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。

日本の製造業ではデジタル化が進んでいるように見えて、実際には多くの工場で取り組みが停滞しています。現場支援の経験から、その主な理由は4つあります。 ① 工場がインターネット接続を避けていること、② 可視化が目的化してしまうこと、③ データが経営判断につながっていないこと、④ データ精度が疑われないこと。 デジタル化はダッシュボードを作ることではなく、より良い意思決定につなげて初めて価値を生みます。