軸診断とは、次の3つの軸で業務を評価するフレームだ。

コスト対効果の見立て方は次のように分解する。現行コストは「その業務に年間何人時かかっているか」で測る。AI導入費はツール利用料だけでなく、データ整備・現場教育の工数まで含める。運用負荷は「誰が精度を監視するか」「精度が落ちたとき誰が判断・介入するか」を具体的な担当者名で書き出す。この3点を見積もって初めて、コスト対効果に◎○△×を付けられる。

進め方はシンプルだ。自社の主要業務を10〜20件リストアップし、各業務に対して3軸を◎○△×でチェックする。◎○が多い業務が「今期の適用候補」、△が多い業務が「整備後に適用候補」、×が多い業務が「当面は入れない業務」になる。

重要なのは「△」の業務だ。「業務特性△」であれば、業務の標準化を先に進めることで適用の道が開ける。「データ状況△」なら、記録の仕組みを整えることで条件が変わる。AIを入れる前に何をすべきかが具体的に見えてくる——これがこのフレームを使う最大の利点だ。

経営会議・社内説明で使える適用可否のトーク構成

適用候補の業務が決まったら、次は社内説明だ。「このAIを入れたい」と言っても、「費用対効果は？」「本当に使えるのか？」で止まるケースが多い。3軸診断の結果を使えば、この問いに答えやすくなる。

① 入れられない業務を先に示す 「この業務にはAIは向きません」と先に言う。判断の根拠（データが不十分・ルールが属人的）を添えると、残りの適用候補の信頼性が上がる。「なんでも入れたい人」ではなく「判断できる人」として見られる。

② 最初の1件で出せる数字を示す ROI（投資対効果）目標を「○ヶ月で回収」の形で提示し、削減できるコストや工数の推計値、測定指標（何を、どう測るか）の3点を明示する。ここが「検討で止まる会議」と「前進する会議」の分かれ目になる。

③ 失敗した場合の撤退基準を先に設ける 「○ヶ月後に精度が○%未満なら見直す」という出口条件を最初から合意しておく。これがないと、効果が出ない状態でもズルズル続けることになる。出口を決めておくことで、経営層の「失敗するんじゃないか」という不安を和らげる効果がある。

この3点セットのトーク構成は、「不確かなことに投資できない」という反応を「やってみて判断しましょう」に変える力がある。

まとめ

「どの業務にAIを入れるか」を考える前に、まず3軸診断で「どこには入れられないか」を仕分けする。業務特性・データ状況・コスト対効果の3軸で自社業務を評価すると、「今すぐ適用できる業務」「整備後に適用できる業務」「当面は入れない業務」の3つに分かれる。

最初に取ってほしい行動は一つだ。自社の主要業務を10件リストアップし、3軸チェック表を埋めてみる。半日あれば終わる作業だが、その表が社内説明の骨格になる「判断の地図」に変わる。AIを入れるより先に、この地図を持つことが導入成功への最短距離だ。

参考・出典

• AI in Manufacturing: 2026 Guide to Smart Factory Success — ifactoryapp.com, 2026年（AI画像検査の精度・検査員比較・学習画像枚数の目安）
• AI Adoption in Manufacturing: Insights, ROI Benchmarks & Trends — tech-stack.com, 2026年（予知保全ROI、IDC FutureScape引用のスケジューリング普及予測）