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。