工程改善 AI｜タイ工場の90日PoC・RFP実務

工程改善 AIをタイ工場で検討するとき、最初に決めるべきことはモデル名ではありません。「どの損失を、誰の判断を変えることで、いつまでに減らすか」です。品質、停止、歩留まり、エネルギー、計画の候補を比較し、現場で使えるデータ、受入基準、例外時の運用まで先に設計すると、PoCをデモで終わらせず投資判断につなげられます。本稿では90日PoC、RFP、FAT/SAT、MLOps、タイのPDPA、多言語運用、費用対効果を発注者の実務順に整理します。

検索意図と結論：工程改善 AIは「予測精度」より意思決定を設計する

このキーワードを検索する方が本当に知りたいのは、AIの仕組みよりも「自社工程で使えるか」「PoCはいくら・何日かかるか」「ベンダーへ何を要求すべきか」「効果をどう証明するか」でしょう。結論は次の四点です。

1. ユースケースはデータ量ではなく、損失額、介入可能性、再現性、展開性で優先順位を付ける。
2. 90日PoCでは、モデル精度に加えて現場の行動、システム連携、停止時の代替手順まで検証する。
3. RFPと受入試験では、ベースライン、評価期間、誤警報、見逃し、データ漏えい、ドリフト、再学習責任を明文化する。
4. ROIは「AIが当てた件数」ではなく、回避損失と増分粗利から、人件費・クラウド・保守・変更費を差し引いて評価する。

OECDの製造業AIに関する整理は、品質管理、予知保全、サプライチェーン、ロボティクスなど、製造の複数領域でAI活用を捉えています。一方、OECDの企業におけるAI導入報告は、導入を阻む要因としてスキル、データ、コスト、組織能力などを広く扱っています。したがって、AIだけを調達するのではなく、データと業務変更を一体で発注する必要があります。

AI 生産性向上 工場のユースケースを優先順位付けする

「できそうなもの」から始めると、データは揃っていても金額効果が小さいテーマに偏ります。逆に最大損失だけを見ると、原因が複雑すぎて90日では検証できません。候補を同じ物差しで採点してください。

※配点は推奨値であり、企業の安全・品質方針に応じて変更する設計例です。

品質：不良の予測より原因の切り分けを狙う

品質AIの価値は、良否判定を置き換えることだけではありません。材料ロット、設備条件、環境、工具、作業、検査結果を時系列で結び、どの条件が変化したときに不良リスクが上がるかを早く示すことです。顧客仕様に関わる最終判定は既存の検査規格を維持し、AIは追加の注意喚起や原因候補提示から始めると安全です。

評価では全体正解率だけを使わず、見逃し率、誤警報率、品種別性能、欠陥種別性能、担当者の確認時間を分けます。まれな不良では「すべて正常」と答えるモデルでも正解率が高くなるためです。関連する設計はタイ製造業のAI品質管理でも詳しく解説しています。

設備停止：予知よりも保全計画へつなぐ

予知保全では、振動や温度の異常検知だけで終わらず、何時間以内に誰が確認し、予備品を手配し、計画停止へ切り替えるかまで定義します。故障履歴が少ない場合、教師あり学習を急ぐより、状態監視とルール、異常検知、点検記録の標準化から始める方が現実的です。

重要なKPIは、故障予測の正解率だけではありません。未計画停止時間、平均修復時間、警報から介入までの時間、緊急保全比率、不要点検時間、警報の放置率も見ます。

歩留まり：条件推薦に制約を埋め込む

歩留まり改善では、原料、レシピ、設備条件、実績品質を結び、条件と結果の関係を分析します。ただし相関を因果と誤認しないことが重要です。設備能力、安全限界、顧客承認範囲を制約条件として固定し、推奨条件は承認者が確認したうえで試験します。自動制御へ進む場合は、別途安全評価と変更管理が必要です。

エネルギー：原単位と生産条件を分ける

電力の総量だけでは、生産量が増えたのか効率が悪化したのか判断できません。製品、重量、稼働時間、外気、立ち上げ、待機、圧空などの条件を分け、適切な原単位を定義します。AIは需要予測、ピーク抑制、異常消費検知、運転順序の提案に使えますが、品質や納期を犠牲にして電力だけを下げないよう、複数目的で評価します。

生産計画：最適化と現場制約を切り離さない

計画AIは納期、段取り、設備能力、人員、材料、治具、保全予定を扱います。現場がExcelで行っている調整を「非標準」として捨てず、なぜ必要かをルール化してください。モデルが出した計画と実行結果の差、差し替え理由、欠品、特急、段取り回数を蓄積すると改善できます。

製造データ 分析 AIの前に整えるデータ契約

AIの成否を左右するのは、データの列数ではなく意味の一貫性です。設備PLCの1秒データ、MESの実績、ERPの品目・指図、品質DB、保全記録が存在しても、時刻と粒度が合わなければ同じ製造イベントとして結合できません。

最小データ辞書

データ提供者と利用者の間で、名称、型、単位、更新頻度、遅延、欠損、保持期間、責任者を「データ契約」として合意します。センサー校正や設備改造があれば、値の分布が変わるため変更通知も必要です。

ラベル品質を監査する

不良、故障、停止理由のラベルが人によって異なると、モデルは現場の曖昧さを学習します。まず代表期間を抽出し、同じ事象に同じコードが付いているか、後日訂正が反映されるか、複数原因をどう扱うかを確認します。ラベルの定義書には含む条件、除外条件、判定者、判定期限を記載してください。

データ分割は時間順で行う

製造データは、同じロットや連続時間帯の情報が似ています。無作為に訓練・評価へ分けると、ほぼ同じ運転状態が両方へ入り、実運用より良く見えることがあります。将来運用を模擬するため、原則として過去を学習、後の期間を検証・テストに分け、品種変更や保全後も評価します。

工場 改善 AI PoCを90日で進める実行計画

90日は保証された期間ではなく、範囲を一工程・一意思決定に絞った場合の推奨設計例です。データ取得や契約審査に長期間かかる場合は、着手前に準備フェーズを置きます。

Day 1で一文の問題定義を作る

「AIで品質を改善する」では広すぎます。たとえば「成形工程で、検査結果が判明する前に異常リスクを班長へ提示し、承認済み条件範囲内で点検を促すことで、対象不良の損失を減らす」のように、対象、時点、利用者、行動、効果を一文にします。

最初に単純なベースラインを作る

高度なモデルは、現行ルール、移動平均、管理図、直近値、品種別平均などの単純手法と比較します。複雑なモデルがわずかな改善しか生まない場合、説明・保守・計算コストを含めると単純手法の方が優れることがあります。

シャドーモードで判断を観察する

モデル出力を設備制御へ直接接続せず、一定期間は推奨だけを表示します。誰が見たか、採用・却下したか、理由、実際の結果を記録します。これによりモデル性能だけでなく、表示時点、説明、権限、標準作業との整合を確認できます。

RFPに書くべき工程改善 AIの要件

RFPは機能一覧ではなく、同じ条件で提案を比較し、契約後の認識差を減らす文書です。「AIで最適化」「高精度」などの表現は、評価方法がなければ受入条件になりません。

RFPには「発注者が提供するもの」も書きます。データの意味を説明する現場担当、正解判定者、接続窓口、試験設備、承認期限を用意しなければ、ベンダーだけではPoCを進められません。

KPI・ベースライン・反実仮想で費用対効果を証明する

AI導入前後の差をすべてAI効果とみなすと、需要、品種構成、材料、季節、保全、作業者、別の改善活動が混ざります。「AIがなかったらどうなっていたか」という反実仮想をできる範囲で設計します。

KPIを四層に分ける

指標名だけでなく、分子・分母、除外、集計単位、データ源、締め時刻、責任者を定義します。たとえば「不良率」で、再検後の合格品を不良に含むかにより結果が変わります。

比較方法を選ぶ

可能なら、対象ラインと条件の近い比較ラインを置き、導入前後の差の差を見ます。難しければ段階導入、交互運用、同品種・同シフトのマッチングなどを使います。安全や顧客品質を損なう実験は行わず、変更管理の範囲で設計してください。

統計的有意差だけでなく、金額として意味のある最小効果もPoC前に決めます。少数の異常しか発生しないテーマでは90日で結論が出ない可能性をRFPに明記し、プロキシ指標と長期追跡を組み合わせます。

FAT/SATでモデルから現場運用まで受け入れる

FAT（Factory Acceptance Test）はベンダー側または統合環境、SAT（Site Acceptance Test）は実工場環境で行う受入試験です。AIの評価ノートだけで合格にせず、データ欠損、ネットワーク断、センサー交換、未登録品種、権限不足などの異常系を含めます。

FATの試験例

• 固定した評価データで結果を再現できるか
• 品種別・設備別・シフト別の性能が表示されるか
• 入力範囲外、欠損、重複、時刻ずれを検知できるか
• モデル版、特徴量、設定、承認者を追跡できるか
• API失敗、再送、二重処理、タイムアウトを制御できるか
• 権限別表示、監査ログ、バックアップ復元が機能するか

SATの試験例

• 実際のPLC/MES/ERPから必要な周期でデータが届くか
• タイ語・英語・日本語の表示と入力が現場で理解できるか
• 警報が標準作業と責任分界に沿って処理されるか
• 休憩、交代、夜勤、計画停止でも誤作動しないか
• AI停止時に既存運転へ安全に戻せるか
• サポート窓口、連絡網、復旧時間の測定ができるか

受入書には未解決事項、条件付き合格、期限、責任者も残します。PoCの成功と量産受入は別のゲートです。

MLOpsとドリフト：公開後に精度が崩れる前提で設計する

製造現場では材料、品種、設備、工具、レシピ、季節、カメラ、検査規格が変わります。入力分布が変わるデータドリフト、予測と結果の関係が変わる概念ドリフト、運用そのものが変わるプロセスドリフトを監視します。

最低限の運用台帳

監視閾値は一律にせず、変化が業務リスクへ与える影響で決めます。閾値を超えたら即再学習するのではなく、データ障害、設備変更、品質基準変更を切り分けます。再学習データへの誤ラベル混入や、直近品種への過適合も防ぐ必要があります。

NIST AI Risk Management FrameworkのGovern、Map、Measure、Manageは、AIリスクを組織・利用文脈・測定・対応へ分けて考える参考になります。ISO/IEC 42001はAIマネジメントシステムの国際規格であり、個別モデルの精度認証ではありません。RFPでは規格名だけを要求するのではなく、自社案件でどの管理策と証跡を適用するか確認します。

タイ拠点のガバナンスとPDPA

タイでAIを使う場合、個人データが目的に必要かを先に確認します。工程データでも、作業者ID、顔画像、音声、位置、技能評価、勤怠と結合すれば個人に関係する可能性があります。収集目的、法的根拠、通知、アクセス、保存期間、委託先、越境移転、削除、事故対応を法務・DPOと確認してください。本稿は法的助言ではありません。

タイETDAのAI Governanceに関する情報、ETDAのGenerative AI Governance Guideline、Expanded ASEAN Guide on AI Governance and Ethicsは、組織体制、リスク、透明性、人の関与などを検討する参考になります。適用法と契約は案件ごとに専門家へ確認してください。

タイ拠点で決める責任分界

本社AI部門がモデルを持ち、タイ工場がデータと運用を持つ場合、異常時の意思決定者が曖昧になりがちです。データオーナー、工程オーナー、モデルオーナー、IT運用、セキュリティ、DPO、承認者をRACIで整理します。24時間操業なら、夜勤時の一次対応と本社へのエスカレーションも決めます。

生成AIを作業指示や原因説明に使う場合は、従来の予測モデルとは別に、誤情報、機密入力、プロンプト攻撃、外部知識の出典、回答の再現性を評価します。生成文章だけで設備条件を自動変更しない統制が必要です。

多言語の現場運用：翻訳より行動の一致を確認する

タイ工場では、経営層の日本語、地域統括の英語、現場のタイ語が並行します。画面を翻訳しても、異常の意味と行動が一致しなければ改善につながりません。

自由記述を機械翻訳する場合、技術用語、設備名、欠陥名の用語集を持ち、原文も保持します。教育では「AIを信じる」ではなく、使ってよい条件、疑う兆候、止める権限、報告先を確認します。工場日報のAI自動化も、多言語記録と現場データ整備の入口として参考になります。

費用対効果の試算式

試算では、効果を二重計上しないことが重要です。不良削減と歩留まり向上が同じ廃棄を指すなら、両方を加算しません。売上増を効果にする場合は売上高ではなく、能力制約と需要を確認した増分粗利で考えます。

年間純効果 = 回避品質損失 + 回避停止損失 + エネルギー削減 + 増分粗利 + 作業削減効果 − 年間運用費 − 年間変更費

回収期間（月） = 初期投資 ÷（年間純効果 ÷ 12）

試算例（仮定であり実績・保証値ではありません）

ある工程で、対象品質損失を年間12,000,000 THB、AIの対象範囲を50%、対象範囲内の改善率を10%、改善のうちAIに帰属できる割合を60%と仮定します。

回避品質損失 = 12,000,000 × 50% × 10% × 60% = 360,000 THB/年

ここに他の重複しない効果を加え、クラウド、監視、保守、利用者時間、再学習を引きます。初期費用を1,200,000 THB、年間純効果を600,000 THBと仮定した場合、単純回収期間は24か月です。これらは計算方法を示す試算例であり、相場、顧客実績、成果保証ではありません。悲観・基準・楽観の三シナリオで感度を確認してください。

World Economic Forumの2025年Global Lighthouse Network発表は、先進拠点の変革事例を示します。ただし、そこで示される成果数字はLighthouseに選ばれた上位事例の集計または個別成果であり、一般的な工場や本案件の保証値ではありません。自社ROIの入力値へそのまま転用せず、自社ベースラインで検証してください。

ベンダー評価表：デモの印象を配点へ変える

※配点は推奨値の設計例です。安全に直結する場合は、安全と変更管理を合否条件に格上げします。

候補各社には同じデータ、同じ期限、同じKPIを渡します。ベンダーが自社に有利なサンプルだけを選ぶ比較は避けます。提案書の機能有無だけでなく、誤りをどう説明したか、未達時に範囲をどう見直すか、現場と共同作業できるかを評価します。

よくある失敗パターンと回避策

1. 技術デモをPoCと呼ぶ

過去データで良いグラフが出ても、現場の介入時点、責任者、連携、異常時運用が未検証なら投資判断はできません。シャドーモードとユーザー試験を必須成果物にします。

2. 正解率だけで合格させる

クラス不均衡、重要な見逃し、品種差を隠します。混同行列、品種別結果、金額加重、誤警報による作業負荷を確認します。

3. データ整備をベンダー任せにする

データの業務的意味は工場側しか決められません。工程オーナーとITをデータ責任者として割り当て、辞書と品質課題を共同承認します。

4. AI出力をいきなり自動制御へつなぐ

誤り時の影響が大きくなります。助言、承認付き操作、限定自動化の順に段階化し、安全PLCや既存インターロックを置き換えない設計から始めます。

5. 本番後の予算を見ない

PoC費だけ承認し、監視、再学習、データ障害対応、ユーザー教育の予算がないと劣化します。3年TCOと運用担当の工数をRFPに入れます。

6. 本社標準を翻訳だけで展開する

タイの設備、勤務、承認、通信、PDPA、サポート条件が違います。共通標準と拠点差分を分け、SATで実運用を確認します。

FAQ

工程改善 AIとは何ですか？

製造工程の品質、停止、歩留まり、エネルギー、生産計画などのデータを分析し、予測、異常検知、原因候補、条件推薦、計画提案によって現場の判断を支援する仕組みです。モデルだけでなく、データ収集、画面、連携、標準作業、監視、統制を含む業務システムとして考えます。

AI 生産性向上 工場のテーマはどれから始めるべきですか？

損失額が測れ、予測後に介入でき、データを結合でき、90日程度で比較可能なテーマを優先します。最大損失でも発生が極端に少ない、または介入できないテーマは初回PoCに向かないことがあります。

製造データ 分析 AIには何年分のデータが必要ですか？

一律の年数はありません。季節、品種、故障頻度、工程変更を含む代表性が重要です。データ量より、対象事象が十分に含まれ、時刻とIDが結合でき、ラベル定義が一貫しているかを確認します。

工場 改善 AI PoCは90日で必ず終わりますか？

いいえ。90日は一工程・一意思決定へ絞った推奨設計例です。センサー追加、契約審査、データ持出承認、まれな故障の観測が必要なら延びます。準備フェーズとPoCを分けると進捗を管理しやすくなります。

PoCの受入精度は何％にすべきですか？

一律の推奨値はありません。見逃しと誤警報の費用、安全、顧客影響から決めます。全体正解率ではなく、対象別指標、単純ベースラインとの差、業務KPI、例外処理を組み合わせてください。

RFPでモデルの所有権をどう扱うべきですか？

学習データ、加工データ、特徴量、コード、設定、重み、評価結果、ログそれぞれの権利と利用範囲を分けます。契約終了時のエクスポート、削除、再利用、第三者モデルの制約も明記します。

タイPDPAが工程データに関係しますか？

設備値だけなら個人データでない場合もありますが、作業者ID、映像、音声、位置、技能や勤怠と結合すると個人に関係し得ます。目的、必要性、通知、保持、権限、越境移転をDPO・法務と確認してください。

生成AIを原因分析に使えますか？

ログや標準書を検索し説明候補を作る用途は考えられますが、もっともらしい誤り、出典、機密入力を管理する必要があります。根拠表示と人の承認を必須にし、生成文だけで設備を操作しないでください。

小規模工場でも工程改善 AIは導入できますか？

可能ですが、個別モデルが常に最適とは限りません。まず可視化、管理図、ルール、日報標準化で改善できるかを比較し、AIの追加価値がある範囲だけに投資します。既存クラウドやテンプレートを使う場合も、データと受入条件は自社で定義します。

まとめ

工程改善 AIを成功させる鍵は、AIの精度競争ではなく、損失と意思決定を一つの設計へ落とすことです。ユースケースを経済性と介入可能性で選び、データ契約を整え、90日PoCで単純ベースライン、シャドーモード、反実仮想、FAT/SATを確認します。RFPにはMLOps、PDPA、多言語運用、撤退性まで含め、ROIは自社の実測値で判断してください。

タイ工場でのテーマ選定、PoC計画、RFP作成、既存PLC/MES/ERPとの接続を検討中であれば、構想段階でもTOMAS TECHへご相談ください。対象工程と手元のデータを確認し、AIを使わない改善策も含めて検証範囲を整理できます。

参考情報

• OECD: AI in manufacturing
• OECD: The adoption of artificial intelligence in firms
• World Economic Forum: Global Lighthouse Network 2025
• NIST: AI Risk Management Framework
• ISO: ISO/IEC 42001 AI management systems
• ETDA: Future AI Governance
• ETDA: Generative AI Governance Guideline
• ASEAN: Expanded ASEAN Guide on AI Governance and Ethics