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。

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。

多くのグローバル企業が採用する Matrix 組織は、LOB と地域組織を組み合わせて専門性とグローバル整合性を両立させるモデルです。しかし、この構造は日本子会社のような「少人数・多事業・多役割」体制とは根本的に適合しません。LOB は専任体制を前提に KPI を設計しますが、日本では同じ担当者が複数 LOB を同時に支える必要があり、KPI の構造的な不整合が発生します。その結果、優先順位の衝突、過剰な業務負荷、長時間労働が常態化します。これは文化の問題ではなく、組織設計そのものの問題です。

本記事では、砂型鋳造において「理論生産数」と実際の生産個数が一致しない理由と、その誤差が不良率・原価計算・生産管理を歪める問題を解説します。最も再現性の高い方法として、ショット後の総重量をバッチIDと紐づけて実生産数を算出する手法を紹介し、正確なデータに基づく工場運営を可能にします。

多くの工場では不良率を可視化していますが、データが「正しく見えない」ケースが少なくありません。 同じロットでも、検査員によって不良率が 2% と 8% に分かれるなど、ばらつきが大きく、問題は製品ではなく 検査員の判断の違い にありました。 背景には、限られた検査リソースの中で設定された 「何個検査したか」だけを評価する KPI があり、スピードが優先され、判断品質が犠牲になっていたのです。 この結果、データは信頼性を失い、不要なスクラップや誤った経営判断につながります。 工場データは機械だけでなく、人の行動を映し出す。人は戦略ではなく KPI に従う。

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。