みなさん、こんにちは。
製造業やインフラの現場では、「AIによるパラメータ最適化」や「IoTによる予兆保全」の導入がどんどん進んでいます。でも、いざ現場に適用しようとすると、こんな壁にぶつかりがちです。
- 「PoC（概念実証）のままで先へ進まない……」
- 「現場の職人さんや保全担当者に使ってもらえない……」
- 「せっかく作ったAIモデルが、すぐに役に立たなくなってしまう……」
先日参加したセミナーでも、まさにこうした現場の苦労話が熱く語られていました。
今回は、そこで聴講した「製造加工現場でのパラメータ最適化事例」と、「インフラ設備の遠隔監視事例」という2つのリアルな現場ストーリーをベースに、失敗の本質を解き明かしていきます（事例特定を避けるため、語られた内容をあえて変えている部分がありますが、本質は伝わるはずです）。
PoCで止まってしまう本当の原因は何なのか？ 現場に定着させるための具体的な３つの鉄則を紐解きます。
事例1. 加工工程におけるAI導入 — 2年の予定が5年に伸びた「落とし穴」
某大手金属加工の現場では、ベテラン職人が長年の経験と勘で設定していた加工パラメータを、AIで自動推測・推奨するプロジェクトが進められました。当初は「2年1ヶ月で完了する予定」だったそうですが、最終的な引き渡しまでに約5年の歳月を要したとのことです。
なぜプロジェクトは難航したのか？
最大の原因は、AI技術自体の優劣ではなく、「現場のデータの取り方」と「運用の実態」に対する初期理解の不足にありました。
- データ自動取得の不在（PoC予算のジレンマ）
- 現場には以下のジレンマがあり、データ自動取得の投資ができませんでした。
- 「AIで成果が出るか分からない段階では、データ自動取得のための設備投資の決済が下りない。
- しかし、手作業でデータを集めているとノイズが増え、検証に膨大な時間がかかる……」
- そのため、担当者がExcelや手作業でデータを集める「人海戦術」を強いられました。
- 現場には以下のジレンマがあり、データ自動取得の投資ができませんでした。
- 絶対値ではなく「相対差分」の罠
- 現場の機械は、定期メンテナンスや部品の交換によって基準位置が微妙にズレるという特性があります。
- 本来なら校正作業が必要のはずですが、ベテラン職人は長年の経験から「絶対値」を校正するのではなく、「前日の状態や直前の加工結果からの相対的な変化量（差分）」を見て数値を調整していました。
- そのことを知らず、職人さんが加工機に設定する数値をそのまま「絶対値」として学習させてしまっていました。
- この結果、メンテナンスが入るたびに予測精度が崩壊し、根本からやり直す大後戻りが発生してしまいました。
辿り着いた「予測の不確実性」を可視化する工夫
データ収集の難しさや素材の個体差に直面しつつも、試行錯誤を繰り返し、最後に辿り着いたのが、「AIがどれくらい自信を持って予測しているか（不確実性）」を同時に出力・可視化する仕組みです。
これにより、データが不足していてAIの予測が信用できない領域では「無理に自動適用せず、職人の判断に委ねる（警告を出す）」という安全弁を設けることができます。
最終的には、現場の分析を重ねてモデルの入力を「前回状態からの相対差分」へ変更し、職人さんからも納得してもらえる精度を達成したそうです。しかし、当初予定の倍以上の月日が経過していました。
事例2. 遠隔IoT保全によるイノベーション — 機能が十分でもUXデザインが不足すると定着しない
水道設備や受変電設備といったインフラ現場では、設備の老朽化と点検員の高齢化・熟練者不足が深刻な問題になっています。ある企業では、小型のセンサーとクラウドを組み合わせた予兆保全の仕組み作りに取り組みました。
技術的アプローチ
- なぜ「直接取り付けるセンサー」なのか？
- 現場には大きな機械が並んでおり、周囲の騒音や他機器からの反射音が充満しています。空間を伝搬する異常音だけで診断しようとすると環境ノイズを拾ってしまうため、対象機器に直接取り付ける方式が選ばれました。
- データは非常に高い頻度で計測する必要があるため、生データをそのまま膨大に送り続けるのではなく、現場の端末側で一度データを要約・数値化してからクラウドへ送る工夫がされています。
- 「いつもの状態」からのズレを捉える
- AIモデルには、「正常な状態」だけを学習させておき、そこからの小さなズレ（乖離度）から異常の予兆を検知するアプローチが採用されました。
- さらに、得られたデータを細かな周波数帯に分解し、機器の回転数特性と照合することで、単に「おかしい」だけでなく「どの部分に負荷がかかっているか」といった原因の当たりをつけられるようにしました。
間欠計測の「割り切り」
配線工事不要のセンサーを採用しているため、適度な間隔での計測（間欠計測）を行っています。具体的には以下の2つの割り切りを設けています。
- 突発故障への対応は行わない
- 数秒で起きる突発的破壊は、別の安全装置の領域とする
- 予防的な保全に特化する
- 数週間〜数ヶ月かけて進行する摩耗などを未病段階で捉える
取っているが見ていない
実装後、システムは無事稼動しました。しかし、期待されたほど有効活用されませんでした。機能に問題があったわけではありません。データは集めていたけれど、専門知識がないから誰も見ていなかったのです。異常警告は表示されましたが、今までの経験が優先され、次第に形骸化していきました。
振動を観察して異常を検知する知識がない担当者にとって、分かりやすさが重要でした。メンテナンス直後の良好な状態を「基準」として設定し、そこからの変化量をスコア化し、現場が直ちにアクションを起こせるようなUI/UXのデザインが必要だったのです。
2つの事例から導く「現場定着」3つの鉄則
ここまで紹介した事例から、AI/IoTプロジェクトを成功させるための本質的な法則を3つにまとめてみます。
鉄則1. アルゴリズムより「暗黙知の抽出」
どれほど高度な手法を使っても、現場の人間がどういうデータ構造で思考しているかを見誤るとシステムは崩壊します。
- 職人さんは「絶対値」ではなく「昨日より+0.1mm」という相対差分で動いていた。
- 保全員は「数値の絶対値」ではなく「整備直後からの変化率」で見たい。
まずは現場に入り込み、職人や技術者の「無意識の判断軸（差分思考）」を解き明かして、「暗黙知を抽出」することが成功の第一歩です。
鉄則2. PoCの段階から「自動取得＆フィードバック回路」を考慮する
手動入力によるデータ収集は、手間がかかるだけでなく、環境変化に伴うAIモデルの再学習サイクルをストップさせてしまいます。
最初から全ラインの自動化は難しくても、「特定の代表機器に絞り、データ自動取得の簡易パイプラインを組んだ上でPoCを行う」というスモールスタートが不可欠です。
鉄則3. 正常性バイアスを前提とし、「異常アラート」ではなく「処方（アクション）」を提示する
「データを見える化しました、異常です」だけのシステムは、現場に必ず無視されます。人間には「今まで動いていたから大丈夫」という正常性バイアスがあるからです。
単にアラートを出すだけでなく、「次に行うべき具体的なアクション（処方）」までセットで提示し、現場の従来の判断軸を補強する形で設計することが求められます。
AI/IoTは「ツール」と「活用法」をセットで導入する
本来、AI/IoTはあくまで手段（ツール）に過ぎません。しかし、いつの間にか「AIを導入すること自体」が目的になってしまい、肝心の「活用法」の検討が置き去りになってしまうケースが後を絶ちません。
製造・保全の現場にAI/IoTを深く根付かせるためには、ここまで見てきた「暗黙知の抽出」「自動フィードバック回路」「現場が動ける処方の提示」という3つの鉄則を、設計段階からしっかりと組み込んでいくことが不可欠です。
ツールの導入だけで終わらせず、現場が本当に使いこなせる「現場定着」の仕組みから逆算したプロジェクト設計を意識していきましょう。
本日も最後までお読みいただきありがとうございました。
それでは、よいIoTライフを！
「うちのプロジェクトはどうなんだろう？」と気になった方はいませんか。
ビューローみかみでは、構想段階の壁打ちからPoC・実装・現場導入まで、現場で「使い続けられる」ものづくりを支援しています。
技術顧問サービスでは、技術的な質問・検証に継続的にお答えしています。「相談したら契約」ということはありません。システムを作らない判断も含めて、率直にお話しします。
▶ 技術顧問サービスの詳細はこちら
気になることがあればお気軽にご相談ください。
