現場の勘をAIで可視化する製造業の挑戦
基幹システムが「見えていないもの」とは何か
ERP（統合基幹業務システム）やMES（製造実行システム）は、製造業のデータ管理を劇的に効率化してきました。受注から出荷までの流れ、在庫の動き、設備の稼働状況——こうした「数値化できる情報」を一元管理することで、多くの企業が業務の標準化を実現してきました。
しかし、現場に足を運ぶと、基幹システムだけでは到底カバーできない領域があることに気づきます。それが「暗黙知」と呼ばれる領域です。熟練の職人が素材の手触りで品質を判断する、ベテランのオペレーターが機械音の微妙な変化で異常を察知する——こうした「現場の勘」は、長年の経験によって培われた知識であり、マニュアルや数値には落とし込みにくいものです。
多くの製造業企業がいま直面しているのは、この暗黙知を持つ熟練者の高齢化と退職です。業界全体で見ると、技能継承の失敗がラインの品質低下や不良率の上昇を招くケースが増えているとされています。基幹システムでは解決しないAIシステムの活用が注目を集めているのは、まさにこの文脈においてです。
事例1：金属加工業における「目視検査の勘」のデジタル化
熟練検査員が長年培ってきた「目視検査の勘」をAIで再現しようとした取り組みは、製造業の暗黙知デジタル化の中でも代表的な事例の一つです。
この領域では、画像認識AIを活用するアプローチが一般的です。熟練者が「問題なし」「要確認」「不良」と判断した数千枚の画像をAIに学習させることで、熟練者の判断パターンをモデル化します。重要なのは、単に「合否」を学習させるのではなく、熟練者がどの部位のどのような特徴を見ているのかを丁寧に言語化・タグ付けしてから学習データを作ることです。
このプロセスを経ることで、AIは「なぜその判断をしたのか」を可視化できるようになります。結果として、これまで熟練者しかできなかった検査を、経験の浅い担当者でも一定のレベルで対応できるようになったとされています。また、AIの判断根拠が可視化されることで、熟練者自身も「自分がどこを見ていたのか」を改めて言語化できるという副次効果も報告されています。
事例2：食品製造業における「仕込みの勘」のモデル化
食品製造では、温度・湿度・原材料のロットなど、複数の変数が最終的な品質に影響します。ベテランの職人は長年の経験から「今日の気温と原材料の状態なら、仕込み時間をこう調整する」という複合的な判断を瞬時に行います。しかし、この判断をマニュアルに落とし込もうとしても、条件の組み合わせが膨大すぎて網羅することは困難でした。
こうした課題に対して有効とされているのが、機械学習を用いた「レシピ最適化モデル」の構築です。熟練者の過去の判断ログと、そのときの製品品質データを組み合わせることで、「どの条件のときにどう調整すれば高品質になりやすいか」のパターンをAIが学習します。
注目すべきは、このモデルがERPに蓄積された生産実績データだけでは構築できない点です。基幹システムには「何を作ったか」は残りますが、「なぜその調整をしたか」という文脈は記録されていません。AIによる暗黙知のデジタル化には、現場の判断プロセスそのものを記録・構造化するステップが不可欠です。
事例3：機械部品メーカーにおける「異音診断の勘」の継承
設備保全の領域でも、暗黙知のデジタル化は大きな効果を発揮しています。ベテランの保全担当者は、設備の音や振動のわずかな変化から「そろそろ部品交換が必要」「今すぐ止めないと故障する」といった判断を行います。この能力は、一般的に10年以上の経験を要するとされています。
ここで活用されているのが、センサーと異常検知AIを組み合わせたアプローチです。熟練者が「これは正常」「これは要注意」と判断した際の振動データ・音響データをAIに学習させることで、人間の耳では気づけない微細な変化をリアルタイムで検知できるようになります。
この取り組みがMESやERPでは実現できなかった理由は明確です。基幹システムは「故障した」という事実は記録できますが、「故障に至る前のわずかな兆候」を継続的にモニタリングする機能を持っていないためです。AIによるリアルタイム異常検知は、まさに基幹システムの空白地帯を埋める役割を果たしています。
暗黙知のデジタル化を成功させるための共通点
三つの事例に共通しているのは、「AIを導入すれば自動的に解決する」という発想ではなく、熟練者の知識を丁寧に構造化する工程を重視している点です。具体的には以下のステップが鍵とされています。
- 熟練者へのインタビューと観察：何を、どのタイミングで、なぜ判断しているのかを言語化する
- 学習データの設計：AIが学ぶべき「判断の文脈」を正しく定義する
- 段階的な導入と検証：小さなパイロット（試験導入）から始め、現場の信頼を得ながら拡張する
また、これらの取り組みは投資対効果（ROI）を定量的に示しやすい点も特徴です。不良率の低減、設備の計画外停止の削減、新人の立ち上がり期間の短縮といった形で、導入効果を数値化しやすいため、経営判断としても進めやすい領域といえます。
まとめ
基幹システムが苦手とする「暗黙知の領域」にAIを活用することで、熟練者の勘や経験をデジタル資産として企業に残せる時代になっています。重要なのは、AIを万能の解決策として捉えるのではなく、現場の知識を丁寧に言語化・構造化するプロセスを設計することです。どこから手をつければよいか迷っている場合は、自社の現場が抱える「属人化している判断」を棚卸しするところから始めてみてください。Strategy Design では、こうした暗黙知のデジタル化における戦略設計から実装支援まで、製造業の実態に即したアドバイザリーを提供しています。