「展示会で製造業のAI事例を見て、自社のラインにも使えそうだ」「経営層からDX推進を任されてAI導入を検討している」――そんな状況でIT会社に相談しようとしたとき、何を持っていけばよいか、どう説明すればよいか、迷っていませんか。
実は、製造業のAI開発で最も多い失敗が、IT会社に相談したあとで「お持ちのデータでは学習できません」「データを取り直すところから始めないと先に進めません」と言われ、計画が頓挫することです。AIは「データを渡せば動く」ものではなく、データの量・形式・品質・ラベルの有無によって、そもそも開発に着手できるかが決まります。準備不足のまま相談に行くと、初回打ち合わせがデータの説明だけで終わり、肝心の課題解決の議論まで進めません。
この失敗の根本原因は、製造業特有のデータ事情にあります。PLC（プログラマブルロジックコントローラ）や設備ログは存在しても、ネットワークに接続されていない、メーカーごとに形式がバラバラ、不良品の画像は「現物」しか残っていない、という現場は珍しくありません。AI会社はこうした事情を承知していますが、発注側が自社のデータ環境を把握できていないと、議論が噛み合わないまま時間だけが過ぎてしまいます。
本記事では、中堅製造業の生産技術部門・製造部門の方が、AI会社への相談前に自分で整理しておくべき項目を、チェックリスト10項目としてまとめました。製造業AIの主要ユースケース、必要なデータの種類、PLCや画像データの収集方法、そして相談前に押さえておくべき費用感・期間まで一通り解説します。読み終えた後には「自社のデータはこの形式でここにあります」「予算と期間のイメージはこの程度です」とAI会社に伝えられる状態を目指します。
業種別 AI 活用チェックリスト――製造・物流・医療・飲食・小売向け、自社に最適な AI 活用か判断するための問いかけ集
この資料でわかること
「自社業務に AI を使えるか判断できない」という課題を抱える業種担当者が、本チェックリストを用いることで、自社の業務課題・データ環境・リソースの観点から AI 活用の適否を自己診断できるようにする。
こんな方におすすめです
- 「自社業務にAIが使えるか判断できない」業種担当者
- 「どの業務からAI導入を始めればよいか」迷っている経営者
- 「AI活用の判断軸を持ちたい」DX推進担当者
入力いただいたメールアドレスにPDFをお送りします。
製造業でAIが活用されている主なユースケース
AI会社に相談する前に、まず「自社のどの課題にAIを使うのか」を明確にしておくことが必要です。「AIで何かやりたい」という曖昧な状態で相談に行くと、ヒアリングだけで時間が終わってしまいます。製造業でよく使われるAIのユースケースは、大きく4つに分類できます。
不良品検知（外観検査AI）
製品の表面の傷・色ムラ・欠け・異物混入などを、カメラ画像から自動検知するAIです。これまで人の目で行っていた外観検査を、画像認識AI（ディープラーニング）で置き換えるパターンが多く見られます。
導入効果としては、検査員の負担軽減・検査品質の安定化・24時間稼働への対応などが挙げられます。一方で、不良品の画像データを大量に集める必要があるため、不良率が極端に低い製品（1万個に1個など）では学習データの確保が課題になります。
設備異常検知・予測保全AI
設備に取り付けたセンサー（振動・温度・電流・音）のデータから、故障の予兆を検知するAIです。設備が停止する前に異常を察知することで、計画外の停止時間を削減し、保全コストを最適化できます。
ベアリングの摩耗、モーターの過熱、加工精度の劣化など、検知対象は設備の種類によって異なります。PLCや既存センサーからデータを取得できる環境があるかが、導入のハードルになります。
需要予測・生産最適化AI
過去の出荷実績・受注データ・気象データなどを使い、将来の需要を予測するAIです。予測結果をもとに、生産計画や在庫水準を最適化します。
需要変動の大きい消費財メーカーや、原材料の調達リードタイムが長い業種で効果が出やすいユースケースです。販売管理システム・生産管理システムのデータが整っていることが前提となります。
どのユースケースから始めるべきか
AI導入の経験がない場合、いきなり全社的な需要予測のような大規模案件に取り組むのは避けたほうが無難です。一般的には、効果が見えやすく・データ収集の範囲が限定的な「不良品検知」または「予測保全」から始めるケースが多いです。
特に「特定の1ラインの・特定の1製品の・特定の1種類の不良」というように、対象を絞り込めるテーマが、初回のAI導入には適しています。対象が広がるほど必要なデータ量も増え、PoC（概念実証）の費用も2〜3倍に膨らみます（生成AI受託開発の費用相場2026）。
AI発注前に整理すべきデータの全体像
ユースケースが決まったら、次は「そのAIを開発するために必要なデータが自社にあるか」を確認します。ここでつまずく企業が非常に多く、AI開発の依頼が頓挫する最大の原因となっています。
AI開発に必要なデータの種類と必要量の目安
AI開発に使うデータは、ユースケースによって種類と必要量が変わります。代表的な目安は以下のとおりです。
ユースケース | 主なデータ種別 | 必要量の目安 |
|---|---|---|
不良品検知（外観検査） | 製品の画像（正常品・不良品） | 正常品1,000枚以上、不良品は不良の種類ごとに数百枚 |
設備異常検知・予測保全 | センサーデータ（振動・温度・電流など）の時系列ログ | 数ヶ月〜1年分の連続データ。異常発生時のデータ含む |
需要予測 | 過去の販売実績・在庫・気象等 | 過去3年分以上の月次・週次データ |
生産最適化 | 生産実績・段取り時間・歩留まり | 過去1〜2年分の作業ログ |
重要なのは「不良品のデータがどれくらいあるか」「異常発生時のセンサーデータが残っているか」です。正常時のデータは大量にあっても、AIが学習すべき「異常」のデータが少なすぎる場合、開発が難航します。AI開発に必要な学習データの考え方は、AI学習データの基礎と品質管理もあわせて確認すると、自社のデータ整備の方向性がイメージしやすくなります。
データ形式・保存場所の確認方法
データが存在していても、AI開発に使える形式で保存されているとは限りません。以下のポイントを確認してください。
- 画像データ: JPEG / PNG / TIFF などの一般的な形式か。解像度は十分か（不良の特徴が判別できる解像度が必要）。何の不良かを示すラベル（ファイル名・別表など）があるか
- センサーデータ: CSV / Parquet / データベース等で時系列に保存されているか。サンプリング周期（1秒ごと・1分ごと等）は記録されているか。タイムスタンプは統一されているか
- 保存場所: 各設備のローカルPC・SDカードに残っているのか、サーバーに集約されているのか。担当者が変わるとどこにあるか分からない属人的な状態になっていないか
これらが「製品の現物として倉庫にしかない」「設備のディスプレイで見られるだけで保存されていない」場合、データ収集の仕組み作りからプロジェクトを始めることになります。
データ品質の自己チェック（欠損・ノイズ・ラベルの有無）
データの量と形式が確認できたら、次は品質です。AIの精度は学習データの品質に強く依存します。
- 欠損: 時系列データに記録が抜けている期間はないか。設備停止中・通信障害中のデータはどう扱われているか
- ノイズ: センサーが誤動作した値・明らかな外れ値が混入していないか
- ラベル: 画像データに「これは不良品です」というラベル（正解情報）が付いているか。付いていない場合、誰がどう付けるか
- トレーサビリティ: その画像・データがいつ・どのラインの・どの製品のものか追跡できるか
完璧なデータを揃える必要はありませんが、AI会社に「このデータには欠損が多い」「ラベル付けの作業が必要」と伝えられる状態になっていれば、初回の議論が大きく前進します。
設備・PLCデータの収集と整備
製造業のAI開発で最大のハードルは、設備からのデータ収集です。事務系のシステム開発と違い、製造現場のデータは「物理的な装置から取り出す」という工程が入ります。工場でのAI導入を外注する際は、ここをどう乗り越えるかが大きな論点になります。
PLCデータ収集の基礎（どこに何のデータがあるか）
PLCは製造設備の制御を司る装置で、設備の動作状態・センサー値・アラーム履歴などのデータを保持しています。ただし、これらのデータが「すぐに取り出せる形」で外部に出てくるとは限りません。
PLCデータを収集する際の典型的なパターンは以下のとおりです。
- 既にデータ収集システムがある: SCADA（監視制御システム）やMES（製造実行システム）が導入されており、PLCデータがサーバーに集約されている。この場合、AI開発に必要なデータは比較的取り出しやすい
- PLCはあるがデータ収集していない: 設備は稼働しているが、PLCのデータは制御のためにのみ使われており、外部には出力されていない。IoTゲートウェイ・データロガーの追加導入が必要
- 古い設備でデータ取得が困難: PLC以前の制御装置を使っており、外部通信機能がない。後付けのセンサーで間接的にデータを取る必要がある
自社の設備がどのパターンに該当するかを、設備メーカー名・型式・通信機能の有無とあわせて把握しておくと、AI会社への相談がスムーズになります。
センサーデータ・設備ログの収集ポイント
PLC以外にも、設備の状態を示すデータ源はいくつかあります。
- 既存センサー: 温度計・圧力計・振動計などが設備に標準搭載されている場合、その値を取り出せるかを確認
- 後付けセンサー: 既存設備に追加でセンサーを取り付け、IoTゲートウェイ経由でデータを収集する方式。比較的低コストで導入可能
- 設備ログ: 稼働時間・段取り回数・アラーム履歴などの操作ログ。設備のディスプレイから手動でエクスポートしているケースもある
- 品質検査記録: 完成品検査の結果（合否・寸法・外観）。紙ベースの記録の場合は電子化が必要
これらの情報源と「どこに保存されているか」をリスト化しておくと、AI会社が「どのデータをどう統合するか」の見積もりを出しやすくなります。
画像データの準備（製造 AI 不良品検知の発注に向けて）
外観検査AIを発注する場合、画像データの準備が最大のテーマになります。
- 撮影環境: ライン上で安定して画像を撮影できる照明・カメラ位置が確保できているか。背景や光の条件が変わると、AIの精度が大きく低下する
- 撮影解像度: 検出したい不良の最小サイズが、画像上で判別できる解像度か。一般的には不良が画像上で50〜100ピクセル以上で写っている必要がある
- 正常品・不良品のサンプル: 過去の不良品が現物として残っているか、画像が記録されているか。残っていない場合、これから不良品が出るたびに撮影・保管する必要がある
- ラベル付け体制: 「これは何の不良か」を判定できる検査員がいるか。AIの教師データを作るために、人によるラベル付け作業が必要になる
画像データは、ライン稼働中に撮影できる仕組みを先に作っておくと、AI開発と並行してデータ蓄積が進みます。
データが取れていない場合の対処法
「自社にはAI開発に使えるデータが整っていない」と分かった場合でも、それ自体が失敗ではありません。むしろ、相談前にその事実を把握しておくことが重要です。
データが取れていない場合の選択肢としては、以下があります。
- データ収集フェーズを独立させる: AI開発に先立ち、IoTゲートウェイ導入やデータ収集システム構築を別フェーズとして実施する
- 小規模なPoCで仕組みを試す: 1台の設備・1ラインに限定してデータ収集とAI開発を試し、効果を確認してから全社展開する
- 既存データで代替できないか検討する: 手書き記録・紙の検査票でも、電子化することでAI学習に使えるケースがある
これらの選択肢を頭に入れた上でAI会社に相談すると、「データがないので無理です」ではなく「データ収集フェーズから一緒に設計する」という現実的な進め方を提案してもらえます。
AI会社への相談前チェックリスト10項目
ここまでの内容を踏まえ、AI会社に相談する前に確認しておくべき10項目をチェックリストとしてまとめました。すべてに答えられる必要はありませんが、相談前に自分なりの回答を用意しておくと、初回打ち合わせの質が大きく変わります。
課題定義・目標設定（3項目）
チェック1: 解決したい課題が具体的に1つに絞れているか
「AIで何かやりたい」ではなく、「Aラインの製品Bの外観検査を自動化したい」「設備Cの予測保全をしたい」というレベルまで絞り込めているかを確認してください。複数の課題を同時に解決しようとすると、PoC費用が2〜3倍に膨らみます。
チェック2: 目標とする効果が定量的にイメージできているか
「検査員の工数を月100時間削減」「設備停止時間を年間50時間短縮」のように、数値で効果を語れる状態が理想です。後で投資対効果を判断する基準にもなります。
チェック3: 既存の解決手段（人手・既存システム）の限界を整理しているか
なぜAIなのか、人手や既存システムで対応できない理由を明確にしておくと、AI会社が「本当にAIが最適か」を判断しやすくなります。
データ環境の確認（4項目）
チェック4: 必要なデータの種類が把握できているか
ユースケースに応じて、画像・センサー・PLC・ログのうち何が必要かをリスト化してください。
チェック5: データの量と保存場所が分かっているか
「画像が約3,000枚、生産管理サーバー内のフォルダに保存」「振動センサーの過去6ヶ月分、設備ローカルPC」のように、具体的な数量と保管場所を確認します。
チェック6: データのラベル付け・正解情報の有無を確認しているか
特に画像データでは、「これは不良品です」というラベル付け作業の有無で、開発期間が大きく変わります。
チェック7: データの保護・社外提供に関するルールを把握しているか
製品写真や生産データは機密情報を含む場合があります。AI会社にデータを渡す際の社内規程・NDA（秘密保持契約）の要否を事前に確認しておくと、後の手続きがスムーズです。
社内体制・予算感の確認（3項目）
チェック8: 推進担当者・現場協力者が確保できているか
AI導入はAI会社に丸投げできません。現場の検査員・設備担当者からのデータ提供・ラベル付け・運用テストへの協力が不可欠です。プロジェクト推進担当者と現場協力者を社内で確保できる見通しがあるかを確認してください。
チェック9: 予算感・期間のイメージを持っているか
製造業向けのAI開発では、PoC（概念実証）に300〜500万円、本開発に1,000万円超かかるケースが多いです（生成AI受託開発の費用相場では、PoCで150〜500万円、本格実装で1,500万円〜が中心とされています：生成AI受託開発の費用相場2026）。期間は、データ収集からPoCを経て本番稼働までで6〜12ヶ月が一つの目安です。「いくらまでなら投資できるか」「いつまでに効果を出したいか」を社内で合意しておくと、AI会社からの提案を判断しやすくなります。
チェック10: 補助金・支援制度の活用を検討しているか
製造業のAI導入では、ものづくり補助金（第23次公募・補助上限は事業者の従業員規模および申請枠により750万〜3,500万円、大幅な賃上げ特例の適用時は最大1,000万円上乗せ）・デジタル化・AI導入補助金2026（旧IT導入補助金）・中小企業省力化投資補助金などが活用できます（ものづくり・商業・サービス生産性向上促進補助金 公式サイト、製造業AI・DX向け補助金ガイド2026）。AIを組み込んだ検査装置・自動化ラインの導入にはものづくり補助金、ソフトウェア中心の投資にはデジタル化・AI導入補助金が向いています。補助金申請には数ヶ月の準備期間が必要なため、相談時点で「補助金を使う予定があるか」を伝えておくとスケジュールが組みやすくなります。
まとめ：発注前の準備が成功を左右する
製造業のAI発注で起こりがちな失敗は、「AIで何かやりたい」という曖昧な状態でIT会社に相談に行き、データが整っていないことが判明して計画が頓挫するパターンです。この失敗を防ぐには、相談前に「どのユースケースに取り組むのか」「自社のデータはどの形式でどこにあるのか」「予算と期間のイメージはどの程度か」を整理しておくことが必要です。
本記事で紹介したチェックリスト10項目は、すべてに即答できる必要はありません。むしろ「ここは分かっているが、ここは分からない」と切り分けられている状態が重要です。AI会社は「分からないところを一緒に整理する」相談には対応できますが、「何が分からないのかが分からない」状態では、初回打ち合わせを生産的に進めるのが難しくなります。
特に重視したいのは、データの確認とラベル付けの状況です。製造業AIの開発期間と費用の大半は、データ整備にかかります。AIアルゴリズム自体は既存技術の組み合わせで対応できることが多く、勝負の分かれ目はデータの量と品質、そして現場の協力体制にあります。
チェックリストを使って自社の状況を整理した上で、AI会社への相談に臨んでみてください。「弊社のAラインの外観検査を自動化したい。画像データは月3,000枚、ラベル付けは検査員2名で対応可能、予算はPoCで400万円、ものづくり補助金の活用も検討中」――この程度の情報を初回打ち合わせで提示できれば、AI会社からの提案の精度は格段に上がります。準備不足で空振りに終わる相談ではなく、課題解決に向けた具体的な議論が進む相談へと、変えていくことができます。
業種別 AI 活用チェックリスト――製造・物流・医療・飲食・小売向け、自社に最適な AI 活用か判断するための問いかけ集
この資料でわかること
「自社業務に AI を使えるか判断できない」という課題を抱える業種担当者が、本チェックリストを用いることで、自社の業務課題・データ環境・リソースの観点から AI 活用の適否を自己診断できるようにする。
こんな方におすすめです
- 「自社業務にAIが使えるか判断できない」業種担当者
- 「どの業務からAI導入を始めればよいか」迷っている経営者
- 「AI活用の判断軸を持ちたい」DX推進担当者
入力いただいたメールアドレスにPDFをお送りします。
