製造業の品質検査で最初にAIの効果が見えやすいのは、目視に頼る外観検査です。結論から言えば、AI画像検査は「検査員を置き換える装置」ではなく、不良の見逃しと判定のばらつきを減らし、人の目を最終判断に集中させる仕組みとして設計すべきです。経済産業省等の「2025年版ものづくり白書」は、労働力不足の中で生産性向上へロボット・AI活用が重要だと示しています。白書が引用する調査では、製造工程でAIを導入している企業は12.2%にとどまっており、検査工程はこれから広がる余地の大きい領域です。検査工程は、その具体的な入り口の一つです。

目視検査の属人化が起きる3つの場面

第一に、キズ・打痕・バリ・汚れといった不良の判定基準がベテランの頭の中にあり、写真付きの限度見本が整っていない場面です。第二に、多品種少量生産で製品が切り替わるたびに検査の着眼点が変わる場面。第三に、夜勤や繁忙期など、疲労で見逃しが増える場面です。AI導入の前に、まず不良モードを「形状」「色・汚れ」「欠品・誤組み付け」のように分類し、過去の不良写真と発生工程をひも付けておくことが、学習データの質を決めます。

導入は「1ライン・1不良モード」から始める

成功しやすい進め方は、全ライン一斉導入ではなく、発生頻度が高く写真で判定できる不良モードを1つ選び、既存カメラと照明の条件を固定して試すことです。判定が難しいグレー品はAIが自動で弾くのではなく「要再確認」に回し、最終判定は人が行う運用にすると、現場の抵抗が下がり、誤判定データも集まります。なお、寸法ずれのように画像だけでは判定しにくい不良は、測定器での検査と分担させる前提で対象から外しておくことも重要です。再確認の結果を教師データとして蓄積する流れまで含めて、検査フローとして設計してください。

効果測定は不良流出率と再確認率で見る

効果は「検査時間を何分短縮したか」だけでは測れません。出荷後に発覚した不良流出件数、AIが要再確認に回した割合、検査員ごとの判定一致率の3つを、導入前後で比較することが重要です。流出が減っても再確認率が高すぎれば現場の負荷は減りません。月次でこの3指標を見直し、閾値と学習データを更新する運用担当を決めておくことが定着の条件です。

自社の現場に引きつけた進め方を検討したい方は、本誌の30分無料相談で、対象工程の選び方や進め方の優先順位を一緒に整理できます。まずは現状の課題をお聞かせください。

あわせて読みたい

「製造業の技能継承にAIを使う。ベテランの「勘とコツ」を資産に変える」 https://axdx.aohalab.ai/#/article/16

「技能継承を「記録する」から始める。製造現場でAIを使う前に決める3つのこと」 https://axdx.aohalab.ai/#/article/27

出典：経済産業省・厚生労働省・文部科学省「2025年版ものづくり白書」 https://www.meti.go.jp/report/whitepaper/mono/2025/

本記事で紹介した内容は2026年11月時点の公表情報に基づきます。最新の内容は出典の一次情報をご確認ください。