製造現場でAI処方を機能させるには、管理可能と管理不能パラメータを明確に分けて運用することが不可欠です。本記事では、品質を左右する重要パラメータの多くが調整不能な結果値である理由と、AIが示す目標値を現場が人の判断で実現するために必要な運用文化を解説します。

製造AIは過去の生産履歴の範囲しか最適条件を提案できないため、不良率が改善しないことがあります。改善が停滞した際は、長年固定化された静的パラメータを専門家の教科書レンジで再探索し、新たな生産履歴を蓄積することで次のAIモデルが強化されます。

Pareto 図は「どこに集中すべきか」を示す起点です。生産量×不良率で重点製品を特定し、不良を工程で改善できるものと、設計変更が必要なものに分けることで、AI が効果を発揮する領域が明確になります。

南アフリカの大手鋳造メーカーの事例は、製造業におけるAI活用の本質を示しています。同社はAIに数千のパラメータを投入するのではなく、品質に影響する二十未満の重要項目に絞り込み、製品ごとに基準を設定しました。まず現場でその基準を徹底し、運用規律を文化として根付かせたうえでAIを導入。AIの指示も内部基準の延長として扱い、同じ規律で運用した結果、社内不良も顧客不良もほぼゼロに近づきました。この事例は、AIの性能よりも、それを支える運用文化こそが成果を左右することを示しています。

本記事では、筆者が外資系メーカーで世界初となる鋳造工場向けデジタルソリューション（可視化＋AI）の正式受注を獲得した経験を紹介します。社内の強い反対や専門外の領域にもかかわらず、筆者はPMOとして現場に入り、工程理解、ネットワーク解析、数千点のデータ整理、AIモデル構築まで主導しました。可視化の完成とAI検証では約40％の不良削減可能性が示され、その後も6年間にわたりデータ品質改善と運用定着を支援。結果として顧客は過去最高益を達成しました。これは技術ではなく、誰も踏み出さない領域に一歩踏み込むリーダーシップの物語です。

本記事では、筆者が6年間にわたり鋳造工場のデジタル化とAI導入に携わる中で明確になった「AIは新製品に弱い」という根本的な限界を解説します。AIは過去データがなければ判断できず、一方で製造業は常に新製品を立ち上げるという構造的矛盾を抱えています。新製品に対して有効なのは、①類似製品データから内部パラメータ範囲を設定する方法、②プロセス専門家が理論と経験から処方箋を作る方法の2つだけです。筆者の役割はAIそのものではなく、データ統合、検査結果連携、専門知識の構造化、初期ロットの学習データ化など、AIが学習できる環境を設計することでした。製造現場の現実に基づくこの視点は、AI運用を成功させるための重要なヒントとなります。

製造業のDXは、データの信頼性、正しく設計されたシステム、そして現場での確実な運用という3つが揃って初めて成果を生みます。多くの工場では不正確なデータやつながらないシステムが課題となり、意思決定に活かせない状況が続きます。鋳造工場での6年間の実践を通じ、可視化、工程理解に基づくシステム設計、AIによる不良低減モデル、そして現場での定着が揃って初めて、計画したROIを実現できることを学びました。

鋳造工場では、ボトルネックや待ち時間、トレーサビリティ不足が生産性向上を妨げています。本記事では、実際の鋳造現場での経験をもとに、IoT・可視化・統合データ・AIが生産性と品質改善にどう貢献するのか、そしてデジタル技術の限界と人の専門性が必要となる領域を解説します。