現場のAI活用事例｜タイ工場で成果が出る4つの型の見分け方

「他社の事例を10件ほど集めました。どれがうちに近いでしょうか」。タイの日系工場でそう相談されることがあります。持ち込まれる資料はたいてい業種で並んでいます。自動車部品、電子部品、食品、金属加工。ところが業種の近い事例を選んでも、そのとおりに進むことはほとんどありません。現場のAI活用事例で本当に見るべきなのは業種ではなく、その工場が事例の手前で既に持っていたデータの型です。この記事では、集めた事例を4つの型に仕分けて自社に当てはめる方法を、判断基準を1本に絞ってお伝えします。

現場のAI活用事例を「業種」で探すと外れる理由

事例集めは、社内の合意形成という点では有効です。「同業のあの会社もやっている」という一文は、稟議を1段階前に進めます。問題は、その事例を自社で再現できるかどうかの判断材料として使おうとしたときに起きます。業種が近いという理由で選んだ事例は、再現性の予測にほとんど役立ちません。理由は単純で、事例記事に載っているのは結果であって、その結果が出るための前提条件は載っていないからです。

事例に書かれているのは結果で、前提条件は書かれていない

公開されている導入事例のほとんどは、同じ構成をしています。課題があり、AIを導入し、成果が出た。この3段構成は読みやすく、記事としては正しい形です。しかし、この構成では省略される情報があります。それは「導入を決めた時点で、その工場に何があったか」です。

実際に事例を再現しようとすると、次の情報が必要になります。そしてこれらは、公開事例にはまず書かれていません。

右の列が、そのままAI導入の成否を決める変数です。左の列だけを見て「うちも同じことができそうだ」と判断すると、着手してから右の列が1つずつ問題として現れます。現場のAI活用事例を読むときに見るべきなのは、成果の数字ではなく、その工場が事例の前に持っていた前提条件のほうです。

もう少し踏み込むと、前提条件は大きく2種類に分かれます。1つはデータの前提で、どんな形式のデータが、どれだけの期間、どれだけの品質で存在したか。もう1つは組織の前提で、正解を決める人が社内にいたか、現場が結果を受け取る場所があったか。このうち組織の前提は、努力と設計で3か月あれば整えられます。しかしデータの前提が欠けている場合、過去にさかのぼってデータを作ることはできません。ここが決定的な違いです。

同じ設備でも、データが無ければ同じ事例は再現しない

具体例で考えます。同じメーカーの同じ型番の射出成形機を持つ3つの工場があるとします。設備は同一です。ここに「成形不良をAIで予知した」という事例を当てはめてみます。

工場Aは、3年前に設備からの信号をゲートウェイ経由で収集し始めており、成形サイクルごとの温度・圧力・サイクルタイムが1秒周期で残っています。不良が出た日時とロットも、検査記録から突き合わせられます。この工場では、事例に近いことが実際にできます。学習に使える正常データも異常データも既にあるからです。

工場Bは、設備の表示器には同じ値が出ていますが、記録は残していません。1日2回、班長が紙の日報に代表値を書き写しているだけです。この工場でも同じことはできますが、まずデータを溜める期間が必要です。異常が月に数回しか出ない工程なら、学習に使える異常事例が集まるまでに半年から1年かかります。事例に書かれている「導入後3か月で効果」という記述は、この工場には適用できません。適用できないのは能力の問題ではなく、時間の問題です。

工場Cは、データは残っているものの、設備の入れ替えや金型の変更のたびに記録形式が変わっており、いつのデータがどの条件で取られたのかが誰にも分かりません。この状態は、実はデータが無い工場Bより厄介です。「あるのに使えない」データは、あることが判明するまでに調査工数を消費するからです。

3つの工場は設備が同一で、業種も同一で、作っている製品も似ています。それでも、同じ事例を同じ速度で再現できるのは工場Aだけです。この差を生んでいるのは業種ではなく、データの有無と質です。だからこそ、事例を業種で仕分けても意味がありません。

2026年のタイと日本の数字が示す「基礎段階で止まる」構造

「事例のようにいかない」のは特定の工場の事情ではなく、統計にもはっきり現れています。2026年に公表された調査を並べると、同じ構造が見えてきます。

AWSの調査レポート「Unlocking Thailand’s AI Potential 2026」によると、タイ企業のAI利用率は43%で、前年の32%から大きく伸びました。業種別に見ると金融が65%、ITが64%と高く、製造業は48%です。数字だけを見れば、タイの製造業のおよそ半数が何らかの形でAIを使っていることになります。

ところが同じレポートは、その内訳も示しています。導入企業のうち74%は「基礎」段階にとどまっており、既製のチャットボットなど、そのまま使えるツールを利用している状態です。自社のデータでモデルを作り、業務プロセスに組み込む「先進」段階に到達しているのは9%にすぎません。さらに、AI利用の社内ガバナンス方針を持つ組織は19%、人材不足を課題に挙げた経営層は56%でした。

Microsoftがグローバルに実施した調査（AI Tour Bangkok 2026で公表）では、タイのAI普及の伸び率は前年比36.4%で、韓国に次ぐ世界2位でした。一方で、人口全体の87.6%はまだAIを使っていません。伸びは速いが、裾野はまだ広がっていない。 この2つは矛盾しません。

日本側の数字も同じ方向を示します。2026年5月29日に閣議決定された2026年版ものづくり白書によると、製造プロセスでデータを取得している事業者は約7割ある一方、そのデータを活用して効果を得ている事業者は約4割です。取得と活用のあいだに約3割の差があります。経済産業省は、加工データや稼働データを集めてAIモデルを実装する「製造AX拠点」という構想も提示しています。

primeNumberが2026年7月17日に公表した「AI・データ活用動向調査 2026」（回答373名）では、AIに期待している層が64.9%であるのに対し、明確な成果を得たのは16.4%でした。データ品質については「全社で課題」が26.2%、「全く整備できていない」が13.9%です。

これらの数字を並べると、共通する構造が見えます。AIを使い始めること自体は簡単になった。難しいのは、自社の現場のデータに接続することだ。 既製のチャットボットは自社データを必要としないので、誰でも今日から使えます。だから利用率は上がります。しかし外観検査や予知保全や需要予測は、自社の現場から出たデータが無ければ動きません。ここで74%が止まり、9%だけが先に進んでいます。

つまり、事例が再現できない原因の大半は、AIの性能でもベンダー選定でもありません。事例企業と自社のあいだにあるデータの前提の差です。であれば、事例を仕分ける軸も、業種ではなくデータであるべきだということになります。

現場のAI活用事例は4つのデータ型で仕分ける

ここからが本記事の中心です。手元にある他社事例を、次の4つの型のどれかに分類してください。分類の基準は、その事例が動くために必要だった主たるデータが何かです。

• 型① 画像 — カメラで撮った静止画・動画
• 型② 時系列 — 設備や計器から一定間隔で出る数値の並び
• 型③ 文書・テキスト — 手順書、図面注記、日報、問い合わせ、チャット
• 型④ 実績数値 — 生産実績、出荷実績、在庫、原価などの表形式の記録

この4つは、必要なデータの前提も、つまずく場所も、効果が出るまでの時間も、まったく違います。逆に言えば、型が同じであれば業種が違っても再現性の予測は当たります。 タイの食品工場の外観検査事例と、日本の電子部品工場の外観検査事例は、業種は違いますが同じ型①なので、必要な準備はほぼ同じです。一方、同じ自動車部品工場の事例でも、外観検査（型①）と需要予測（型④）では、必要なものが何ひとつ重なりません。

まず4つを一覧で見比べます。

この表の「立ち上がりの速さ」は、技術の難易度ではなくデータが既に手元にあるかどうかで決まっています。型③と型④が速いのは、多くの工場が既にそのデータを持っているからです。型①が遅いのは、多くの工場が製品の画像を撮り溜めていないからです。

型① 画像 — AIカメラ・外観検査・安全監視

もっとも事例が多く、もっとも期待されやすく、もっとも見積と実際が食い違うのがこの型です。傷・欠け・汚れの検出、部品の有無や向きの確認、ラベルの貼り位置、作業者の安全装備の確認、立入禁止区域への進入検知などが含まれます。

この型の最大の特徴は、必要なデータをまだ持っていない工場がほとんどであるという点です。時系列や実績数値と違い、製品の画像を過去にわたって撮り溜めている工場はまれです。つまり型①の事例を再現するには、データ収集そのものをゼロから始める必要があります。

さらに厄介なのは、画像の場合「とりあえず撮っておく」が通用しにくいことです。照明の当たり方、カメラの角度、背景、製品の置き方が変わると、同じ不良でも別物に見えます。撮影条件が安定していない状態で集めた数千枚が、条件を固定し直した瞬間に使えなくなる、という事態が起こります。型①でいちばん時間を食うのは学習ではなく、撮影条件を決めて固定する工程です。

現場で最初に潰しておくべきなのは、「不良の定義が人によって違う」問題です。検査員3人に同じ製品を見せて判定が割れるなら、その状態のまま学習させても、割れたままの判断が再現されるだけです。AIを入れる前に検査基準を文章と限度見本で固める作業が必要で、これは技術ではなく品質保証の仕事です。

もうひとつ、期待とのずれが生まれやすいのが「歩留まりが上がる」という表現です。外観検査AIは不良を見つけるものであって、不良を減らすものではありません。流出防止や検査工数の削減には効きますが、発生率そのものを下げるには工程側の改善が要ります。事例の成果欄に書かれた数字が、流出のことなのか発生のことなのかは、読むときに区別してください。

この型の具体的な進め方、必要な枚数の考え方、既存の検査工程との併走のさせ方はAI外観検査の導入手順で個別に整理しています。手元の事例が型①に分類されたなら、次はそちらを読むのが近道です。

型② 時系列 — 設備の異常検知・予知保全・エネルギー

設備から一定間隔で出てくる数値の並びを使う型です。モーター電流、軸受けの振動、油温、圧力、サイクルタイム、消費電力。異常検知、予知保全、エネルギーの異常使用検知、品質と工程条件の相関分析などがここに入ります。

型②の特徴は、データ収集を自動化しやすい代わりに、時間を買えないことです。設備からの信号は、一度つないでしまえば人手をかけずに溜まり続けます。現場の負担は4つの型の中でもっとも小さい部類です。しかし、異常を学ぶには異常が起きなければなりません。年に2回しか壊れない設備の故障を予知するには、その2回を何年分か集めるか、正常状態からの逸脱として扱う設計にするかのどちらかになります。

ここを誤解したまま「予知保全を半年で」と計画すると、半年後に手元にあるのは正常データばかり、という状況になります。だから型②の事例を読むときは、その工場がいつからデータを取り始めていたかを必ず確認してください。 書かれていない場合が大半ですが、書かれていないという事実自体が「導入の何年も前から取っていた」という推測の根拠になります。

この型で見落とされやすいのが、「異常が起きた日時の記録」のほうが取りにくいという点です。センサーの値は自動で溜まりますが、「この日に軸受けを交換した」「この日に不良が多発した」という情報は、保全記録や日報に紙で残っていることがあります。数値の並びだけあっても、そこに正解を貼れなければ学習は成立しません。型②の準備で本当に手を付けるべきは、センサーではなく保全記録の電子化であることが少なくありません。

もうひとつの落とし穴はアラートの設計です。技術的に検知できることと、現場が行動できることは別です。「異常の兆候あり」とだけ表示されても、保全担当は何をすればよいか分かりません。どの設備の、どの部位で、いつまでに、何をするのか。ここまで決めて初めて運用に乗ります。予知保全の設計と、アラートを現場の作業に落とす方法は予知保全システムの構築で扱っています。

型③ 文書・テキスト — 手順書検索、問い合わせ、日報、多言語

作業手順書、設備マニュアル、過去のトラブル対応記録、品質不具合の報告書、日報のコメント欄、社内の問い合わせ。これらの文字情報を使う型です。手順書の検索、質問への回答、報告書の要約、多言語への変換などが含まれます。

4つの型の中で、もっとも早く立ち上がる可能性が高いのがこの型です。理由は単純で、多くの工場が既にこれらの文書を持っているからです。ファイルサーバーの中に、PDFとExcelとWordが何千件も眠っています。新たにセンサーを付ける必要も、カメラを設置する必要もありません。

タイの日系工場では、この型がとくに効きます。日本語の原本、英語の版、タイ語の版が並存していて、どれが最新か分からないという状況が普通にあるからです。作業者はタイ語しか読めず、日本人管理者は日本語版しか持っておらず、両者が違うことを言っている。これは本来、AI以前の文書管理の問題です。ただ、AIを入れる過程で正本を決めざるを得なくなるため、結果として文書管理が整うという副次効果があります。

この型でいちばん危険なのは、古い版を自信満々に答えることです。改訂前の手順を提示された作業者が、そのとおりに作業してしまうリスクがあります。対策は技術側ではなく運用側にあり、「どのフォルダの、どの版を正本とするか」を先に決めることに尽きます。この整理は、AIを入れなくても本来やるべき作業です。

もうひとつ、図面の中の指示や、写真に写っている状態は文字情報ではないため、この型では拾えません。図面注記が重要な工程では、型③と型①を組み合わせる必要が出てきます。社内文書を検索・回答に使う仕組みの作り方、権限と機密の切り方は工場の技術文書を使ったRAG構築で詳しく整理しています。

型④ 実績数値 — 需要予測・生産計画・在庫・原価

生産実績、出荷実績、受注、在庫、原価、稼働率といった、表形式で既にシステムの中にある数値を使う型です。需要予測、生産計画の立案支援、在庫の適正化、原価の変動要因分析などが含まれます。

この型も型③と同じく、データが既に社内にある確率が高い型です。生産管理システムや販売管理システムを使っている工場なら、過去数年分の実績が蓄積されているはずです。新規の投資が要らない、あるいは小さくて済む点で、最初の1件に選ばれやすい型でもあります。

ただし、既にあるからといって、そのまま使えるとは限りません。型④で頻繁に起きるのは、マスタの不一致です。同じ製品に複数の品番が付いている、途中で品番の体系が変わった、単位が本と箱で混在している、拠点ごとに独自のコードを使っている。これらは、データが無いのではなく、データが揃っていない状態です。

型④に特有の論点は、出た数字を誰が使うかです。予測精度が改善しても、生産計画を決めているのが本社の担当者で、現地の予測は参考値としてしか扱われないなら、業務は何も変わりません。この型の事例を読むときは、成果の数字と同時に「その予測をもとに、誰の、どの判断が変わったのか」を探してください。そこが書かれていない事例は、精度は上がったが業務は変わっていない可能性があります。

需要変動の読み方、予測の精度をどこまで求めるべきかの判断は需要予測AIの導入で扱っています。型④に分類された事例を検討する場合は、あわせてご覧ください。

手元の事例を仕分ける3つの質問

ここまでの4類型を、実際の仕分け作業に落とします。手元の事例1件ごとに、次の3つを順番に確認してください。

質問1｜この事例が動くために必要だった主データは何か。 カメラの画像か、設備からの数値の並びか、文書か、システム内の実績表か。1つに絞れない場合は、複数の型が組み合わさった事例です。その場合は、最も入手が難しいものを主データとみなしてください。組み合わせ型の難易度は、易しいほうではなく難しいほうに引っ張られます。

質問2｜同じ型のデータが、自社に既にあるか。 「取れる」ではなく「ある」かどうかで判断します。センサーを付ければ取れる、というのは「無い」と同じです。これから溜める時間が要るからです。

質問3｜そのデータに正解を貼れるか。 画像なら良否の判定、時系列なら異常が起きた日時、文書なら最新版がどれか、実績数値なら品番の対応表。正解を貼る作業を誰がやるかが決まらない限り、データがあっても学習には使えません。

3つすべてに答えられた事例だけが、自社で検討する価値のある事例です。質問2で止まった事例は「今すぐには無理だが、データを溜め始めれば1〜2年後に可能」という扱いにします。質問3で止まった事例は、AIの検討ではなく体制の検討に振り分けてください。

AIで生産性向上した工場が、事前にやっていた3つのこと

型の仕分けができたら、次は進め方です。ここから先は、型の違いにかかわらず共通します。当社がタイの日系工場で案件に入るとき、実際に最初にやるのがこの3つです。逆に言えば、この3つを飛ばした案件は、型の選定が正しくてもうまくいきません。

1つの工程に絞る（工程改善AIは横展開から始めない）

もっとも多い失敗が、最初から複数工程・複数ラインを対象にすることです。理由は分かります。せっかく投資するなら効果を大きく見せたい、稟議も通りやすい。しかし複数を同時に進めると、次の問題が起きます。

第一に、どこで詰まったかが分からなくなります。 うまくいかなかったとき、原因がデータなのか、設定なのか、現場の運用なのかを切り分けられません。対象が1つなら、詰まった箇所は必ず特定できます。

第二に、現場の負担が同時に発生します。 正解ラベルを付ける、画面を確認する、フィードバックを返す。これらは現場の通常業務に上乗せされる作業です。1工程なら「今月は少し忙しい」で済みますが、5工程同時だと通常業務が回らなくなり、協力が得られなくなります。

第三に、作り直しのコストが5倍になります。 最初の1件は必ず作り直しが発生します。想定と違う不良が出る、現場が使わない、締め日が合わない。1件なら作り直しは1回ですが、5件同時なら5回分を同時に抱えることになります。

絞るときの基準は、効果の大きさではありません。「詰まったときに、原因を特定できるか」です。具体的には、担当者が1人で全体を把握できる範囲、データの発生源が1〜2か所に収まる範囲、そして結果を確認する人が毎日その現場にいる範囲。この3つを満たす工程を選んでください。効果が大きい工程は、たいてい関係者が多く、この3条件を満たしません。

なお、絞るとは「小さく試して終わり」という意味ではありません。1件目の目的は効果を出すことではなく、2件目以降の見積を正確にすることです。1件目で判明するのは、自社のデータがどのくらい汚れているか、正解付けに1件あたり何分かかるか、現場が画面をどう使うか。この3つが分かれば、2件目からは計画が現実的になります。

判断の正解データを誰が作るかを先に決める

AIに何かを判断させるということは、正しい判断がどれかを誰かが決めるということです。この「誰か」を先に決めていない案件は、必ず途中で止まります。

具体的に必要なのは次の3点です。

1つめは、正解を決める権限を持つ人です。 外観検査なら、良否の最終判断ができる品質保証の担当者。予知保全なら、この振動が異常かどうかを判定できる保全のベテラン。手順書なら、どの版が正本かを決められる技術部門。この人が兼務で忙しすぎる場合、案件は必ず遅れます。

2つめは、作業時間の確保です。 正解付けは、片手間ではできません。画像1,000枚に良否を付ける作業は、慣れていても数時間かかります。この時間を業務として認めるかどうかは、現場ではなくマネジメントの判断です。ここを曖昧にしたまま「空いた時間にお願いします」と依頼すると、集まりません。

3つめは、判断が割れたときのルールです。 2人の検査員の判定が違ったとき、どちらを採用するのか。多数決なのか、上位者の判断なのか、両方を「判断保留」として学習から除くのか。このルールを先に決めておかないと、割れた瞬間に作業が止まります。

この表を見ると、型によって巻き込むべき部門がまったく違うことが分かります。型①なら品質保証、型②なら保全、型③なら技術、型④なら生産管理と営業です。AI導入の体制図は、選んだ型で決まります。 情報システム部門だけで進められる型は、この4つの中に1つもありません。

効果をどう測るかも、同じタイミングで決めておく必要があります。何をもって成功とするかを着手前に言語化しておかないと、動いた後に評価が割れます。測定の設計はAI導入効果の測定方法で扱っているので、稟議の段階で目を通しておくと後の説明が楽になります。

現場が使う画面まで作る（AI活用が定着しない一番の理由）

技術的には成功したのに使われない、という結末はよく起こります。原因のほとんどは、結果を受け取る場所を作っていないことです。

判定結果がクラウドの管理画面にあるが、現場にはPCが無い。アラートがメールで飛ぶが、作業者はメールを見ない。予測値がCSVで出るが、それを見て計画を直す人が誰か決まっていない。こうした状態は、技術の失敗ではなく設計の抜けです。

現場で実際に機能するのは、次のような形です。

• 既にある画面に足す。 新しいシステムを1つ増やすより、作業者が毎日見ている生産指示画面や検査端末に1項目足すほうが、定着率は圧倒的に高くなります。
• 判断まで書く。 「異常スコア0.87」ではなく「〇号機の主軸、今週中に点検」と表示します。数値を解釈する仕事を現場に押し付けないことです。
• 間違いを返す導線を作る。 AIの判定が違ったときに、現場が「これは違う」と1タップで返せる場所があるかどうか。これが無いと、精度は初期のまま固定され、現場は「当たらない」と判断して使わなくなります。
• 言語を合わせる。 タイ語で作業している現場に英語の画面を出せば、それだけで使われません。

タイの工場では、この最後の点が想像以上に効きます。導入時のトレーニングを英語でやり、画面も英語のまま運用を始め、3か月後に誰も見ていなかった、という展開は珍しくありません。現場が使う言語で、現場が毎日見る場所に、判断の形で出す。 この3つが揃って初めて、定着の入口に立ちます。

さらに定着のためには、運用が始まった後の関与が要ります。最初の3か月は判定のずれが出るのが普通で、そのずれを拾って直す担当がいないと、現場の信頼は急速に失われます。導入後にどんな体制で回すか、誰が改善を引き取るかについてはAI活用の定着支援で整理しています。先ほど挙げた調査では導入企業の74%が基礎段階にとどまっていましたが、そこから先に進むかどうかを分けるのは、モデルの精度よりも運用開始後のこの設計です。

タイの日系工場で現場AI活用を始めるときの実務

ここまでは型と進め方の話でした。最後に、タイの拠点で実際に進めるときに固有で効いてくる条件を整理します。日本の本社で作られた計画をそのまま持ち込むと、この部分で必ず引っかかります。

タイ拠点特有の前提（多言語・人の入れ替わり・本社との二重管理）

多言語は最初の関門です。手順書は日本語の原本があり、英語版があり、タイ語版があります。作業者が読むのはタイ語版で、判断の根拠になっているのは日本語版です。文書の型（型③）を扱う案件では、この3層のどれを正本にするかを決めないと始まりません。画面表示も同様で、管理者向けと作業者向けで言語を分ける設計が要ります。ミャンマー語やカンボジア語を話す作業者がいる工場では、さらに一段複雑になります。

人の入れ替わりは運用設計に効きます。担当者が変わった瞬間に運用が止まるような設計、つまり特定の個人の頭の中にだけ手順があるような状態は、タイの拠点では持ちません。誰が引き継いでも同じ作業ができるように、月次の作業を1枚の紙に落としておく必要があります。これは面倒に見えて、実際には費用対効果の高い作業です。

本社との二重管理も頻出します。品目マスタが本社側と現地側の両方にあり、片方を直しても片方が残る。予測や計画の結果を現地で出しても、本社側の別のシステムが正とされる。この状態でAIを入れると、「AIの数字」と「本社の数字」が併存し、現場はどちらを信じればよいか分からなくなります。着手前に、どの数字を正とするかを本社と合意しておくこと。 これは技術的な作業ではありませんが、飛ばすと後で必ず戻ってきます。

タイでの導入全般の進め方、現地ベンダーとの役割分担、日本本社への説明のしかたはタイでのAI導入の進め方にまとめています。拠点側で計画を作るときは、そちらも参考にしてください。

予算の考え方とBOI等の制度は「最新条件を確認する」に留める

費用の話です。金額のレンジを示すことはしません。案件ごとの差が大きすぎて、レンジを書くと誤解のもとになるからです。代わりに、金額が何で動くかを挙げます。

見積を取るとき、工場側が最初に注目するのは1行目です。しかし実際に金額が読めなくなるのは2行目と4行目です。データ整備の工数は、着手して中身を見るまで誰にも分かりません。 そして現場画面と既存システムの連携は、既存システムの作り次第で桁が変わります。この2つを「別途」としたまま進んだ案件は、途中で金額が動きます。

制度の活用について。タイ投資委員会（BOI）は、機械更新・自動化とロボット導入・デジタル技術導入を対象とする「Smart and Sustainable Industry措置」を持っており、2026年第1四半期の投資申請ではこの措置に申請が集まりました。デジタル・AIインフラ分野の申請は48件です。

ただし、免税年数や控除率といった具体的な条件は年度ごとに変わるため、この記事には書きません。 対象となる投資の範囲も同様に見直されます。恩典の条件を前提にして稟議を組むと、申請時点で条件が変わっていて前提が崩れることがあります。最新の条件と対象範囲はBOI公式で確認し、必要であれば申請前に専門家に確認してください。稟議を組むときは、恩典が適用された場合とされなかった場合の両方で成立する計画にしておくと、条件の変更に耐えられます。

90日で1件を通す進め方（0〜30日/31〜60日/61〜90日）

最後に、最初の1件を90日で通すための進め方を示します。当社が案件で使っている区切りです。最初の30日はベンダーがいなくても進みます。むしろ、この30日を発注側だけでやり切った案件のほうが、その後が速くなります。

Day 0〜30｜集めた事例を仕分け、対象を1つに決める

この期間にやるのは4つです。まず、手元の他社事例を4類型に仕分けます。次に、前章の3つの質問（主データは何か／自社にあるか／正解を貼れるか）で、各事例を「有望」「中期」「体制の問題」に分けます。3つめに、有望に残った中から対象工程を1つ選びます。選定基準は効果の大きさではなく、詰まったときに原因を特定できるかどうかです。4つめに、正解を作る人と、その人の作業時間を確保します。

この30日で機器の見積は取りません。取ると、必要かどうかを判断する前に金額が独り歩きします。

Day 31〜60｜手元のデータで、粗くてよいので一度動かす

2か月目は、実際にデータを触ります。完成品を作らないでください。 ここでの目的は、自社のデータの実態を知ることです。具体的には次を確認します。

• 想定していたデータが、想定していた期間・粒度で本当に存在するか
• 欠測、重複、単位の混在、コードの不一致がどの程度あるか
• 正解を貼る作業に、1件あたり何分かかるか
• 判断が割れるケースがどの程度の割合で出るか

この4つが分かれば、3か月目以降の計画は現実的な数字で組めます。多くの案件で、ここで当初計画が変わります。変わることは失敗ではなく、この期間の成果です。

Day 61〜90｜現場の画面に出して、2週間使ってもらう

3か月目は、精度を上げる期間ではありません。現場で使ってみる期間です。 判定結果を、現場が毎日見る画面に、現場の言語で、判断の形で出します。そして2週間使ってもらい、次を観察します。

• 現場が実際に見ているか（見ていないなら、置き場所が間違っている）
• 判定が違ったとき、現場がそれを返せているか
• 返ってきた指摘に、どんな傾向があるか
• 通常業務に何分の上乗せが発生しているか

この2週間で出てくる指摘が、次の改善の材料になります。逆に、指摘が1件も出ないときは要注意です。うまくいっているのではなく、見られていない可能性が高いからです。

90日で目指すのは、効果が出ることではありません。2件目の計画を、推測ではなく実測で立てられる状態になることです。当社が案件で見る限り、基礎段階で足踏みしている工場の多くは、この1件目を最後まで通していません。1件通せば、自社のデータの実態と、正解付けの負荷と、現場の反応が分かります。その3つが分かった時点で、他社事例は「参考にする対象」から「自社の条件と比較する対象」に変わります。

よくある質問

現場のAI活用事例はどこで探せばよいですか？

探す場所より、探し方のほうが重要です。ベンダーの事例ページ、業界紙、展示会の発表、公的機関の事例集など、情報源はいくらでもあります。問題は、そのどれもが業種で整理されていることです。同業の事例を集めても、自社との差が見えません。

推奨する探し方は、業種ではなくデータの型で検索することです。「自動車部品 AI 事例」ではなく「画像 検査 AI 導入」「設備データ 異常検知」のように、扱うデータで探します。そのうえで、見つけた事例ごとに「主データは何か」「自社に同じ型のデータがあるか」「正解を貼れるか」の3つを確認します。この3つに答えられない事例は、業種がどれだけ近くても自社の判断材料になりません。

AIカメラを入れれば外観検査はすぐ自動化できますか？

すぐには自動化できません。AIカメラの設置は、必要な工程のうちの1つにすぎないからです。実際には、撮影条件（照明・角度・距離・背景）を固定する作業、良品と不良品の画像を集める作業、集めた画像に良否を付ける作業、そして良否の判断基準そのものを人間側で統一する作業が先に必要です。

とくに時間を要するのが、不良品の画像を集める工程です。不良率が低い工程ほど、学習に使える不良の画像が集まりません。月に数個しか出ない不良の種類なら、必要な枚数が揃うまでに1年近くかかることもあります。また、外観検査AIは不良を見つける仕組みであって、不良の発生率そのものを下げるものではありません。流出防止や検査工数の削減には効きますが、発生を減らすには工程側の改善が別に必要です。

工程改善AIの費用はどれくらいかかりますか？

金額のレンジは、案件ごとの差が大きすぎるため示しません。代わりに、費用が何で決まるかを挙げます。決まる変数は5つです。

1つめはデータ収集の仕組みで、カメラやセンサーの新設が要る型①・型②では大きく、既存データを使う型③・型④ではほとんど発生しません。2つめはデータの整備で、正解付け、マスタ統一、版の整理にかかる工数です。ここは着手して中身を見るまで正確に見積もれません。3つめはモデルの構築と検証、4つめは現場画面と既存システムとの連携で、既存システムの作り次第で工数が桁で変わります。5つめは運用の立ち上げで、教育と初期3か月の修正対応が含まれます。

見積を比較するときは、2つめと4つめが「別途」になっていないかを確認してください。この2つが金額の動く場所です。

現場にAIが定着しないのはなぜですか？

多くの場合、結果を受け取る場所が設計されていないからです。判定結果が現場の見ない画面にある、通知が現場の使わない手段で飛ぶ、表示が現場の読まない言語になっている。技術的には動いているのに使われないという状態は、この3つのどれかで説明がつきます。

もう1つの理由は、間違いを返す導線が無いことです。AIの判定が違ったときに現場が「これは違う」と返せる場所が無いと、精度は初期のまま固定され、現場は「当たらないもの」と結論づけて見なくなります。運用開始から3か月間、判定のずれを拾って直す担当を置けるかどうかが分かれ目です。表示する内容も、スコアや確率ではなく「どの設備を、いつまでに、どうするか」という行動の形にしてください。数値を解釈する仕事を現場に渡すと、その時点で使われなくなります。

小さい工場でもAI活用事例のような成果は出せますか？

型を選べば出せます。むしろ小規模な工場のほうが有利な点もあります。工程が少なく、関係者が近く、決定が速いからです。前述のとおり、最初の1件は「効果の大きい工程」ではなく「詰まったときに原因を特定できる工程」を選ぶべきなので、規模が小さいことは条件として有利に働きます。

選ぶ型としては、既存データを使える型③（文書・テキスト）と型④（実績数値）から入るのが現実的です。この2つは新規のセンサー投資が不要で、手元にあるものだけで検証を始められます。逆に、型①（画像）を最初の1件に選ぶと、撮影環境の構築とデータ蓄積に時間と費用がかかるため、小規模な体制では負担が大きくなります。自社データでモデルを組む先進段階に到達している企業が9%にとどまるという調査結果は、規模別の内訳を示したものではありません。当社が案件で見る限り、差がつくのは工場の大きさではなく、自社のデータに接続する1件目を最後まで通したかどうかです。

まとめ

他社事例は、業種で選ぶと外れます。同じ業種、同じ設備、同じ製品でも、事例のとおりに進むかどうかを決めているのは、その工場が事例の手前で既に持っていたデータだからです。公開されている事例に書かれているのは結果であって、前提条件は書かれていません。

だから、仕分けの軸を業種からデータの型に変えてください。①画像、②時系列、③文書・テキスト、④実績数値の4つです。この4つは、必要なデータの前提も、つまずく場所も、効果が出るまでの時間も違います。型①は多くの工場がまだデータを持っておらず、撮影条件の固定から始める必要があります。型②はデータ収集は自動化できますが、異常が溜まる時間は買えません。型③と型④は、既に社内にあるデータで始められる可能性が高い型です。

2026年の数字も、同じ構造を示しています。タイ企業のAI利用率は43%、業種別では製造業が48%まで来ました。ところが導入企業全体で見ると、74%は既製ツールを使う基礎段階にとどまり、自社データでモデルを組む先進段階は9%です。日本でも、製造プロセスでデータを取得している事業者が約7割あるのに対し、活用して効果を得ているのは約4割にとどまります。入口は広がり、自社データへの接続で止まっている。ここが現在地です。

手元の事例を4類型に仕分けたら、1件ごとに3つの質問を当ててください。主データは何か。同じ型のデータが自社に既にあるか。そのデータに正解を貼れるか。3つとも答えられた事例だけが、自社で検討する価値のある事例です。そのうえで、対象を1工程に絞り、正解を作る人と時間を先に決め、現場が毎日見る画面に判断の形で出す。90日でここまで通せば、2件目の計画は推測ではなく実測で立てられるようになります。当社が案件で見る限り、基礎段階から先に進めない工場に足りていないのは技術ではなく、この1件目を最後まで通した経験です。

TOMAS TECHは、タイの日系製造業向けに生産管理システムと現場データの基盤づくりを手がけています。「集めた他社事例のうち、どれがうちで再現できそうか判断したい」「手元のデータで何ができるか、まず整理したい」といった、検討の初期段階でのご相談も歓迎です。持ち込まれた事例資料と、現在お使いのシステムから出せるデータの一覧をお持ちいただければ、どの型に当たるのか、何が足りないのかを一緒に仕分けするところからお手伝いできます。お問い合わせはこちらからどうぞ。

参考情報

• The Story Thailand｜AWS「Unlocking Thailand’s AI Potential 2026」報道（2026-07-15）
• Thailand Business News｜Microsoft グローバルAI普及調査 報道（2026-06-10）
• 経済産業省｜2026年版ものづくり白書
• 事業構想オンライン｜2026年版ものづくり白書 解説（2026-06-01）
• MONOist｜primeNumber「AI・データ活用動向調査 2026」報道（2026-07-21）
• タイ投資委員会（BOI）｜2026年第1四半期 投資申請発表