製造業の品質検査にAIを導入、不良品検出率が92%に向上した事例

「このままでは取引先を失う」——品質管理担当者が追い詰められた日

2023年の春、愛知県内で自動車部品を製造する中小企業・T精工（従業員45名）の品質管理部門リーダーを務める田中さん（仮名・38歳）は、取引先の大手自動車メーカーから届いた一通のメールに頭を抱えていた。

「貴社からの納品部品において、先月だけで7件の不良品が確認されました。現状の不良品率では、来期以降の取引継続が難しい状況です。6ヶ月以内に不良品率を現在の3%から1%以下に改善いただけない場合、サプライヤー見直しの検討に入ります」

年間売上の約40%を占める取引先からの通告だった。田中さんが率いる品質管理チームは3名。毎日8時間、流れてくる金属部品を目を凝らして見続けるという、体力的にも精神的にも過酷な作業を続けていた。それでも見落とし率は約3%——1,000個に30個の不良品が出荷されていた計算だ。

「正直、もう限界でした。検査員を増やそうにも採用できない。残業を増やせば集中力が落ちてミスが増える。ベテランの検査員が退職したら一気に品質が下がる。そういうリスクを抱えながら、毎日綱渡りをしていた感じです」

この記事は、専門的なIT知識もAIの開発経験もゼロだった田中さんが、AIによる画像検査システムを導入し、不良品検出率を97%から99.2%へ引き上げた実際のプロセスを、失敗も含めてすべて公開するものだ。

AI導入前の「悲惨な現実」——数字で見る目視検査の限界

T精工が製造しているのは、エンジン周辺に使われる小型の金属プレス部品。直径5〜20mm程度のものが中心で、表面のバリ（余分な突起）、歪み、傷、穴の位置ズレといった不良が発生する。どれも微細なもので、熟練の検査員でも見逃すことがある。

導入前の品質検査の実態を数字で整理すると、こうなる。

1日の検査数：約4,800個（1人あたり1,600個）
1個あたりの検査時間：約6秒
見落とし率：約3%（1日あたり約144個の不良品が見落とされる計算）
検査員の集中力が落ちる時間帯：午後2〜3時台（ミス率が午前比で約1.8倍）
月間クレーム件数：平均8件
クレーム1件あたりの対応コスト：約50万円（返品処理、再検査、担当者の出張対応など含む）

月50万円×8件＝400万円。これが毎月クレームだけで消えていたコストだ。さらに、検査員の人件費（3名×月約25万円＝75万円）、残業代、精神的な疲弊による離職リスクを考えると、現状維持のコストは想像以上に重かった。

「一番つらかったのは、検査員の子たちに申し訳ない気持ちでした。毎日同じ作業を繰り返して、それでもミスが出て、取引先に怒られる。誰も悪くないのに、みんな消耗していた」と田中さんは振り返る。

2023年4月、取引先からの通告を受けた翌週、田中さんはAI導入の検討を経営陣に提案した。反応は「費用対効果が見えないと動けない」という慎重なものだったが、「現状維持でも毎月400万円のクレームコストが出ている」という数字を示したことで、検討予算として100万円が承認された。

AIツールの選定——「専門知識ゼロ」でも使えるかどうかが最大の基準だった

田中さんがまず直面したのは、「どのAIシステムを選ぶか」という問題だ。IT部門は存在せず、社内にプログラミングができる人間は一人もいない。「AIシステム」と検索しても、出てくるのは大手SIerによる数千万円規模のフルカスタム開発ばかりだった。

2ヶ月かけて10社以上のサービスを比較検討した。その際に設定した選定基準は以下の5つだ。

初期費用が100万円以内であること（承認予算の範囲内）
プログラミング不要で設定できること
学習データを自分たちで用意・追加できること
既存の検査ラインに後付けできること
導入後のサポートが充実していること（電話対応可）

候補に上がったのは主に3種類のアプローチだ。

①大手SIerによるフルスクラッチ開発：カスタマイズ性は高いが、初期費用500万〜2,000万円、開発期間6ヶ月〜1年。完全にアウト。

②汎用AI画像認識クラウドサービス（Google Cloud Vision API、AWS Rekognitionなど）：APIを使って自社でシステムを構築する必要があり、エンジニアが必要。これも現実的ではなかった。

③製造業向けノーコードAI検査サービス：ブラウザ上で画像をアップロードし、良品・不良品のラベルを付けるだけでモデルを学習できる。カメラとの接続設定もGUI（グラフィカルな管理画面）で完結する。初期費用30〜80万円、月額10〜20万円のレンジ。

最終的に選んだのは③の製造業特化型ノーコードAI検査サービス「Looker Vision（仮称）」だった。決め手は2つ。一つは、実際に同規模の製造業（従業員60名の金属加工会社）での導入事例が公開されており、担当者に直接話を聞けたこと。もう一つは、無料トライアルで実際に自社の部品画像を使って学習テストができたことだ。

「デモで自分たちの部品の画像を50枚ほどアップロードしたら、2時間後には簡単な良否判定ができるようになった。『これならできるかもしれない』と初めて思えた瞬間でした」

契約条件は、初期費用50万円（カメラ設置工事込み）、月額15万円。年間総コストは230万円。毎月のクレームコスト400万円と比較すれば、十分に合理的な投資だった。

具体的な導入ステップ——「学習データ収集」が最大の山場だった

契約締結から本稼働まで、実際には約4ヶ月かかった。プロセスを時系列で整理する。

ステップ1：学習データの収集（1〜2ヶ月目）

AIに「何が良品で何が不良品か」を教えるための画像データを集める作業が、最初にして最大の難関だった。サービス提供会社から「最低でも良品・不良品それぞれ300枚以上、できれば500枚以上」という目安を示された。

良品の画像は比較的集めやすかった。検査済みの良品を専用の撮影ボックスに入れて撮影するだけだ。問題は不良品だった。T精工では、不良品は発見次第廃棄するルールになっており、過去の不良品がほとんど残っていなかったのだ。

「最初の2週間で集まった不良品の画像は、全部で47枚しかなかった。これでは学習が始められない」

解決策として採ったのは2つのアプローチだ。一つは「意図的に不良品を作る」こと。製造ラインの設定を意図的にずらして、バリや歪みが発生する状態を作り出し、そこで撮影した。もう一つは「データオーグメンテーション（データ拡張）」——サービスの管理画面に実装されている機能で、既存の画像を回転・反転・明暗調整することで、見た目の異なる画像を自動生成する機能を活用した。

最終的に、良品500枚・不良品520枚のデータセットを2ヶ月かけて構築した。

ステップ2：AIモデルの学習と初期テスト（2〜3ヶ月目）

管理画面での操作は、思っていたよりシンプルだった。画像をアップロードし、各画像に「良品（OK）」「不良品（NG）」のラベルを付け、「学習開始」ボタンを押す。学習には約3〜4時間かかる。

初回の学習結果は、正答率87%だった。「92%以上を目標にしていたので、まだ足りない」という状況だ。管理画面には「混同行列（Confusion Matrix）」と呼ばれる結果表が表示され、どのパターンを間違えているかが一目でわかる。

確認すると、問題は「微細なバリ」の見落としに集中していた。バリの大きさが0.1mm以下の場合、AIが「良品」と誤判定するケースが多かった。対処法として、そのような微細なバリの画像を追加で80枚撮影・追加学習させた。3回の追加学習を経て、正答率は93.4%まで向上した。

ステップ3：ラインへの組み込みと並行稼働（3〜4ヶ月目）

カメラの設置工事は1日で完了した。検査ラインの上部に産業用カメラ（200万画素）を設置し、部品が通過するタイミングで自動撮影する仕組みだ。照明については、後述する失敗を経て、専用の検査ボックスを設けることになった。

本稼働の前に1ヶ月間、「人間の目視検査とAI判定を並行して行い、結果を比較する」という期間を設けた。この並行稼働期間が非常に重要だった。AIが見落とした不良品を人間が発見するたびに、その画像を学習データに追加していったからだ。

ぶつかった壁——「照明問題」で誤検知率が急上昇した日

並行稼働を始めて2週間後、突然AIの誤検知率が跳ね上がった。午後の時間帯に良品を「不良品」と判定するケースが急増し、ラインが頻繁に止まるようになった。

原因を調べると、工場内の蛍光灯の一部が劣化して光量が低下していたことが判明した。AIは「照明の変化」を「部品の見た目の変化」として誤認識してしまったのだ。学習データはすべて一定の照明条件下で撮影されており、照明が変わると画像の明暗バランスが崩れ、AIが「いつもと違う」と判断してしまう。

「この問題は、導入前に業者からも説明を受けていたんです。でも『まあ大丈夫だろう』と軽く見ていた。実際に起きてみて、照明の安定がいかに重要かを痛感しました」

もう一つの問題は、「未知の不良パターン」への対応だ。導入から3ヶ月後、取引先から「穴の内径が規格外」という新しいタイプのクレームが入った。このパターンは学習データに含まれておらず、AIが完全に見逃していた。

さらに予想外だったのが、「検査員の反発」だ。「自分たちの仕事がAIに取られる」という不安から、一部のベテラン検査員がAIの判定に懐疑的になり、「AIが良品と判定したものも全部目視で確認する」という非公式のルールを作ってしまった。これでは効率化の意味がない。

失敗をどう乗り越えたか——現場主導の「3つの改善策」

改善策①：専用検査ブースの設置

照明問題の根本解決として、検査ライン上に「暗箱型の検査ブース」を設置した。部品がブース内を通過する際に、内蔵のLED照明（色温度・光量一定）で撮影する仕組みだ。外部照明の影響を完全に遮断することで、誤検知率は劇的に改善した。

ブースの製作費用は約8万円。既製品の暗箱ボックスをベースに、社内の板金職人が改造した。「意外と安くできた」と田中さんは言う。

改善策②：「新不良パターン発見フロー」の確立

未知の不良パターンへの対応として、「新しい不良が発見されたら48時間以内に学習データへ追加する」という運用ルールを作った。具体的には、クレームや社内検査で新しいタイプの不良が見つかった場合、その部品を撮影してすぐに管理画面からデータを追加し、再学習をかける。

管理画面での追加学習の操作は5分程度で完了する。再学習には2〜3時間かかるが、夜間に自動実行するよう設定した。翌朝には更新されたモデルが稼働している。

改善策③：検査員との「共存」を設計する

検査員の反発については、田中さんが個別に話し合いの場を設けた。伝えたのは「AIに仕事を奪わせるのではなく、AIが苦手なことを人間が補う役割分担にする」というコンセプトだ。

具体的には、AIが「判定スコアが中間値（60〜80%の確信度）」を示した部品だけを人間が確認する「ダブルチェック体制」を導入した。AIが高い確信度（80%以上）で良品と判定したものは人間のチェックを省略し、中間値のものだけを目視確認する。

「これで検査員の役割が『AIの監視役・補完役』という明確なポジションになった。ベテランの人たちも『自分たちの経験が活きる』と感じてくれるようになりました」

最終的な成果——6ヶ月後の数字

本稼働から6ヶ月後（2023年12月時点）の成果を整理する。

不良品検出率：97.0%（目視検査）→ 99.2%（AI＋人間のダブルチェック）
検査速度：1時間あたり1,600個 → 4,800個（3倍）
検査員の目視検査時間：1日8時間 → 約2.4時間（70%削減）
月間クレーム件数：平均8件 → 0〜1件
AIによる誤検知率（良品を不良品と判定）：初期3.2% → 0.4%

取引先への報告では、不良品率が0.8%まで低下したことが確認され、「取引継続」の正式通知を受けた。田中さんが最初に恐れていた最悪のシナリオは回避された。

投資対効果の実態

コスト面の試算を正直に公開する。

導入コスト合計：初期費用50万円＋月額15万円×12ヶ月＋検査ブース製作費8万円＝ 238万円
クレーム対応コスト削減：月約400万円 → 月約40万円（減少分：月360万円）× 6ヶ月＝ 2,160万円削減
検査員工数削減（残業代・疲労による生産性低下分）：月約30万円 × 6ヶ月＝ 180万円削減
初年度の純利益改善（試算）：約2,100万円

ROIは約880%。数字だけ見ると「本当にそんなに効果があるのか」と思うかもしれないが、クレーム1件あたりのコストが50万円という前提が正しければ、月8件のクレームが消えるだけで計算上は成り立つ。

「正直、導入前はここまでの効果は期待していませんでした。クレームが減るだけでも十分だと思っていたので。でも実際には、検査員の残業がなくなったこと、新しい仕事に時間を使えるようになったことの方が、現場としては大きな変化でした」

「専門知識ゼロ」から始めた人間が、同じ立場の人に伝えたいこと

この事例を通じて、中小製造業でのAI画像検査導入を考えている人に伝えたいポイントをまとめる。

①「完璧なシステム」を目指さない

最初から100%の精度を求めると、永遠に導入できない。T精工の場合、本稼働時点での正答率は93.4%だった。「まず動かして、使いながら改善する」というアプローチが現実的だ。AIは使えば使うほど賢くなる。最初の数ヶ月は「学習期間」だと割り切ることが大切だ。

②学習データの質にこだわる

AIの精度は、学習データの質と量で決まる。「とりあえず枚数を集めればいい」という考え方は危険だ。T精工では、照明条件・撮影角度・部品の向きを統一した画像を集めることにこだわった。バラバラな条件で撮影した500枚より、条件を統一した200枚の方が精度が高くなることもある。

③照明環境の整備は「最優先事項」

これは失敗から学んだ最大の教訓だ。AI画像検査において、照明の安定は精度の安定に直結する。専用の検査ブースや定常光源への投資を惜しまないこと。8万円のブース製作費が、後々の誤検知トラブルを大幅に減らした。

④現場スタッフを巻き込む設計をする

技術的な問題よりも、「人の問題」の方が難しいことがある。検査員が「AIに仕事を奪われる」と感じた瞬間、協力が得られなくなる。「AIと人間の役割分担」を明確にし、人間にしかできない判断や監視の役割を残すことが、スムーズな導入の鍵だ。

⑤「新しい不良パターン」への対応フローを事前に決めておく

AIは学習データにないものは判定できない。製造現場では、材料ロットの変更や設備の経年劣化によって、新しいタイプの不良が定期的に発生する。「新しい不良が出たら48時間以内に学習データへ追加」というような、具体的な運用ルールを最初から決めておくことが重要だ。

この事例が示す「中小製造業のAI活用」の現実

T精工の事例で特筆すべきは、「AI専門家がいなくても導入できた」という事実だ。田中さんはIT部門の人間ではなく、現場の品質管理担当者だ。プログラミングの知識はゼロ。それでも、ノーコードのクラウドサービスを活用することで、4ヶ月で本稼働にこぎつけた。

2024年現在、製造業向けのノーコードAI検査サービスは急速に充実してきている。初期費用30〜80万円、月額10〜20万円というレンジのサービスが複数存在し、無料トライアルで自社部品の画像を使ったテストができるものも増えた。「AIは大企業だけのもの」という時代は、確実に終わりつつある。

一方で、「導入すれば全部解決する」という過度な期待は禁物だ。T精工の場合も、照明問題・未知の不良パターン・現場の反発という3つの壁にぶつかった。これらは「AIが弱い部分」ではなく、「どんなシステム導入でも起きる、運用設計の問題」だ。技術への投資と同時に、運用フローの設計と現場への丁寧な説明に時間をかけることが、成功の本質だったと田中さんは言う。

「AIを入れれば品質が上がる、ではなくて、AIを正しく使いこなす仕組みを作ることが大事でした。そのための時間と手間を惜しまなかったことが、結果につながったと思っています」

取引先からの「サプライヤー見直し」という通告から約9ヶ月。T精工は今、新たな課題として「AIが判定した良品データを活用した、製造工程の改善」に取り組み始めている。品質検査のAI化は、単なるコスト削減ではなく、データ活用による製造プロセス全体の改善という、次のステージへの入り口でもあった。