製造業の歩留まり改善向け｜AIで不良分析と予防保全を設計する【2026年版】

不良の数字を、AIで「次の一手」に変える

製造業の現場で歩留まり改善やAI活用を考えるとき、最初に押さえたいのは「AIは熟練の技術者の代わりではなく、現場を支える裏方だ」という立ち位置です。不良がなぜ出たのかの最終判断も、設備をどう直すかの意思決定も、これまでどおり人が担います。AIが引き受けるのは、散らばった不良・歩留まりの数字を整理して傾向を見える形にすること、原因の仮説を洗い出す手伝い、点検記録から予兆に気づく手がかりを示すことといった、件数が多く骨の折れる裏方仕事です。小さな工場ほど一人何役で動いており、この「数字をかき集めて見比べる作業」に追われて、肝心の改善や設備の手入れに割く時間が削られがちです。AIは、その時間を取り戻すための道具だと考えると、距離が縮まります。

歩留まりとは、投入した材料や加工した数に対して、不良なく良品として仕上がった割合のことです。この数字がわずかに下がるだけでも、材料の無駄や手直しの工数が積み重なり、利益を静かに削っていきます。ところが、不良の数や歩留まりの記録は、いまも多くの現場で紙の日報やチェックシート、担当者の頭の中にとどまり、後から「どの品目の、どの工程で、いつ不良が多かったか」を振り返るのに手間がかかります。記録がそろっていても、見渡せる形になっていなければ、改善はどうしても勘と経験の当てずっぽうになりがちです。AIを使って記録を整え、傾向を見える形にすることは、現場に積もった数字を「次の一手」に活かせる材料へと変える第一歩になります。

本記事では、横浜・川崎の中小の製造業を念頭に、自社の製造ライン内の歩留まり改善・不良率低減・予防保全に絞ったAI活用を、「①不良・歩留まりデータの整理と見える化」「②不良原因の仮説出しの補助」「③点検・保全記録の整理と予兆の気づき」の3本柱で整理します。あわせて、AIに任せてよい範囲と、技術者・品質担当（人）が担うべき原因判断・設備対応の線引きを、はっきり言葉にしておきます。なお、本記事で触れる進め方や費用感は、調査と実務知見をもとにした「目安」であり、効果は工場の規模や扱う製品によって変わる点を、あらかじめお断りしておきます。生産計画や在庫管理など製造の全体最適については別途整理しており、本記事はあくまで「自社ラインの中で出る不良と設備の不調」に主眼を置いて読み進めてください。

目次

歩留まり改善のAI活用、全体像と3つの柱

まず、自社ラインの歩留まり改善に向けたAI活用を「3つの柱」として整理します。一度にすべてを変える必要はありません。自社のいちばんの困りごとに近いところから手をつければ十分です。3つは独立した取り組みでありながら、つなげると「数字を見る・原因を探る・設備を守る」という改善の営みを一本の流れで支える設計になります。

出典：自社製造ラインの歩留まり改善でAIが支えやすい役割を、本ブログの実務知見と現場改善の基礎をふまえて整理した。原因判断・設備対応は人が担う領域として併記。

この3本柱を貫く考え方は、「整理と気づきはAI、原因判断と対応は人」というシンプルな線引きです。製造ラインの不良は、材料のばらつき、温度や湿度、設備の摩耗、段取りや作業のわずかな違いなど、いくつもの要素が複雑に絡んで起きます。何が本当の原因かを見極め、設備をどう手当てするかを決めるのは、現場で経験を積んだ技術者・品質担当の領分です。AIはここに踏み込みません。AIが力を発揮するのは、数字を整え、傾向を見渡し、関連しそうな条件を洗い出す裏方の仕事です。これはいわば、現場に整理整頓の上手な助手を一人増やすようなもので、職人の判断はそのままに、散らかった材料を見やすく並べてくれるイメージです。

もう一つ、全体像で押さえたいのが順番です。いきなり高度な分析を入れる前に、まず「いまある不良・歩留まり・点検の記録が、どこにどんな形であるか」を、手元の日報やチェックシートから把握することが先決です。AIは、見渡すべき材料がなければ何も教えてくれません。料理にたとえれば、ためてきた現場の記録は食材であり、AIは下ごしらえの道具です。良い食材がそろってこそ、道具が活きます。次の章から、3つの柱を一つずつ見ていきましょう。

不良・歩留まりデータを整理して傾向を見える化する

3つの柱のなかで、改善の足腰を支えるのが、このデータの見える化です。不良の数、歩留まりの推移、手直しの件数、ロットごとのばらつき——歩留まり改善は、毎日の細かな数字の積み重ねの上に成り立っています。ところが多くの現場では、これらが紙の日報やチェックシート、表計算ファイル、あるいはベテランの記憶にとどまり、後から横断して振り返りにくい状態になりがちです。

散らばった数字を、品目・工程・時間帯で並べ直す

AI活用の出発点は、不良と歩留まりの記録を一カ所に集め、品目・工程・時間帯・ロットといった切り口で並べ直すことです。すると、「特定のラインで午後に不良が増える」「この材料ロットのときだけ歩留まりが落ちる」「月初に手直しが集中する」といった傾向が、おぼろげだった感覚から、見える形に変わります。AIは、ためた数字を集計・要約したり、似たパターンを示す日や品目をまとめたりする手助けをします。これは、現場じゅうの日報を一枚ずつ突き合わせる代わりに、知りたい切り口の集計だけをそっと差し出してくれる集計係がそばにいるようなものです。

数字を見える化する価値は、単なる集計の便利さにとどまりません。最大の意義は、改善の優先順位を、勘ではなく数字で決められるようになることにあります。不良は、あちこちで少しずつ出ているように見えても、整理してみると「実は全体の不良の大半が、特定の工程と品目に集中している」というケースが少なくありません。どこから手をつければ効果が大きいかが見えれば、限られた人手と時間を、効きやすいところに集中させられます。これは、散らかった部屋を闇雲に片付けるのではなく、いちばん散らかっている一角から手をつけるようなもので、同じ労力でも成果が大きく変わります。

数字を集めること自体は目的ではない

ここで一つ、はき違えたくない点があります。数字を集めることそのものが目的ではなく、次の改善に活かせる形にすることが目的だということです。やみくもに記録項目を増やして入力の手間ばかり増えれば、現場は疲弊し、記録は形骸化します。まずは「振り返ったときに役立つ最小限の項目」から始め、AIに集計や要約を任せて入力以外の負担を減らす——この順番が、無理のない定着につながります。数字は、集めること自体ではなく、引き出して改善に使えてはじめて価値を持ちます。生産管理の全体像のなかでの記録活用の位置づけは、中小製造業の生産管理AI活用でも整理していますので、あわせてご覧ください。本記事の「自社ライン内の歩留まり」という視点と、生産全体の視点が補い合うはずです。

不良原因の仮説出しをAIで補助する

2つ目の柱は、不良原因の仮説出しの補助です。傾向が見えたら、次に知りたいのは「なぜその不良が起きているのか」です。ここでAIは、過去の記録から「この不良と一緒に起きやすかった条件」を洗い出し、現場が確かめるべき候補を示してくれます。あくまで原因そのものを言い当てるのではなく、検証の出発点となる仮説を並べる手伝いです。

「一緒に起きやすい条件」を記録から拾い出す

不良が増えた日や、歩留まりが落ちたロットについて、AIに記録を当たってもらいましょう。すると、「その不良は、特定の材料ロットや、特定の時間帯、特定の段取り替えの後と重なって起きやすい」といった、人が一枚ずつ日報をめくっていては気づきにくいつながりが、候補として浮かび上がることがあります。これは、長年の勘で「たぶんあの材料が怪しい」と感じていたことを、記録の裏づけとともに確かめる作業に近いものです。勘を否定するのではなく、勘に根拠を添えて、若い技術者とも共有できる形にするのが狙いです。多くの要素のなかから、まず確かめるべき候補を絞り込めれば、改善のあてずっぽうがぐっと減ります。

ただし、ここには製造現場で最も大切な注意があります。AIが示すのは「相関（一緒に起きやすい）」であって「因果（それが原因で起きる）」ではない、ということです。たとえば「不良が多い日はいつも残業も多かった」としても、残業が不良の原因とは限りません。繁忙で生産量が多い日は、不良も残業も自然に増えるだけ、ということもあります。AIは、たまたま同時に起きていただけの要素を「関連あり」と示してしまうことがあります。だからこそ、AIの仮説は答えではなく、現場が検証すべき候補のリストとして受け止めることが鉄則です。料理にたとえれば、AIは「この食材とこの食材がよく一緒に使われています」と教えてくれますが、それが美味しさの理由かどうかは、実際に作って味見をする料理人が確かめる、というのと同じです。

仮説の検証は、必ず人と現場で

AIが並べた候補は、現場で一つずつ確かめてはじめて意味を持ちます。条件を変えて試し打ちしてみる、現物や設備を実際に見る、作業者に状況を聞く——こうした地に足のついた検証は、AIには代われません。AIで仮説出しの手間を減らした分、浮いた時間を検証と対策に注ぐ。この役割分担ができると、「もっともらしいが的外れな原因」に振り回されて貴重な改善の時間を浪費する、という失敗を避けやすくなります。仮説を絞り、人が確かめ、効いた対策だけを残していく——この地道な往復が、歩留まりをじわじわと押し上げます。費用をかけた改善がどれだけ効いたかを測る考え方は、AI投資の費用対効果を測る方法で具体的に解説しています。

点検・保全記録から設備の予兆に気づく

3つ目の柱は、点検・保全記録の整理と予兆の気づきです。歩留まりを落とす大きな要因の一つが、設備の不調や突然の故障です。設備が止まれば生産も止まり、再起動の段取りや手直しで、不良も工数も膨らみます。ここでAIは、点検記録や停止の記録を整理し、「いつもと違う変化」に早めに気づく手がかりを示してくれます。高価なセンサーがなくても、いまある記録から始められるのが、この柱の入りやすいところです。

いまある点検記録から、変化の兆しを拾う

設備ごとの点検結果、異音や振動・発熱の気づき、チョコ停（短時間の停止）や故障の記録を、AIに整理してもらいましょう。すると、「この設備は、大きな停止の前に、いつも同じような小さな兆候が記録に残っていた」といった、これまで見落としていたつながりが見えてくることがあります。少人数の現場ほど、一人が多くの設備を見ており、日々の小さな気づきは記憶のなかで埋もれがちです。記録を整理し、変化を浮かび上がらせる裏方をAIが担えば、突然の故障で生産が止まる前に、点検や部品交換のタイミングを前倒しで考えられるようになります。これは、ちょうど車のわずかな異音や警告灯の早めの点滅に気づいて、故障する前に整備に出すのと同じ発想です。記録を見渡せるAIは、いわば、車検の前に小さな不調を見つけてくれる整備士のメモ帳のようなものだと考えると、距離が縮まります。

予防保全のAI活用というと、大規模な設備に多数のセンサーを取り付ける高度な仕組みを思い浮かべるかもしれません。もちろんそうした方向もありますが、中小の現場では、まずいまある記録を整理して予兆に気づきやすくするだけでも、十分に価値があります。大がかりな投資の前に、手元の点検日報や保全履歴をAIで見渡せる形にし、「故障の前にどんな兆候が出ていたか」を振り返ることから始める。これなら、少ない元手で予防保全の第一歩を踏み出せます。設備を止めない工夫は、結果として歩留まりの安定にもつながります。

「気づき」までがAI、「直す判断」は人

ここでも線引きは変わりません。AIが示すのは「いつもと違う変化があります」という気づきの手がかりまでで、それが本当に故障の前触れか、いつ・どう設備に手を入れるか、生産を止めて整備するかといった判断は、設備を熟知した保全担当・技術者が握ります。AIの示す兆候を点検の優先順位づけに使いつつ、最終的な対応は人が決める。この役割分担を保てば、AIの気づきが、現場の安心して使える「早めのアラート」として機能します。中小製造業の生産管理AI活用では、設備や工程を含めた生産全体の見える化も扱っていますので、ラインの設備だけでなく工場全体の流れを整えたい場合の参考になります。

不良原因の最終判断・設備対応・品質保証は人が担う

ここまで3つの柱を見てきましたが、すべてに共通する最重要の原則が、「不良原因の最終判断・設備への対応・品質保証は、技術者・品質担当（人）が担う」という線引きです。歩留まり改善のAI化を進めるうえで、この一線を曖昧にすると、効率化どころか、製造業の命である品質を損ねかねません。ここは設計の土台として、はっきり言葉にしておきます。

なぜこの線引きが特に重要かというと、製造ラインの不良は、いくつもの要素が複雑に絡み合って起きるからです。材料のばらつき、その日の温度や湿度、設備の摩耗の進み具合、段取り替えのわずかな違い、作業者の手の入れ方——これらが互いに影響し合い、教科書どおりには進みません。AIが記録から示せるのは「過去にこういう条件と一緒に起きやすかった」という手がかりまでで、目の前のこの不良が、本当は何を原因として起きているのかは、現物を見て、設備を触り、条件を試した人にしか確かめられません。これはちょうど、体の不調の原因を、検査データだけでなく実際に診て触れて確かめる医師が見立てるのと同じように、最後の見極めは現場の専門家の判断に委ねられる、ということです。AIが示す相関の手がかりは、いわば、検査結果の数値が並んだ一枚の用紙のようなもので、それを読み解いて診断を下すのは、あくまで経験を積んだ人の役目です。品質保証——この製品を出荷してよいかの最終的な責任も、人が負うべき領域です。

だからこそ、AIが出すものは「最終結果」ではなく「案」や「材料」だと位置づけることが大切です。傾向の集計も、原因の仮説も、予兆の気づきも、すべて人がひと手間かけ、自分の判断を通してから使う。この「人の確認」を省いた瞬間に、効率化は危うさに変わります。下の表に、AIに任せやすい領域と、人が担うべき領域の線引きを整理しました。迷ったときの判断のよりどころにしてください。

出典：自社ラインの歩留まり改善で「任せる範囲」と「任せない範囲」を、品質と安全の観点から本ブログが整理した。

もう一つ強調したいのは、この線引きが「AIを遠ざける」ためではなく、「AIを安心して使う」ためにあるということです。何を任せ、何を任せないかをはっきり決めておけば、現場は迷わずAIを道具として使えます。逆に線引きが曖昧なままだと、「この原因判定、AIに任せていいのか」という不安が残り、結局使われずに終わります。任せる範囲を決めることは、AIにブレーキをかけることではなく、安心してアクセルを踏むための地ならしなのです。AIをどこまで使うかの社内ルールづくりは、生成AI社内ガイドラインの作り方もあわせて整えておくと、現場全体で足並みをそろえやすくなります。

誤った相関・情報管理のリスクへの備え

AIを歩留まり改善に取り入れるうえで、もう一つ忘れてはならないのが、リスクへの備えです。便利な道具ほど、使い方を誤ると思わぬ落とし穴があります。ここでは、特に製造現場で気をつけたい2つの点を整理します。難しい話ではなく、要点を押さえておけば十分に防げるものです。

一つ目は、誤った相関や作り話への備えです。前章でも触れたとおり、AIは「一緒に起きやすい」というだけの関係を、いかにも原因らしく示してしまうことがあります。さらに生成AIには、データにない内容を、もっともらしく書いてしまう弱点もあります。これを真に受けて的外れな対策を打てば、時間と費用を無駄にするばかりか、本当の原因を見逃しかねません。対策の基本は、AIの示す仮説を必ず現場で検証すること、AIに参照させる情報を自社の正しい記録に限ること、そして対策を決める前に必ず人が点検することの「重ね合わせ」です。一つの対策で穴を一つずつふさぐより、誤りが生まれにくい土台と、出てきても人が止められる関所を組み合わせるほうが、ずっと頑丈です。これは、ちょうど、不良の原因を一つの測定値だけで決めつけず、複数の角度から確かめる現場の慎重さと同じ考え方で、いわば、検査を一段で終わらせず二重三重の関所を設ける品質チェックのようなものです。

二つ目は、情報の取り扱いです。製造ラインの工程条件や独自のノウハウ、不良の発生状況は、長年かけて築いた大切な財産であり、競合に知られたくない情報も含まれます。外部のAIサービスに情報を入力する際は、その情報がどう扱われるかを確認し、特に機密性の高い工程条件や図面に関わる情報は、扱い方の方針を決めてから使うことが欠かせません。あわせて、取引先の品質要求や、製品の安全に関わる基準への適合は、AIの回答をうのみにせず、自社の品質保証の手順や専門家に確認することが前提です。AIは下調べや整理の手助けにはなりますが、品質と安全に関わる最終的な確認は、必ず人の責任で行ってください。導入時につまずきやすいポイントを避ける進め方は、中小企業のAI導入でよくある失敗と回避策もあわせて参考にしてください。

導入ステップ・効果の目安・コスト感と伴走支援

最後に、実際にどう進めるかを、導入ステップ・効果の目安・コスト感、そして使える支援の4点から整理します。難しく構える必要はありません。大きく一気にではなく、小さく始めて確かめながら広げる、という基本に沿えば十分です。

導入の5ステップ

おすすめの進め方は、次の5ステップです。一段ずつ上る現場の階段のように、前の段が次の段の足場になります。

• ステップ1：いまを見渡す。まず、不良・歩留まり・点検の記録が、どこにどんな形であるかを把握し、どこに手間や見落としがあるかをつかみます
• ステップ2：困りごとを一つ選ぶ。データの見える化・原因の仮説出し・点検記録の予兆把握のうち、いちばん困っているところを一つ決めます
• ステップ3：一つの場面で試す。選んだ一つに絞り、一つのラインや工程から小さく始めます
• ステップ4：引き継ぎを設計する。AIで扱わない原因の最終判断・設備対応・品質保証を、技術者や品質担当へ渡す流れを組み込みます
• ステップ5：確かめて広げる。手応えを測り、うまくいけば他のラインや工程へ広げます

この流れの肝は、ステップ1を飛ばさないことです。自社のどこに手間や見落としがあるかを知ってから始めるからこそ、的外れな導入で現場を疲れさせずに済みます。導入全体の段取りをもっと体系的に知りたい場合は、中小企業AI導入10ステップロードマップもあわせてご覧ください。歩留まり改善に限らない、AI導入全体の進め方を段階的に整理しています。

効果の目安と測り方

効果を実感するには、始める前と後を比べる「物差し」を決めておくことが欠かせません。歩留まり改善なら、(1)不良の集計や傾向の振り返りにかかっていた時間、(2)不良原因の調査・検証にかけていた手間、(3)歩留まりや不良率そのものの推移、(4)設備の突発的な停止や手直しの回数、といった指標が考えられます。完璧な測定は不要で、導入前の状態をメモしておき、導入後と比べるだけでも、変化は十分に見えてきます。たとえば「これまで不良の集計とグラフ化に毎月半日かかっていたのが、ほぼ自動でできるようになった」といった手応えが、続けるかどうかの判断材料になります。数字が見えれば、どこを直すべきかも考えやすくなります。

コスト感の考え方

費用は、やり方によって幅があります。大きく2つの方向があり、一つは製造業向けの品質管理・設備保全に対応した業務システムを月額で契約する方法、もう一つは汎用の生成AIツールや表計算と組み合わせて、不良データの集計・要約や点検記録の整理といった日々の作業に組み込む方法です。後者は低コストで始めやすく、まず手応えを確かめたい段階に向いています。いずれも、いきなり大規模に導入するより、まず一つのラインで小さく試し、効果を確かめてから広げるほうが、無駄も失敗も小さく抑えられます。自社で運用を抱えるか外部に任せるかの線引きや、費用に見合うかの判断は、AI投資の費用対効果を測る方法を参考に、無理のない範囲から始めてください。

横浜・川崎の製造業が活用できる伴走支援

「進め方は分かったが、自社だけで設計するのは不安」という現場も多いはずです。その場合、公的な制度や相談窓口、外部の伴走パートナーを組み合わせると、歩留まり改善のAI化を無理なく実装できます。一人で抱え込まず、使える支援に頼ることも、立派な経営判断です。

• ものづくり・サービス補助やIT導入を支える公的補助金：品質管理・設備保全のシステムやAIツールの導入費用の一部を支援。要件・金額・名称は年度で変わるため、最新の公募を確認
• 横浜企業経営支援財団（IDEC横浜）・川崎市産業振興財団：専門家派遣・経営相談・IT活用支援
• 横浜商工会議所・川崎商工会議所：デジタル化・経営の相談窓口
• よろず支援拠点：無料の経営相談（IT活用・業務改善）
• AI導入伴走コンサル：不良データの見える化から原因の仮説出し・予防保全までを並走支援

特に活用を検討したいのが、中小企業・小規模事業者の生産性向上を支える公的な補助制度です。品質管理や設備保全のシステム、AIツールの導入費用の一部を補助する仕組みがあり、歩留まり改善のためのデータ整備も対象になり得ます。ただし、補助の枠組み・補助率・上限額・名称・受付期間は年度ごとに見直されるため、特定の制度名や金額を前提にせず、申請を考える時点で最新の公募要領を必ず確認してください。中小企業庁や、お住まいの地域の支援機関が、最新情報の入り口になります（中小企業庁、中小機構）。交付には目的や計画の明確化が求められるので、申請の準備が、そのまま「何のために歩留まりを改善するか」を整理する機会にもなります。

横浜・川崎エリアは、商工会議所・産業振興財団・よろず支援拠点といった支援機関が厚く、相談先に困りにくい環境です。外部の伴走パートナーと組めば、不良データの整理・ツール選定・原因の仮説出しの立ち上げ・予防保全の記録活用までを一緒に組み立てられます。外部が型と知識を提供し、現場が引き取りながら自走へ移る形が、現実的な進め方です。歩留まり改善の中心は、これからも技術者と品質担当の手にあります。AIはその周りの裏方を支えるだけで、現場には大きな余裕が生まれます。まずは一つのラインから、無理のない歩幅で始めてみてください。

あわせて読んでいただきたい関連記事として、中小企業AI導入10ステップロードマップ、中小製造業の生産管理AI活用、生成AI社内ガイドラインの作り方もご覧ください。本記事で触れた設計を、それぞれ別の角度から具体化しています。

参考・引用元

• 中小企業庁（中小企業・小規模事業者向けの補助・支援制度の公式情報）
• 独立行政法人 中小企業基盤整備機構（IT・デジタル導入支援の公式情報）
• 経済産業省 製造業・スマートものづくり関連施策（製造現場のデジタル化に関する公式情報）