製造業AI検品システム開発事例｜検査工数85%削減を実現した6ヶ月の記録

「検査員がまた一人辞めてしまう」「繁忙期は検品が追いつかず、ライン全体が止まる」。製造業の現場で品質を守ってきた目視検品が、いま静かに限界を迎えています。熟練検査員の高齢化と採用難が重なり、長年「人の目」に頼ってきた工程が、最も人手を確保しにくいボトルネックになりつつあるのではないでしょうか。

経営会議で「AIで検品を自動化できないか」という議題が上がったものの、いざ調べ始めると壁にぶつかります。展示会やベンダーのパンフレットには成功事例が並んでいるのに、「自社と同じくらいの規模で、いくらかけて、何ヶ月で、どこまで自動化できたのか」という肝心の数字が見当たらない。社内にAIやシステム開発の専任者がいなければ、外注したときの現実像はなおさら描けません。

特に重いのが「精度が出なかったらどうするのか」という不安です。数百万円から一千万円を超える投資を稟議に通そうとしても、「現場で本当に動くのか」「不良の見逃しがなくなる保証はあるのか」と問われたとき、答える材料がない。だからこそ、多くの製造業が「自動化したい」と思いながら最初の一歩を踏み出せずにいます。

本記事では、秋霜堂株式会社が手がけた中小製造業向けのAI品質管理（検品）システム開発事例を、6ヶ月の実装記録として公開します。検品工程の85%を自動化するまでの道のりを、要件定義・教師データ準備・PoC・本番構築・運用定着の各フェーズに分けて、費用感・つまずいたポイント・その対処まで包み隠さず解説します。「自社でもこの順序なら現実的に進められそうだ」と判断できる材料を持ち帰っていただくことが、この記事のゴールです。

なお、本記事で紹介する事例は、依頼企業の機密保持の観点から業種・対象製品・具体的な数値の一部を調整・抽象化しています。費用や期間の相場については公開情報で裏付けの取れる範囲を併記し、読者の皆さまが自社に置き換えて判断できるよう配慮しました。

—Free Download / 資料ダウンロード

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

詳しく見る

フォームから無料ダウンロード

お名前必須

会社名必須

メールアドレス必須

電話番号任意

ご質問・ご要望任意

プライバシーポリシーに同意の上、送信します。ダウンロードする

入力いただいたメールアドレスにPDFをお送りします。

製造業の検品工程が抱える課題とAI品質管理システムの位置づけ

最初に、なぜいま製造業でAI品質管理システム（AI外観検査）が必要とされているのか、本事例の前提とあわせて整理します。「これは自分たちの話だ」と感じていただけるかどうかが、導入判断のスタート地点になります。

目視検品が限界を迎える3つの理由

長年、製造業の品質を支えてきた目視検品ですが、近年その持続可能性が揺らいでいます。理由は大きく3つあります。

1つ目は採用難です。検査は集中力と経験を要する仕事であり、若手の確保が難しくなっています。求人を出しても応募が集まらず、欠員が出るたびに残った検査員へ負荷が集中する悪循環に陥りがちです。

2つ目は高齢化です。品質基準を体で覚えた熟練検査員が定年を迎えると、その判断力ごと現場から失われます。「この微妙なキズは不良か否か」という暗黙知は、マニュアルに書き起こしきれないまま属人化していることが少なくありません。

3つ目は判定の属人化とばらつきです。人の目による検査は、検査員によって、また同じ検査員でも疲労度や時間帯によって判定が揺れます。繁忙期に検査スピードを優先すると見逃し（流出不良）のリスクが高まり、逆に慎重になりすぎると過剰検出で良品まで弾いてしまう。この「ばらつき」こそが、品質保証部門が最も頭を悩ませる課題です。

依頼企業のプロフィールと対象とした検品工程

本事例の依頼企業は、従業員100名規模の中小製造業です。金属・樹脂を中心とした部品を量産しており、出荷前の最終検査を熟練検査員の目視に頼っていました。

対象としたのは、表面のキズ・打痕・異物付着・印字の欠けといった外観上の不良を判別する工程です。製品は1日あたり数千個が流れ、検査員は1個あたり数秒で良品・不良品を判定し続けます。同じ判定を1日に何千回も繰り返す、まさに「人がやるには負荷が高く、機械が得意とする」典型的な工程でした。

繁忙期には検査が追いつかず、検査員の残業と外注検査でしのいでいましたが、これが固定的なコストとして経営を圧迫していました。

AI品質管理システムで「何を・どこまで」自動化する方針を立てたか

ここで重要だったのは、「すべての検査を一気にAI化しよう」とは考えなかったことです。

AI外観検査が得意とするのは、繰り返し発生する明確な不良パターンの判別です。一方で、年に数回しか出ない希少な不良や、官能的な質感の評価などは、現時点でも人の判断が勝る領域があります。

そこで方針を「頻出する外観不良の一次判定をAIに任せ、AIが『不良の疑いあり』と判定したものだけを人が最終確認する」という役割分担に定めました。AIをいきなり完全自動の最終判定者にするのではなく、まず検査員の負荷を最も減らせるところから自動化する。この設計思想が、後の85%自動化と現場定着につながっていきます。

課題の核心｜目視検品が生んでいたコストと品質リスク

AI導入を稟議に通すには、「導入したらいくら得をするか」だけでなく、「導入しなかった場合に、いまどれだけのコストを払い続けているか」を可視化することが欠かせません。本事例でも、最初に現状コストの棚卸しから着手しました。

検品にかかっていた工数と人件費の試算

依頼企業では、最終検査に専任の検査員を複数名配置し、繁忙期にはさらに応援人員と外注検査を追加していました。

検査工程にかかっていたコストを年間で試算すると、専任検査員の人件費に加え、繁忙期の残業代と外注検査費が上乗せされ、無視できない固定費になっていました。さらに見落とせないのが、採用と教育のコストです。検査員が一人前に判定できるようになるまでには数ヶ月の教育期間が必要で、せっかく育てた人材が辞めれば、その投資はゼロからやり直しになります。

つまり、現状維持のコストは「いま払っている人件費」だけではなく、「採用・教育を繰り返し続けるコスト」と「人が確保できないリスク」を含んだものでした。

見逃し（流出不良）が生んでいた手戻り・信頼コスト

もう一つの大きなコストが、見逃し（流出不良）でした。

人の目による検査である以上、一定の確率で不良品が後工程や顧客へ流出します。流出が発覚すると、原因調査・選別・再検査・代替品の手配といった手戻りが発生し、その工数は通常検査の何倍にもなります。さらに深刻なのは、顧客からの信頼低下です。一度「不良が混ざる取引先」と見なされれば、受注そのものを失いかねません。

この「見逃しによる手戻り・信頼コスト」は、普段は数字に表れにくいぶん軽視されがちですが、いざ発生すれば人件費の比ではない損失になります。AI検品は、この判定品質を平準化し、見逃し率を下げるという観点でも投資価値があると判断できました。

現状コストを「人件費」「採用・教育費」「見逃しによる手戻り・信頼コスト」の3つに分解して可視化したことで、依頼企業は「何もしないこと自体がコストである」という共通認識を持つことができ、これが投資判断の起点になりました。

AI品質管理システムの開発アプローチと6ヶ月の実装記録

ここからが本記事の核心です。検品工程の85%自動化に至るまでの6ヶ月を、フェーズごとに時系列で開示します。本事例では、要件定義に約1〜2ヶ月、教師データ準備とPoC（概念実証）に数ヶ月、本番構築・運用テストに残りの期間を充て、構想から運用テストまでをおよそ6ヶ月で進めました。その内訳と、各フェーズで実際に詰まったポイントを順に見ていきます。

要件定義フェーズ｜「何を不良とみなすか」を言語化する

最初の1〜2ヶ月は要件定義に充てました。AI検品プロジェクトで最初に立ちはだかる壁は、技術ではなく「何を不良とみなすか」を言語化する作業です。

熟練検査員は「これは不良」「これは許容範囲」を瞬時に判断できますが、その基準は本人の頭の中にあり、明文化されていません。そこで開発側と現場の検査員、品質保証部門が同じテーブルにつき、不良サンプルを一つずつ見ながら「キズの長さが何ミリ以上なら不良か」「この程度の打痕は出荷可能か」といった判定基準を一つひとつ言葉と数値に落としていきました。

この作業は地味ですが、決定的に重要です。ここが曖昧なままだと、後の教師データ作成で判定がぶれ、AIの精度が一向に上がらないからです。「AIに教える前に、人間同士で基準を揃える」——このフェーズの本質はそこにありました。

教師データ準備フェーズ｜不良品サンプル不足とアノテーションの壁

要件定義と並行して、最も手間がかかったのが教師データの準備です。多くの事例紹介記事が触れないこの工程こそ、AI検品が最初につまずく難所です。

画像でAIに不良を判別させるには、「これが良品」「これが不良品」と正解ラベルを付けた大量の画像（教師データ）を用意し、さらにどこが不良なのかを画像上で囲むアノテーションという作業が必要になります。ここで2つの壁にぶつかりました。

1つ目は不良品サンプルの不足です。品質管理が行き届いた現場ほど、不良品は滅多に出ません。「AIに学習させるための不良品が、そもそも手元に十分ない」という、皮肉な問題です。本事例では、過去に発生した不良品を可能な限り収集しつつ、不足分は撮影条件を変えて補い、さらに「良品だけを大量に学習させ、そこから外れたものを異常として検出する」アプローチも併用しました。不良サンプルが集まりにくい現場では、良品データを中心に異常を検出する手法が現実的な選択肢になります。

2つ目はアノテーションの判定揃えです。複数の担当者で画像にラベルを付けていくと、「この微妙なキズを不良として囲むかどうか」で判断が分かれます。要件定義で決めた基準を都度参照し、判断が割れたサンプルは現場の検査員に確認しながら、ラベルの一貫性を担保していきました。この一貫性が崩れると、AIは「何が不良か」を学習できません。

PoCフェーズ｜過検出をどう減らし精度を上げたか

教師データがある程度整った段階で、PoC（概念実証）として小規模にモデルを構築し、本当に実用に足る精度が出るかを検証しました。

最初のモデルで顕著だったのが過検出（過剰検出）です。良品まで「不良の疑いあり」と判定してしまい、人による最終確認の手間がかえって増えてしまう状態でした。見逃し（不良を良品と判定する）を防ぐことを優先すると、どうしても過検出は増えがちです。

そこで、過検出されたサンプルを一つずつ分析し、「どういう特徴を不良と誤認しているか」を突き止めて教師データを追加・補正するサイクルを繰り返しました。たとえば、製品表面の正常な模様や、撮影時の光の反射を不良と誤認していたケースには、その状況の良品画像を追加で学習させて区別できるようにしました。「見逃しを許容ラインまで下げつつ、過検出を実用的な水準まで減らす」という精度のバランス調整が、このフェーズの主戦場でした。

PoCで「現場の運用に耐える精度が出る」という見通しが立ったことで、初めて本番システムへの投資判断ができました。いきなり本番システムを作るのではなく、PoCで精度を見極めてから進む——この順序が、投資リスクを抑える鍵です。

本番構築・運用テストフェーズ｜製造ラインへの組み込みと現場定着

精度の見通しが立った後の数ヶ月で、本番システムの構築と製造ラインへの組み込み、運用テストを行いました。

このフェーズでは、AIモデルそのものよりもライン全体との統合に手間がかかりました。製品を一定の条件で撮影するためのカメラと照明の設置、AIの判定結果を検査員へ表示する画面、不良と判定された製品を仕分ける仕組み。これらを既存の製造ラインに組み込み、現場の作業フローを止めないように設計する必要がありました。

運用テストでは、実際のラインで一定期間AIと人が並行して判定し、AIの判定が現場の感覚とどれだけ一致するかを確認しました。ここで現場の検査員から上がった違和感を一つずつ拾い、運用ルールやモデルを微調整していったことが、後の定着につながりました。AIを「導入して終わり」にせず、現場と一緒に育てる期間として運用テストを位置づけたことが重要でした。

導入成果｜検品工程85%自動化と投資回収の見通し

6ヶ月の実装を経て、依頼企業の検品工程はどう変わったのか。定量・定性の両面と、費用感・投資回収の見通しを整理します。

定量効果｜自動化率・工数・品質の数値改善

最も大きな成果は、検品工程の約85%をAIによる一次判定でカバーできるようになったことです。AIが「明らかな良品」を高い精度で振り分けるため、人による確認が必要なのは「AIが不良の疑いありと判定したもの」と「判断が難しいもの」だけになりました。

これにより、検査員が1つひとつすべての製品を目視する必要がなくなり、検査にかかる人の工数が大幅に削減されました。繁忙期に常態化していた残業と外注検査も、AIが一次判定を担うことで圧縮できました。さらに、AIは疲労や時間帯による判定のばらつきがないため、判定品質が平準化され、見逃し（流出不良）のリスク低減にも寄与しました。

「自動化率85%」という数字は、裏を返せば「残り15%は人が担う」という意味でもあります。これは欠点ではなく、AIが苦手な希少不良や難判定を人に残す、現実的で安全な設計の結果です。

定性効果｜現場の働き方と品質意識の変化

数字に表れにくい変化も見逃せません。

1つは、検査員の役割が「全数を見る単純作業」から「AIの判定を確認し、難しいものを判断する業務」へシフトしたことです。集中力を消耗する単調な目視から解放され、検査員はより付加価値の高い判断業務に時間を使えるようになりました。

もう1つは、品質基準が組織の資産になったことです。要件定義フェーズで「何を不良とみなすか」を言語化したことにより、これまで熟練検査員の頭の中にしかなかった判定基準が、明文化され、AIにも新人にも共有可能なかたちになりました。属人化していた品質判断が、組織として再現できる仕組みに変わったのです。

費用感と投資回収の見通し（相場との比較）

最も気になる費用について、相場と照らして見通しを示します。

AI外観検査システムの導入費用は規模によって大きく幅があります。公開されている費用ガイドによれば、ソフトウェア中心の小規模システムで20万〜80万円程度、カメラ・照明・搬送装置まで含めて製造ラインに統合する大規模システムでは2,000万〜3,000万円以上が一つの目安とされ、クラウド型の場合は月額10万〜100万円程度の運用費がかかるケースもあります（NTTコミュニケーションズ 外観検査AIソフト導入ガイド）。同じ「AI検品」でも、ソフト単体の試験導入なのか、ラインへの本格統合なのかで費用は二桁近く変わるため、自社がどの規模を目指すのかを最初に見極めることが重要です。これに加えて、教師データの収集・アノテーションといった準備工数が別途かかる点は、前述のとおり見落とされがちな費用です。

投資回収の考え方はシンプルです。「現状維持のコスト（人件費＋採用・教育費＋見逃しによる手戻り・信頼コスト）」と「導入後に削減できるコスト」を比較し、何年で投資を回収できるかを試算します。本事例のように1日数千個・1日に何千回も同じ判定を繰り返す工程では、削減効果が大きく、現実的な期間での回収が見込めました。

なお、中小企業の場合は補助金の活用も検討に値します。中小企業庁の「デジタル化・AI導入補助金2026」など、AIを含むITツール導入を支援する制度があり、条件次第で導入費用の一部補助を受けられる可能性があります（中小企業庁 デジタル化・AI導入補助金2026）。初期投資のハードルを下げる手段として、稟議の材料に加えておく価値があります。

振り返り｜うまくいったことと想定外だったこと

最後に、このプロジェクトを通じて「うまくいった要因」と「想定外だった課題とその対処」を正直に振り返ります。失敗も含めて開示するのは、読者の皆さまが自社で再現する際のリスクを見積もる材料にしていただくためです。

うまくいった要因｜現場を巻き込んだスモールスタート

最大の成功要因は、現場の検査員を最初から巻き込んだことでした。

要件定義の段階で「何を不良とみなすか」を現場と一緒に言語化し、PoCや運用テストでも検査員の違和感を都度拾って反映しました。これにより、AIは「上から押し付けられたもの」ではなく「自分たちが育てたもの」という当事者意識が現場に生まれ、定着がスムーズになりました。AI検品の成否は、技術の精度以上に「現場が使いこなせるか」にかかっています。

もう一つは、スモールスタートに徹したことです。全工程を一気に自動化しようとせず、効果が最も大きく、かつ不良パターンが明確な工程に絞って始めました。小さく始めて成果を出し、その実績をもとに対象を広げる。この進め方が、投資リスクを抑えながら社内の合意形成を進めるうえで有効でした。

想定外だったこと｜撮影環境と運用定着の壁、その対処

一方で、想定外の課題もありました。

1つ目は撮影環境による精度のばらつきです。AI外観検査の精度は、製品をどう撮影するか——照明の当て方、撮影角度、カメラの位置——に大きく左右されます。当初の設置条件では、時間帯による外光の変化や製品の置き方のわずかなずれで判定が不安定になりました。これに対しては、照明を安定させ、撮影角度を最適化する調整を繰り返しました。「AIモデルの問題」に見えた精度のばらつきが、実は「撮影環境の問題」だったというのは、画像系AIで頻繁に起こることです。AI検品では、モデル開発と同じくらい撮影環境の設計が重要になります。

2つ目は運用ルール未整備による定着の遅れです。システムが完成しても、「AIが不良の疑いありと判定したものを誰がどう確認するか」「AIの判定が現場の感覚と食い違ったとき、どちらを優先するか」といった運用ルールが曖昧なままだと、現場は迷い、結局は従来どおりの全数目視に戻りがちです。本事例でも初期はここでつまずきましたが、AIと人の役割分担・確認フロー・例外時の対応を明文化し、現場に浸透させることで定着が進みました。

これらの経験から得た学びは明確です。AI検品プロジェクトの成否は、AIモデルの精度だけでなく、「撮影環境の設計」と「運用ルールの整備」という、一見地味な要素に大きく左右されるということです。次に同種のプロジェクトを手がけるなら、この2点をプロジェクト初期から重点的に設計します。

自社でAI品質管理システム導入を検討する製造業へ

ここまで読んで、「自社でも導入できるのか」「何から始めればいいのか」と考えている方へ、判断の手がかりをお伝えします。

AI品質管理システムの投資が回収できる企業の条件

AI検品はどんな現場にも効くわけではありません。投資が回収しやすいのは、次のような条件に当てはまる工程です。

• 同じ判定を高頻度で繰り返している：1日に何百〜何千回も同種の良品・不良品判定を行っている工程は、自動化の効果が大きく出ます。
• 目視検品が属人化している：熟練検査員の暗黙知に依存し、人が辞めると品質判断が失われるリスクを抱えている。
• 不良パターンがある程度明確：「キズ」「打痕」「異物」など、判別すべき不良の種類が整理できる。
• 見逃し（流出不良）のコストが大きい：流出すると手戻りや信頼低下の損失が大きく、判定品質の平準化に価値がある。

逆に、不良の発生が極めて稀で判定が官能的・属人的すぎる工程や、判定回数自体が少ない工程では、投資回収が難しい場合があります。まずは自社の検品工程がこれらの条件にどれだけ当てはまるかを確認することが、検討の第一歩になります。

失敗しないための第一歩｜スモールスタートとPoCの進め方

条件に当てはまりそうなら、いきなり全工程の自動化や大規模なシステム構築に進む必要はありません。むしろ、それは失敗の典型パターンです。

おすすめは、本事例でも有効だったスモールスタートです。具体的には、次の順序で進めるとリスクを抑えられます。

1. 対象工程を1つに絞る：効果が大きく、不良パターンが明確な工程を選ぶ。
2. 判定基準を言語化する：現場・品質保証部門と「何を不良とみなすか」を揃える。これは社内だけでも着手できます。
3. PoC（小規模検証）で精度を見極める：本番システムに投資する前に、小さく作って「実用に足る精度が出るか」を確認する。
4. 成果をもとに対象を広げる：1工程で成果が出たら、その実績を社内合意の材料にして横展開する。

この順序であれば、最初から大きな投資を決断する必要がなく、各段階で「次に進むか」を判断できます。「AIで検品を自動化できないか」と問われたとき、いきなり完成形を描いて立ち止まるのではなく、「まず1工程・判定基準の言語化・小さなPoCから始める」と道筋を示せれば、それが社内提案の確かな第一歩になります。

製造業の品質管理におけるAI活用は、いまや一部の大企業だけのものではなくなりました。自社の検品工程と向き合い、小さく始めることが、人手不足の時代に品質を守り続けるための現実的な選択肢になっています。