Tech Blog
製造業のAI導入は、なぜ「言葉のズレ」で止まるのか
はじめに
株式会社羽石産業知能研究所（HIII）の船橋です。
製造業のAI導入についてご相談をいただく中で、非常によく起きる問題があります。
それは、データが足りないことでも、AIモデルの性能が低いことでもありません。
もっと手前にある問題です。
社内で使っている言葉の意味が、部署や担当者によって少しずつ違っている。
このズレが、AI導入を想像以上に難しくします。
たとえば、同じ「不良」という言葉でも、製造現場、品質保証、営業、経営層では意味が異なることがあります。
現場にとっての不良は「工程上、次に流せないもの」かもしれません。
品質保証にとっての不良は「出荷基準を満たさないもの」かもしれません。
営業にとっての不良は「顧客クレームにつながるもの」かもしれません。
経営層にとっての不良は「利益を圧迫する損失要因」かもしれません。
どれも間違いではありません。
しかし、AIに学習させるときには、この違いが大きな問題になります。
AIは、人間のように「文脈でなんとなく察する」ことができません。
AIは、与えられた定義、ラベル、入力項目、出力基準に従って学習します。
つまり、社内の言葉が揃っていない状態でAIを導入すると、AIは現場の知識を学習しているように見えて、実際には社内の認識のズレを学習してしまうのです。
AIは、曖昧な言葉をそのまま学習してしまう
AI導入というと、多くの場合、最初に話題になるのはデータです。
「どんなデータがありますか」
「どれくらい蓄積されていますか」
「画像ですか、数値ですか、帳票ですか」
「ラベルは付いていますか」
もちろん、これらは重要です。
しかし、その前に確認すべきことがあります。
それは、そのデータに付いている言葉の意味が、社内で一致しているかです。
たとえば、検査データに「NG」と書かれていたとします。
このNGは、何を意味しているのでしょうか。
再加工すれば使えるNGなのか。
完全に廃棄すべきNGなのか。
社内基準ではNGだが、顧客基準では許容されるNGなのか。
担当者が迷った末に安全側でNGにしたものなのか。
一時的な設備不調によって発生したNGなのか。
同じ「NG」というラベルでも、その背景は大きく異なります。
人間は、その違いを会話や経験で補えます。
しかし、AIは補えません。
AIにとって、同じラベルは同じ意味として扱われます。
その結果、現場では使えないモデルができてしまうことがあります。
以前の記事『「AIを導入したい」から始めると、なぜ失敗するのか』では、AIそのものを目的にするのではなく、解決すべき課題を明確にすることが重要だと書きました。
今回の記事では、そのさらに手前にある問題として、課題を表す言葉そのものをどう揃えるかについて考えます。
同じ言葉を使っていても、同じものを見ているとは限らない
製造業の現場では、部署ごとに見ている世界が違います。
製造部門は、ラインが止まらないことを重視します。
品質保証部門は、基準を満たすことを重視します。
生産管理部門は、納期と在庫のバランスを重視します。
営業部門は、顧客との約束やクレームリスクを重視します。
経営層は、利益、投資対効果、将来性を重視します。
そのため、同じ言葉を使っていても、実は違うものを指していることがあります。
たとえば「在庫が多い」という言葉があります。
製造現場から見れば、在庫が多いことは安心材料かもしれません。
営業から見れば、急な注文に対応できる余力かもしれません。
経理から見れば、資金が寝ている状態かもしれません。
倉庫から見れば、保管スペースを圧迫する問題かもしれません。
この状態で「在庫最適化AIを作りたい」と言っても、何を最適化するのかが定まりません。
欠品を減らしたいのか。
在庫金額を減らしたいのか。
保管スペースを空けたいのか。
納期遅延を減らしたいのか。
発注担当者の判断負荷を下げたいのか。
目的が違えば、必要なデータも、モデルの設計も、評価指標も変わります。
AI導入の難しさは、ここにあります。
技術的には高度なモデルを作れても、何を正解とするのかが社内で揃っていなければ、AIは現場に定着しません。
「データの質」とは、単にきれいなデータのことではない
AI導入でよく使われる言葉に「データの質」があります。
しかし、この言葉も注意が必要です。
データの質というと、欠損値が少ない、形式が揃っている、入力ミスが少ない、といった技術的な品質を想像しがちです。
もちろん、それも重要です。
しかし、製造業のAI導入におけるデータの質は、それだけではありません。
より重要なのは、そのデータが現場の意味を正しく表しているかです。
たとえば、ある部品の納期遅延データがあるとします。
そこに「遅延あり」と記録されていても、その理由が分からなければ、AIにとっては扱いづらいデータになります。
材料の入荷遅れなのか。
設備トラブルなのか。
人員不足なのか。
設計変更なのか。
顧客側の仕様確定遅れなのか。
単なる入力忘れなのか。
理由が違えば、対策も違います。
にもかかわらず、すべてが「遅延あり」という同じラベルで記録されていると、AIはその違いを学習できません。
これは、データ量の問題ではありません。
むしろ、大量にデータがあっても、意味の粒度が粗すぎれば、AIは本質的な因果や傾向を捉えにくくなります。
以前の記事『〖製造現場のAI実装〗需要予測モデルが現場で機能しない本当の理由と、予測精度を科学的に向上させる技術的アプローチ』では、需要予測モデルが現場で乖離する原因として、データパイプラインや運用設計の重要性が扱われています。
本記事で扱っている「言葉の定義」も、広い意味ではデータパイプラインの一部です。
なぜなら、AIに入るデータは、現場の言葉によって切り取られているからです。
AIが苦手なのは、曖昧さそのものではなく、曖昧さが放置された状態である
ここで誤解してはいけないのは、AI導入のために、すべての言葉を最初から完璧に定義しなければならないわけではない、ということです。
現場には曖昧さがあります。
それは当然です。
むしろ、製造現場の高度な判断は、曖昧な状況の中で行われています。
問題は、曖昧さがあることではありません。
問題は、曖昧さが曖昧なまま放置され、誰も整理しないままAIに渡されることです。
たとえば、外観検査で「微妙な傷」という表現が使われることがあります。
この言葉自体は悪くありません。
現場では非常に自然な言葉です。
しかし、AIに使う場合には、もう少し分解する必要があります。
傷の長さなのか。
深さなのか。
位置なのか。
光の当たり方による見え方なのか。
顧客ごとの許容基準なのか。
過去のクレームとの類似度なのか。
このように、現場の曖昧な言葉を否定するのではなく、AIが扱える単位に分解していくことが重要です。
ここで必要なのは、現場の言葉を機械的に置き換えることではありません。
現場の言葉を尊重しながら、その背後にある判断構造を整理することです。
用語のズレは、心理的な抵抗も生む
言葉のズレは、技術的な問題であると同時に、心理的な問題でもあります。
AI導入の場面では、現場の方が次のように感じることがあります。
「自分たちの仕事を分かっていない人が、勝手にシステムを作ろうとしている」
「現場の言葉が通じない」
「結局、入力作業だけ増えるのではないか」
「AIに合わせて、こちらが無理に変えさせられるのではないか」
この感覚が生まれると、AI導入は進みにくくなります。
どれほど技術的に優れたシステムでも、現場が「これは自分たちのためのものではない」と感じた瞬間、使われなくなります。
逆に、現場の言葉を丁寧に聞き取り、それを整理しながら設計に反映すると、心理的な抵抗は大きく下がります。
「自分たちの判断を理解しようとしてくれている」
「現場の感覚を無視していない」
「このAIは、こちらを管理するためではなく、仕事を楽にするためのものだ」
そう感じてもらえることが、AI導入では非常に重要です。
以前の記事『なぜ、AIのPoCは「成功」しても、現場に定着しないのか』では、PoC段階での成功と、実際の現場定着の間には大きなギャップがあることが述べられています。
そのギャップの一部は、技術ではなく、言葉と認識のズレから生まれます。
AI導入前に整理すべき3つの言葉
では、AI導入を進める前に、どのような言葉を整理すべきなのでしょうか。
大きく分けると、3つあります。
1つ目は,対象を表す言葉です。
たとえば、製品、部品、工程、ロット、案件、注文、設備、異常、不良、在庫などです。
これらの言葉が、どの単位を指しているのかを揃える必要があります。
「部品」と言ったときに、図面上の部品なのか、発注単位なのか、在庫管理上の品目なのか、製造工程上の投入単位なのか。
ここがズレると、データの結合が難しくなります。
2つ目は、状態を表す言葉です。
正常、異常、遅延、欠品、過剰、良品、不良、保留、再検査、要確認などです。
これらはAIのラベルになりやすい言葉です。
だからこそ、定義が曖昧なままだと、モデルの学習結果も曖昧になります。
3つ目は、判断を表す言葉です。
優先度が高い、リスクがある、注意が必要、緊急、許容範囲、微妙、怪しい、問題なし、要対応などです。
これらは、現場の暗黙知が最も強く表れる言葉です。
AI導入で本当に価値があるのは、こうした判断語の背後にある基準を整理することです。
「言葉の辞書」を作るだけでは足りない
ここで、「では用語集を作ればよいのか」と考える方もいるかもしれません。
もちろん、用語集は有効です。
しかし、AI導入においては、単なる用語集だけでは不十分です。
必要なのは、業務とデータに紐づいた言葉の設計です。
たとえば、「不良」という言葉を定義するだけではなく、
どの工程で発生した不良なのか。
誰が判断した不良なのか。
どの基準に基づく不良なのか。
再加工可能なのか。
廃棄なのか。
顧客影響があるのか。
後工程で検出されたのか。
出荷後に発覚したのか。
こうした情報とセットで定義しなければ、AIには使いにくいデータになります。
つまり、AI導入で必要なのは、静的な用語集ではなく、判断とデータ構造に接続された業務辞書です。
この業務辞書があると、AI開発は一気に進めやすくなります。
なぜなら、データ項目の意味、ラベルの意味、出力結果の意味が明確になるからです。
スマートファクトリーも、最初は「言葉の整理」から始まる
スマートファクトリーという言葉があります。
IoT、センサー、AI、ロボット、デジタルツイン、予測制御。
こうした技術を組み合わせ、工場全体を高度に最適化していく構想です。
しかし、ここでも最初に必要なのは、華やかな技術ではありません。
まず必要なのは、現場で起きていることを、同じ意味で記録できる状態にすることです。
設備停止とは何か。
チョコ停とは何か。
段取り替え時間はどこからどこまでか。
稼働率はどの定義で計算するのか。
不良率の母数は何か。
生産能力は理論値なのか、実績値なのか。
これらが曖昧なままセンサーやAIを入れても、見える化された数字の解釈が部署ごとに変わってしまいます。
以前の記事『スマートファクトリーとは何か｜「見える化」で終わらせないための基礎知識』では、単なる見える化で終わらせず、現場改善につなげることの重要性が扱われています。
その前提として、見える化された数字をどう読むのか、言葉と定義を揃えることが欠かせません。
AI導入の最初の一歩は、現場ヒアリングではなく「言葉の棚卸し」である
AI導入の初期段階では、現場ヒアリングが行われることが多いです。
これは非常に重要です。
しかし、単に困りごとを聞くだけでは不十分です。
本当に必要なのは、現場で使われている言葉を棚卸しすることです。
どの言葉が頻繁に使われているのか。
部署ごとに意味が違う言葉は何か。
判断の境界線になっている言葉は何か。
データ項目として残っている言葉は何か。
口頭では使われるが、記録には残らない言葉は何か。
AIに渡するには粒度が粗すぎる言葉は何か。
この整理を行うことで、AI導入の対象が明確になります。
たとえば、「異常検知AIを作りたい」という相談があったとしても、最初に確認すべきなのは、異常検知モデルの種類ではありません。
まず確認すべきなのは、
「異常とは何か」
「誰が異常と判断しているのか」
「異常の種類は分かれているのか」
「異常の原因は記録されているのか」
「異常の前兆はどのような言葉で表現されているのか」
という点です。
この整理ができてはじめて、AIモデルの設計に進むことができます。
おわりに：AIは、現場の言葉を無視して賢くなることはできない
AI導入では、どうしても最新モデルや高度なアルゴリズムに目が向きがちです。
しかし、製造業においてAIを本当に現場で使えるものにするためには、もっと地味で、もっと本質的な作業が必要です。
それが、現場の言葉を整えることです。
同じ「不良」という言葉で、同じものを見ているか。
同じ「在庫」という言葉で、同じ単位を指しているか。
同じ「異常」という言葉で、同じ状態を想定しているか。
同じ「最適化」という言葉で、同じゴールを目指しているか。
ここが揃っていなければ、AIは現場に根づきません。
逆に、言葉が揃えば、データの意味が揃います。
データの意味が揃えば、AIが学習すべき対象が明確になります。
AIが学習すべき対象が明確になれば、現場で使えるシステムに近づきます。
AI導入の第一歩は、モデル選定ではありません。
データ収集でもありません。
まずは、現場の言葉を見直すことです。
HIIIでは、AIモデルの開発だけでなく、現場の課題、業務フロー、データ構造、判断基準を整理し、AIが学習できる形に変換するところから支援しています。
「データはあるのに、AI活用が進まない」
「部署ごとに言っていることが違う」
「現場の判断をうまくシステム化できない」
そうした課題の背景には、技術以前に、言葉のズレが隠れているかもしれません。
AIを導入する前に、まず現場の言葉を揃える。
それが、製造業AIの実装を前に進める、最も確実な一歩です。
関連記事
▸ HIII Tech Blog / 「AIを導入したい」から始めると、なぜ失敗するのか
→ 本記事で述べたように、AI導入では最初に「何を解決したいのか」を明確にする必要があります。
▸ HIII Tech Blog / 【製造現場のAI実装】需要予測モデルが現場で機能しない本当の理由と、予測精度を科学的に向上させる技術的アプローチ
→ データパイプラインや運用設計の観点から、AIが現場で機能しない理由をより技術的に掘り下げています。
▸ HIII Tech Blog / なぜ、AIのPoCは「成功」しても、現場に定着しないのか
→ PoC後に現場で使われなくなる理由を、導入設計と運用定着の観点から整理しています。
▸ HIII Tech Blog / スマートファクトリーとは何か｜「見える化」で終わらせないための基礎知識
→ 工場の見える化を、単なるデータ表示で終わらせないための基本的な考え方を解説しています。