AI導入を検討しているものの、「データが足りるのか」「ERP・MES・設備データをどうつなぐのか」「日本本社とタイ工場のどちらが何を決めるのか」が曖昧なまま、製品比較やPoCの見積もりに進んでいないでしょうか。製造業のAIデータ整備は、データを一か所に集めるだけの作業ではありません。現場の判断に使うデータを選び、その意味、品質、更新タイミング、利用権限、異常時の責任を明文化し、AIが出した結果を人が追跡できる状態にする仕事です。本稿では、タイの工場やASEAN拠点を持つ日系製造業が、AIの前提データを点検し、ベンダーに確認できるRFPと90日間の評価計画へ落とし込む方法を解説します。
本稿の「データ準備度」は公的認証や業界標準を意味しません。TOMAS TECHが、工場のAI導入前に関係者間で論点をそろえるために提案する実務チェックの考え方です。既存のAI導入事例、予知保全、外観検査、AIエージェントの選び方を網羅する記事ではなく、それらの企画に入る前のデータ適格性と評価設計に焦点を当てます。
製造業のAIデータ整備で最初に決めること
最初に決めるのは、AIの製品名でもデータ基盤の構成でもありません。「誰が、どのタイミングで、何を判断するときに、どの記録を根拠として使うのか」です。例えば、毎朝の生産会議で遅延の原因候補を絞るのか、品質異常の発生ロットを追うのか、保全員が点検対象を選ぶのかで必要なデータと許容できる遅れは違います。目的が「AIを使うこと」のままでは、必要なデータを選べず、評価が「回答が自然かどうか」に流れやすくなります。
実務では、まず困っている意思決定を一つ選び、現在の判断手順を具体的な作業単位に分けます。誰が情報を集め、何を照合し、例外をどの帳票やシステムで確認し、最後に誰が承認するのかを追います。経験者が頭の中で行っている確認があれば、それも判断条件として聞き出します。現場の判断を「データ項目」にすぐ変換しようとせず、その判断が必要になる場面と、間違った場合の影響を先に記録してください。
AI導入前の問いを具体化する
問いの例として「AIで不良を減らしたい」だけでは不十分です。対象は最終検査か工程内検査か、品種変更後の初品か量産中の抜き取りか。利用者は検査員、品質技術者、工場長の誰か。AIの出力を見た後に取る行動は、再検査、設備確認、ロット隔離、条件変更のどれか。判断に必要な時間、許容する誤検出、見逃しの影響、結果を覆す権限者を決めると、適切なデータと人の確認点が見えます。
タイ工場では、同じ工程でも日本本社が求める報告単位、現地のシフト運営、サプライヤーから受け取るロット情報、設備メーカーの通信仕様が異なることがあります。全社共通の定義を適用する部分と、工場ごとに変える部分を分け、どこで変換するかを明示します。日本語・タイ語・英語が併存する帳票は、項目名の翻訳だけでなく、値の意味や入力ルールが同じかを確認します。
「データがある」と「使える」を分ける
工場には、ERPの受発注、MESの実績、PLCの時系列信号、検査機の判定、紙の日報、保全記録、作業者の申し送りなど、さまざまな記録が存在します。しかし、ファイルやテーブルが存在しても、AI評価に使えるとは限りません。必要な対象期間がそろっているか、時刻が同期しているか、設備・品目・ロットを結び付けられるか、異常の発生時刻と対応結果を区別できるかを確認します。
「データが無い」と見える問題の中には、別の名前で記録されている、担当者のローカルExcelにある、記録はあるがアクセス権が無い、あるいは意味が部門ごとに違うケースもあります。単に「データがある／ない」で採点せず、所在、責任者、取得方法、期間、粒度、欠損、定義、アクセス条件を別々に記録してください。データ不足と、接続・権限・定義の不足は対処が異なります。
AIに渡す前のデータ適格性を確認する
データ点検では、品質の良し悪しを一つの点数にまとめる前に、少なくとも六つの観点に分解すると議論しやすくなります。これらは規制要件や認証基準ではなく、TOMAS TECHが初期評価で使う整理案です。対象ユースケースにより重みは変わり、法令、顧客要求、社内規程が優先されます。
1. 業務上の意味と定義
列名が同じでも、拠点やシステムにより内容が違うことがあります。「生産数」が良品数か総出来高か、「停止時間」が計画停止を含むか、「不良日」が発生日か登録日かを確認します。単位、タイムゾーン、丸め、コード体系、値の選択肢、空欄の意味をデータ辞書に残します。定義の持ち主も決めます。定義を変えるとき、どのシステムと帳票に影響するかが分からなければ、AIの回答がいつから変わったのか説明できなくなります。
マスターデータでは品目、設備、工程、ライン、作業者、シフト、ロットの識別子を確認します。コード変更や設備移設、工程統合が過去記録にどう反映されるかも重要です。名称だけで結合する設計は、表記の揺れや同名設備に弱くなります。一意のキーが無い場合は、どの責任者がどのルールで対応表を保守するかを決め、対応表の適用開始日と変更履歴を残します。
2. 網羅性と欠損
欠損は単純な空欄率だけで評価できません。停止した設備だけ記録が抜ける、忙しいシフトだけ入力が遅れる、特定製品だけ検査項目が増えるなど、欠損が業務状態に偏っていればモデルや検索結果に影響します。工程・品目・シフト・設備別に欠損を集計し、記録されない理由を確認します。取得できなかった値、未測定、対象外、入力忘れは異なる状態として扱います。
AIに必要な期間もユースケースごとに変わります。複数季節、複数品種、設備の段取り替え、保全後の再稼働など、通常運転と例外の双方を含むかを検討します。期間が短いときは、無理に「十分」と判定せず、評価範囲を限定するか、追加収集期間を設けます。履歴が長いからと言って常に良いわけでもありません。工程条件や測定器が大きく変わった過去データは、現在の状態と分けて扱う必要があります。
3. 正確性・一貫性・異常値
センサー値の範囲、単位、ゼロ値の意味、急な跳ね、重複レコード、矛盾する状態遷移を確認します。例えば、設備が停止中なのに生産カウントが増えている場合、信号の遅延、PLCカウンタのリセット、集計処理の重複など、複数の原因が考えられます。値を自動的に削除・補正する前に、設備技術者と業務担当が異常の意味を判断します。異常値を消すことで、本来検出したい故障兆候まで消してしまう恐れがあるためです。
システム間の突合では、同じ生産イベントが何件として記録されるか、再送時に重複が発生するか、訂正前後の履歴が残るかを調べます。時刻の基準は、工場ローカル時刻、UTC、サーバー時刻のどれかを明記します。複数拠点データを使う場合、タイと本社の時差やサマータイムを含む地域の時差を正しく処理できるか確認します。時刻が数分ずれること自体が問題かどうかは、判断に必要な時間幅から逆算します。
4. 識別と結び付け
AIが「どの設備」「どのロット」「どの工程」の情報を参照したかを説明するには、システムをまたいだ識別子が必要です。ERPの品目、MESの指図、PLCのタグ、検査装置のシリアル、保全台帳の設備番号がそれぞれ独立している場合、対応関係と有効期間を作ります。製造番号や作業者情報を含む場合は、利用目的と必要最小限の範囲を定義し、権限と保持期間を適用します。
連携の成否はAPIの有無だけでは決まりません。取得周期、通信断時の再送、重複排除、順序逆転、データ遅延の表示、障害時の手作業への切替を実地で確認します。設備側に変更を加えるのか、読み取り専用で取得するのかも分けます。既存の安全制御や品質保証に影響を与えない境界を定め、AIの実験環境から本番設備へ書き込みを許す条件は別途審査します。
5. アクセス権・プライバシー・セキュリティ
データがAIサービスに送られる経路、保管場所、利用者、委託先、ログの保存期間、削除手順を確認します。人に関する情報を含む場合は、利用目的、閲覧権限、マスキング、保持期間、越境移転に関する社内外の要件を法務・情報セキュリティ担当に確認します。個人情報や機密情報を「匿名化済み」と決めつけず、再識別可能性や他データとの組合せも考慮します。
権限はシステムの利用者ロールだけでなく、AIが検索・要約する対象データにも適用します。工場長が見られる情報と、現場作業者が見られる情報、本社が閲覧できる集計の範囲が異なるなら、その境界をAIの出力にも維持させます。利用者が質問文に機密データを書き込んだ場合のログの扱い、退職・異動時のアクセス停止、委託先アカウントの期限管理なども、導入前に責任者を定めます。
6. 出所・履歴・監査可能性
AI出力を後から検証できるよう、入力データの出所、抽出日時、変換ルール、モデル・プロンプト・設定の版、参照した記録、利用者の確認と修正を追えるようにします。全ての中間データを永久保存するという意味ではありません。目的に合った証跡と保持期間を、業務要件と情報管理規程に合わせて設計します。生産・品質の記録が訂正されるとき、旧値と変更理由を追跡できるかも確認します。
データ検索をAIへつなぐ場合の設計例はタイ製造業向けデータエージェント導入ガイドでも扱っています。RAGや自然言語検索の場合、参照元を回答と一緒に提示できるか、検索対象の更新がいつ反映されるか、存在しない答えを断定しないようにできるかを検証します。異常検知や分類の場合、入力値と判定結果を対にし、現場の確認結果や後日判明した真因を残します。AI出力の履歴だけでなく、検証に使った正解データの作成者と判定根拠も管理してください。
工場のデータ棚卸しを短期間で進める手順
データ整備は、全社のすべての表を洗い出す大規模プロジェクトから始める必要はありません。マスターデータの考え方は製造業のAI改善前に整理したい品目・工程・設備・人員データも参考にできます。対象ユースケースに関係するデータフローを一つ描き、業務担当・IT担当・設備担当が同じ図を見ながら、データ源と責任を確認します。次の順序はTOMAS TECHの実務提案であり、公式認証や業界規格ではありません。
ステップ1：判断と対象範囲を決める
現場と管理者への短いヒアリングで、困っている判断を一つに絞ります。「異常対応を早くしたい」なら、どの異常を誰が何分以内に認識し、どの確認作業を減らすのかを定義します。対象の製品群、設備、ライン、期間、利用者、除外条件を書きます。PoCの途中で対象を増やさないため、範囲外にした要望も記録します。
評価対象を絞ることは、将来の拡張を否定することではありません。最初の評価で確かめる仮説と、追加投資の判断に必要な証拠を明確にするためです。現場責任者、業務オーナー、IT、情報セキュリティ、ベンダーの責任分担を仮置きし、最終判断を誰が行うかを決めます。
ステップ2：データ系統図と項目台帳を作る
現場で発生するイベントから、帳票や設備信号、MES、ERP、データベース、ファイル、AI評価用のデータセットまでを図示します。矢印には更新周期、プロトコルや連携方式、所有者、障害時の挙動を添えます。システム名だけでなく、抽出対象のテーブル・項目・ファイル、保存期間、読み取り権限、利用目的を台帳に記録します。
台帳の一行には、項目名、業務定義、データ型、単位、例、必須条件、許容遅延、欠損時の扱い、更新責任者、参照元、アクセス条件、保管期間を含めます。全項目を同じ厳しさで審査せず、意思決定に不可欠な項目と補助情報を区別します。重要項目が不足する場合は、代替指標で評価可能か、手作業の追加収集で短期間だけ補えるか、先にシステム改修が必要かを判断します。
ステップ3：代表データを抜き取り、現場と照合する
抽出サンプルは、都合のよい正常日の記録だけにしないでください。異常日、品種切替、夜勤、保全後、通信断からの復旧など、利用シナリオを左右する状態を含めます。サンプルの量と期間は、対象業務とリスクに合わせて決定します。万能な件数基準はありません。元システムの記録、紙帳票、作業者への聞き取りを突き合わせ、値が何を意味するかを確認します。
最初の点検では、空欄率だけでなく、時刻の欠落・重複、コード不一致、あり得ない状態遷移、設備停止期間の偏り、変更履歴の有無を可視化します。集計値が帳票や現場の認識と合わない場合は、差を埋めるために計算式を足す前に、正本となる情報源を決めます。複数システムが異なる答えを持つ場合、それぞれがどの業務目的に対する正本なのかを明確にします。
ステップ4：使える・条件付き・使えないを切り分ける
データを「準備済み／未準備」の二択で判定すると、対策の優先順位が作りにくくなります。項目やユースケースごとに、今の状態で使える、限定条件なら使える、改善が済むまで使えない、情報不足で未判定、といった区分を置きます。それぞれに根拠、影響、改善の担当者、確認日を記録します。スコア化する場合も、点数だけでGo/No-Goを自動決定せず、重要な欠落と残余リスクを個別に示します。
例えば、過去の品質判定は揃っているがロットIDの連携が一部工程で欠けるなら、欠落工程を含む実運用には使わず、識別子が揃う限定工程で評価できます。シフトごとの入力遅れがあるなら、リアルタイム判断ではなく翌日の傾向分析から試す選択肢があります。改善前提と制約を明記したうえで評価することで、デモの成功を本番適用可能性と取り違えにくくなります。
ステップ5：最小の改善計画を作る
改善項目は、モデルを作る前に行うべきことと、限定評価を通じて確かめることに分けます。例えば、時刻同期、マスタ対応表、必須項目の定義、入力方法、アクセス権の承認、データ遅延の表示、異常時の連絡経路などです。全社データレイク構築や基幹更新が終わるまで待つのではなく、現在の安全な読み取り経路で検証できる範囲を探します。
ただし、データ準備度の低さを理由に必要な品質管理や安全対策を省いてはいけません。設備にAIから制御指令を書き込む計画、品質判定を自動確定する計画、個人の評価に出力を使う計画は、データ整理だけでは承認できません。別途の安全審査、品質保証、労務・プライバシー審査、変更管理が必要です。
RFPでベンダーに確認したい項目
AIのRFPは「対応可能なAIモデル」「精度」「対応データ形式」の質問だけでは、導入後の責任分界が分かりません。ベンダー各社に同じ前提、同じサンプル、同じ判定条件を渡し、提案範囲と追加費用の発生条件を比較できるようにします。次の項目はTOMAS TECHの実務提案であり、特定製品や公式評価基準の推奨ではありません。
データの接続・加工・障害対応
- ERP、MES、PLC、SCADA、検査装置、ファイルなど、どのデータ源を読み取るか。読み取り専用か、書き込みを伴うか。
- 接続方式、取得周期、遅延、認証、ネットワーク境界、工場側の変更作業、必要な停止時間は何か。
- 通信断、欠損、重複、順序逆転、遅延、誤ったマスタ対応をどう検出し、誰に通知するか。
- 変換・補正のルールをどこに保存し、誰が変更でき、変更履歴をどう残すか。
- データの正本が複数ある場合、衝突時の優先順位と最終判断者をどう設定するか。
モデル、検索、検証の説明
- どの情報を根拠に出力したか、利用者が元記録へたどれるか。
- 回答不能、信頼度不足、データ鮮度不足、範囲外の質問をどう示すか。
- 実証で使う正解データを誰が作り、どの条件で合否を判定するか。
- 精度指標は何か。適合率・再現率・誤検出・見逃しを対象業務に合わせてどう重み付けするか。
- 工程、品種、シフト、期間ごとに性能差を確認できるか。評価用データと調整用データが混ざらないか。
- モデル、設定、プロンプト、ナレッジ文書の版を記録し、変更後に回帰評価を行うか。
「精度99%」のような一つの数値は、母数、対象クラス、測定期間、閾値、除外条件が分からなければ比較材料になりません。品質異常の検出では、まれな不良を全て正常と判定しても見かけの正解率が高くなることがあります。誤検出が増えたときの現場負担、見逃しが起きたときの品質リスクを分け、業務責任者と合意した評価基準にします。
セキュリティ・運用・契約
- データの保管地域、暗号化、アクセスログ、バックアップ、削除、サブプロセッサーの範囲。
- 入力データやプロンプトをベンダーのモデル改善に再利用するか。拒否設定の証跡を得られるか。
- ロール別アクセス制御、SSO、アカウント棚卸し、委託先のアクセス期限をどう運用するか。
- 障害対応時間、連絡先、復旧目標、変更通知、バージョン更新、サポート終了の扱い。
- PoCで作ったコード、設定、データ辞書、評価セット、接続仕様、操作手順の所有者と引継ぎ条件。
- 本番移行、拠点追加、データ量増加、追加システム接続に伴う費用と前提。
契約書では、実証で使ったデータと成果物の取り扱い、秘密保持、削除証明、事故時の通知、成果物の再利用権限、終了時の移行支援を確認します。AI出力の著作権や説明責任など、法務確認が必要な項目もあります。AIベンダーがデータ管理や法令判断まで自動的に引き受けると想定せず、発注者側が保持する責任と相手方の責任を明確にしてください。
タイの工場から日本本社または国外クラウドへデータを移す場合は、契約と技術面の確認に加え、適用法令や顧客契約を専門担当者に確認します。どの国に保存できるかは、データの種類や契約、利用サービス、業界要件で変わるため、一律に「クラウドなら問題ない」「工場内なら安全」とは言えません。現地ITと本社セキュリティが同じデータフロー図を見て合意することが大切です。
90日評価を投資判断につなげる設計
90日は必ず成果が出る期間を意味しません。対象が広すぎる、現場の正解判定を得られない、設備データへの接続承認に時間がかかる場合は、評価期間の延長や段階分けが必要です。ここでは、短期間で技術デモに終わらず、次の投資判断に必要な証拠を集めるための計画例を提示します。日数はTOMAS TECHの提案例であり、標準期間や成果保証ではありません。
1〜2週目：判断課題・境界・合格条件を合意
現場責任者と業務オーナーが、対象となる判断、対象製品・ライン・期間、ユーザー、除外条件、現状作業、期待する変化を文書化します。現状の業務時間や品質影響を取れる範囲で測りますが、ベースラインが確認できない場合は、無理に効果金額を作りません。データ提供者、承認者、評価責任者、システム管理者、ベンダーの連絡先を定め、週次レビューの参加者を決めます。
合格条件は、モデル単体の性能だけでなく、利用者が根拠を確認できること、権限を超えるデータを返さないこと、データ遅延を認識できること、運用担当が異常時に切り戻せることを含めます。具体的な閾値は、誤判定の業務影響に応じて決めます。数値の合意ができないときは、判定会議で誰が何を見て決定するか、比較対象をどう設定するかを明記します。
3〜4週目：データ棚卸しとサンプル評価
データ系統図、項目台帳、アクセス申請、代表サンプルの抽出を行い、データの状態を共同で確認します。欠損、コード不一致、時刻ズレ、対象外の記録、利用許諾の不備を記録し、評価に影響する問題を優先順位付けします。この段階で、必要なデータが得られない、権限が承認されない、正解ラベルを作れないと判明したら、対象を変えるか、技術実証を保留する判断を行います。
データサンプルには、本番の個人情報や顧客機密を含めない方法を優先し、匿名化、マスキング、合成データ、限定環境などを情報管理担当と相談します。サンプルの加工によって本番のデータ分布や結合関係が失われる場合は、評価の限界を記録します。データを広くコピーするより、必要な項目・期間・利用者を絞ることが、後の管理を容易にします。
5〜8週目：限定環境で接続・評価
承認済みの範囲で読み取り連携を行い、代表シナリオに対する検証を実施します。技術担当は接続の安定性、鮮度、障害時挙動、監査ログを確認します。業務担当は出力を原記録と照合し、根拠の提示、例外時の扱い、修正可能性、現場の作業負担を評価します。モデルの出力が間違った場合の修正方法と、修正内容を今後の評価に反映するプロセスも確かめます。
評価データは、モデルを調整するデータと最終評価のデータを可能な範囲で分けます。対象期間の先読み情報が混ざっていないか、同じ製造ロットが両方にまたがっていないかを確認します。実運用で起こり得る例外シフトや品種切替を除外したときは、除外理由と本番適用時の制約を報告に残します。評価の結果が良くても、試験範囲外に一般化できるとは限りません。
9〜12週目：運用リハーサル・判断会議
利用者が日常業務で結果を確認する手順、誤りを報告する窓口、モデル停止・手動運用へ戻す方法、権限変更、データ不具合の一次対応をリハーサルします。AIが利用できない日でも業務が継続することを確認します。成果報告では、確認済みの事実、未解決の問題、限界、必要な改善投資、次段階の検証条件を分けて提示します。
投資判断は、全面展開か中止かの二択にする必要はありません。対象ラインを追加する前にデータ定義を改善する、別の意思決定から始める、既存BIで十分かを比較する、権限や接続方式を再設計する、追加データの収集期間を延ばすなど、段階的な選択肢を用意します。次段階に進む条件、再評価日、継続責任者、予算承認者を記録します。
タイ工場・ASEAN拠点で意識したい論点
タイではAIや先端電子を含む投資が注目されていますが、国の投資動向が個別工場のAI導入効果を保証するわけではありません。タイ投資委員会（BOI）は2026年にAI・先端電子などの分野で9件、総額19.9億米ドルの投資承認を公表し、その中にデータセンター向けGPUサーバー投資や電力計画が含まれます。これは産業インフラや投資環境の動きを示す情報であり、各製造業がAI案件を実施すべきという推奨ではありません。
NSTDAとBOIの2026年7月31日付発表は、同年5月までのIndustry 4.0関連申請2,062件、投資額2,060.54億バーツ、6月18日の承認17件・10.33億バーツなどを報告しています。対象の範囲は制度・申請に関する集計であり、AI専用の統計ではありません。BOIのSmart and Sustainable Industry措置には、対象活動、最低投資額、期限、税制優遇条件などの要件が定められています。優遇の適用可否はプロジェクトと現行告示の条件次第なので、投資判断前にBOIの原文を確認してください。
米国の調査結果をタイへそのまま当てはめることにも注意が必要です。米国の約28,500事業所を対象にした研究は、調査時点である2021年のAI導入状況を報告しています。NIST MEPの米国製造業向けページでは、データ品質・可用性、既存システムとの統合、プライバシー・サイバーセキュリティ、人材などを障壁として挙げています。これらは論点を考える材料ですが、タイ工場の普及率や導入障壁の割合を示す統計ではありません。
AWSの産業向け解説は、PLM、ERP、MES、SCMなどの間にデータが分散し、産業AIの連携設計が難しくなる点を説明しています。ベンダー企業の技術解説であり、独立した市場調査と同じ扱いにはしません。一方、工場内に複数の業務システムが併存する現実を考え、導入前に境界と連携責任を描く必要性を示す参考資料になります。
日系企業では、日本本社の統制と現地工場の迅速な改善の両立が論点になります。全社セキュリティポリシーやデータ定義を適用しながら、タイ側の設備、担当者、調達可能な接続部品、言語運用に合う手順へ落とす必要があります。本社の情報システム担当だけ、あるいは工場の現場だけでデータの意味を決めると、受入後に二重入力や例外処理が残る可能性があります。データの持ち主と使う人、システムを維持する人を一緒に設計レビューに入れてください。
支援制度を活用する場合も、補助対象になるからという理由だけでAIデータ整備の範囲を膨らませないことが大切です。投資額の条件、対象技術、実施期間、国内調達比率など、制度ごとの要件は最新の公式情報で照合します。税制優遇の有無と、データの品質・運用負荷・事業効果は別の論点として審査してください。
AIデータ整備で陥りやすい失敗
データレイクを作ることを目的にする
一度にすべてのデータを統合すると、対象範囲と費用が膨らみます。利用目的、責任者、アクセス権、保存期間が決まらないまま集約すると、使われないデータや管理責任の曖昧なコピーが増えることもあります。先に一つの判断と必要項目を決め、再利用可能なデータモデルや接続方式を段階的に育てます。
サンプルデータだけで本番準備完了とみなす
整形されたCSVでAIが良い結果を返しても、本番の通信断、権限、更新遅延、現場の入力抜けに耐えられるとは限りません。サンプルの抽出条件、手作業による補正、除外記録、データの鮮度を明らかにし、どこから本番との差が生じるのか説明できるようにします。デモ用データを作る担当者と運用担当者が同じ前提を共有することが重要です。
精度を一つの数字だけで契約する
全体正解率だけを目標にすると、重要な例外を見逃す可能性があります。適合率、再現率、誤警報数、検出までの時間、担当者の確認負荷など、利用目的に応じて複数の指標を設定します。数値はテストセット、期間、対象品目、ラベル定義と一緒に記録します。過去の試験条件と将来の実運用条件が違えば、同じ数値を期待できません。
現場の知識を記録せずにモデルへ任せる
ベテランが行う例外判断は、過去データの項目に十分記録されていない場合があります。AIが経験則を再現できると早合点せず、判断根拠、使う情報、確認の順番を聞き取ります。人が結果を覆す仕組み、誤りから学ぶ窓口、現場の改善活動とモデル変更のつながりを設けます。
責任者のないデータを使い続ける
連携担当が退職した後も動き続けるスクリプト、個人PC上の対応表、複数部署が編集するExcelが正本になっていると、更新や障害の責任が不明確です。データオーナー、システム管理者、業務利用者を区別し、更新申請、レビュー、承認、変更通知、廃止の方法を決めます。担当者が替わっても追える手順書と連絡先を残してください。
AIの利用範囲を後から広げる
当初は生産計画の要約だけでも、後から品質判定、作業者評価、顧客への自動回答へ転用したくなることがあります。目的が変われば、使う情報、誤りの影響、必要な承認、プライバシー上の論点も変わります。最初に合意したユースケース以外へ出力を流用するときは、新しい用途として改めて評価します。
導入前チェックリスト
次の項目に「はい」「一部」「いいえ」「未確認」で回答し、いいえや未確認の項目には担当者と期限を付けてください。このリストは自己点検の出発点であり、第三者認証、法令適合の証明、AI利用の安全保証ではありません。
- 対象とする業務判断、利用者、判断時点、期待する行動を一文で説明できる。
- 対象ライン・品目・設備・期間と、今回扱わない範囲が明記されている。
- 現在の業務フローと、AIが関与する位置、最終判断者が示されている。
- 重要なデータ項目の意味、単位、コード、時刻基準、空欄の意味が記録されている。
- 主要システム間の識別子対応と、対応表を維持する責任者が決まっている。
- 代表サンプルに通常運転と重要な例外が含まれ、抽出条件が説明できる。
- 欠損・重複・時刻ずれ・定義違い・入力遅延の状況を把握している。
- データの利用目的、利用者、保存場所、保持期間、削除方法が確認されている。
- データを読む権限と、AIが返す出力の閲覧権限が整合している。
- AI出力から根拠となる元記録まで追跡できるか検証計画がある。
- 誤検出・見逃し・回答不能の影響と、現場での確認手順を決めている。
- 通信断やAI停止時に、既存の安全な手順へ戻す方法がある。
- モデルやデータ定義の変更、障害、問い合わせの窓口が決まっている。
- 実証の成果物、データ削除、知的財産、終了時の移行条件を契約で確認する。
- 本番展開を決める会議、参加者、証拠、判断期限を設定している。
チェックの結果、全項目が「はい」であることを必須条件にする必要はありません。重要なのは、未解決事項が意識され、利用範囲と残るリスクに合った対応が決まっていることです。安全や法令に関わる必須条件を、平均点の高さで相殺してはいけません。評価表では、重大なブロッカーを別枠で表示してください。
まとめ：AIの前に、判断を支えるデータと責任を整える
製造業のAIデータ整備は、データを集める作業ではなく、現場の判断と記録の関係を確認し、誰が何を根拠に行動するかを決める準備です。対象の意思決定を一つに絞り、データの意味・網羅性・品質・識別・権限・履歴を確認すれば、今すぐ試せる範囲と、先に直すべき課題を分けられます。ベンダー選定では、接続やモデル性能だけでなく、障害時、監査、権限、成果物の引継ぎも同じ前提で比較します。
BOIの投資情報や海外研究は、導入環境や検討論点を理解する材料です。個別工場での効果や準備完了を証明するものではありません。自社のデータ、運用、人員、セキュリティ条件を小さな評価で確かめ、結果を次の投資判断へつなげることが現実的です。90日という期間も、判断材料を作るための一例として扱い、準備が整わない場合は範囲や日程を見直してください。
タイ工場でAI活用を検討中で、どのデータを先に棚卸しするか、ERP・MES・設備との境界をどう定めるか、RFPや90日評価をどう組み立てるかを整理したい場合は、現状確認の段階からご相談いただけます。TOMAS TECHへのお問い合わせから、対象工程や現在の課題をお知らせください。
参考資料・出典
- Thailand Board of Investment, “Thailand Approves $1.99 Billion in New Investment, Led by AI and Advanced Electronics” (2026). 9件・USD 1.99Bの承認に関する公式発表。個別工場のAI効果を示すデータではない。https://www.boi.go.th/index.php?_module=news&from_page=press_releases2&language=en&page=press_releases_detail&topic_id=139010
- Thailand Board of Investment, “Measure for Industrial Upgrades towards Smart and Sustainable Industry.” 適格活動、最低投資額、実施条件等を確認する公式案内。条件は個別申請と現行告示に依存。https://www.boi.go.th/index.php?language=en&page=smart_sustainable
- NSTDA / BOI, “NSTDA and BOI step up Industry 4.0 drive with tax and investment incentives” (2026-07-31). 2026年5月までの申請集計等。AI専用統計ではない。https://www.nstda.or.th/en/news/news-years-2026/nstda-and-boi-step-up-industry-4-0-drive-with-tax-and-investment-incentives.html
- American Economic Association, “The Adoption of Industrial AI in America” (AEA Papers and Proceedings, 2026). 米国28,500事業所調査、2021年時点の情報であり、タイの推計として使用しない。https://swlb2.aeaweb.org/articles?id=10.1257/pandp.20261033
- U.S. National Institute of Standards and Technology, Manufacturing Extension Partnership, “The Rise of Artificial Intelligence (AI) in U.S. Manufacturing” (2026-05-13). 米国MEPの製造業支援ページと事例。タイの普及率を示すものではない。https://www.nist.gov/mep/rise-artificial-intelligence-ai-us-manufacturing-text-only
- AWS for Industries, “Deploying industrial AI on AWS: Building the autonomous factory” (2026-06-25). ベンダーによる産業AI連携の技術解説。独立市場調査ではない。https://aws.amazon.com/blogs/industries/deploying-industrial-ai-on-aws-building-the-autonomous-factory/
- Thailand BOI One Start One Stop Investment Center, “Thailand AI and Tech Inflows Surge as Country Prepares National Strategy” (2026). Smart and Sustainable Industry等に関する投資情報。制度の適用条件は公式告示で要確認。https://osos.boi.go.th/EN/news/2462/Thailand-AI-and-Tech-Inflows-Surge-as-Country-Prepares-Natio/
