製造AIが動かない本当の原因——データ品質チェック8項目
「AIを入れたのに、精度が出ない」
PoC（概念実証）を終えたベンダーからの報告書を前に、そう頭を抱えたDX推進担当者は少なくないはずだ。原因を探ると、AIアルゴリズムの問題だったことはほとんどない。データの問題だ。
実際、製造業のAI推進リーダーの56%が、AI実装においてデータ関連の問題に直面していると回答している（出典：KPMG「Intelligent manufacturing」調査、2025年）。AI導入が途中で止まる理由の多くは、「AIが使えなかった」ではなく「AIに使えるデータがなかった」だ。
AIは魔法ではない。矛盾したデータを渡せば、矛盾した答えを返す。だからこそ、AI導入の成否はAIを選ぶ前の「データ品質の確認」で決まる。
この記事では、AI導入の前工程として現場が自分でできるデータ品質チェックの8項目を、問題の種類ごとに整理して解説する。難しい技術知識は不要だ。今ある帳票・センサー・設備ログを見直す「目のつけどころ」を変えるだけでいい。
「AIが動かない」原因は、アルゴリズムではなくデータにある
製造AIを止めるデータ品質の問題は4種類——現場で確認する8項目
データ品質の問題は、突き詰めると4種類しかない。まずこの分類を頭に入れると、自分の工場の問題がどこにあるか特定しやすくなる。
| 問題の種類 | 具体的な症状 | AIへの影響 |
|---|---|---|
| ①ない・消える | 欠損値・ロット追跡の断絶 | 学習データが足りず過学習・汎化しない |
| ②間違っている | 外れ値・タイムスタンプずれ | 正常を異常と認識する、逆に異常を見逃す |
| ③バラバラ | 単位・表記・定義の不統一 | 「同じもの」を別のものとして学習する |
| ④古い | リアルタイムvsバッチのラグ | 判断が実態より遅れ、対応が後手になる |
この4分類を、現場で確認できる8つのチェック項目に落とし込む。
＜センサーデータ編＞
① 欠損値率（目安：5%以上で要対応）
センサーログに空白や「NULL」が含まれていないか確認する。通信エラーや機器停止時間の記録漏れが原因になりやすい。経験則として、欠損値が5%を超えたら要対応と考えたい。欠損が発生している時間帯・機器・条件をまず特定すること。
② タイムスタンプの同期
複数の機器からデータを取っている場合、それぞれの時刻が同期されているか確認する。機器Aは「13:02:34」、機器Bは「13:03:01」にイベントを記録していた場合、AIには「27秒後に起きた出来事」として学習されてしまう。工場の時刻同期の仕組み（NTPなど）の設定を確認する。
③ 測定単位の統一
「温度」がある機器は℃、別の機器は°F、さらに別の機器は書いていない——というケースは実際に起きている。流量・圧力・電流値も、同じ物理量でも単位が異なる場合がある。データを集計する前に、単位の一覧を作ることが最初の作業になる。
④ 外れ値・異常値の混入
センサー故障、配線ノイズ、メンテナンス中の記録がそのまま学習データに入っていないか確認する。「温度センサーが一時的に9999℃を記録していた」「設備停止中にゼロ値が連続していた」などのパターンは、AIに「正常の一形態」として学習される危険がある。可視化（グラフ化）して目視確認することが最も確実だ。
＜日報帳票・設備ログ編＞
⑤ 表記の統一
「良品」「OK」「○」「合格」——これらが同じ意味で使われているなら、AIには4つの異なるラベルとして処理される。この表記統一のクレンジング作業だけで想定以上の工数がかかった、という話は珍しくない。まず自社の帳票を一覧にし、同じ意味を持つ表記がいくつあるかを数えることから始める。
⑥ 現場と管理部門の定義統一（最重要）
「不良」の定義は、現場と品質管理部門で同じか。「温度」は、どの地点で計測した温度を指しているか。「ロット」は、材料ロットか、生産ロットか、納品ロットか。この合意がないまま学習データを作ると、AIは一貫性のない教師データを与えられることになる。なぜこれが最重要なのかは、後半で詳しく述べる。
＜トレーサビリティ編＞
⑦ データの鮮度（リアルタイムvsバッチ）
AIがリアルタイム判断を求められるのか、翌日のバッチ処理で十分なのかを確認する。予知保全であれば「機械が壊れる前に警告」が必要だから、数時間遅れのデータでは間に合わない。一方で、月次のトレンド分析であればバッチ処理で十分だ。用途に合ったデータ収集の仕組みを、AIを使う前に設計しておく必要がある。
⑧ ロットの追跡可能性
原材料のロットが、どの工程でどの製品に使われたかを追跡できるか確認する。後工程で複数のロットが混在している場合、「どのロットの材料が品質異常を引き起こしたか」をAIが特定できなくなる。まずトレーサビリティの連鎖が現状でどこまで確保されているかを確認し、断絶箇所を特定することが優先だ。
データ品質の「前」と「後」——統一されていないデータはAIに矛盾した教師信号を与える
世界の製造現場はここまで来た——NVIDIA FOXとFoxconnの事例
このデータ品質の問題に、世界の最先端はどう向き合っているか。
2026年6月、NVIDIAはGTC Taipei（COMPUTEX）で「Factory Operations Blueprint（FOX）」を発表した。PLC・センサー・MES（製造実行システム）・品質システムなど工場に存在する異種データを、単一のAIエージェント層に統合する設計だ。
台湾のFoxconnがFOXをベースに構築を進める「MoMClaw」では、根本原因分析の時間を80%短縮、労働生産性を15%向上、機械故障率を10%低減する成果が見込まれている（いずれも同社の見込み値。出典：NVIDIAの発表）。
FOXが解決しようとしている問題は、実はシンプルだ。「データが各システムにバラバラに存在し、人間が手で繋いでいる状態を、AIが自律的に統合できる状態にする」——世界最大級のEMS企業が本気で取り組むほど、製造業のデータ分断は根深い問題だということだ。
FOXでさえ前提は「統一されたデータ」——PoCが止まる構造的ミスマッチ
ここで注意すべきなのは、FOXは「すでに定義が統一されたデータ」を前提として設計されている点だ。NVIDIAのエンジニアリングが解決するのは「統合の技術的な難しさ」であって、「現場の合意形成」ではない。
この構図は、国内のPoC失敗とまったく同じだ。NTTデータが2026年5月に公開した解説記事「なぜ、製造業のAIはPoCで止まるのか」によると、製造業AIのPoC失敗の本質は「精度の問題」ではなく「構造的ミスマッチ」にある。PoCでは分析担当者が異なるシステムのログを手作業でつなぎ合わせ、欠落を人間が補っている。本番環境でその「橋渡し」を外すと、AIが立ち往生する。
つまり、事例の裏にある本当の困りごとは「データがない」ことではない。「定義が違う」ことだ。Foxconnがすでに終わらせている前工程——定義統一とデータ棚卸し——こそが、PoCと本番を分ける境界線になっている。
中小製造業では「定義のずれ」としてこう現れる
「うちは帳票もセンサーログも揃っている」という工場でAI導入が失敗するとき、多くの場合はこの定義の不統一が原因だ。
「温度」という言葉一つをとっても、溶接工程の担当者は「溶接部直近の表面温度」、品質管理担当者は「製品全体の平均温度」、設備担当者は「機械の冷却水温度」と、それぞれ別のものをイメージしている。
このずれが合意されないままデータを集めると、「温度」列には3種類の全く異なる物理量が混在することになる。AIはそれを区別できない。いくら精度の高いアルゴリズムを使っても、矛盾した定義で作られたデータからは正しいモデルは生まれない。
「不良」も同じだ。現場は「手直しすれば出荷できるもの」を不良に数えず、品質管理部門は数えているかもしれない。その状態で「不良予測AI」を作れば、教師データの時点で答えが割れている。
**データ品質チェックは「データを集める」作業ではなく、「現場と管理部門が同じ言葉を話すための合意形成」から始まる。**これは技術の問題ではないから、ベンダーには代行できない。現場にしかできない仕事だ。
定義統一は技術の問題ではなく、現場と管理部門の合意形成の問題だ
AI導入前のデータ品質改善——最初の一歩は3ステップ
8項目を見て「全部やらなきゃいけないのか」と思った人のために、優先順位を整理する。最初に作るべきはAIシステムではなく、判断の地図——つまり「どのデータを、どの定義で、どう直すか」の合意だ。
STEP 1：定義統一（1〜2週間）
まず「不良」「温度」「ロット」の定義を現場と管理部門で合意する。会議を1回開き、今使っている帳票を並べて「同じ言葉が何種類の意味で使われているか」を確認するだけでいい。合意内容を紙1枚にまとめて、各工程に掲示する。
STEP 2：現状データの棚卸し（2〜4週間）
8項目のチェックリストに従い、現在あるデータを評価する。「AIが使えるデータ」と「使えないデータ」を仕分けるだけでよく、この段階ではデータを修正しなくていい。仕分けの結果が、AI導入の優先順位と計画の根拠になる。
STEP 3：修正の優先順位決め（1週間）
仕分けの結果から、「修正コストが低くて効果が高い問題」を特定する。欠損値5%超のセンサー1台の修理と、帳票の表記統一は、AIベンダーに依頼するより先に自分たちで対処できる。外れ値の確認とグラフ化は、ExcelやPythonの基本操作で可能だ。
「AI導入の第一歩」は、AIを選ぶことではない。今あるデータがAIに使える状態かどうかを確かめることだ。
まとめ
製造現場のAIが動かないとき、原因はアルゴリズムではなくデータにある。そしてデータ品質の最大の落とし穴は「データがない」ことではなく「定義が違う」ことだ——世界最先端のNVIDIA FOXでさえ、その前提として「統一されたデータ」を要求している。
8つのチェック項目のうち、今日から動けるのは定義統一だ。技術知識は不要で、必要なのは「現場と管理部門が同じ言葉で話す時間」だけだ。
あなたの工場の「不良」とは何か。AIに聞かせる前に、まずそれを現場全員で決める。それが、製造AIを動かすための最初の一歩だ。
「これ、AIでできない？」
業務の流れに落とし込みます。
相談内容をもとに、
AIで支援できそうな工程と、
人が確認すべきポイントを整理します。
まずは、分かる範囲で構いません。