歩留まり改善AIの検討で最初に出る質問は「精度は何%出ますか」だ。だが実際に止まるのは、モデルの手前である。不良の記録と工程の記録が同じキーで結べない。この一点で、投資の大半は成果に届かないまま終わる。この記事では、結合キーと不良コードという2つの設計項目を軸に、費用の5層分解と回収年数まで数字で追いかける。読み終えたあと、自社のデータを開いて確かめられる粒度で書く。
歩留まり改善AIとは何をする技術か｜外観検査AIとの違い
「工場のAI」と一括りにされる技術は、実際には3つの別物である。混ざったまま見積を取ると、買ったものと動かしたい指標がずれる。
第一が検出型。カメラで撮った画像から傷・欠け・異物を判定する。いわゆる外観検査AIがこれにあたる。第二が予測型。温度・圧力・電流・トルクといった工程データから、これから出る不良を先読みする。第三が原因特定型。過去の不良と工程データを突き合わせ、どの条件が不良に効いているかを絞り込む。要因分析、根本原因分析と呼ばれる領域だ。
歩留まり改善AIと呼ぶべきなのは、このうち第二と第三である。第一の検出型は、歩留まりを上げる技術ではない。
| 類型 | 主な入力 | 出す答え | 動く指標 |
|---|---|---|---|
| ①検出型（外観検査AI） | 製品の画像 | この個体は良品か不良か | 流出率・検査工数 |
| ②予測型 | 工程データの時系列 | この条件だと不良が出そうか | 不良の発生率（先手） |
| ③原因特定型 | 工程データ＋不良履歴 | どの条件が不良を作っているか | 不良の発生率（恒久） |
この表で押さえてほしいのは、①の「動く指標」の欄である。外観検査AIを入れて改善するのは、不良を見逃して客先に出してしまう割合、つまり流出率と、目視検査にかけている人の工数だ。不良そのものは、同じ数だけ発生し続ける。検査精度が上がれば上がるほど、社内で捕まる不良の数はむしろ増える。歩留まりの定義を「投入に対する良品の割合」に置く限り、外観検査AIの導入で歩留まりが上がることはない。詳しい判定基準はAI外観検査の導入判断で別途整理しているが、目的が流出防止なのか発生抑止なのかを最初に切り分ければ、そもそも比較検討の土俵が違うことが分かる。
②と③は、同じデータ基盤の上に立つ兄弟のような関係にある。③で「この条件のときに不良が出る」と分かって初めて、②の予測は現場が動ける情報になる。逆に③を飛ばして②だけ作ると、アラートは鳴るが何を直せばいいか分からない、という状態になる。現場は最初の数週間だけアラートを見て、その後は見なくなる。
3つが混ざりやすいのには理由がある。①検出型は導入事例が多く、デモが分かりやすい。カメラの前に不良品を置けば、その場で判定が出る。②③にはこの見せ方ができない。工程データを結合し、過去の不良と突き合わせて初めて結果が出るため、提案の場で動くものを見せられない。結果として、歩留まりの相談から始まった案件が、途中から外観検査の提案に置き換わっていく、という流れが起きる。
もう一点、社内で先に合わせておくべきことがある。自社が「歩留まり」と呼んでいる数字の定義だ。投入数に対する最終良品数で見ているのか、工程ごとの通過率を掛け合わせて見ているのか。手直しして良品になったものを分子に入れているのか。定義が部門ごとに違うまま改善目標を置くと、効果測定の段階で数字が合わなくなる。手直し品を良品に数えている工場では、歩留まりが動かなくても手直し工数が減るという形で効果が出るため、測る指標を最初から工数側に置いたほうが正確になる。
見積書を受け取ったら、最初に確かめるのは金額ではなく主語だ。提案の主語が「画像」なら、それは流出率への投資である。「工程データ」なら歩留まりへの投資になる可能性がある。両方が混ざった提案書なら、費用の内訳を①と②③に割ってもらう。この一手間で、後から「思っていた効果と違う」と言う場面はほぼ消える。
なぜ歩留まり改善AIは動かないのか｜取得7割・効果4割の断層
2026年版ものづくり白書（2026年5月29日閣議決定）に、この問題を正面から示した数字がある。製造プロセスでデータを取得している事業者は約7割。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割にとどまる。
差は約3割である。この3割は、データを取っていない層ではない。取っているのに結べていない層だ。センサーは付いている。検査記録もある。生産日報も残っている。それでも分析が成立しない。
理由を現場で分解すると、断層は3つに絞られる。
| 断層 | 症状 | 確認方法 |
|---|---|---|
| ①不良コードの粒度 | 「その他」「外観不良」に大量に入っている | 直近1年の不良コード別件数を降順に並べる |
| ②結合キー | 不良の記録と工程の記録に共通のIDが無い | 両方のCSVを開き、同じ列名が1つでもあるか見る |
| ③時刻同期 | 検査機とPLCとMESの時計がずれている | 同じイベントを3系統で引き、記録時刻を比べる |
3つのうち、投資が最も無駄になりやすいのは②である。①は不良コード表を作り直せば、次の期から改善が始まる。③はNTPサーバーを立てて全系統を同期させれば、技術的には解決する。だが②は、データの持ち方そのものを変える話であり、既に動いている検査機・PLC・MESの出力仕様に手を入れることになる。導入プロジェクトが始まってから「結べません」と分かると、そこから設計をやり直すことになる。
③の時刻同期は、軽く見られやすいわりに影響が大きい。タクトが数十秒の工程で、検査機の時計とPLCの時計が数分ずれていると、不良個体に紐づく工程条件は、隣の個体か、その隣の個体のものになる。個体IDまで整えたのに、貼り付く条件が別の個体のものだった、という状態が起きる。ずれ方が一定なら後からオフセットで補正できるが、担当者が定期的に手で時計を合わせている系統は、ずれ方が一定しないため補正できない。同期の仕組みが入っているかどうかを、系統ごとに確認する必要がある。
明日できる確認はこれだ。検査部門から不良記録を1年分、生産技術から工程データを同じ1年分、それぞれCSVで出してもらう。2つのファイルを並べて開き、両方に共通して入っている列を探す。日付だけしか共通していないなら、その工場は約3割の側にいる。この確認に必要なのは半日で、AIベンダーを呼ぶ必要はない。
結合キーの設計｜ロット・個体・時刻の3層
結合キーには3つの層がある。どこまで持つかで、答えられる問いの範囲が決まる。
| 層 | キーの例 | 答えられる問い | 取得の負担 |
|---|---|---|---|
| ロット層 | ロットNo・製造指示No | どのロットが悪かったか | 低い（既にある場合が多い） |
| 個体層 | 製品シリアル・2次元コード | どの個体が悪かったか、その個体は何号機を通ったか | 中（採番と読み取りの追加） |
| 時刻層 | 秒精度のタイムスタンプ | その個体が加工された瞬間、条件はどうだったか | 中（時刻同期が前提） |
多くの工場が持っているのはロット層だけである。そして、ロット層だけでは原因が特定できない。理由は精神論ではなく、データの構造の問題だ。
仮に1ロットを2,000個とする。この記事の想定ラインの現状歩留まりは96.4%だから、不良率は3.6%、1ロットあたりの不良は72個になる。ロット単位でしか記録が無いということは、この2,000個すべてがまったく同じ工程条件の値を持つということだ。不良だった72個も、良品だった1,928個も、データ上は「温度185度、圧力4.2MPa、号機A」という同一の行に紐づく。
要因分析というのは、良品と不良品で説明変数の分布が違うことを見つける作業である。良品と不良品が同じ値を持っているなら、統計的にもAIでも、違いは検出できない。どんなモデルを持ってきても結果は変わらない。分析の解像度は、記録の解像度を超えられない。
個体層まで持つと、状況が変わる。72個の不良が、号機Aに偏っているのか、特定の時間帯に固まっているのか、キャビティ番号の特定の位置に集中しているのかが見える。この時点で、AIを使う前に人が目で見て分かることも多い。実際、個体トレーサビリティを整えた直後の数週間で、モデルを作る前に原因が判明する例は珍しくない。
時刻層はさらに一段深い。同じ号機の同じロットでも、朝一番の立ち上がりと昼過ぎでは温度プロファイルが違う。ロット層では平均値に潰れてしまうこの変動が、時刻層では残る。不良が「立ち上がり30分に集中している」と分かれば、対策は予熱時間の見直しという具体的な作業指示に落ちる。
ここで見落とされやすいのが、良品側の記録である。多くの工場では、不良が出たときだけ詳細を記録し、良品はカウントだけして通す運用になっている。だが要因分析は、不良品と良品の条件を比べる作業だ。比較対象が無ければ、不良品に共通する条件を見つけても、それが良品にも同じくらい現れている条件なのかどうかが判定できない。「不良のときは温度が高かった」という所見は、良品のときも同じ温度だったと分かった瞬間に無意味になる。個体IDを振るなら、良品にも同じように振る。ここを不良だけに限定すると、費用は下がるが分析は成立しない。
3層のどれを持つべきかは不良の出方で決まる
3層すべてを一気に整備する必要はない。判断基準は、不良の出方にある。
不良がロットごとにまとまって出るなら、原因は材料ロットや段取り替えの側にある可能性が高く、ロット層だけでも当たりがつく。不良がロットの中に散らばって出るなら、原因は個体・号機・時刻の側にあり、ロット層では永久に届かない。まず自社の不良がどちらの出方をしているかを、直近3ヶ月の不良記録で確かめる。
もう一つの判断軸は、工程が並列かどうかだ。同じ工程に同型の設備が複数台ある、あるいは1台の金型に複数キャビティがある。この構成なら、号機・キャビティを識別しない限り、原因の半分は最初から見えない。並列工程を持つ工場は、ロット層で止まる選択肢が実質的に無い。
個体IDの採番方法と読み取り手段の選び方は、トレーサビリティのバーコード選定で条件別に整理している。ここでの要点だけ言えば、後工程で読めない印字方式を選ぶと、せっかく採番しても結合が途中で切れる。
確かめること。自社の不良記録に、号機・キャビティ・時刻の3つが列として存在しているか。存在していても常に空欄なら、無いのと同じである。
不良コードの設計｜「その他」が3割を超えると分析は止まる
結合キーが揃っても、不良コードの設計が粗いと分析は前に進まない。
不良コード表を開いて、直近1年の件数を降順に並べてほしい。上位に「その他」「外観不良」「寸法不良」が並び、しかも「その他」が3割を超えているなら、そのデータで要因分析をしても答えは出ない。理由は単純で、「その他」は原因が分類できなかったものの集まりだからである。つまり、いちばん知りたいものが全部そこに入っている。モデルは「その他」というラベルを予測できるようになるだけで、対策には一切つながらない。
不良コードは3軸で分解すると設計しやすい。
| 軸 | 内容 | 例 |
|---|---|---|
| 現象 | 何が起きたか | 割れ・欠け・変形・変色・寸法外れ |
| 部位 | どこに起きたか | フランジ部・ゲート付近・端子部・底面 |
| 工程 | どこで作られたか | 成形・機械加工・組立・表面処理 |
この3軸を掛け合わせると、コードは一見すると増える。だが増えるのは表の行数であって、現場の入力負担ではない。検査員が選ぶのは3つのプルダウンであり、自由記述より速い。むしろ「その他」を選んで備考欄にタイ語で書き込む今の運用のほうが、後工程の負担は大きい。
そしてタイの工場には、日本の工場に無い断層がもう一段ある。3言語3系統が、同じ部品を別のIDで呼んでいるという問題だ。
| 記録 | 作成者 | 言語 | 部品の呼び方 |
|---|---|---|---|
| 検査記録 | 検査員 | タイ語（手書きが残る） | 現場での通称 |
| 工程データ | 設備・PLC | 英語（タグ名） | 設備側の型式コード |
| 生産日報 | 日本人管理者 | 日本語（Excel） | 図番・品番 |
3つとも同じ部品を指しているのに、文字列としては一致しない。この状態でデータを結合しようとすると、名寄せの作業が発生する。しかも手書きのタイ語は、そのままでは検索対象にならない。ここを人手で毎月照合している工場は少なくないが、その工数はデータ整備の費用として見積に載っていないことが多い。
対策は、コード体系を1本に決めて、3系統すべてがそのコードを持つようにすることに尽きる。表示言語は3言語のままでよい。画面はタイ語、保存はコードという形にすれば、検査員の入力負担は増えず、後段の結合が成立する。品質記録の持ち方全体の設計は品質データ管理システムの選び方で扱っているが、順序としては、システムを選ぶ前にコード体系を決めるほうが手戻りが少ない。
コード体系を作り直すときの現実的な進め方も書いておく。過去に遡って振り直さない。過去分の振り直しは工数が読めないうえ、当時の現象を知る人がいないため、結局「その他」が別の名前で再現するだけになる。新コードは切り替え日から適用し、それ以前は旧コードのまま残す。分析の対象期間は切り替え後から数えればよい。移行の初期は、検査員が新コードを選ぶときに旧コードを併記した紙を手元に置くだけで、選択のばらつきはかなり減る。
もう一つ、コードの選択肢を誰が増やせるかを決めておく。現場が自由に追加できると半年で選択肢が膨れ上がり、意味が重複したコードが並ぶ。逆に品質保証だけが管理して追加に時間がかかると、新しい現象が出るたびに「その他」に逃げる。追加の申請先と、月1回の見直しの場を先に決めておくと、この両方を避けられる。
確かめること。直近1年の不良コード別件数を降順に並べ、「その他」と「外観不良」の合計が全体のどれくらいを占めるか。そして、その中身が備考欄の自由記述で書かれているか。
歩留まり改善AIの費用｜5層分解と回収年数
費用は、機能ではなく層で分けると判断しやすい。タイの日系工場・1ラインを想定した内訳を示す。通貨はTHB（バーツ）。
| 層 | 内容 | 金額(THB) |
|---|---|---|
| ①収集 | PLC・検査機からのデータ取得と配線 | 1,200,000 |
| ②結合 | ID設計・マスタ整備・時刻同期 | 1,800,000 |
| ③分析基盤とモデル | 保管・前処理・要因分析 | 900,000 |
| ④現場UI・帳票連携 | 表示と運用への戻し | 600,000 |
| ⑤要件定義・PM | プロジェクト管理 | 700,000 |
| 初期合計 | 5,200,000 |
年間運用費は 780,000 を見込む。データ基盤の保守、モデルの再学習、マスタの更新が主な内訳になる。
この表で目を引くのは、②結合が 1,800,000 と最も大きいことだ。一般的な感覚では、AIの導入費用は③のモデル開発が中心になりそうに思える。だが実際には、③は 900,000 で②の半分である。歩留まり改善AIの費用の重心は、モデルではなくID設計にある。そしてこの層は、見積書では「初期データ整備」「マスタ設定」といった曖昧な名前で1行にまとめられ、金額を削る交渉の的にされやすい。
②を削るとどうなるか。③と④だけを先に作った場合、合計 1,500,000 が成果に結び付かないまま残る。分析基盤は動く。画面も出る。だが要因分析の入力となるテーブルが作れないため、出てくるのは工程ごとの実績集計だけになる。集計はExcelでもできるので、投資に見合う成果とは呼べない。①収集の層だけを先行させる進め方は、データが貯まるという意味で無駄になりにくいが、②を飛ばして③④に進む順序だけは避けたほうがよい。収集層の費用感については工場IoT導入の費用に構成別の内訳がある。
効果側の試算も同じ粒度で置く。
| 項目 | 値 |
|---|---|
| 対象ラインの年間生産金額(THB) | 240,000,000 |
| 現状歩留まり | 96.4% |
| 現状の不良損失（3.6%） | 8,640,000 |
| 改善後歩留まり | 97.6% |
| 改善後の不良損失 | 5,760,000 |
| 年間削減額 | 2,880,000 |
| 年間運用費 | 780,000 |
| 運用費控除後の年間純額 | 2,100,000 |
| 単純回収（初期 5,200,000 ÷ 2,100,000） | 29.7ヶ月 |
歩留まりの改善幅は +1.2 ポイントに置いている。控えめに見えるかもしれないが、要因分析で見つかる原因は、多くの場合1つか2つの条件に集中しており、そこを潰したときの効果はこの程度の幅に収まる。逆に「不良を半減させる」といった提案が出てきたら、その根拠がどの工程のどの条件なのかを確認したほうがよい。
予算が足りない場合、どの層なら後回しにできるかも整理しておく。④現場UI・帳票連携の 600,000 は、初回は簡易な形で足りることが多い。要因分析の結果を現場に戻すのは、当面は月次の報告資料でも成立する。⑤要件定義・PMは削れるように見えるが、削ると3系統をまたぐ調整が誰も担当しない状態になり、結局②が進まない。①収集は範囲を絞れば減らせる。対象工程を最初から全工程に広げず、不良の多い1工程に限定すれば、配線と取得点数はその分だけになる。削ってよいのは範囲であって、層ではない。
回収年数の 29.7ヶ月をどう読むかは、設備投資の基準による。3年以内を条件にしている工場なら通る。2年以内なら通らない。ここで検討を止める前に確かめてほしいのは、分母ではなく分子のほうだ。対象ラインの年間生産金額が 240,000,000 より大きいなら、同じ費用でも回収は短くなる。歩留まり改善AIは、投資額が生産規模にあまり比例しない。1ラインで組んだ仕組みを2ライン目に展開するとき、増えるのは①収集の一部だけで、②③④はほぼ流用できる。だから、最初の1ラインは最も生産金額の大きいラインを選ぶのが合理的である。
確かめること。対象ラインの年間生産金額と、現状の不良損失額。この2つは経理と品質保証の資料から30分で出る。この金額が年間運用費 780,000 を大きく上回らないなら、そのラインは対象として適していない。
タイ工場で先に確認すること｜歩留まり1ポイントの価値
タイで操業している工場には、日本国内とは違う判断材料がある。
タイ商工会議所などで構成されるJSCCIBは2026年1月5日、多くの製造業で設備稼働率が60%を下回っている状況と、輸出見通しの厳しさを指摘した。同時期の報道では、2026年のGDP成長率見通しは1.6〜2.0%とされている。稼働率が下がると、固定費は同じまま分母が減るため、1個あたりの製造原価は上がる。
一方で、業種による差もある。新華社の2026年6月8日の記事は、電気電子・空調・食品飲料・ゴム製品といった分野が需要に支えられている一方、旧来型の産業は高い電力コスト、原材料の不足、海外との競争に圧迫されていると報じている。自社がどちら側にいるかで、取れる打ち手は変わる。
この局面で効いてくるのが、値上げが通らないときに残る自力の利益源は何かという問いだ。販売価格は市場が決める。原材料費は調達先との交渉に依存する。人件費は下げられない。電力単価も自社では動かせない。残るのは、投入した材料と工数のうち、製品にならずに捨てている分をどれだけ減らせるか、という一点になる。
想定ラインでは、その捨てている分が年間 8,640,000 である。歩留まりを +1.2 ポイント動かすと 2,880,000 が残る。これは値上げ交渉でも、稼働率の回復でもなく、自社の工程の中だけで完結する利益だ。稼働率が低い局面では、むしろ実行しやすい面もある。ラインが常時フル稼働していないなら、条件を振った検証を流す余地がある。
タイ固有の実務面では、もう一つ確認事項がある。データを触れる人が社内にいるかだ。工程データの抽出やマスタの整備を継続的に回すには、現地スタッフの中に担当を置く必要がある。日本人管理者が兼務で回す前提で組むと、赴任交代のタイミングで運用が止まる。タイ語で操作でき、タイ語で引き継げる形にしておくことが、3年後まで動かすための条件になる。他社が現場でどこまでを内製で回しているかは、現場のAI活用事例に運用体制まで含めて載せている。
確かめること。自社の年間生産金額 × 現状不良率。この金額が、社内で「歩留まり改善」と呼んでいる活動の予算規模と釣り合っているか。
進め方｜90日で「結合できるか」だけを確かめる
いきなり全体構築の契約を結ぶ必要はない。最初の90日で確かめるべきなのは、モデルの精度ではなく、そもそも結合できるかどうかである。
| 期間 | やること | 合否の判定 |
|---|---|---|
| 最初の30日 | データの棚卸し。不良記録・工程データ・生産実績の3系統について、項目・粒度・保存期間・時刻の持ち方を一覧化する | 3系統の項目一覧が1枚の表になっているか |
| 次の30日 | 結合試験。1工程・1品番に絞り、実データを結合してみる | 不良品と良品が、異なる工程条件の値を持つ形で並んだか |
| 最後の30日 | 1テーマの要因分析。結合できたデータで、1つの不良現象について要因を絞る | 現場が「確かにその条件のときに出ている」と認めたか |
3つのフェーズのうち、最も多く失敗が判明するのは2番目である。そして、そこで判明するのは正しい。結合できないことが90日で分かるのは、成功した検証だ。この段階なら、追加すべきは個体IDの採番なのか時刻同期なのか不良コードの作り直しなのかが特定でき、そこだけに費用をかけられる。全体構築を契約したあとで同じことが分かると、既に発注済みの③④が宙に浮く。
最後の30日で1テーマに絞るのにも理由がある。要因分析は、テーマを広げるほど結果の解釈が難しくなる。「不良全般の原因」を問うと、出てくるのは品番や工程といった当たり前の変数だ。「品番Xの、工程Yで出る、割れ」まで絞れば、出てくる変数は条件そのものになる。現場が判定できる形で結果を出すことが、90日の目的である。
この期間、ベンダーに求めるのは、モデルの説明ではなく結合できなかった項目の一覧だ。それが具体的に出てくる相手なら、その先も現実的な進め方ができる。
体制についても先に決めておきたい。90日の検証に必要なのは、品質保証から不良記録を出せる人、生産技術から工程データを出せる人、そして製造から「その条件のときに出ている」と判定できる人の3者である。3人目が欠けると、分析結果の妥当性を誰も判定できず、報告書だけが残る。逆に、この3人が同じ会議に出られる体制が組めるなら、検証はベンダーの力量にあまり依存しない。ラインを止めずに進められる作業がほとんどなので、稼働率が下がっている時期はむしろ着手しやすい。
確かめること。提案書に「データ整備」としか書かれていないなら、その中身を3系統の項目一覧のレベルまで分解してもらう。分解できない提案は、90日目に止まる。
よくある質問
歩留まり改善AIとは何ですか？
工程データと不良の記録を突き合わせ、不良の発生原因を絞り込んだり、これから出る不良を先読みしたりする仕組みを指す。画像で不良を見つける外観検査AIとは目的が異なり、外観検査AIが動かすのは流出率と検査工数、歩留まり改善AIが動かすのは不良の発生率そのものである。成立の条件は、不良の記録と工程の記録が同じキーで結べることにある。
歩留まり改善AIの費用はいくらですか？
タイの日系工場・1ラインを想定した初期費用は 5,200,000 THB、年間運用費は 780,000 THB。内訳は収集 1,200,000、結合 1,800,000、分析基盤とモデル 900,000、現場UI・帳票連携 600,000、要件定義・PM 700,000 である。最大の層はモデルではなく結合で、ここを削ると分析基盤と現場UIの 1,500,000 が成果に結び付かなくなる。
外観検査AIとどちらを先に入れるべきですか？
困っている指標で決まる。客先クレームや流出が問題なら外観検査AIが先で、社内の不良発生そのものが問題なら歩留まり改善AIが先になる。両方が課題なら、外観検査AIを先に入れるほうが効果は早く出る。ただし外観検査AIの判定結果を個体IDに紐づけて残しておくと、それがそのまま歩留まり改善AIの入力になる。順序としては、外観検査AIを入れる時点で個体IDの採番を済ませておくのが無駄が少ない。
不良データはどのくらいの期間・件数が必要ですか？
期間や件数より、記録の粒度が先に効く。ロット単位でしか記録が無いなら、何年分あっても要因は出ない。逆に個体・時刻まで揃っていれば、対象を1工程1品番に絞ったうえで、季節変動を含めて見られるだけの期間があれば当たりはつく。まず確かめるべきは蓄積量ではなく、不良品と良品が異なる工程条件の値を持っているかどうかである。
不良率が既に低い工程でも効果はありますか？
金額で判断する。想定ラインでは不良損失が年間 8,640,000 で、+1.2 ポイントの改善が 2,880,000 になる。生産金額が大きければ、不良率が低くても金額は残る。逆に生産金額が小さいラインでは、不良率が高くても年間運用費 780,000 を回収できない場合がある。不良率のパーセンテージではなく、そのラインの不良損失額と運用費を並べて比べる。
工程データ分析は内製と外注のどちらがよいですか？
層で分けるのが現実的だ。ID設計・マスタ整備・時刻同期は自社の工程知識が要るため、外注しても自社が主体になる。分析基盤の構築とモデルの実装は外注が向く。運用フェーズの再学習とマスタ更新は、現地スタッフに残さないと継続しない。なお、要因分析の入り口を生成AIで代替できるかという問いは別途検証が要るため、データ分析に生成AIは使えるかを参照してほしい。
まとめ
歩留まり改善AIの成否を分けるのは、モデルの精度ではなく、不良の記録と工程の記録が同じキーで結べるかどうかである。2026年版ものづくり白書が示す「取得は約7割、効果は約4割」という差の大半は、取れていない層ではなく、取ったが結べない層に生じている。
判断の順序は次の3つに集約される。第一に、外観検査AIと歩留まり改善AIを分けること。前者が動かすのは流出率であって歩留まりではない。第二に、結合キーをロット・個体・時刻の3層で捉え、自社の不良の出方に合わせて必要な層を決めること。ロット単位の記録では、不良品と良品が同じ条件値を持つため原因は出ない。第三に、不良コードの「その他」を減らすこと。分析の解像度は不良コードの設計解像度を超えられない。
費用は初期 5,200,000 THB、年間運用費 780,000 THB。最大の層は結合の 1,800,000 であり、ここを削ると分析基盤と現場UIの 1,500,000 が浮く。効果側は、年間生産金額 240,000,000 THB のラインで歩留まりを 96.4% から 97.6% へ動かすと、削減額 2,880,000、運用費控除後 2,100,000、単純回収 29.7ヶ月になる。稼働率が60%を下回り値上げが通りにくい局面では、この 2,880,000 は自社の工程の中だけで作れる数少ない利益である。
最初にやることは、契約でも選定でもない。不良記録と工程データのCSVを並べて、共通の列があるかを見ることだ。
自社のデータで結合が成立するかどうかの見極めは、システムを選ぶ前の段階で判断できる。TOMAS TECHでは、タイの日系工場を対象に、既存の検査機・PLC・生産管理システムの出力を実際に確認したうえで、どの層に手を入れる必要があるかを整理している。導入を決めていない検討段階でも、手元のデータを見ながらの相談を受け付けている。お問い合わせから連絡してほしい。
参考情報
- 2026年版ものづくり白書（経済産業省・厚生労働省・文部科学省、2026年5月29日閣議決定） https://www.meti.go.jp/report/whitepaper/mono/2026/pdf/gaiyo.pdf
- 事業構想オンライン「2026年版ものづくり白書を閣議決定」（2026年6月） https://www.projectdesign.jp/articles/news/874807b9-713f-420d-805c-5cb66072cf47
- The Nation Thailand「FTI warns of ‘perfect storm’ as 2026 GDP growth seen at 1.6–2.0%」（2026年1月5日） https://www.nationthailand.com/business/economy/40060791
- Xinhua「Thai industrial sector sees mixed outlook amid tech growth」（2026年6月8日） https://english.news.cn/asiapacific/20260608/faa838fea8ad46ef87ac64736d8dc6a9/c.html
- Databricks「Manufacturing Root Cause Analysis with Causal AI」 https://www.databricks.com/blog/manufacturing-root-cause-analysis-causal-ai
- Arch Systems「From Machine Data Extraction to Manufacturing Root Cause Analysis」 https://archsys.io/hub/articles/from-machine-data-extraction-to-manufacturing-root-cause-analysis/
