AI PoCの進め方を変えて外観検査を本番運用に乗せた話

2026年09月21日カテゴリー: AI×技術コンサルティング

タグ:AI PoC外観検査AI導入製造業DX品質管理

樹脂成形部品を手がけるある製造業の現場では、外観検査AIのPoCが二度「精度は出たのに導入に至らない」まま終わっていました。三度目の挑戦でAI PoCの進め方そのものを見直し、終了条件と本番環境を最初に固めたことで、8週間の検証から3か月で本番ラインへの導入にこぎつけました。その過程で何を変えたのかを、時系列で追いかけます。

「精度92%」の報告書だけが残った二度のPoC

従業員300名規模、樹脂成形部品を自動車部品メーカーに納める中堅企業の話です。最終工程の外観検査は熟練の検査員4名による目視に頼っており、繁忙期には検査待ちの仕掛品が滞留し、検査員の退職が決まるたびに品質保証課がざわつく状態が続いていました。そこで2年前、外観検査AIのPoCに着手します。1回目は展示会で知り合ったベンダーに不良品サンプルの画像を渡し、3か月後に「判定精度92%」という報告書を受け取りました。しかし話はそこで止まりました。検証に使った画像は品質保証室の蛍光灯下でスマートフォン撮影したもので、実際のラインの照明・搬送速度・ワークの向きとはまったく条件が違ったのです。「ラインで同じ精度が出る保証はない」と製造部門が難色を示し、追加検証の予算もつかず、報告書だけが残りました。 2回目は反省を踏まえてライン上の画像を集めようとしましたが、撮像装置の選定と設置調整に想定外の時間がかかり、データが揃った頃には半年が経過。経営層の関心は別のテーマに移り、プロジェクトは自然消滅しました。典型的な「PoC止まり」を二度、形を変えて経験したことになります。

三度目の挑戦、AI PoCの進め方を根本から見直す

転機は、品質保証課の課長が親会社のDX担当者から言われた一言でした。「PoCの成否は、始める前にほぼ決まっている。終わり方を決めていないPoCは、終わらない」。この助言をもとに、三度目のPoCでは着手前に次の3点を文書化しました。

1. 終了条件を数値で先に決める

「精度が高ければ導入」という曖昧な基準をやめ、本番導入の可否を判定する条件を関係部門と合意しました。具体的には次の4項目です。

重欠陥（キズ・異物混入）の見逃し率0.1%以下。見逃しは顧客クレームに直結するため最優先。
過検出率（良品を不良と誤判定する割合）10%以下。これを超えると再検査の工数でAI化の意味がなくなる。
1ワークあたりの判定時間2秒以内。ラインのタクトタイムから逆算した上限。
新しい不良パターンが出たとき、現場の担当者が自分で画像を追加登録できること。

特に4点目は、1回目のPoCで「モデルの更新は誰がやるのか」という問いに誰も答えられなかった反省から入れたものです。精度の数字だけでなく「運用が回るか」を終了条件に含めたことが、後で効いてきます。

2. 撮像環境を本番と同一にしてから始める

三度目のPoCでは、検証を始める前にライン脇に本番想定と同じ産業用カメラと照明を固定設置しました。初期投資は約80万円かかりましたが、「PoCで良い結果が出たら、この設備をそのまま本番に流用する」前提で機種を選定しています。PoC用の仮設環境で検証すると、本番移行時に撮像条件が変わってモデルを作り直す羽目になる——1回目の失敗の本質はここにあると整理したためです。

3. 期間を8週間で区切り、現場の検査員を最初から巻き込む

2回目の教訓から、PoC期間は8週間と定め、延長する場合は理由と追加条件を明文化することにしました。また、ベテラン検査員1名にPoCチームへ週2時間参加してもらい、AIの判定結果と目視判断のズレを毎週レビューする体制を組みました。当初は「自分の仕事を奪う道具の手伝いか」という空気もありましたが、「AIは一次スクリーニング、最終判断は人」という役割分担を明示したことで、次第に「この欠陥は照明の当て方を変えないと写らない」といった現場ならではの知見が集まるようになりました。

過検出との8週間——数字が動き始めるまで

検証開始から2週間、見逃し率は早々に基準を満たしたものの、過検出率は18%と目標の10%を大きく超えていました。ワーク表面の油膜や搬送時のわずかな傾きを欠陥と誤判定していたのです。ここで効いたのが検査員のレビューでした。「この光り方はキズじゃなく離型剤の跡」という指摘をもとに良品側の学習データを重点的に追加し、照明の角度を2度調整。週次で過検出率を追跡した結果、6週目に9%まで下がり、8週目には6%で安定しました。

PoC期間中の判定精度の推移

グラフを読み込み中...

良品側の学習データ追加と照明調整を重ねた結果、6週目に過検出率が目標の10%を下回り、8週目に6%で安定した。見逃し率は早期から基準内を維持。

最終週のレビューで、事前に定めた4つの終了条件をすべて満たしたことを確認。見逃し率0.05%、過検出率6%、判定時間1.4秒、そして検査員自身が追加画像の登録と再判定の確認を実施できる状態になっていました。「導入するか迷う」余地がないように条件を設計していたため、経営会議での本番導入承認は15分で終わったそうです。

PoC設備をそのまま本番へ——3か月後の現場

撮像環境を最初から本番仕様にしていたため、本番移行の作業は判定結果のダッシュボード整備と、NG品を振り分ける運用ルールの策定が中心でした。PoC終了から3か月で本番稼働に到達し、現在はAIが一次判定、過検出分と判定保留分のみ人が再検査する二段構えで運用しています。数字としては、目視検査に投入していた工数が約4割削減され、検査員2名分の余力を初品検査と工程内パトロールに再配分できました。副次的な効果として、AIの判定ログから「特定の金型の3番キャビティでキズが多発している」傾向が可視化され、成形工程側の改善にもつながっています。検査の自動化を目的に始めた取り組みが、品質データの蓄積という別の資産を生んだ形です。

この事例から持ち帰れること

この現場の三度目のPoCが本番に到達した要因は、AIの技術そのものではなく、PoCの設計にありました。読者の皆さんのプロジェクトに適用できる形でまとめると、次の5点です。

終了条件を数値で先に決める。「見逃し率」「過検出率」「処理時間」「運用可否」のように、導入判断が機械的にできる基準まで落とし込む。
PoCの環境を本番と揃える。特に画像・センサー系では、撮像条件やデータ取得環境の差がそのまま本番移行の壁になる。可能ならPoC設備を本番流用前提で選定する。
期間を8〜12週で区切る。長引くPoCは関係者の熱量とデータの鮮度を同時に失う。延長するなら条件を明文化する。
運用する人を最初から巻き込む。モデルの精度は現場の知見で上がり、導入後の定着は当事者意識で決まる。
「精度が出たら考える」をやめる。再学習の担当、NG品の処理フロー、異常時の切り戻しといった運用設計は、PoCと並行して詰めておく。

PoCは「AIが使えるかの実験」ではなく、「本番運用の最初の一区間」と捉えると設計が変わります。もしこれからAIの効果検証を計画しているなら、着手前に「このPoCの終了条件は何か」「検証環境は本番とどこが違うか」の2つを紙に書き出してみてください。それだけでも、報告書だけが残るPoCになる確率は大きく下げられるはずです。