公開日:
公式ドキュメント・公式発表などの一次情報を確認したうえで、株式会社Nexaが執筆・更新しています。AIツールの仕様や料金は変わることがあるため、導入判断の前に各公式サイトの最新情報もご確認ください。運営会社について
製造業のAI導入事例は、外観検査、設備保全、工程制御の3領域で、成果だけでなく対象工程と実証条件を比べると自社への適用を判断できます。
- 検査：キユーピーは良品の画像を学習する原料検査装置を導入しています。
- 保全と制御：故障への対処を提案するAIと、設備を直接制御するAIは別物です。
- 導入判断：公表された精度や削減率を保証値にせず、自社の1工程で検証します。
対象読者：製造業の経営者、生産技術担当者
今日やること：改善したい1工程と、取得できるデータを一覧にする。
製造業のAI導入事例を参考にする際は、成果の大きさより、自社と工程条件が似ているかを確かめます。画像で原料を選別する仕組みと、故障原因を文章で提案する仕組みでは、必要なデータも検証方法も異なります。
「精度90%以上」「蒸気約40%削減」という発表も、数字だけでは投資判断に使えません。この記事では企業の公式資料に基づく3事例を比較し、数値の対象範囲と、自社で確認する項目を整理します。事例の記述は各発表時点の内容です。2026年9月16日に出典を確認しており、その後の展開状況を推測で補っていません。
製造業のAI導入事例は何を比べればよい？
製造業のAI導入事例は、対象工程、入力データ、AIの判断範囲、実証段階の4点をそろえて比べます。
工場で使うAIは一種類ではありません。画像から良否を判定するAI、センサーの変化を捉えるAI、文書から対処候補を示す生成AIなどがあります。生成AIとは、学習したパターンを基に文章や画像などを作る技術です。自然な説明を返せても、設備の状態を正しく判断した証明にはなりません。
同じ「保全の効率化」でも、故障前の兆候検出と、故障後の原因調査では役割が変わります。まず現在の作業を「検査する」「異常に気付く」「原因を調べる」「操作する」に分けましょう。省きたい作業が決まると、見るべき事例も絞れます。
公開資料で確認できる製造業のAI導入事例3選
3事例は、原料検査の実運用、故障診断の試験運用発表、工程制御の正式採用合意に分かれます。
| 企業と公表日 | 用途と入力 | 公表資料で確認できる内容 | 読み替えてはいけないこと |
|---|---|---|---|
| キユーピー、2019年2月13日 | 原料検査／良品画像 | 冷凍原料への本格導入と、惣菜原料への展開 | 全原料の完全検出や削減人数は示されていません |
| ダイキン工業と日立製作所、2025年4月22日 | 設備故障診断／図面や保全記録 | 事前実証の結果と工場での試験運用開始 | 発表時の予定を、現在の全拠点導入完了とは扱いません |
| ENEOSマテリアルと横河電機、2023年3月30日 | 工程制御／プラントの状態 | 約1年間の実証後に自律制御AIの正式採用へ合意 | 特定制御箇所の省エネ効果を工場全体へ広げません |
いずれも企業が公表した事例であり、Nexaの支援実績ではありません。以下の導入上の提案は、公開情報を自社で検討するための整理です。各社がその提案どおりに運用しているという意味ではありません。
キユーピーは良品を学習して原料検査へ導入
キユーピーは、良品画像を学習する原料検査装置を開発し、冷凍原料から惣菜のカット野菜へ展開しました。
キユーピーの2019年2月の発表では、2018年8月から冷凍の角切りポテトとニンジンに本格導入しています。2019年1月には、グループのデリア食品の惣菜工場で、いちょう切りニンジンの検査へ導入し、運用を検証しました。
不良品を列挙する代わりに良品を学習する
この装置は、良品のパターンを学習して、それ以外を検出する考え方を採っています。食品原料では変色、変形、混入物などの種類が多く、不良の全パターンをあらかじめ用意しにくいためです。
ただし、この方式なら未知の不良も必ず見つかる、とは判断できません。原料の個体差、撮影条件、判定基準で結果は変わります。公表資料にない検出率や削減人数を、導入効果として補うことも避けます。
洗浄と操作性も検査システムの一部になる
同社は、ボタン1つでの操作、分解して洗浄できる構造、狭い加工場に置ける大きさも説明しています。AIの精度だけでなく、現場の清掃や段取りに組み込める設計です。自社で検討する際も、カメラの汚れを誰が確認し、品種変更時に誰が設定を切り替えるかまで記載しましょう。
AI導入に関するお困りごとは、株式会社NexaのAI顧問がサポートします。「何から始めればいいか分からない」という段階からご相談いただけます。
外観検査AIの精度は撮影条件と判定基準で変わる
外観検査AIは、画像の品質と良否の基準を先にそろえ、不良の見逃しと良品の過剰排出を分けて評価します。
外観検査は、カメラで捉えた表面や形状から、傷や欠けなどを確認する検査です。光が反射して傷が見えない画像では、AIだけを変更しても判定の改善には限界があります。カメラの位置、照明、製品の向き、搬送速度を含めて試験します。
「正解率」という一つの数値だけでは、不良を通してしまうリスクが見えません。正常品が多い工程では、ほとんどを良品と答えても見かけの正解率が高くなるためです。不良種別ごとの見逃し件数、良品を不良扱いする件数、再検査の時間を記録してください。AIを止めた場合に従来検査へ戻せることも、採用条件に含めます。
ダイキンと日立は生成AIで設備の故障診断を支援
ダイキンと日立の事例は、図面や保全記録を使って故障原因と対処を提案し、保全担当者の判断を支援する取り組みです。
両社の2025年4月22日の公式発表は、ダイキンの堺製作所臨海工場で、同月から設備故障診断AIエージェントの試験運用を始める内容です。図面を、部品と部品の関係を表す「ナレッジグラフ」に変換し、保全記録や故障原因の分析手順と組み合わせます。
AIエージェントとは、目的に応じて情報を参照し、必要な処理を進める仕組みです。この事例では、設備の部品関係と故障情報を踏まえた原因推定が中心です。現場を見ずに機械の修理を完了するロボットとは異なります。
自社で似た支援を検討するなら、図面が最新か、設備番号と記録が結び付くかを先に確認します。旧版の図面を参照した流暢な説明より、現行図面に基づく短い確認項目の方が現場では役立ちます。
「精度90%以上」は修理成功率ではない
公表された精度90%以上と10秒以内は事前実証の評価結果であり、全設備の修理成功率や復旧時間ではありません。
発表の脚注では、5種類の設備に関する5つの故障状況で原因と対処を推定し、熟練保全員2名が5段階で評価したと説明されています。実際に工具を使った作業時間や、交換部品の手配時間まで10秒に含まれるわけではありません。
また、試験運用を2025年9月までに完了するという記述は、発表時点の計画です。この資料だけから、全工場での本番導入完了とは断定できません。ベンダーの提案書を読むときも、評価者、対象設備、試験問題、評価指標を質問しましょう。数値と一緒に条件を確認して初めて、自社の検証項目へ落とし込めます。
予知保全と故障診断はどう違う？
予知保全は故障前の変化を捉えて手当てする活動で、故障診断は発生した異常の原因と対処を調べる活動です。
予知保全では、温度、振動、電流などを継続的に記録し、設備の普段と違う状態を検出します。オムロンのAI予知保全ライブラリの発表も、時系列データの収集と、設備の「いつもと違う」状態を判別するAIエンジンを組み合わせています。これは技術の説明であり、先ほどの3社事例に追加する導入実績ではありません。
一方、図面や保全記録を検索して対処を示す仕組みは、故障診断を支えます。両者をつなげることはできますが、必要なデータは別です。センサーの履歴がなければ収集から始め、履歴があっても保全担当者が対応できなければ通知方法を見直します。警報が出ることと、停止を回避できることを分けて考えてください。
ENEOSマテリアルは強化学習AIを工程制御に採用
ENEOSマテリアルと横河電機は、約1年間の実証で安定操業を確認し、化学プラントへの自律制御AIの正式採用に合意しました。
2023年3月30日の共同発表によると、対象は蒸留塔の品質や液面を適切に保ち、排熱の利用を最大化する制御です。従来は運転員がバルブの操作量を考えて入力していた箇所に適用しました。
強化学習は、行動の結果を評価し、目的に合う行動を学ぶ方法です。この記事の事例では、文章を作る生成AIではなく、プラントの状態に応じて制御するAIです。原料の変化や季節変動もある環境で、長期間の実証を重ねた点が参考になります。
ただし、別の工場に同じモデルを接続すれば動く、という意味ではありません。安全上の制約、設備の応答、品質基準が異なります。設備を直接動かす用途は、助言だけの用途と分けて、制御と保安の担当者を含めて検討する必要があります。
「蒸気40%削減」の対象は工場全体ではない
約40%という削減率の対象は、AIを適用した液面制御で従来使っていた蒸気と、その製造に伴うCO2です。
共同発表の注記は、削減率の対象をこの範囲に限定しています。工場全体のエネルギー費、製造原価、総排出量が40%下がったという説明ではありません。自社の試算に使う際も、工場全体の光熱費にそのまま掛けてはいけません。
成果を比較する表には、数値の隣に「対象設備」「比較前の運転条件」「評価期間」を設けましょう。生産量や品種が変われば消費量も変わります。省エネと品質が同時に成立したかを確認し、品質を落として節約した結果と混同しないことが必要です。
中小製造業はどの用途から始める？
最初の用途は、必要なデータがあり、効果を測定でき、誤りが出ても人が修正できる工程から選びます。
| 自社の状態 | 検討する入口 | 先に確認する条件 |
|---|---|---|
| 良否判定の画像と基準がある | 外観検査の判定支援 | 撮影条件と見逃し時の再検査 |
| 稼働履歴と保全記録がある | 異常兆候の検出 | 正常時の範囲と警報後の対応 |
| 図面と故障対応記録がある | 保全情報の検索、診断支援 | 資料の版と設備番号の一致 |
| 運転データと制御の知見がある | 工程条件の推奨、限定した制御 | 安全制約と既存制御への復帰 |
これは導入可否の一般的な整理であり、特定製品の推奨表ではありません。どの条件も不足しているなら、まず紙の日報を整理する、設備番号を統一するなど、データを扱える状態にする方が先です。
大企業と同じ規模の仕組みは要りません。対象品種、設備、シフトを限定し、その範囲で従来より改善するかを確かめます。最初から工場全体へ広げると、効果の原因も、問題の発生箇所も切り分けにくくなります。
AIに渡す前に整備するデータは？
データは量だけでなく、製品や設備の識別番号、取得時刻、条件、判定結果が結び付いていることが必要です。
外観検査では、画像と良否の判定理由、品番、ロット、照明条件を対応させます。保全では、センサー履歴と故障日、修理内容、部品交換日を結び付けます。工程制御では、操作の記録と、その後の品質や生産条件を追えるようにします。
学習用と評価用に同じ画像を混ぜると、覚えた画像を再び当てるだけの評価になりかねません。別ロットや別期間を評価用に確保し、夜間や段取り替え後の条件でも確認してください。必要な件数は対象や方式で変わるため、「画像が何枚あれば必ず成功する」という一律の基準にはしません。
担当者ごとに良否が割れる場合は、品質部門が許容範囲を決める作業も必要です。曖昧な判定を大量に集める前に、境界のサンプルを整理して合意しましょう。
導入効果はどの指標で測る？
効果はAIの正解率だけでなく、再確認の負担、停止時間、品質損失など、工程に与えた変化で測ります。
| 領域 | 品質と安全の指標 | 業務上の指標 | 比較時にそろえる条件 |
|---|---|---|---|
| 外観検査 | 不良の見逃し、良品の過剰排出 | 再検査時間、検査待ち | 品番、不良種別、搬送速度 |
| 予知保全 | 見逃した異常、不要な警報 | 対応時間、突発停止時間 | 稼働時間、負荷、保全周期 |
| 故障診断支援 | 原因候補の妥当性、根拠の正しさ | 調査時間、確認の手戻り | 設備種類、故障の難しさ |
| 工程制御 | 品質規格、安全範囲からの逸脱 | 対象工程のエネルギー使用量 | 生産量、原料、外気条件 |
停止が起きなかっただけでは、AIが防いだ効果とは限りません。元々故障頻度が低い設備なら、短期間の試験で削減効果を断定するのは困難です。不要な警報への対応工数も記録し、「通知が増えただけ」になっていないか確かめます。
費用はモデル代以外に何がかかる？
製造業のAI導入費用は、モデルの利用料だけでなく、撮影機器、設備接続、データ整備、検証、保守まで見積もります。
外観検査なら、照明やカメラ、取付部材、排出機構の費用が発生し得ます。予知保全なら、センサーの設置、履歴の保存、異常通知の仕組みが必要です。故障診断支援では、図面の整理や、閲覧権限を反映する作業も見積もりに含めます。
公表事例で導入価格が示されていない場合、別企業の価格をその事例の費用として埋めないでください。発注時は少なくとも「初期構築」「月々の運用」「再評価と改修」の区分をそろえて比較します。
費用対効果を算定する際は、削減できた作業時間に自社の時間単価を掛け、実際に使える余力を評価します。ただし、それがそのまま給与支払いの減少になるとは限りません。再検査や保守の増加分を差し引き、人件費と停止損失の重複計上を避けることも必要です。
工場ネットワークと外部AIはどう分ける？
外部AIとの接続は、工場の制御系へ直接広げず、守る設備とデータの範囲を整理してから設計します。
工場の制御や監視を担う技術はOTと呼ばれます。一般的な社内ITと異なり、システムの停止が生産や安全に直結する場合があります。データを読む権限と設備を操作する権限は分け、外部のサービスが止まった際にも現場が継続できる条件を決めます。
経済産業省の中小規模製造事業者向け解説書の案内は、工場の規模を問わず対策が必要だとしています。インターネットへの接続が乏しくても、不正侵入などのリスクがなくなるわけではありません。設備一覧、接続先、保守担当者を把握する作業から始めましょう。
ベンダーに依頼する前に決めること
依頼前に、対象工程、成果の測定方法、データの扱い、運用責任、終了時の引き継ぎ条件を明文化します。
「精度のよいAIを作ってほしい」だけでは、検収条件が合いません。どの不良をどこまで見逃さずに検出したいのか、結果が曖昧なら誰へ戻すのかを具体化します。保守担当者が対応できる曜日や時間も、通知設計に影響します。
経済産業省の工場スマート化に関する別冊の案内では、業務に応じたゾーン設定と、外部サービス等との責任分界を示しています。自社で管理できない接続先が増えるほど、誰がどの対策を担うかの合意が必要です。
見積依頼書には、画像や図面の保存先、学習への再利用可否、再委託、データ削除、障害対応を含めます。契約終了時にデータと評価結果を取り出せるかも確認してください。判断に必要な記録が残らなければ、別の仕組みへ移る際に検証をやり直すことになります。
1工程でAIを検証する導入手順
導入は、対象を限定して現状を測り、過去データと並行運転で評価したうえで、範囲を絞った本番運用へ進めます。
以下は中小製造業が検討を進めるための手順例です。事例企業の実施手順や、一定期間での成果を保証するものではありません。
1. 対象工程と責任者を決める
対象の品番や設備を特定し、品質部門と生産部門の責任者を決めます。情報システム部門だけで完結させず、AIの誤りが製品や作業者へどう影響するかを現場と確認します。
2. 現状の作業時間と損失を記録する
従来の検査時間、再作業、停止理由を記録します。忙しい日だけを基準にせず、通常時と条件が変わる場面を分けます。改善後も同じ条件で比較できる記録を残してください。
3. 過去データで小規模に評価する
実機を操作しない環境で、AIの判定と人の判定を照合します。この技術検証がPoC（概念実証）です。単に動作を見るのではなく、見逃しや誤警報を含め、採用条件を満たすか評価します。
4. 従来業務と並行して運用する
従来の判断を維持したままAIの結果を記録し、違いが出る場面を調べます。担当者が追加で確認する時間も測定し、現場の負荷が増えるなら運用方法を修正します。
5. 合意した範囲で本番へ移す
品質と安全、業務効果を確認してから、対象を限定して切り替えます。直接制御は別途の安全評価が前提です。復帰手順を試し、責任者が停止できる状態を保ったまま運用を始めます。
本番導入を止めるべき兆候は？
データの欠損、判定基準の不一致、対応できない警報、復帰手順の未整備が残るなら、本番切り替えを止めます。
画像は取得できても品番が分からない、図面の版が混在している、故障時刻とセンサー時刻がずれる状態では、評価結果を解釈しにくくなります。これらをモデルの性能不足と決め付けず、入力データの問題として切り分けましょう。
本番後も、原料の変更、部品交換、設備の移設、照明の交換で条件が変わります。導入時の精度をそのまま使い続けず、変更の履歴と再評価を結び付けます。担当者が退職したら仕組みを止められない、という状態を避けるため、停止と復帰の権限は複数人で確認できるようにします。
製造業AIの導入判定チェックリスト
導入判断は、データ、品質、安全、費用、担当者、復帰手順がそろってから行い、不明点を残したまま拡大しません。
- データ：対象設備と期間が特定され、評価用データが分離されていますか。
- 品質：見逃しと過剰判定の許容範囲を、品質部門と合意していますか。
- 安全：AIの操作範囲が限定され、既存の安全機能を妨げませんか。
- 費用：機器、接続、再確認、保守、改修を含む費用で比較していますか。
- 担当者：警報を受ける人と、変更を承認する人が決まっていますか。
- 復帰：AI停止時に従来の運用へ戻す手順を試していますか。
これは汎用の確認票であり、業種固有の安全規格や法令への適合を保証するものではありません。自社の品質保証や保安の手続きへ組み込み、実施責任者と証拠資料の所在を記録して使ってください。
製造業のAI導入事例についてよくある質問
導入前の疑問は、自社のデータと対象工程に分けて確認すると、必要な準備と試験の範囲を具体化できます。
Q. 中小企業でも大企業の事例を参考にできますか？
対象工程と条件が似ていれば参考になります。ただし、公開された削減率や精度を自社の目標値にそのまま使わず、機器、データ、人員体制の違いを確認します。最初は一つの品種や設備に限定して検証してください。
Q. 製造業のAI導入は生成AIだけでできますか？
用途によります。保全記録の検索や説明文の作成には生成AIが候補になりますが、高速な画像判定や設備制御には別の技術や安全設計が必要です。文章で指示できることと、設備を安全に制御できることは同じではありません。
Q. 不良品の画像が少なくても外観検査を始められますか？
良品の特徴を学ぶ方式もあります。キユーピーの公表事例はその一例です。ただし、不良サンプルが少ない状態では見逃しの評価も難しくなります。想定する不良の種類と、検証できない範囲を明示して進めます。
Q. AI導入の費用や期間はどの程度ですか？
対象設備、必要な機器、接続条件、データ整備の量で変わります。3事例の公表資料から一律の相場は出せません。過去データでの試験、現場での並行運転、本番化を分け、各段階の成果物と費用を見積もってください。
まとめ：自社の1工程で再現条件を確かめる
製造業のAI導入は、他社の成果をそのまま再現しようとせず、自社の工程で成立する条件を検証して進めます。
キユーピーの原料検査、ダイキンと日立の故障診断支援、ENEOSマテリアルと横河電機の工程制御は、AIの役割が異なります。実運用、試験運用、正式採用という段階もそろえて比較する必要があります。
まず改善したい1工程を選び、入力データ、現状の損失、人が判断を引き受ける箇所を書き出してください。精度の数字だけでなく、品質と安全を維持して業務を改善できるかを、従来運用との比較で確かめましょう。
AI導入に関するお困りごとをサポートします
株式会社NexaのAI顧問は、ツール選定から業務への適用、社内定着までを月額制でサポートします。特定のツールに限らず、「AIをどう使えばいいか分からない」という段階からご相談いただけます。
この記事で参照した外部情報
- キユーピーの2019年2月の発表kewpie.com
- 両社の2025年4月22日の公式発表daikin.com
- オムロンのAI予知保全ライブラリの発表omron.com
- 2023年3月30日の共同発表yokogawa.co.jp
- 経済産業省の中小規模製造事業者向け解説書の案内meti.go.jp
- 経済産業省の工場スマート化に関する別冊の案内meti.go.jp
本文中でリンクしている外部ページの一覧です（自動生成）。最終確認日は本記事の最終更新日 2026-09-16 で、リンク先の内容はその後変わることがあります。
