AI外観検査の導入ガイド｜タイ・ASEAN工場の費用と失敗回避策

タイやベトナムの工場で、目視検査に人を張り付け続けることが年々難しくなっています。賃金は上がり、熟練検査員は定着せず、判定基準は特定の個人の頭の中にしか残っていない。そこでAI外観検査の導入を検討し始めるものの、日本国内向けの解説記事を読んでも、海外拠点の現実には当てはまらない部分が少なくありません。本記事では、ASEANの工場で外観検査をAI化する判断に必要な論点を、費用の分解、精度の読み方、運用体制、BOI恩典まで踏み込んで整理します。

目視検査を続けるコストは、海外拠点で構造が変わっている

日本の本社で「タイは人件費が安いから、当面は目視で回せる」と判断されているケースは、いまも珍しくありません。しかし現地でラインを見ている立場からすると、この前提は複数の面から同時に崩れ始めています。しかも崩れ方が、日本国内の工場とは違います。

「人件費が安いから目視で十分」が崩れる三つの理由

一つ目は賃金です。タイの法定最低賃金は県別に設定されており、2026年7月時点で日額337〜400バーツの幅があります。ここで必ず押さえてほしいのは、これが「日額」であって時給ではないという点です。時給と読み違えたまま人時単価を試算すると、投資回収年数が桁で狂います。海外拠点の投資判断でよく起きる事故のひとつがこれです。加えて、最低賃金は全国一律化されていないため、同じ社内でも工業団地の所在県によって前提が違います。複数拠点を持つ企業が本社で一本の試算表を作ると、この差が吸収されずに歪みます。

そして、実際に外観検査を担当する検査員の賃金は最低賃金そのものではありません。一定の熟練を要求する工程では最低賃金より上のレンジで採用することになり、さらに残業割増、社会保険、送迎バス、食事補助、寮費補助といった付随費用が乗ります。ベトナムについても、製造業の賃金は年7〜10%のペースで上昇が続いていると報告されています（Intralink）。年7%で上がる費目は、10年で約2倍になります。今日の人件費で組んだ投資回収計算は、5年後には別物になっているという感覚を持っておくべきです。

二つ目は人が採れない、定着しないという問題です。同じ工業団地に新しい工場が立ち上がるたびに、検査員は流動します。目視検査は座り作業で単調なため、より条件の良い職場が近隣にできると真っ先に抜けやすい工程でもあります。抜けたあとに補充した人材が同じ判定を出せるようになるまでには訓練期間が必要で、その間の判定は不安定になります。つまり「検査品質が採用市場の状況に連動してしまう」状態です。これは品質保証の観点からは、かなり気持ちの悪い依存関係です。

三つ目が技能の属人化です。ASEAN拠点の外観検査では、最終的な微妙な判定を、日本から赴任した品質保証担当者や、長く勤めている一部の現地リーダーが担っていることがあります。その人が帰任・退職した瞬間に基準が変わり、客先から「品質が変わった」と指摘される。この構図は、実は自動化の話以前に、標準化の宿題が残っているというサインです。

目視検査の「本当のコスト」を分解する

投資対効果を議論するとき、検査員の人件費だけを削減効果として計上すると、たいていの案件は成立しません。逆に、以下の費目まで含めて棚卸しすると、判断の景色が変わります。

• 直接人件費：検査員数 × 稼働時間 × 人時単価（付随費用込み）
• 教育・訓練コスト：新人が独り立ちするまでの工数、判定合わせ会の時間、離職率に比例して毎年発生する
• 再検査・全数選別の費用：疑わしいロットが出たときの緊急選別、休日出勤、応援人員
• 客先クレーム対応：原因調査、報告書作成、対策会議、出張、値引き・補償
• 出荷停止・代替輸送：納期を守るための空輸切り替え費用（海外拠点ではこれが極めて大きい）
• 過検査による良品廃棄：判定が厳しすぎる検査員が出す歩留まりロス

海外拠点で特に効くのが「代替輸送」です。日本国内なら翌日トラック便で挽回できる遅れが、タイ・ベトナムから日本や欧米への出荷では航空便への切り替えになります。1回の切り替えで発生する差額は輸送重量と便によって大きく変わりますが、月次の検査人件費と同じオーダーになることがあります。公開統計で相場を探すより、自社の過去の空輸実績から実額を拾うべき費目です。ここを削減効果に入れられるかどうかで、稟議の通りやすさは大きく変わります。

まず「流出不良1件あたりの損失」を先に置く

計算の順番として推奨したいのは、費用ではなく損失から入ることです。考え方は単純です。

年間の流出不良期待損失 ＝ 流出率 × 年間出荷数 × 流出1件あたりの平均処理コスト

このうち「流出1件あたりの平均処理コスト」は、過去2〜3年のクレーム対応実績から、調査工数・選別費・輸送費・値引きを合計すれば概算できます。自社の実績値なので、外部統計を使う必要がありません。そしてこの数字が出てくると、「見逃し率を何%まで下げる価値があるのか」という議論が、感情論ではなく金額で語れるようになります。AI外観検査の要件定義は、本来ここから始まるべきものです。

自動化の全体像や、外観検査以外の工程まで含めた優先順位づけについては、タイの工場自動化・FA導入の進め方も併せて確認してください。検査だけを切り出して自動化しても、前後工程の搬送が人手のままだと効果が頭打ちになるケースがあります。

AI外観検査で「できること」と「まだ難しいこと」

AI外観検査という言葉は広すぎて、そのままでは意思決定に使えません。欠陥の種類ごとに、現実的な難易度が大きく違うからです。ここを整理しないまま見積を取ると、ベンダーごとに前提がバラバラな金額が並び、比較できなくなります。

欠陥種別ごとの現実的な難易度

以下は、一般的な傾向として整理したものです。実際の可否は対象物の素材・表面性状・照明条件で変わるため、必ず自社サンプルでの検証が必要ですが、見積依頼前の頭の整理には使えます。

この表で最も重要なのは最下段です。「熟練者が何となく分かる」領域は、AIの技術的限界というより、要求仕様が存在しないという問題です。人間が言葉と画像で説明できない基準は、AIにも教えられません。逆に言えば、AI導入を機に基準を言語化できれば、それ自体が品質保証の資産になります。

ルールベースのマシンビジョンとAIの使い分け

ここを混同したまま検討が進むと、費用も納期も膨らみます。原則は次の通りです。

• 対象の見え方が安定していて、判定条件を数値で書ける（面積が何平方ミリ以上、輝度差がいくつ以上、部品がある／ない）→ ルールベースのマシンビジョンで十分。速い、安い、説明しやすい、再現性が高い。
• 良品側のばらつきが大きく、欠陥の見え方が毎回違い、数値条件を書き下せない → AI（ディープラーニング）の出番。
• 両方が混在する（多くの現場はこれ）→ ルールベースで前処理・位置決め・明確な欠陥を捌き、判断の難しい部分だけAIに回すハイブリッド。

実務では、ハイブリッドが最も現実解になりやすいと考えています。理由は運用にあります。ルールベースの部分は現地エンジニアがしきい値を触れますが、AIの部分は学習が必要です。AIに任せる範囲を必要最小限に絞るほど、現地で回せる範囲が広がります。

「AIでなくてよい部分をAIにしない」という判断ができるかどうかは、提案してくるSIerの質を測る良い指標にもなります。すべてをAIで解こうとする提案は、技術的な自信の表れというより、要件を切り分ける手間を省いているだけかもしれません。見積の説明時に「この工程はルールベースで足ります」と言えるベンダーのほうが、結果的にトータルコストは下がります。

市場と導入状況を、判断材料としてどう見るか

海外の調査では、マシンビジョンにおけるAI活用はすでに主流になりつつあります。Cognexが2026年3月に公開した調査（北米・欧州・アジアの製造業、インテグレーター、OEM 500社超が対象）では、回答企業の57%がすでにマシンビジョンでAIを使用しており、さらに30%が近い将来の導入を計画していると報告されています。業種別の導入率は、物流72%、エレクトロニクス61%、自動車60%でした。

市場規模の側から見ると、AI外観検査システムの世界市場は2025年に298.2億USD、2026年に368.4億USD、2030年には852.4億USD（年平均成長率23.3%）と予測されています（The Business Research Company、2026年7月）。最大の地域は北米ですが、最も成長が速いのはアジア太平洋とされています。

こうした数字を稟議に使うことは可能ですが、使い方には注意が必要です。「他社がやっているから」は投資判断の根拠としては弱く、社内で最も突っ込まれる部分でもあります。市場データは背景説明にとどめ、判断の主軸は前章で計算した自社の流出不良期待損失と検査コストに置くべきです。

費用の分解：見積の内訳を自分で組み立てられるか

外観検査の自動化費用は、一式いくらという形で提示されると比較できません。以下の6費目に分けて、各社に同じ粒度で出させることが、価格交渉と技術評価の両方で効きます。

6つの費目

1. 撮像系（カメラ・レンズ・照明）：解像度、視野、被写界深度、照明方式（同軸、ドーム、ローアングル、透過）。ここは要求分解能から逆算する部分で、最も技術的に詰めるべき領域です。安く済ませようとして解像度を落とすと、後段のAIで挽回できません。
2. 搬送・治具・機構（ハンドリング）：対象物を撮像位置に、毎回同じ姿勢で、同じ速度で持ってくる仕組み。実は、ここが総額の中で最も大きくなることがあります。特に多品種少量ラインでは治具の段取り替えが設計難易度を跳ね上げます。
3. AIソフトウェア・ライセンス：初期ライセンスと年間保守。ライン数・カメラ数課金か、サイト課金かで長期コストが変わります。横展開を前提とするなら、2台目以降の単価を必ず先に確認します。
4. システムインテグレーション費（SIer費）：要件定義、光学設計、機構設計、PLC連携、上位システム連携、据付、立会検査。海外拠点ではここに渡航費・滞在費・現地対応の体制費が乗ります。
5. 学習データ作成（画像収集とアノテーション）：撮像した画像に「ここが欠陥」というラベルを付ける作業。誰がやるのか、どの言語の基準書で、何時間かかるのかを見積段階で確定させます。ここを曖昧にしたまま契約すると、後で必ず揉めます。
6. 保守・再学習・部品交換：照明のLED劣化、カメラの汚れ、レンズの緩み、PCの更新。そして機種追加時の再学習。5年間の総額で見ないと判断を誤ります。

日本国内のベンダーが公開している導入費用の目安レンジは、おおむね「AIソフト＋カメラ＋照明＋PC＋SIer費」という構成で示されています（NTTコミュニケーションズ、2025年）。ただし、この構成には上記2の搬送・治具が含まれていないことが多い点に注意が必要です。実機を動かすには必ず必要になる費目なので、国内向けの目安レンジをそのまま海外拠点の予算に転記すると、確実に足りません。

海外拠点で増えやすい費目、減りやすい費目

この表から読み取ってほしいのは、海外拠点でコストを左右する最大の変数が「機器の値段」ではなく「誰が現地で対応できるか」だという点です。同じ構成の設備でも、現地に技術者が常駐しているベンダーと、日本から都度派遣するベンダーでは、5年間のトータルコストで大きな差がつきます。初期見積の安さだけで選ぶと、この差が後から効いてきます。

5年TCOで比較する

比較のフォーマットとしては、以下のような単純な表を各社に埋めてもらうのが有効です。

• 初期費用（上記1〜5の合計）
• 年間ライセンス・保守料 × 5年
• 想定される再学習の回数 × 1回あたりの費用 × 5年
• 予備部品費
• 年間ダウンタイム想定時間 × 時間あたり損失

そのうえで、削減側に「検査員の人件費（付随費用込み）× 5年」「流出不良期待損失の削減分」「代替輸送費の削減分」を置きます。この形式にすると、初期費用が高くても運用が軽い提案が正当に評価されます。逆に、初期費用だけを見る比較表は、運用負荷を隠す提案に有利に働いてしまいます。

なお、タイ・ベトナムにおけるAI外観検査の導入費用について、信頼できる公開統計はほとんど存在しません。「相場はいくらか」という問いに一般論で答えることは避けるべきで、見積段階で費目ごとに確認するしかない、というのが正直なところです。逆に言えば、根拠を示さずに相場を断言する提案があれば、その根拠を尋ねてみる価値があります。

NGサンプルが足りない問題への三つの戦略

AI外観検査の検討で、ほぼ確実に突き当たるのがこの壁です。しかも厄介なことに、品質管理がしっかり機能している現場ほど深刻になります。不良発生率が低いということは、学習に使えるNGサンプルが集まらないということだからです（Nsight）。この逆説を最初に理解しておくと、プロジェクトの立て方が変わります。

戦略1：蓄積する（撮り溜めの仕組みを先に作る）

最も地道ですが、最も確実です。ポイントは、AI導入を決める前から撮り始めることです。

• 現在の目視検査工程の脇に、簡易な撮像ステーションを置く
• NG判定になったワークは、廃棄・手直しの前に必ず撮影する
• 撮影時に、日付・ロット・号機・欠陥種別・判定者を一緒に記録する
• 良品も同じ条件で撮る（良品のばらつきを知ることが、実は最も重要）

ここで注意したいのは、撮像条件です。本番で使う照明・カメラ・角度と違う条件で撮り溜めた画像は、学習データとしての価値が大きく下がります。理想を言えばベンダー選定より先に光学条件を仮決めしたいところですが、現実には難しいのが実情です。妥協案としては、複数の照明条件で撮っておく、あるいは少なくとも「どういう条件で撮ったか」を記録に残す、というやり方があります。

蓄積戦略の副次的な効果として、不良の発生実態が可視化されるという点も見逃せません。半年間撮り続けると、「クレームの原因になっているのは実はこの1種類の欠陥だった」といった事実が見えてくることがあります。その場合、AI外観検査の要件は当初想定よりずっと狭く、安く済むかもしれません。

戦略2：生成する（意図的に作る、データ拡張する）

NGサンプルを人工的に作る方法です。

• 実物を意図的に不良化する：治具で押して打痕を作る、意図的に部品を欠品させる、異物を置く。再現性が高い欠陥種別には有効です。
• 画像処理によるデータ拡張：回転、反転、明度・コントラスト変化、ノイズ付加。過学習を抑える効果があります。
• 合成画像の生成：欠陥部分を良品画像に合成する、生成モデルで欠陥画像を作る。

ただし、生成には限界があります。人工的に作った打痕と、実工程で発生する打痕は、微妙に見え方が違うことがあります。生成データだけで学習したモデルが、実機で期待通りに動かないというのは、よくある失敗パターンです。生成データはあくまで補助であり、実物のNGサンプルを一定数集めることは避けられない、と考えておくのが安全です。契約上も「生成データで代替できる」という前提を置かないほうが賢明です。

戦略3：設計で回避する（良品学習・異常検知に振る）

NGサンプルが集まらないなら、良品だけを学習させて「良品らしくないもの」を検出する、というアプローチがあります。異常検知型、あるいは良品学習型と呼ばれる方式です。

メリットは、NGサンプルがほとんど不要であること。良品は大量にあるので、立ち上げが速い。デメリットは、欠陥の種類を分類できないこと、そして過検出（良品をNGと判定してしまう）が多くなりやすいことです。良品のばらつきが大きい工程では、正常なばらつきまで異常として拾ってしまいます。

したがって現実的な使い方は次のようになります。まず異常検知型で立ち上げて、「怪しいもの」を人間に回す。運用しながらNGサンプルが溜まっていくので、種類が特定できた欠陥から順に、分類型のモデルに移していく。この二段構えは、立ち上げの速さと最終的な精度の両立を狙える構成です。

三つの戦略の選び方

いずれの戦略でも、「検証用データは必ず実物のNGで用意する」ことは共通です。学習に生成データを使うのは構いませんが、受入試験を生成データで行うのは意味がありません。

判定基準の言語化：日本の官能検査基準を現地に移植する

ここが、日本国内向けの解説記事が最も触れていない、そして海外拠点で最も詰まる論点です。

限度見本が「日本にしかない」問題

多くの日系メーカーでは、客先と合意した限度見本（合格と不合格の境目を示す実物サンプル）が存在します。ところが海外拠点では、この限度見本が日本本社にしかない、あるいは現地にあってもコピー品で微妙に違う、経年変化して色が変わっている、といった状態がしばしば見られます。

AI外観検査を導入するということは、この限度見本を数値と画像で再定義するということです。逆に言えば、限度見本が曖昧なまま自動化すると、「AIの判定が客先の基準と合っているのか誰も説明できない」という、以前より悪い状況になりかねません。

官能検査基準を移植する四つのステップ

1. 現状の判定を可視化する。同じサンプル20〜30点を、複数の検査員に独立に判定させます。全員一致するもの、意見が割れるものを仕分けます。この段階で判定が割れる比率が高ければ、そもそも基準が存在していないということです。
2. 割れたサンプルについて、なぜ割れたかを言語化する。「傷の長さ」なのか「傷の深さ」なのか「位置（外観面か非外観面か）」なのか。ここで初めて、基準を数値化できる軸が見つかります。
3. 数値化して基準書を作る。長さ何ミリ以上、面積何平方ミリ以上、外観面の定義（図面上でどの面か）、複数欠陥がある場合の合算ルール。写真は必ず付けます。文章だけの基準書は運用されません。
4. 客先と合意する。ここを飛ばして自動化すると、後で必ず「うちの基準と違う」と言われます。特に自動化を機に判定が厳しくなる（過検出が増える）方向の変更は、歩留まりに直結するため社内での合意も必要です。

多言語での基準書の作り方

タイ・ベトナムの拠点では、基準書は少なくとも日本語と現地語（タイ語／ベトナム語）、必要なら英語で用意します。ここで重要なのは、翻訳の質ではなく構造です。

• 文章より写真を主にする。合格例と不合格例を並べ、境界例を必ず入れる
• 判定の軸ごとにページを分ける（傷、汚れ、欠け、印字）
• 数値は図で示す。スケール入りの写真を使う
• 「その他、外観上著しく不良なもの」のような包括条項を排除する。これは基準ではなく、判断の丸投げです

余談ですが、この基準書づくりは、AI外観検査を導入しなくても価値があります。検査員の教育期間が短縮され、離職による品質変動が小さくなるからです。仮にAI導入が予算の都合で先送りになったとしても、この工程だけは進める価値があります。

グレーゾーンは三値で扱う

現実の判定には、明確な良品、明確な不良品、そして判断が難しい中間領域があります。AI外観検査の運用設計では、この中間を「人間に回す」区分として明示的に設けることを推奨します。二値判定を強要すると、しきい値の設定が政治問題化します。三値にすれば、「中間に落ちる割合を何%以内にする」という運用可能な目標に変換できます。

精度指標の読み方と、全数検査ラインでの運用設計

「精度99%です」という提案を受け取ったとき、何を確認すべきか。ここが分かっているかどうかで、プロジェクトの成否がほぼ決まります。

「精度99%」は、ほとんど何も言っていない

不良率が1%の工程を考えます。すべてを「良品」と判定するだけのモデルは、精度99%を達成します。不良を1個も見つけられないのにです。したがって、確認すべきは全体の正解率ではなく、以下の二つです。

• 見逃し率（不良を良品と判定してしまう割合）：客先流出に直結する。ゼロに近づけたい。
• 過検出率（良品を不良と判定してしまう割合）：歩留まりと再検査工数に直結する。低くしたい。

この二つは、しきい値を動かすとトレードオフの関係になります。見逃しを減らそうとして判定を厳しくすれば、過検出が増える。両方を同時にゼロにすることはできません。

しきい値の置き方は、おおむね次の三つに整理できます。

• 厳しめ（怪しいものはすべてNGに倒す）：見逃し率は低く、過検出率は高くなる。流出コストが極めて高い領域、たとえば安全に関わる部品、医療、食品などに向く。ただし二次確認の人手が増える。
• 標準：見逃し率も過検出率も中程度。一般的な部品で、二次確認の人員を一定数確保できる場合の落としどころ。
• 緩め：見逃し率は高く、過検出率は低い。流出しても影響が限定的、あるいは後工程や客先受入検査でも検出できる場合に限って選択肢になる。

どこに置くかは技術的に決まるものではなく、経営判断です。したがって、しきい値の決定権を誰が持つのかを、稼働前に明確にしておく必要があります。現場が勝手に緩めれば流出が増え、品質部門が一方的に厳しくすれば削減効果が消えます。

全数検査ラインでの現実的な運用設計

タクトタイムが決まっている全数検査ラインでAI外観検査を入れる場合、実務的にほぼ唯一の答えは「AIを一次判定に使い、AIがNGまたはグレーと判定したものだけ人が二次確認する」構成です。

この設計の要点は、人員削減の計算方法が変わることです。検査員が全数を見ていた状態から、AIが弾いた分だけを見る状態になるので、削減効果は次のようになります。

削減できる工数 ＝ 元の検査工数 × （1 − 二次確認に回る比率）

つまり、二次確認に回る比率が高いほど削減効果は目減りします。二次確認比率20%なら削減できるのは8割どまり、これが50%まで上がれば削減効果は半分に落ちます。「見逃しゼロを目指してしきい値を厳しくしたら、人が減らせなくなった」というのは、非常によくある失敗パターンです。

したがって、要件定義の段階で決めるべきは「精度何%」ではなく、次の二つの数値です。

• 許容できる見逃し率の上限（前章で計算した流出損失から逆算する）
• 許容できる二次確認比率の上限（削減目標から逆算する）

この二つを満たせるかどうかが、PoCの合否基準になります。

受入時に、何を、どう測るか

測定の設計も、契約前に決めておきます。

• 評価用サンプルは、学習に使っていないもので構成する（当然のようで、守られないことがあります）
• 評価用サンプルには、実物のNGを含める。生成データでの評価は無効
• 実ラインのタクトで、連続稼働で測る。オフラインでの静止画評価だけでは不十分
• 評価期間は最低でも数日〜1週間。ロット間のばらつき、シフト間の照明環境の違いを拾うため
• 環境変動を含める：昼と夜、雨季と乾季、空調の効き具合。ASEANの工場では外光や湿度の影響が無視できないケースがあります

特に最後の項目は、日本国内の記事ではまず触れられません。窓のある工場、シャッターが開く工場では、時間帯によって外光条件が変わります。乾季と雨季で工場内の湿度・結露状況が変わり、レンズやワーク表面の状態に影響することもあります。PoCを乾季の昼だけで実施して合格し、雨季の夜勤で精度が落ちた、という事態を避けるには、評価期間の設計そのものに気を配る必要があります。

PoCから本番稼働まで：進め方、契約、受入基準

四つのフェーズと、それぞれの終了条件

フェーズ0：課題定義（1〜2か月）。対象工程の選定、流出不良の損失額の算出、現状の判定ばらつきの測定、基準書の整備。ここで終了条件は「対象欠陥種別と、許容見逃し率、許容二次確認比率が文書化されていること」です。

フェーズ1：撮像・実現性検証（1〜3か月）。実サンプルを持ち込み、または現地で撮像し、そもそも欠陥が画像に写るのかを確認します。ここで写らなければ、AIの前に光学の問題です。終了条件は「対象欠陥が目視で確認できる画像が取得できていること」。

フェーズ2：PoC（2〜4か月）。学習データを集め、モデルを作り、精度を測ります。終了条件は前章の二つの数値を満たすこと。ここで満たせない場合、要件を狭める（対象欠陥種別を絞る）か、光学系を見直すか、撤退するかの判断をします。

フェーズ3：本番構築・立ち上げ（3〜6か月）。搬送・治具の設計製作、PLC連携、上位システム連携、据付、試運転、量産移行。終了条件は、実ラインでの連続稼働評価に合格することです。

期間はあくまで目安であり、対象物と欠陥の難易度で大きく変動します。ただし、全体で1年前後は見ておくべきで、「来期の予算で来期中に効果を出す」という計画は現実的ではありません。BOI申請や設備投資の年度計画と絡める場合、この期間感は早めに共有しておく必要があります。

PoCの落とし穴

• 良い条件のサンプルだけを渡してしまう。ベンダーに配慮して選りすぐりのサンプルを渡すと、PoCは通って本番で落ちます。渡すべきは、判定が割れる境界例です。
• PoCの成功基準を決めずに始める。「やってみましょう」で始めたPoCは、「そこそこ動きました」で終わり、意思決定に使えません。
• PoCの環境と本番の環境が違う。ベンダーのラボで撮った画像と、工場の実環境で撮る画像は別物です。可能な限り現地で実施します。
• PoC費用を値切りすぎる。PoCを無償や極端な低額で実施させると、ベンダーは工数をかけられず、結果として判断材料の質が下がります。

契約と受入基準の書き方

とくに「品種追加時の対応」は、海外拠点では効いてきます。日系メーカーの現地工場では、本社の都合で生産品目が動くことが少なくありません。契約時に品種追加のコストが決まっていないと、増産や機種切替のたびに投資判断をやり直すことになります。

タイのBOI恩典と、投資タイミングの考え方

タイで設備投資を行う際、BOI（タイ投資委員会）の恩典を使えるかどうかは、投資判断に直接影響します。ただし、ここは誤解が多い領域なので、慎重に整理します。

2026年上期の投資動向

タイの2026年上期の投資申請は、前年同期比で37%増の436億USD、1,299件と報じられています（Thailand Business News / Asia News Network、2026年7月）。このうちBOIの「Smart and Sustainable Industry」措置に該当するものは132件・5億760万USD、機械・自動化・ロボット分野は82件・3億8,740万USD、電気電子分野は179件・35.6億USDでした。承認済みプロジェクト全体では、8.2万人を超える雇用創出が見込まれるとされています。

数字の規模感としては、AIデータセンター関連の大型投資が全体を押し上げている構図です。自社の外観検査投資が該当する「機械・自動化・ロボット」分野の申請額は、全体の一部にすぎません。とはいえ、自動化投資に対する制度的な後押しが続いている環境である、という文脈の理解には使えます。

「Smart and Sustainable Industry」の中身を正確に押さえる

ここが最も誤解されている点です。この措置による法人所得税の免除は、基本的に投資額の50%です。100%になるのは、自動化・ロボットを生産ラインに導入し、かつ更新する機械価値の30%以上をタイ国内の自動化産業から調達した場合に限られます。「BOIを使えば自動化投資が100%免税になる」という説明は誤りなので、社内資料にそのまま書かないよう注意してください。

この「国内調達30%以上」という条件は、外観検査装置の構成を考えるうえで実務的な意味を持ちます。カメラやAIソフトウェアは輸入品になることが多い一方、搬送・治具・架台・制御盤といった機構部分はタイ国内のインテグレーターや機械メーカーから調達できる可能性があります。恩典の条件を満たすかどうかは、装置全体の構成と調達先の組み合わせで変わるということです。

なお、BOIの制度内容と適用要件は改定されます。申請区分、対象機械の定義、必要書類、現地調達の証明方法などは、必ず最新の公式情報を確認し、BOI申請の実務に詳しい専門家に相談してください。本記事の記載は制度の一般的な構造を示すもので、個別案件の適用可否を保証するものではありません。

申請タイミングを外さない

BOI恩典を使う場合、一般に申請は設備の発注・輸入より前に行う必要があります。よくある失敗は、PoCが順調に進み、勢いで本番設備を発注してしまい、後からBOIを検討して間に合わないというパターンです。

実務上の対策としては、フェーズ0またはフェーズ1の段階で、BOI申請の可否と必要期間をあらかじめ確認しておくことです。PoCの結果が出てから動き始めると、申請準備の期間が投資スケジュール全体を後ろにずらします。逆に、恩典の要件を先に把握していれば、装置構成の設計段階で国内調達比率を意識できます。

運用フェーズの体制設計：誰が再学習するのか

AI外観検査で最も語られない、しかし最も失敗が集中するのがこのフェーズです。導入して半年は動いていたのに、材料ロットが変わった、照明が劣化した、新機種が入った、といった変化で精度が落ち、誰も直せず、結局人が全数見に戻る。これが典型的な末路です。

現地に画像AI人材がいない前提で設計する

タイやベトナムの工場に、画像AIのモデルを扱える技術者が常駐しているケースは多くありません。採用しようとしても、そうした人材はバンコクやホーチミンのIT企業と競合になり、工場の給与テーブルでは獲得が難しいのが実情です。

したがって、体制設計の出発点は「現地に専門人材はいない」という前提です。そのうえで、次のいずれか、あるいは組み合わせを選びます。

• ノーコード／ローコードで再学習できるツールを選ぶ：現地の品質保証担当者が、画像を追加してボタンを押せば再学習が完了する仕組み。技術的な深さは犠牲になりますが、運用が回ります。
• ベンダーのリモート保守契約を結ぶ：現地は画像を送るだけ、モデルの更新はベンダー側で実施。渡航が不要な体制を契約で担保しておくことが重要です。
• 本社または地域統括拠点に集約する：複数拠点を持つ企業なら、モデル管理を一箇所に集め、各拠点は運用に専念する。横展開する場合はこの形が効率的です。

Cognexの2026年調査は、この点で示唆的な結果を示しています。AIビジョンの経験が3年以上ある層では「複数拠点への横展開が容易」と回答した割合が86.1%（3年未満は75.3%、差は10.9ポイント）、「開発・展開が速い」が81.2%（同72.1%、差は9.1ポイント）でした。また、導入初期の動機は精度（微細で複雑な欠陥の検出）である一方、運用年数が延びるほど「使いやすさ、つまり現場が自分で回せるか」の比重が上がるとも報告されています。

これは、最初の1台をどう選ぶかという話ではなく、2台目・3台目を自社で立ち上げられるかという話です。1拠点1ラインで終わらせるつもりがないなら、初期段階から「現場が触れるか」を選定基準に入れておくべきでしょう。

監視すべき指標と、異常の兆候

モデルの劣化（ドリフト）は、ある日突然起きるのではなく、じわじわ進みます。以下を日次または週次で見る仕組みを、導入時に作り込みます。

• NG判定率の推移：普段より上がった／下がった場合は要調査
• 二次確認での「AIのNG判定が人間には良品だった」比率：過検出の増加を示す
• 客先クレームの発生：見逃しの増加を示す最悪の指標。ここで気づく状態は避けたい
• 画像の明るさ・コントラストの統計値：照明の劣化やレンズの汚れを、精度が落ちる前に検知できる
• 品種構成の変化：新機種の投入や材料変更のタイミングを記録しておく

最後の項目は運用ルールの話です。材料の変更、成形条件の変更、金型の更新、表面処理の変更といった工程変更があったときに、検査システムの担当者に情報が届く仕組みがあるか。ここが切れていると、原因不明の精度低下が起きます。工程変更管理（4M変更管理）のフローに、検査システムの担当者を組み込んでおくことを推奨します。

役割分担を先に決める

この表は例ですが、重要なのは「モデルの再学習」の行に、必ず誰かの名前が入っている状態にすることです。空欄のまま稼働を始めた案件は、高い確率で1年以内に止まります。

AIを工場業務にどう組み込むかという、より広い視点での考え方は、生成AIの導入で成果を出すための実務ガイドでも整理しています。外観検査のような画像AIと、業務系の生成AIでは技術は違いますが、「現場が自分で回せる設計にする」という原則は共通しています。

検査結果をデータとして活かす：MES・トレーサビリティとの接続

AI外観検査の投資対効果を、検査員の人員削減だけで説明しようとすると、多くの案件は成立しません。検査結果がデータとして残ることの価値を、正当に評価に含めるべきです。

検査結果を「捨てない」設計

目視検査では、検査員の頭の中で判定が行われ、記録に残るのは良否の結果とせいぜい欠陥種別だけです。AI外観検査では、すべてのワークについて画像と判定根拠が残ります。この違いは大きいと考えています。

• 不良の発生傾向を、時間・号機・ロット・作業者ごとに分析できる
• 不良率が上がり始めた瞬間を検知し、工程にフィードバックできる
• 客先クレームが来たとき、該当ロットの画像を遡って提示できる
• 監査対応で、検査が実施されたことを客観的に証明できる

3つ目と4つ目は、日系メーカーの海外拠点では特に価値が高い部分です。客先や本社から品質問題の説明を求められたとき、「検査員が確認しました」という説明と、当該ロットの全数画像を提示できる状態とでは、話の進み方がまったく違います。

紐付けのキーを最初に決める

検査データを活かすには、画像と判定結果を、何に紐付けて保存するかを設計時に決めておく必要があります。

• 製品シリアル番号（個体管理ができている場合は最強）
• ロット番号・製造指図番号
• 設備号機・金型番号・キャビティ番号
• 作業日時・シフト・作業者ID
• 材料ロット番号

このうち、後から追加するのが最も難しいのは個体識別です。個体にシリアルを付与する運用がないと、不良品を特定の個体まで遡れません。逆に、すでにロット管理が機能しているなら、まずはロット単位での紐付けから始めれば十分実用的です。

工場全体でのデータの持ち方、実績収集の設計についてはタイの工場向け生産管理システム導入の考え方が参考になります。検査システムを単独で導入するか、生産管理システムと連携させるかで、必要な作り込みが変わります。

食品や医薬など、ロット遡及の要求が厳しい業種では、検査画像がトレーサビリティ記録の一部になります。この領域の要求水準については食品工場のトレーサビリティシステム構築で整理しています。また、個体・現品の識別手段としてRFIDを検討する場合は工場でのRFID導入と費用の考え方も参照してください。検査データの価値は、それが「どの個体のものか」を特定できて初めて最大化されます。

工程内フィードバックまで設計する

理想を言えば、検査結果は工程にフィードバックされるべきです。特定のキャビティから不良が集中して出ているなら、その金型を止める。特定の時間帯に不良が増えるなら、温度や湿度との相関を見る。こうした運用は、データが構造化されて初めて可能になります。

ベトナムでも、エレクトロニクスや電機を中心に、ロボット・検査システム・データドリブンな品質管理への投資が進んでいると報告されています（Intralink）。ロボット、マシンビジョン、MES、IIoTの組み合わせが、停止時間の削減、品質の安定、可視化に寄与するという整理です。外観検査を単体の装置として見るのではなく、工場のデータ基盤の入口として位置づける視点が、投資判断の質を上げます。

よくある質問（FAQ）

AI外観検査の導入費用はどのくらいかかりますか？

日本国内のベンダーが公開している目安レンジは、AIソフトウェア、カメラ、照明、PC、SIer費という構成で示されることが多く（NTTコミュニケーションズ、2025年）、これは参考になります。ただし、この構成には搬送・治具・機構が含まれていないことが多く、実機を動かすには別途必要です。また、タイ・ベトナムでの外観検査自動化の費用について、信頼できる公開統計はほとんど存在しません。相場を一般論で押さえるより、本記事で示した6費目に分けて複数社から同じ粒度の見積を取り、5年間の総額で比較することを推奨します。

目視検査は全部なくせますか？

現時点では、全廃を前提にした計画は推奨しません。現実的な構成は、AIが一次判定を行い、NGおよびグレー判定のみ人が二次確認する形です。この構成でも、二次確認に回る比率が低ければ人員は大きく減らせます。逆に、過検出率が高いままだと削減効果が出ないため、「見逃し率の上限」と「二次確認比率の上限」の両方を要件に入れることが重要です。また、感覚的な違和感の検出や、想定外の欠陥への対応は、当面は人の役割として残ると考えたほうが計画が崩れません。

不良品サンプルが少なくても導入できますか？

可能性はありますが、アプローチを変える必要があります。良品だけを学習して「良品らしくないもの」を検出する異常検知型（良品学習型）であれば、NGサンプルがほとんどなくても立ち上げられます。ただし欠陥種別の分類ができず、過検出が増えやすいという特性があります。品質管理が機能している現場ほど不良率が低くNGサンプルが集まらないという逆説は広く指摘されており（Nsight）、これは珍しい状況ではありません。現実的には、異常検知型で立ち上げつつ、運用しながらNGサンプルを蓄積し、種類が特定できたものから分類型に移行していく二段構えが有効です。

精度は何パーセント出れば合格と考えるべきですか？

全体の正解率で判断してはいけません。不良率1%の工程なら、すべて良品と判定するだけで正解率99%になります。見るべきは見逃し率と過検出率の二つで、それぞれの上限は自社の事情から逆算します。見逃し率の上限は「流出不良1件あたりの損失額 × 想定出荷数」が許容範囲に収まる水準から。過検出率（二次確認比率）の上限は「必要な人員削減効果」から。この二つを契約書の受入基準に数値で書けるかどうかが、プロジェクトの成否を分けます。

ルールベースのマシンビジョンとAI、どちらを選ぶべきですか？

判定条件を数値で書き下せるなら、ルールベースで十分です。速く、安く、説明しやすく、現地のエンジニアがしきい値を調整できます。良品側のばらつきが大きく、欠陥の見え方が毎回違い、条件を書けない場合にAIの出番となります。多くの現場では両方が混在するため、位置決めや明確な欠陥はルールベースで処理し、判断の難しい部分だけAIに回すハイブリッド構成が現実的です。AIに任せる範囲を絞るほど、現地で運用できる範囲が広がります。

導入から本稼働まで、どのくらいの期間を見ればよいですか？

課題定義、実現性検証、PoC、本番構築という四つのフェーズで、全体としては1年前後を見ておくのが安全です。対象物と欠陥の難易度で大きく変動しますが、「今期の予算で今期中に効果を出す」という計画は現実的ではありません。特にBOI恩典の活用を検討する場合、設備の発注前に申請を済ませる必要があるため、フェーズの早い段階でスケジュールを確認しておく必要があります。

現地に画像AIを扱える人材がいなくても運用できますか？

前提として、いない想定で設計すべきです。選択肢は三つあります。現地の品質保証担当者が画像を追加してボタンを押すだけで再学習できるノーコード型のツールを選ぶ、ベンダーとリモート保守契約を結んで現地は画像を送るだけにする、本社や地域統括拠点にモデル管理を集約する。いずれの場合も、「モデルの再学習を誰が実施するか」を役割分担表に明記し、契約書で年間の対応回数と方法を確定させておくことが不可欠です。

導入したあとに新機種が増えたらどうなりますか？

品種追加のたびに、その品種の画像収集と再学習が必要になります。これを想定していない契約が、後々のトラブル要因になります。契約時に「1品種追加あたりの費用、必要な画像点数、対応期間」を明記しておいてください。日系メーカーの海外拠点では、本社の都合で生産品目が動くことが多いため、この条項の有無が長期コストを大きく左右します。

まとめ：判断の順序を間違えないこと

AI外観検査の検討で最も多い失敗は、技術の比較から入ってしまうことです。本記事で示した順序を、あらためて整理します。

1. 流出不良1件あたりの損失額を、自社の実績から算出する
2. 目視検査の総コストを、直接人件費以外まで含めて棚卸しする
3. 対象とする欠陥種別を絞り込み、AIが要る部分と要らない部分を切り分ける
4. 判定基準を言語化し、写真付きの多言語基準書として整備する
5. 許容見逃し率と許容二次確認比率を、数値で決める
6. 6費目に分解した見積を複数社から取り、5年総額で比較する
7. NGサンプルの確保戦略（蓄積・生成・設計）を選ぶ
8. 再学習の担い手と、精度モニタリングの仕組みを契約に落とす
9. BOI恩典の可否と申請タイミングを、発注前に確認する
10. 検査データの紐付けキーを決め、生産管理・トレーサビリティとの接続を設計する

このうち、4番の判定基準の言語化と、8番の運用体制は、日本国内向けの解説記事ではあまり強調されない一方、ASEAN拠点では成否を分ける要素です。そして、この二つは仮にAI導入が見送りになったとしても、単体で品質保証の改善につながります。まずここから着手するのは、投資判断を先送りする言い訳ではなく、合理的な進め方だと考えています。

世界のAI外観検査市場は年平均23.3%で成長し、2030年には852.4億USDに達すると予測され、アジア太平洋が最速で伸びる地域とされています（The Business Research Company、2026年7月）。ただ、市場が伸びていることは自社が導入すべき理由にはなりません。判断の根拠は、あくまで自社の損失額とコスト構造の中にあります。

外観検査のAI化を検討されている段階で、「まず何から手をつけるべきか」「この工程はそもそも対象になるのか」といった整理からご相談いただくことも可能です。見積のご依頼がなくても構いません。タイ・ASEANの工場で生産管理システムや工場ITの導入を支援してきた立場から、現地の実情を踏まえた論点整理をお手伝いします。ご相談はお問い合わせフォームからお気軽にどうぞ。