AIエージェント活用事例6選｜導入ステップ・費用・種類を解説

記事の要約

  • AIエージェントとは：ユーザーの指示に対して自ら計画を立て、自律的にツールを操作してタスクを完遂するシステムです。
  • 主な活用事例：製造業の品質検査、製薬業の文書作成自動化、バックオフィスのヘルプデスク対応などで成果を上げています。
  • 導入のステップ：要件定義からスモールスタートでのPoC（概念実証）、そして本番運用へと段階的に進めることが成功の鍵です。
  • セキュリティ対策：情報漏洩を防ぐため、社内データはアクセス権限を厳格に管理した閉域環境で連携させる必要があります。

「自社の業務効率化のためにAIエージェントを導入したいが、具体的な活用事例や費用感がわからない」とお悩みの事業開発責任者やDX推進担当者の方は多いのではないでしょうか。

本記事では、業界別のAIエージェントの業務への活用事例から、要件定義から本番化までの導入ステップ、技術要素やリスクまでを詳しく解説いたします。東京大学松尾研発のスタートアップであり、製薬や製造業でのAI実装実績を持つ株式会社EQUESの知見をもとに解説するため、実践的なノウハウが得られます。

AIエージェントとは？自律型AIの基本と従来のAIとの違い

1. AIエージェントとは？自律型AIの基本と従来のAIとの違いの解説図

AIエージェントとは、設定された目標を達成するために自ら状況を判断し、計画を立てて行動を実行するAIシステムを指します。

従来の生成AIとAIエージェントの違いは？

これまでの生成AIは、ユーザーが入力したプロンプト（指示）に対してのみ回答を返していました。一方、AIエージェントは「出張の手配をして」という指示に対し、自らカレンダーを確認し、飛行機を予約し、関係者にメールを送信するといった複数の工程を自律的に遂行します。

自律的に動けるのは、LLMが指示を工程に分解し、工程ごとにツールを呼び、返ってきた結果を読んで次の工程を決める、という繰り返しで動くからです。希望の便が満席なら別の便を探すといった修正も、この繰り返しの中で起きます。

裏返せば、結果の読み取りを誤ると、誤りを抱えたまま次の工程へ進みます。だから検討の出発点は、どの工程まで任せ、どの時点で人が結果を確かめるかを決めることです。

AIエージェントを支える技術要素（LLM・RAG）とは？

AIエージェントの中核技術は、高度な言語理解力を持つLLM（大規模言語モデル）と、社内の独自データを参照して回答精度を高めるRAG（検索拡張生成）です。

LLMがユーザーの指示を理解し、計画を立案する「頭脳」の役割を果たします。RAGは、LLMが学習時に知らない社内の規程集や過去の顧客対応履歴を回答の直前に検索して渡す仕組みで、業務に特化した正確な支援を可能にします。

この連携がないと、エージェントは一般論で工程を進め、自社の手順と食い違う判断を返します。総務省の調査でも、生成AIの活用方針を定める企業が増加傾向にあり、参照させるデータの線引きがその出発点です。

[参照元：総務省「令和7年版 情報通信白書｜企業におけるAI利用の現状」 URL: https://www.soumu.go.jp/johotsusintokei/whitepaper/ja/r07/html/nd112220.html ]

AIエージェントの種類

  • 単純反射型エージェント：現在の入力（知覚）だけをもとに、あらかじめ定めたルールで反応するタイプです。条件が明確な単純作業に向いています。
  • モデルベース型エージェント：内部に環境の状態（モデル）を保持し、直接見えていない状況も推測して判断するタイプです。変化する環境に対応できます。
  • 目標ベース型エージェント：達成すべき目標を設定し、その実現に向けて複数の行動を計画・選択するタイプです。手順の多いタスクに適しています。
  • 効用ベース型エージェント：複数の選択肢を「効用（望ましさ）」で評価し、最も期待値の高い結果を選ぶタイプです。トレードオフのある意思決定に向いています。
  • 学習型エージェント：経験やフィードバックから学習し、時間の経過とともに性能を高めていくタイプです。
  • マルチエージェント：複数のエージェントが役割を分担・連携し、単体では難しい複雑なタスクを協調して遂行するタイプです。

種類の違いは、判断の材料に何を持つかです。単純反射型は今の入力だけ、モデルベース型は推定した状態、目標ベース型と効用ベース型はゴールと選択肢の評価、学習型は過去の結果を材料にします。

材料が増えるほど扱える状況は広がりますが、設計と検証の手間も増えます。定型の問い合わせ回答なら単純反射型で足り、複数のシステムをまたぐ受注処理には目標ベース型が要ります。選ぶ基準は、対象業務にどれだけ状況の変化と手順の分岐があるかです。

【業界別】AIエージェントの具体的な業務活用事例

3. 【業界別】AIエージェントの具体的な業務活用事例の解説図

自社で対象を探すときは、人が転記・照合・検索に時間を使っている工程から挙げると、効果を比べやすくなります。人の判断そのものが価値になる工程を先に任せると、確認の手間が増えて効果が相殺されます。

業界企業例・サービス主な活用シーン導入による定量的・定性的な効果
金融・保険SBI生命保険株式会社控除証明書再発行の自動受付（ボイスボットのエージェント連動）処理時間を約70%短縮、年間約300時間の業務削減
小売・アパレル青山商事株式会社LINE公式アカウントでの24時間接客対応オンラインでの顧客エンゲージメント向上、実店舗への送客
製造業六甲バター株式会社画像認識AIによる製品の外観検査・異常検知目視検査の負担軽減、検査人員を従来の1/4に削減
製造業トヨタ自動車株式会社AIエージェント「O-Beya」による専門知識の検索・抽出過去の膨大なデータからの知識継承、属人化の解消
営業・事務（一般事例）商談前のターゲット企業リサーチと提案ドラフト作成事前準備にかかる時間を1件あたり2時間半から約15分へ大幅短縮
製薬業株式会社EQUES（製薬SaaS QAI Generator等）GMP文書などQA文書の自動作成、複数文書間の齟齬検出文書作成時間を5割カット、レビュー時間を7割以上短縮

コールセンター・カスタマーサポートの活用事例

SBI生命保険株式会社：年間300時間の業務削減と苦情ゼロ

SBI生命保険では、年末調整や確定申告の時期に急増する「生命保険料控除証明書」の再発行手続きに課題を抱えていました。時期だけ件数が跳ねる手続きは、人員で吸収すると閑散期に余るため、典型的には自動化の効果が出やすい型です。

そこで、ボイスボット（AI電話応答）とRPAを連携させ、AIエージェントが人に代わってツールを操作（Tool Use＝外部システムを呼び出す仕組み）し、手続きを完結させます。24時間365日動き手待ちが消えるため、処理時間を約70%短縮、年間約300時間の業務削減と苦情のゼロ化に成功しています。

[参照元：SBI生命保険株式会社｜書類請求手続きをボイスボットとRPAで完全自動化、約300時間を削減、苦情もゼロに]

この型の事例で詰まりやすいのは、電話で聞き取った内容を人がシステムへ転記する工程です。聞き取りから転記までを一続きの処理にして初めて、繁忙期の件数を人員で吸収せずに済みます。

青山商事株式会社（洋服の青山）：LINE上の接客AIエージェント

青山商事では、実店舗の強みである「専門知識を持ったスタッフによる丁寧な接客」をデジタル上でも提供するため、LINE公式アカウントに「青山AIエージェント」を導入しました。店舗の接客は営業時間と来店が前提で、来店前に迷う顧客には届かない隙間を埋める形です。

このAIエージェントは同社の接客ノウハウを学習しており、24時間365日、スーツ選びのコツなど顧客一人ひとりの疑問に自律的に答えます。商品データだけでは勧める判断が出ないため、ノウハウを学ばせて初めて店頭に近い回答になり、オンラインでの顧客エンゲージメント向上や実店舗への来店促進に繋がっています。

[参照元：ジールス、「洋服の青山」を運営する青山商事株式会社に接客AIエージェントを導入し、LINE公式アカウント上で「青山AIエージェント」を提供開始 | 株式会社ZEALS]

製造業の活用事例

六甲バター株式会社：AI検品で検査員を1/4に削減

プロセスチーズ等で知られる六甲バターでは、製品の外観検査にAIを活用した装置を導入しました。AIが欠陥や異常を検知・判断し、人が全数を見る工程がAIの判定を確かめる工程に変わるため、目視検査の負担が軽減され、検査人員を従来の4分の1に削減しています。

[参照元：AIによる検品自動化の裏に試練あり。大手プロセスチーズメーカーの挑戦 | NTT docomo Business Watch]

この型では、AIが正常品まで異常と判定し、全数を人が見直す段階で詰まります。人が見る対象をAIが異常と判定した品に絞れて初めて、人員の削減が成り立ちます。

トヨタ自動車株式会社：AIエージェント「O-Beya」による知識継承

トヨタ自動車では、社内の専門知識やノウハウを蓄積・共有するため、AIエージェント「O-Beya（大部屋）」を活用しています。質問に応じて過去の膨大なデータから知識を抽出・提示し、品質向上や世代を超えた知識継承に役立てています。回答の質は、過去の資料が検索できる形で揃うかで決まります。

[参照元：トヨタ自動車、エンジニアの知見を AI エージェントで継承へ ー 競争力強化に向け革新的な取り組みを開始 – News Center Japan]

営業・バックオフィス部門の活用事例

商談の事前準備にかかる時間を2時間半から15分へ短縮

営業の事例では、AIが公開情報からターゲット企業の決算やニュースを自律的にリサーチし、自社商材で解決できる課題と突合して提案のドラフトを作成します。人力で2時間半かかっていた事前準備を約15分に短縮した事例もあり、人が行うと多くの場合、情報を探して開く時間が長く、ここをAIが引き受けます。

[参照元：2時間半かかっていた商談準備が15分に、残業を減らし商談の質も向上 | Sales Retriever]

この型で効くのは、情報の収集より、集めた情報を自社商材の課題と突き合わせる工程を任せる点です。収集だけを自動化しても、読み込んで提案に落とす時間は残ります。

製薬業界における活用事例

品質保証（QA）文書作成時間を5割カット、レビュー時間を7割以上短縮

製薬業界では、GMP文書（製造管理および品質管理の基準に関する文書）の作成に膨大な時間がかかる課題がありました。時間がかかるのは、文書ごとに書式と記載項目が決まり、多くの場合、過去の文書から該当箇所を探して書き写すからです。

弊社、株式会社EQUESの「製薬SaaS QAI Generator」は、フォームの質問に答えるだけでAIが変更申請書などのQA文書を生成し、万協製薬株式会社では変更申請書を含むGMP文書で70％の業務効率化という導入事例があります。

また、「QAI Checker」を利用すると、段落ごとに整合性を解析し、複数のQA文書間の齟齬をAIが自動検出するため、数値や工程ミスなどのヒューマンエラーを幅広く防ぎやすくなりますです。齟齬が生じるのは、一つの変更が複数の文書に波及し、人の突き合わせでは追いきれないからです。

詳細はこちら

AIエージェントの導入ステップと必要な期間・費用は？

4. AIエージェントの導入ステップと必要な期間・費用は？の解説図
ココロミ の詳細はこちら

要件定義から本番運用までの3つのステップ

AI導入を成功させるには、「要件定義」で課題を明確にし、「PoC（概念実証）」で小さく検証を行い、その後に「本番運用」へと進める3ステップが基本です。

  1. 要件定義：情報システム部門や業務改革部門と連携し、解決すべき課題、AIエージェントの役割、連携させる社内データの範囲を明確に定めます。
  2. PoC（概念実証）：大規模な開発を行う前に小規模なプロトタイプを作成し、実際の業務フローにおいて期待する精度や効果が出るかを検証します。
  3. 本番化・運用：PoCの結果をもとにシステムを改善し、セキュリティとガバナンス体制を確保したうえで全社的な業務フローに組み込みます。

要件定義を飛ばすと、PoCで何をもって成功とするかが決まらず、精度の数字が出ても本番に進む判断ができません。PoCを飛ばすと、社内データと連携して初めて分かる精度不足を、開発費を払った後に知ることになります。

本番化で権限の設計を後回しにすると、参照できるデータが業務上の必要より広いまま動き、次章のリスクが残ります。

導入にかかる費用と期間の目安（2026年5月時点）

期間と費用は開発規模によって変動しますが、弊社サービスの場合、相談ベースの支援は月額20万円から、本格的なPoC開発は月額250万円から対応可能です。

2026年5月現在、大規模開発前のPoCサービス「ココロミ」のスタンダードプランが月額250万円から、相談から始めたい企業様向けの「AI×DX寺子屋」プランAが月額20万円です。二段構えなのは、課題が定まる前に開発費を払うと、PoCの成功条件を決められないまま進むからです。

4. AIエージェントの導入ステップと必要な期間・費用は？の解説図

AI×DX寺子屋の詳細はこちら

ココロミの詳細はこちら

AIエージェント導入のリスクと選び方のポイントは？

5. AIエージェント導入のリスクと選び方のポイントは？の解説図

セキュリティとガバナンスへの対策はどうすべき？

機密情報や個人情報の漏洩を防ぐため、社内データは閉域環境で連携し、厳格なアクセス権限の管理と利用ガイドラインの策定を行う必要があります。

漏洩が起きる順序は次のとおりです。エージェントは目標に沿って参照先を自分で選ぶため、与えた権限が業務上の必要より広いと、その利用者が本来見られない文書まで読み、回答に混ぜて返します。閉域環境と権限の絞り込みが効くのは、この読める範囲を利用者ごとの権限と一致させるからです。

AIエージェントは自律的に社内データへアクセスして処理を行うため、意図しない情報漏洩と、ハルシネーション（＝もっともらしい誤りを出すこと）による誤ったデータ出力への対策が欠かせません。

IPA（独立行政法人情報処理推進機構）などの公的ガイドラインを参照してガバナンス体制を構築するのは、自社だけで論点を洗い出すと、権限の範囲や記録の残し方に抜けが出るためです。

[参照元：IPA 情報セキュリティ関連ガイドhttps://www.ipa.go.jp/security/guide/index.html ]

2026年7月には、OpenAIの評価用AIモデルが、ベンチマークテストを遂行する過程で複数の脆弱性を連鎖的に悪用し、Hugging Faceの本番システムに到達していた事案も公表されました。外部の攻撃者がいたわけではなく、自律的に動くAIが「与えられた目標の達成」を優先した結果として起きた侵害です。

AIエージェントに何をどこまで任せるか（権限設計）と、実行環境を本番からどう隔離するかは、機能開発と同じ重みで検討すべき論点になっています。範囲を決めないと、エージェントは目標の達成を優先して権限の端まで使い、隔離がなければ本番環境に及ぶからです。

[参照元：Hugging Face公式ブログ｜Security Incident Report（2026年7月）]

自社に最適なAIエージェントベンダーの選び方は？

自社の業界特有の課題や業務フローを深く理解し、PoCから本番実装、さらには社内人材の育成までを一気通貫でサポートできる開発パートナーを選ぶことが重要です。

PoCと本番実装の担当が分かれると、PoCで分かった精度の条件や権限の設計が本番側に引き継がれず、同じ検証をやり直すことになります。

弊社は東大松尾研発の技術力を基盤としており、量子コンピューターを用いた薬剤耐性菌の治療戦略研究（NEDO事業）など、高度な研究開発力を有しています。

加えて、実務特化のコンテンツでAI活用を学ぶ「AI×DX寺子屋 learning」を提供しており、ツールの導入にとどまらず、プロンプトの活用や学習進捗の管理を通じた人材育成まで支援可能です。

（参照元：株式会社EQUES「量子コンピューターを用いた研究」 URL: https://eques.co.jp/news/20251219/ 、「AI×DX寺子屋 learning」 URL: https://eques.co.jp/news/aidxterakoyalearning/ ）

よくある質問（FAQ）

6. よくある質問（FAQ）の解説図
Q. AIエージェントの導入にはどれくらいの期間がかかりますか？

A. 解決したい課題やシステムの規模によりますが、要件定義からPoC（概念実証）の完了まで、一般的に2ヶ月〜3ヶ月程度が目安となります。

Q. AIエージェントは社内の機密データを学習して外部に漏洩させませんか？

A. 企業向けに構築された環境（閉域網やエンタープライズ版のAPI）を使用し、学習データとして二次利用されない設定にすることが一般的です。

Q. 導入後のサポート体制はどのようになっていますか？

A. 弊社の場合、「AI×DX寺子屋」を通じてチャットでの継続的な相談や、月1回のオンラインミーティングによる伴走支援を行っています。

まとめ

7. まとめの解説図
  • AIエージェントは自律的にタスクを遂行する技術であり、従来のAIとは異なる高度な業務自動化が可能
  • 製造業やバックオフィスに加え、製薬業界では弊社のSaaS活用で文書作成時間を5割カットするなどの実績がある
  • 導入時は要件定義からPoC（概念実証）のスモールスタートで検証を進めることが成功の鍵

自社の課題解決にAIエージェントをどう活用すべきかお悩みの際は、ぜひ株式会社EQUESにご相談ください。

執筆：株式会社EQUES（東京大学松尾研発のAIスタートアップ。製薬・製造業のAI開発と、AI PoC「ココロミ」・AI相談「AI×DX寺子屋」を提供）

AIエージェントの導入は、EQUESにご相談ください

活用構想の整理からPoC（概念実証）、本番導入まで、東京大学松尾研究室発のEQUESが伴走支援します。まずはお気軽にご相談ください。

ココロミを見る
お問い合わせはこちら
一覧に戻る

関連記事

フィジカルAIの製造業事例7選｜工場・物流の使いどころと進め方
DX・業務改善

フィジカルAIの製造業事例7選｜工場・物流の使いどころと進め方

2026.10.30

記事の要約 フィジカルAIとは、カメラなどで対象をとらえ、つかむ位置や動きをAIがその場で判断してロボットを動かす技術で、従来の自動化が苦手なばらつきの大きい作業に向きます。 製造業の事例7件は、形の違う部品や混載の通い箱、形が毎回変わるワイヤーハーネスなどをその場の判断で扱う取り組みで、本番で稼働する2件はその場で測って計算する型です。 最初のPoC（＝本番導入の前に小さく行う技術検証）は、ばらつきが大きく止まっても波及しにくい工程を1つ選び、AIに任せる動作と合否を決める指標を先に定めます。 「部品の形がそろわず、ロボット化できない」「形の違う箱の荷下ろしが、今も人手頼み」 フィジカルAIの製造業事例は、2025年以降、工場の工程と物流の両方で公表が続いています。ただ、自社のどの工程に当てはまるかを見極めるには、成果の数字だけでなく、ロボットが現場で何をしていて、従来のロボットでは何が難しかったのかまで知る必要があります。 本記事では、公式発表で確かめた製造業の事例7件をこの観点で掘り下げて紹介し、工程の選び方とPoCの範囲の決め方を示します。製造業のAI開発や廃炉向けフィジカルAIロボットの共同開発に取り組む、東京大学松尾研発のAIスタートアップとして弊社が解説します。 読み終えるころには、自社に近い事例と、PoCで確かめる範囲が見えるはずです。 フィジカルAIと従来の工場の自動化の違い フィジカルAIとは、カメラや力のセンサーで周囲をとらえ、AIが次の動きを判断して、ロボットなどの機械を動かす技術のことです。従来の工場の自動化との違いは、動き方を人が教えるか、ロボットがその場で決めるかにあります。 従来の産業用ロボットは、人が教えた（ティーチングした）位置と動きを正確に繰り返します。その動きが通用するように、治具やコンベヤで部品の位置と向きをそろえてきました。カメラで位置を測って動きを補正するロボットも、登録した部品と決まった手順が前提です。 そのため、部品の形が品目ごとに違う、届く箱の大きさや積み方がそろわないといった工程では、ロボットが止まるか、人が手で直すことになります。変化のたびに設備を作り直したり教え直したりするのは割に合わず、ばらつきの大きい工程ほど人の作業が残ってきました。段取り替えや、形のそろわない箱の荷下ろしが典型です。 フィジカルAIが新しいのは、登録していない形や、毎回変わる形の物も扱える点です。対象をその場で見て、どこをつかみ、どう腕を動かすかをそのたびに決めます。このやり方には、大きく2つの型があります。 1つ目は、カメラで対象の形をその場で測り、つかむ位置と腕の動く経路を計算する型です。後で紹介する事例5・6のMujinのロボットがこれにあたります。 2つ目は、人の操作やロボットの動作のデータを集めてAIモデルに学ばせ、見えた状態からつかみ方を判断させる型で、事例1・2・4がこれにあたります。 7件では、本番で稼働している2件（事例5・6）がどちらも1つ目の型で、2つ目の型の事例はまだ実証や訓練の段階です。形を測れば扱える箱や部品の作業なら1つ目の型で本番に近づけやすく、柔らかい物の扱いや手順の判断まで任せたい作業は、2つ目の型を実証から始めることになります。 事例を読むときは、ロボットの種類より、どのばらつきをAIが引き受けたかに注目すると、自社の工程に当てはめやすくなります。定義や生成AIとの違い、仕組みは「フィジカルAIとは？仕組み・生成AIとの違い・日本の動向2026」で解説しています。 フィジカルAIの製造業事例7選｜製造工程と工場内の物流 ここでは製造業の事例を、製造工程、メーカーの工場内の物流の順に紹介します。各事例では、どんな作業か、従来は何が難しかったか、何ができるようになったか、どの段階かを順に見ていきます。 7件は導入の段階もさまざまです。本番で稼働しているのは三五と松田電機工業所の2件で、BMWは量産ラインでの試験導入を、ソフトバンクと安川電機、Siemensは実証を終えています。日立製作所とファナックは実証を始める段階、現代自動車グループの工場はロボットの訓練の段階です。 1. 日立製作所×ファナック：自社工場で部品のピッキングと段取り替えを実証へ 日立製作所とファナックは2026年9月、フィジカルAIの共同事業化で提携し、日立の茨城地区の工場で形状の異なる部品のピッキングや、生産する品目を変えるときの段取り替えを実証します。どちらも、品目によって部品の形や扱い方が変わる作業です。 両社は、従来の設備が決まった条件で同じ作業を繰り返すことを前提にしていると説明しています。条件や部品の違いに合わせた判断が要るピッキングや段取り替えはその前提に収まらず、今も人の手に大きく頼っています。 そこで両社は、日立のAIとファナックの産業用ロボットを組み合わせ、AIが多様なデータからその現場ならではのルールを学び続ける形をとります。実証では認識精度、ロボットの動作、タクトタイム、品質面の効果を確かめながら改善し、2027年度からの顧客展開を目指します。段取り替えでロボットが具体的に何を担うかは、まだ公表されていません。 2. ソフトバンク×安川電機：形が毎回変わるワイヤーハーネスの収納を実証 ソフトバンクと安川電機は2026年7月、製造現場を想定した技術実証（実施場所は非公表）で、形と配置が毎回変わるワイヤーハーネスを箱に収納する作業をロボットに行わせました。 ひもや布のように柔らかい物は、たわみや絡まり、折れ曲がりが起き、つかむべき位置も毎回ずれます。形と置き場所が前もって決まっていることを前提にした従来のロボット制御では、安定して扱えませんでした。 そこで両社は、ロボットの動作データやセンサー情報をクラウドに集めてAIモデルを学習させ、ハーネスの状態の見分けやつかむ位置の判断に使いました。従来の制御で安定して動かせる動作はそのまま残し、AIを一つの機能として既存のロボットシステムに組み込む構成で、柔らかい物を安定して扱えることを確かめています。 3. BMW×Figure：人型ロボットが10か月で3万台超のX3の生産を支援 BMWグループの米国工場では、人型ロボット「Figure 02」が、溶接工程に向けて板金部品を差し込む作業を担いました。量産ラインでのパイロット（試験導入）として同じ作業を続け、10か月で3万台超のX3の生産を支えました（BMW、2026年6月発表）。 作業の中身は、棚や箱から板金部品を取り出して溶接用の治具に置くもので、置いた部品は6軸の産業用ロボットが溶接してメインラインへ送ります。Figure社の発表では、1サイクルで3つの部品を置き、その時間は37秒以内が要件でした。位置の誤差は5ミリ以内に収める必要があり、1シフトあたりの成功率は99%超を目標にしていました。 なぜ人型を選んだのかは、BMWもFigure社も明らかにしていません。後継機「Figure 03」は、物流の工程で部品を拾い上げ、組立の順に台車へ並べる作業を始める予定です（時期は未公表）。 BMWは、Figure 03が稼働率を高めるためのワイヤレス充電を備えると説明しています。電池で動く人型ロボットでは、充電のために止まる時間が、そのまま稼働率に響くためです。 4. 現代自動車グループ×Boston Dynamics：人型ロボットに工場で部品の順立てを訓練 Boston Dynamicsは2026年9月、現代自動車グループの米国工場に、人型ロボット「Atlas」の訓練拠点を開設しました。実際の工場環境で、自動車部品の工場内物流と、組立の順に並べる順立てを訓練しており、2030年までに部品の組立へ用途を広げる計画です。 順立てとは、組立ラインを流れてくる車の順番に合わせて、使う部品をあらかじめ並べておく作業です。形も大きさも入れ物も違う部品を、人が取り出す前提で置かれた棚から1つずつ取り出すため、部品ごとにつかみ方や腕の差し入れ方を変える必要があり、ロボットには難しい動作です。 発表では、トレーナーがAtlasを遠隔操作する様子が紹介されており、2027年にはデータ収集の規模を広げて訓練を続けるため、既存の顧客とも協議しています。 5. 三五×Mujin：工場内に製品倉庫を新設し、荷役作業の工数を67％削減 自動車部品メーカーの三五は、完成品をいったん工場の外の倉庫で保管し、出荷のときに工場へ運び戻していたため、トラックの往復と、通い箱の積み下ろしに手間がかかっていました。ただ、通い箱は種類が多く形も複雑で、決めた位置をつかむ教え込み型のロボットでは自動化が極めて難しかったと、Mujinは説明しています。 三五は福田工場に製品倉庫を新設し、Mujinの知能ロボットとAGVで搬送からピッキングまでを自動化しました（2025年6月公表）。通い箱を降ろすロボット2台は、3Dビジョン（＝物の形を立体的に測るカメラ）で箱をとらえるため、箱ごとに動きを教え込む必要がありません。ハンドもつかみ方を自動で調整する独自のもので、50種類以上の通い箱に対応します。 このロボットとAGV18台を倉庫制御システムでまとめて動かし、物流全体を見直した結果、荷役作業の工数は67％減りました。ただし、ロボットによる分の内訳は公表されていません。外部倉庫と工場を結ぶトラックが年間2,080便減ったのは、保管場所を工場の中に移した効果です。 6. 松田電機工業所×Mujin：通い箱の荷下ろしを自動化し、担当を3人から0人に 自動車用スイッチを主に作る松田電機工業所は、Mujinのロボット2台で、入荷と完成品の入庫で行う通い箱の荷下ろしを自動化しました（2026年9月公表）。パレットに積まれた通い箱を、1箱ずつ降ろす作業です。 通い箱は大きさも形も積み方もそろわない混載で、使い込んで変形した箱も混じります。つかめる縁も限られ、箱ごとにつかむ位置と動きを決める必要があるため、従来のティーチング方式では自動化が難しく、重い箱を人が降ろしていました。 導入したロボットは、上部の3Dビジョンでパレットを測り、箱の位置と形、つかめる縁を見分けたうえで、つかむ位置と腕の動きをその都度決めます。ハンドは箱の大きさに合わせて爪の幅を自動で変えるため、付け替えずに複数の規格の箱を扱えます。その結果、対象工程の作業人員は3人から0人になりました。 7. Siemens×Humanoid：2週間の現地試験で、人型ロボットが通い箱搬送の目標値を達成 Siemensのエルランゲンの電子機器工場では、Humanoid社の車輪で動く人型ロボット「HMND 01」が、積み重ねた通い箱をコンベヤへ移す作業を現地で2週間試しました（2026年1月公表）。保管用に積まれた通い箱を自律的に1つずつ取り、コンベヤまで運んで、作業者が受け取る所定の位置に置く作業です。 この現地試験は、繰り返しの多い物流作業を人型ロボットが担えるかを確かめるPoCの第2段階で、第1段階ではHumanoid社の社内で開発と実演を済ませていました。 目標値は、毎時60回の搬送、2種類の大きさの箱への対応、30分を超える連続した自律稼働、8時間を超える稼働時間で、両社はこの4つの目標値をすべて達成しました。あわせて評価した、つかんで置く動作の成功率も、全体と自律の両方で90%を超えています。目標値を数字で並べておけば、2週間という短い試験でも、次に進むかを判断する材料がそろいます。 参照元：日立製作所・ファナック「日立とファナック、フィジカルAI実装の共同事業化に向けた戦略的パートナーシップを締結」（2026年9月）／ソフトバンク「ソフトバンクと安川電機、フィジカルAIの開発基盤として『AIデータセンターGPUクラウド』を活用し、柔軟物体ハンドリングシステムを実証」（2026年7月）／BMW Group「BMW Group advances the use of Physical AI in production with Figure 03 project in Spartanburg」（2026年6月）／Figure「F.02 Contributed to the Production of 30,000 Cars at BMW」（2025年11月）／Boston Dynamics「Boston Dynamics Opens Robotics Metaplant Application Center to Train Humanoid Robots for Manufacturing Tasks」（2026年9月）／Mujin「Mujin、次世代知能ロボット群とデジタルツイン技術で株式会社 三五様の工場物流をDXし、物流コスト削減に貢献」（2025年6月）／Mujin「中小製造業で初となる混載通い箱の仕分け工程を自動化」（2026年9月）／Humanoid「Humanoid and Siemens completed a proof of concept to test humanoid robots in industrial logistics」（2026年1月） 工程別に見るフィジカルAIの使いどころ｜工場・物流の対応表 最初のPoCは、ばらつきが大きく人手に頼る工程のうち、止まっても前後に波及しにくい工程から選ぶのが堅実です。理由は、ばらつきとラインの中の位置という2つの軸にあります。 1つ目の軸である「ばらつき」は、効果の大きさと失敗のしやすさを同時に決めます。部品の形や箱の積み方がそろわない工程ほど人の作業が残っており、置き換えの効果は大きくなります。その一方で、AIが見分けや判断を誤る場面も増えます。 2つ目の軸である「ラインの中の位置」は、止まったときの波及を決めます。組立ラインの途中でAIが失敗するとタクトタイムが崩れ、ライン全体が止まるおそれがあります。仕掛品の置き場を挟む工程間搬送や出荷前のピッキングなら、ロボットが止まっても置き場の在庫でしのぎながら人が代われます。本番で稼働している事例5・6も、入荷・入庫や保管・出荷といった組立ラインの外側の工程です。 工程事例で使われた型向いている条件準備すること該当する事例部品のピッキング・段取り替え認識AI付きの産業用ロボット部品の形状が多い／品目の切り替えが多い現場の作業データを集め続ける仕組み日立製作所×ファナック収納（柔軟物）既存ロボットに足すAIの機能形が毎回変わる物を扱う動作データの収集と学習用の計算環境ソフトバンク×安川電機溶接前の部品投入人型ロボット決まった部品を高い精度で置く置く位置の精度と時間の要件BMW×Figure工程間搬送・順立て人型ロボット人と同じ通路や棚を使う人と同じ通路での安全確認／稼働時間の目標値現代自動車グループ×Boston Dynamics、Siemens×Humanoid入荷・入庫の荷下ろし3Dビジョン付きのロボット箱の大きさ・形・積み方が混在する扱う箱の種類と規格の洗い出し松田電機工業所×Mujin完成品の保管・出荷ロボットとAGVの統合制御通い箱の種類が多い／保管を工場内に集約できる倉庫の配置と全体の制御三五×Mujin外観検査（事例なし）固定カメラの画像AIを先に検討物を動かさずに済む検査良品と不良品の画像該当なし フィジカルAI導入の進め方｜PoCの範囲を決める5ステップ フィジカルAIのPoCは、対象の工程、AIに任せる動作、合否の条件を先に決めるほど、結果を本番の判断に使えます。 第1に、対象の工程を1つ選び、現状を測ります。作業時間、人数、品目の種類、例外が起きる頻度を記録し、PoCの結果と比べる基準にします。例外を種類ごとに数えておくと、AIが苦手な場面も予想できます。 第2に、AIに任せる動作を切り分けます。ソフトバンクと安川電機の実証のように、AIは判断が要る部分に使い、従来の制御で足りる動作は残します。作り直す必要のない動作まで検証に入れると、期間が膨らむためです。 第3に、本番のばらつきを含む条件で試します。日立製作所が自社工場を実証の場に選んだように、実際の品目や置き方で試験します。整えた部品だけで合格しても、本番の例外で止まってしまうからです。 本番の条件で試すことは、仮想空間で動作を学習させる場合にも欠かせません。仮想空間では、摩擦や物の変形、照明やセンサーのノイズなどを再現しきれず、実機では成功率が落ちることがあります（Sim-to-Realギャップ）。この壁と打ち手は「フィジカルAI導入の課題5つと解決策｜学習データ・安全性の壁」で解説しています。 第4に、合格と撤退の条件を現場の指標で決めます。成功率、1個あたりの作業時間、人の介入回数、停止時間などです。目標値は、第1で測った現状をもとに、本番でその工程の人員計画が成り立つ水準から逆算して決めます。Siemensの試験のように数字で置けば、終わったときに「動いた」以上の判断ができます。 第5に、例外時の引き継ぎと本番の費用を設計します。扱えない物を人に渡す受け皿を決め、保守などの運用費も見積もります。これがないと例外のたびに作業が止まり、良い結果が出ても本番への投資を判断できません。 検証の観点は「PoC検証とは？目的と3つの観点・進め方・成功事例を解説」、自動化の費用や補助金は「製造業の自動化を成功に導く！AI導入のメリットと費用・補助金まで徹底解説」で解説しています。 製造業以外の過酷環境での開発例｜廃炉向けのフィジカルAI 人が立ち入れない環境でもフィジカルAIの開発が進んでいます。弊社が参加する、高線量環境下での調査や作業の支援に向けた共同事業も、経済産業省の「廃炉・汚染水・処理水対策事業費補助金」に採択されました。 高線量の現場では、遠隔操作にも高度な技術と事前の準備が要ります。この事業では、周りを認識・判断して自律的に動くロボットで、熟練者の作業を支援・代替できるかを確かめます。ロボットシステムの統合開発と現場実証は、株式会社クフウシヤが担います。 弊社が担うのは、高線量の現場で調査や作業を安全かつ確実に進めるための、安全性と監査性を両立したデータ処理基盤です。監査性とは、ロボットが何を見て、どう判断し、どう動いたかを後から確かめられることで、人が近づけない現場ではこの記録がなければ作業結果を信頼できません。工場のPoCでも認識と動作の記録を残すと、停止や不良の原因を追えます。 こうした検証を工程1つから始めたい場合は、弊社のAI PoCサービス「ココロミ」が対象を絞った概念実証を支援します。 参照元：株式会社EQUES「経済産業省『廃炉・汚染水・処理水対策事業費補助金』に採択」（2026年7月） ココロミ の詳細はこちら フィジカルAIの製造業事例に関するよくある質問 Q. 中小規模の工場でもフィジカルAIは導入できますか？ 対象を1工程に絞れば検討できます。事例6の松田電機工業所は中小製造業で、既存の物流の動線を大きく変えずに、通い箱の荷下ろしだけを自動化しました。既存のロボットにAIの機能を足す構成なら、投資を抑えて試せる場合もあります。 Q. 協働ロボットとフィジカルAIは何が違いますか？ 協働ロボットは、人に触れたら止まるなどの安全機能を備え、人と同じ空間で作業できるロボットです。フィジカルAIは、見て判断し動きを決める、ロボットの頭脳にあたる技術で、両者は組み合わせて使えます。 Q. 人型ロボットは必要ですか？ 必須ではありません。本番で稼働している事例5・6も、通い箱を降ろす専用のロボットです。人型は、人の作業場所や台車、棚をそのまま使いたい工程に向き、決まった場所での作業ならアーム型のほうが速度や費用で有利な場合があります。 まとめ フィジカルAIの製造業事例からは、ばらつきの大きい工程を1つ選び、AIに任せる動作を絞って確かめる進め方が見えてきます。 本番で稼働している2件はその場で測って計算する型で、動作のデータから学ぶ型はまだ実証や訓練の段階にある 最初の工程は、効果が見込める一方で、止まっても前後に波及しにくい工程から選ぶ PoCでは、AIに任せる動作、本番のばらつきを含む試験条件、現場の指標による合否、例外時の引き継ぎを先に決める 自社のどの工程から試すべきか迷われている段階でも、お気軽にご相談ください。最後までお読みいただき、ありがとうございました。 執筆：株式会社EQUES（東京大学松尾研発のAIスタートアップ。製薬・製造業のAI開発と、AI PoC「ココロミ」・AI相談「AI×DX寺子屋」を提供） 自社工程でフィジカルAIを小さく試しませんか AI PoCサービス「ココロミ」が、現状分析から検証・評価、アクションプランの策定まで伴走します。まずは無料相談からどうぞ。 無料で相談する ココロミを見る

数理最適化の事例8選｜ビジネスでの使い方とAIとの組み合わせ
DX・業務改善

数理最適化の事例8選｜ビジネスでの使い方とAIとの組み合わせ

2026.10.30

記事の要約 数理最適化とは、目的・制約・変数を数式で表し、条件をすべて守るなかで最もよい計画を計算で探す方法です。予測AIの見込みを受けて「どうするか」を決めます。 配送・勤務・在庫・価格・生産の計画で最適化やAIの事例があり、日本製鉄は君津地区の製鋼工程の週次計画で計画時間を70％削減しました。 AIと組むなら予測→最適化→人の判断の3段が基本で、成否は計算手法よりも、目的・制約・データが現場の実態と合うかで決まります。 「配送ルートや勤務表を、毎回ベテランが何時間もかけて組んでいる」「需要予測AIを入れたのに、発注量は結局人が決めている」。どちらも、条件をすべて守りながら一番よい計画を「決める」作業が、人の手に残っている状態です。 この「決める」作業を計算で引き受けるのが数理最適化です。2026年は物流や電力、交通で導入の発表が続いています。本記事では、その仕組みを小さな例で説明し、機械学習（予測）との違い、事例8選、AIとの組み合わせ方、導入の5ステップを解説します。 東京大学松尾研発のAIスタートアップとして、需要予測と数理最適化を組み合わせた開発を手がける弊社がまとめました。読み終える頃には、自社のどの計画から最適化を試し、何を準備すべきかが見えているはずです。 数理最適化とは？機械学習（予測）との違いと、答えを計算で探す仕組み 数理最適化とは、「何をよくしたいか（目的）」「何を守るか（制約）」「何を決めたいか（変数）」を数式で表し、制約をすべて守る答えのなかから、目的が最もよくなるものを計算で探す方法です。図の配送ルートなら、総走行距離が目的、車の台数や顧客ごとの時間指定が制約、どの車がどの顧客をどの順に回るかが変数にあたります。 担当者がExcelで配送表や勤務表を組むときも、頭の中では同じ3つを扱いながら、条件を確かめて表を埋めています。数理最適化は、この判断を式として書き出し、条件を守る案どうしの比較をコンピュータに任せる点が違います。 機械学習（予測）との違いは答える問いにあり、予測は「何が起きるか」、最適化は「どうするのが一番よいか」に答えます。予測が過去のデータから「来週の土曜は来店客が多そうだ」と見込むと、最適化はその見込みに合わせて「土曜の早番は3人以上」と制約の数字を変え、そのうえで誰をどの番に入れるかを決めます。両者は置き換え合うものではなく、つないで使うものです。 機械学習（予測）数理最適化答える問い何が起きるかどうするのが一番よいか出力見込みの値計画・割り当て必要なもの学習に使う過去のデータ目的・制約・変数の式と、距離や人数などの数字 目的・制約・変数で「よい計画」を数式にする 「よい計画」を数式にするとは、計画表に書き込む中身を変数に置き、守る条件と目指す値をその変数の式で書くことです。例として、5人で1週間分の早番と遅番を組む勤務表を考えてみましょう。変数は表のマス目そのもので、「Aさんが月曜の早番に入るなら1、入らないなら0」という値をマスごとに置きます。 制約は、このマス目の足し算で書けます。「毎日、早番は2人以上、遅番は1人以上」は「その日の早番のマスの合計が2以上、遅番のマスの合計が1以上」、「同じ日に早番と遅番の両方には入らない」は「その人のその日の2マスの合計が1以下」、「1人の勤務は週5日まで」は「その人のマスの合計が5以下」、「遅番の翌日に早番は入れない」は「その人の、ある日の遅番と翌日の早番のマスの合計が1以下」という具合です。 目的も同じマス目の合計で表せます。例えば休み希望を出した日のマスを合計すると「希望を断った回数」になり、これを最小にします。この式をソルバー（＝最適化の計算を行うソフトウェア）に渡すと、0と1の入れ方を探り、制約を1つでも破る案は外して、残った案のなかで休み希望を断る回数が最も少ない表を返します（規模が大きい場合は、決めた時間内で見つかった最もよい表）。 目的を変えれば、返ってくる表も変わります。例えば「勤務日数の差を最も小さくする」を目的にすれば、特定の人に勤務が偏らない表が選ばれます。何をもって「よい計画」とするかを決めるのは人で、計算はその定義どおりに答えを探します。 人の計画を上回る理由と、外れる3つの原因 最適化が人の計画を上回りやすいのは、組み合わせが多すぎて、人は一部しか比べられないからです。先ほどの勤務表でも、70個（5人×7日×2つの番）のマスへの0と1の入れ方は10の21乗通りを超えます。配送では、1台で回る顧客が10件なら順番は約363万通り、15件なら約1.3兆通りに跳ね上がります。 人が組む場合は、経験則で候補を絞り、条件を満たす案が1つ見つかった時点で手を止めるのが現実的です。ソルバーも全通りは試しませんが、条件を満たす案が見つかったあとも探し続けます。 その際、途中まで組んだ段階で「この先どう組んでも手元の最良の案に勝てない」と分かった候補は、その先まで調べずにまとめて外します。例えば途中までで希望を3回断っている表は、残りをどう埋めても3回を下回らないため、手元に2回の案があればその先は調べません。こうして無駄な探索を省くので、限られた時間でもよりよい案にたどり着きやすくなります。 一方で、最適化は書かれた式に忠実なため、外れ方にも型があります。第1は目的の決め方の誤りです。配送では車を1台増やすと拠点との行き来がその分増え、距離の合計が増えやすいため、距離だけを最小にすると少ない台数に配送先が集まり、残業の多い計画が「最適」として返ってくることがあります。 第2は制約の書き漏れです。勤務表で「新人だけの番は作らない」という決まりを式に入れていなければ、新人2人だけの早番が組まれることがあります。担当者には当たり前の条件ほど式から漏れやすく、計算上は最適でも実行できない計画が出ます。 第3はデータのずれです。標準作業時間や在庫数が実態と合っていなければ、式が正しくても答えは外れます。そのため導入では計算手法より先に、目的・制約・データが現場と合っているかを確かめます。 数理最適化のビジネス事例8選｜配送・勤務・在庫・価格・生産 数理最適化やAIが計画づくりや判断を支えている事例を、企業や自治体の公式発表をもとに8件紹介します。導入予定や技術確立の段階の事例も含むため、段階は事例ごとに書き添えています。このうちローソンとトライアルの2件は、発表で手法を数理最適化と明示していませんが、値引きや発注という同じ「決める」問題をAIで支える例として載せています。 サントリーロジスティクス：判断基準とデータ連携を整えて自動配車を導入 サントリーロジスティクスは2026年10月から2支店で、オプティマインドの自動配車システム「Loogia」を順次導入します。配車は車両の積載条件や届け先ごとの受け入れ条件、契約形態といった多くの制約を同時に満たす必要があり、受注を車両に合わせて分け直す作業は熟練担当者の経験に支えられてきました。 発表は、自動配車では計算そのものより、計算に必要なデータを整えることに多くの労力がかかると説明しています。同社は受注データなどを計算に使える形へ変える仕組みを整え、現場で積み重ねられてきた条件を一つずつ整理してシステムに反映しました。 参照元：サントリーロジスティクス・オプティマインド「配車業務の効率化と、持続可能な物流の実現に向け 自動配車システムを導入」（2026年10月） 四国電力：石炭配船計画を自動で作り、数億円規模の燃料調達コスト削減を見込む 四国電力とALGO ARTISは2026年10月、「OPTIUM」で石炭の配船計画（＝どの船でいつ石炭を運ぶかの計画）を立てる本格運用を始めました。経験頼みだった配船と調達の時期・数量を、発電所の在庫状況や船の運航状況、契約条件などを踏まえて最適化し、従来の計画と比べ数億円規模の燃料調達コスト削減を見込みます。 参照元：四国電力・ALGO ARTIS「石炭配船計画策定業務におけるAI最適化ソリューションの本格運用の開始について」（2026年10月） 神戸市交通局：バスのダイヤと仕業をAIで作り、残業時間45％減を試算 神戸市交通局は2026年10月、バスのダイヤと運転士の仕業（＝1日の乗務の割り当て）づくりに「OPTIUM」を使い始めました。どちらも休憩や連続運転時間といった勤務条件を守って組む必要があり、従来は1案の作成に約5か月かかって、複数案の比較も困難でした。 AIはダイヤと仕業の組み合わせを一体的に最適化し、条件を変えて計算を繰り返せば複数の案も作れます。AIの計画案では回送距離（＝客を乗せずに走る距離）22％と運転士の年間残業時間45％の削減が試算され、最終判断は担当者が案を比べて行います。 参照元：ALGO ARTIS「神戸市バスの持続可能な運行をAIで支援、ALGO ARTISの計画DXソリューションを10月より活用開始」（2026年10月） トライアルカンパニー：AIの発注最適化を264店舗に導入し、実証で在庫20％削減 トライアルカンパニーは2026年2月までに、AIで発注量を決める仕組みを264店舗に導入し終えました。棚に収まる量を条件に加えて過剰な発注を抑える仕組みで、同社は補充業務を約10％軽減し、在庫を20％削減する成果が実証されたとしています。 参照元：トライアルホールディングス「トライアル、スーパーセンターへのAI発注最適化ソリューション「CIX-自動発注」導入完了」（2026年2月） ローソン：経験頼みだった値引き額をAIが推奨し、全国の店舗で運用 ローソンは2021年6月、天候や販売、在庫のデータからAIが弁当などの値引き推奨額を示す実験を始めました。値引きの時間や額は店舗の経験に頼る部分が大きかったものの、いまは発注システム「AI.CO」を通じて全国の店舗でAIが推奨しています（AIの算出方法は公表されていません）。 参照元：ローソン「ＡＩを活用した値引き販売の推奨の実験 東北地区の一部店舗から実施」（2021年6月）、「食品ロス削減プログラム「FOOD GOOD SMILE」寄付施策第３弾開始」（2026年6月） 日本製鉄：製鋼工程の週次計画を数秒から数分で作り、計画時間を70％削減 日本製鉄と日鉄ソリューションズは2023年10月、数理最適化による製鋼工程の生産計画システムの本格運用を君津地区で始めたと発表しました。週次計画は単純計算で10の300乗通りの選択肢から選ぶ問題で、熟練者が数時間かけて立案していました。 システムは熟練者と同等以上の案を数秒から数分で出し、計画時間を70％削減しました。前提条件を変えた複数の案も作れるようになり、担当者は案の評価や修正、最終的な確定といった判断に時間を充てています。 参照元：日本製鉄「数理最適化技術を応用した業務改革を実現する生産計画システムの開発について」（2023年10月） YOKU MOKU CREA：菓子の生産計画の初期案づくりを2〜3週間から1日に短縮 ヨックモックグループの製造子会社YOKU MOKU CREAは、少数の熟練者に頼っていた約150品目・32ラインの生産計画を、ソルバー「Gurobi」で作った専用システムに移しました。鍵は目的と制約を明確に定義することで、初期計画の作成は2〜3週間から1日になり、工場ごとの年間作業時間も約600時間減りました。 参照元：Gurobi「Optimizing Daily Production: How YOKU MOKU CREA CO., LTD. Transformed Operations with Gurobi」（2026年10月確認） 豊田自動織機・シャープ：自動倉庫の出庫計画の計算時間を約5分の1に短縮 豊田自動織機とシャープは2026年9月、量子アニーリング（＝膨大な組み合わせからよい答えを探す計算方式の一つ）を一般的なコンピュータで再現し、自動倉庫の出庫計画に使う基盤技術を確立しました。出荷期限や搬送経路が絡む計画で、物流センターでの検証では計算時間が従来の約5分の1になり、今後は実運用環境で検証します。 参照元：豊田自動織機「疑似量子アニーリング技術を活用した自動倉庫における出庫計画算出の基盤技術を共同で確立」（2026年9月） 8件を踏まえると、最初に取り組むなら条件が多い計画、少数の熟練者に作成が集中している計画、くり返し作る計画が向きます。条件が多いほど組み合わせが増えて人の計画との差が開きやすく、熟練者に集中している計画ほど作成時間の短縮と属人化の解消が同時に効き、くり返し作る計画ほど一度作った式を使い回せるためです。 最適化のAI活用は「予測→最適化→人の判断」の3段で組む 数理最適化をAIと組み合わせる基本形は、予測→最適化→人の判断の3段です。予測AIが需要や所要時間の見込みを出し、最適化がその見込みを入力に計画を計算し、最後に人が式にない事情を見て確定します。 総菜の発注で考えてみましょう。予測AIが品目ごとに「明日はコロッケが120個ほど売れる」と見込みを出すと、最適化の式では、この120個を「これを超えて発注した分は売れ残る」という前提に使って、品目ごとの利益を計算します。 ただ、すべてを見込みどおりに発注すると、揚げる作業の時間や売場の棚が足りない日があります。そこで揚げる時間と棚の広さを制約として、どの品目を何個減らせば利益の減りが最も小さいかを計算します。数は最後に担当者が、近くの催しのような式にない事情を見て確定します。 予測がなければ計画は過去の平均頼みで需要の波に遅れ、最適化がなければ予測値を見て人が決める手間が残ります。冒頭の「需要予測AIを入れたのに、発注量は人が決めている」状態は、最適化の段が欠けている症状です。 人の判断は、最後に目を通すだけの段ではありません。急な欠勤や設備の不調など式にない事情に合わせて案を直し、理由を記録して、足りない条件を式に戻すところまでが役目です。この段が仕組みとして用意されていないと、現場は計算の案を毎回同じように手で直し続け、やがて計画を信用しなくなります。 では、ChatGPTのような生成AIに計画を作らせればよいのでしょうか。生成AIは学習した大量の文章の傾向からもっともらしい続きを作る仕組みで、勤務表を直接書かせた場合は、それらしい表は返ってきても、すべての条件を守っているか、もっとよい表がないかを確かめながら作ってはいません。 そのため生成AIを使うなら、条件を文章で渡してソルバー用のコードの下書きを書かせ、計算はソルバー、式と結果の確認は人と分けるのが安全です。式づくりに生成AIを使う例も出ています。 AGCは専門人材の不足を受け、数理最適化の社内基盤を2025年6月から運用しています。課題を生成AIで整理して最適化の計算に適した形へ変え、合う計算手法を自動で選んで実行する仕組みで、課題発見から解決策の提案までの期間を従来の半分以下にしました。 参照元：AGC「AGC、AIを活用した数理最適化プラットフォームの社内運用を開始」（2025年12月） 予測と最適化をつなぐ例では、弊社も首都圏の大手スーパーで、値引き率まで含めた販売計画を予測と最適化で出す仕組みを作り、1か月の実証で売上と利益が10％増えました。詳細は「需要予測AIの仕組みと活用事例5選｜導入が失敗する3つの壁」で紹介しています。 参照元：株式会社EQUES「ココロミ」（2026年10月閲覧） 判断を支える例では、スカパーＪＳＡＴと弊社が、静止軌道衛星の位置を保つ軌道制御（マヌーバ）の計画づくりで、AIが候補案や実績に合わせた補正案を出す手助けができるかを検証しています。AIの出力はエンジニアが確認する前提です。 参照元：株式会社EQUES「【スカパーＪＳＡＴ】静止軌道衛星の軌道保持業務にAIを。「マヌーバ計画立案」の判断支援に挑む概念実証」（2026年10月） ココロミ の詳細はこちら 数理最適化の導入の進め方5ステップ｜飛ばすと起きること 数理最適化の導入は次の5ステップで進め、前半の3つで計算の前の準備を固めます。 ステップ1：自動化する判断を1つに絞る。対象の計画を1つ決め、いまの作成時間やコストを測っておきます。計画ごとに目的も制約も違うため、まとめて始めると式も評価もぼやけるからです。飛ばすと比べる基準がなく、効果の評価が印象論で終わります。 ステップ2：目的と制約を書き出す。目指す値と守るべき条件を、計画の担当者と一緒に言葉にします。暗黙の条件は具体的な案を見て初めて口に出ることがあるため、過去の計画表や手作業の試算を見せて「この計画ではだめな理由」を挙げてもらうのが近道です。飛ばすと検証の途中で条件の追加が続き、結論が出ません。 ステップ3：入力データを点検する。距離や標準作業時間、在庫数といった計算に使う数字を実態と照らし、誰がいつ更新するかを決めます。飛ばすと、答えが外れたときに原因が式かデータか切り分けられません。外れた案が出たら、先に入力を実測と照らし、合っていれば式を疑います。 ステップ4：熟練者の計画と並べて検証する。同じ条件で熟練者の案と比べ、差が出た理由を確かめます。差の典型は、熟練者だけが知る暗黙の制約か、目的の重み付け（＝残業1時間を距離何km分と数えるかを決めること）の違いで、「この案は使えない」が続くならステップ2に戻って制約を書き足します。飛ばすと、採用の根拠を社内に説明できません。 ステップ5：人が確定する運用に移す。前述の「人の判断」の段を業務の手順に組み込み、担当者が案を直したときはその理由を記録します。飛ばすと例外への対応が止まり、式を直す材料も残りません。 このように、成否は計算の前の準備で分かれます。弊社は大規模開発の前に、AIの成立性を確かめるPoCサービス「ココロミ」を提供しています。 数理最適化に関するよくある質問 Q. 数理最適化はAIの一種ですか？ 数理最適化は、データから傾向を学ぶ機械学習とは別に発展してきた、式と計算で答えを探す技術です。ただ、製品や発表では最適化を含む仕組みも「AI」と呼ばれ、本記事の事例にも「AI最適化ソリューション」（四国電力）があります。名前より、何を予測し何を最適化で決めるのかを確かめると比べやすくなります。 Q. 身近な例はありますか？ 乗り換え案内が身近な例です。指定した出発時刻などの条件のもとで、到着が最も早い経路や運賃が最も安い経路を選ぶ問題を解いています。 Q. Excelのソルバーで足りますか？ 小さな問題ならExcelのソルバーで試算でき、本文の5人・1週間の勤務表（変数70個）も収まります。ただし標準版で扱える変数（変更するセル）は200個までで、10人・1か月分の早番と遅番なら600個になるため、Pythonなどから使う専用のソルバーが向きます。 参照元：Frontline Systems「Standard Excel Solver - Messages for the Solver Parameters Dialog」（2026年10月確認） まとめ 数理最適化の成否は、計算手法より目的・制約・データが現場と合うかで決まります。 数理最適化は条件を守るなかで最もよい計画を計算で探す技術で、AIと組むなら予測→最適化→人の判断の3段が基本 事例では、計画時間の70％削減や数億円規模のコスト削減見込みなどが示されている 導入は判断を1つに絞り、目的と制約の書き出し、データ点検、検証、人が確定する運用の順に進める どの判断から最適化すべきか迷われている段階でも、お気軽にご相談ください。最後までお読みいただき、ありがとうございました。 執筆：株式会社EQUES（東京大学松尾研発のAIスタートアップ。製薬・製造業のAI開発と、AI PoC「ココロミ」・AI相談「AI×DX寺子屋」を提供） 予測の次の「判断」を、PoCで自動化してみませんか AI PoCサービス「ココロミ」が、現状分析から検証・評価、アクションプランの策定まで伴走します。まずは無料相談からどうぞ。 無料で相談する ココロミを見る

異常検知AIとは？手法の比較・導入事例5社と失敗しない進め方
DX・業務改善

異常検知AIとは？手法の比較・導入事例5社と失敗しない進め方

2026.10.30

記事の要約 異常検知AIとは、データの中から「いつもと違う」ものを見つけるAIで、代表的なのは正常なときのデータだけで「いつもの状態」を学び、外れ具合を異常度で示す方式です。 教師なし学習は正常データだけを、教師あり学習は正常と不良に正解のラベルを付けたデータを学習に使うため、不良品データが少ない現場では教師なし学習から始めます。 異常検知AIが現場に定着しないのは、不良品データが少ない、季節やロットで条件が変わる、判定の根拠が求められる、という製造現場の実情に合っていないときです。 「設備の故障の兆しを、AIで早くつかめないか」「目視検査の負担を、AIで減らせないか」。設備保全や品質管理を担当していて、こうした検討を任された方もいるのではないでしょうか。 しきい値によるアラームや目視検査はすでに現場で回っていても、AIがどうやって「いつもと違う」を見分けるのか、どの手法を選べばよいのかは見えにくいものです。導入はしたものの、「誤検知が多く現場が使わなくなった」と悩んでいる担当者もいるでしょう。 本記事では、異常検知AIの仕組みを具体的な場面で説明し、手法の選び方、国内5社の導入事例、失敗しない進め方までを、東京大学松尾研発のAIスタートアップとして製造業のAI開発を支援してきた弊社の視点で解説します。読み終える頃には、自社の設備やラインにどの手法が合うのか、判断の軸が定まっているはずです。 異常検知AIとは？従来の検査手法との違い 異常検知AIとは、データの中から「いつもと違う」ものを見つけ出すAIです。代表的なのは、設備や製品が正常なときのデータだけを学習させ、「いつもの状態」からどれだけ外れているかを数値で示す方式で、本記事でもまずこの方式から説明します。「温度が80度を超えたら異常」のように人が決めた固定値で項目を一つずつ見るしきい値判定に対し、異常検知AIは、データから覚えた「いつもの状態」との違いで判定します。 この違いが効くのは、どのような場面でしょうか。例えば、負荷が高いときほど振動が大きくなるモーターを、振動値のしきい値で監視しているとします。しきい値は、高負荷のときの普段の振動で警報が鳴らないよう、高めに置くしかありません。そのため、軸受が傷み始めて軽負荷のときの振動が普段より大きくなっても、値はしきい値の下にとどまり、警報は鳴りません。 異常検知AIは、こうした項目どうしの関係を「いつもの状態」として覚えます。正常に動いていた期間の電流（負荷の大きさ）を横軸、振動を縦軸にとって点を打つと、点は右上がりの帯のように並びます。新しいデータの点がこの帯から離れるほど、AIは「いつもと違う」度合いを表す数値、つまり異常度を高く出します。軽負荷なのに振動が大きい点は、しきい値より低くても帯から外れるため、異常度が上がるのです。 最後に異常度に線を引いて警報を出す点は、しきい値監視と同じです。違うのは、線を引く対象が、センサーの値そのものから「いつもとの違いの大きさ」に変わることです。 この方式でAIに見せるのは、正常なときのデータだけです。故障したときのデータを用意しなくてよいため、過去に経験したことのない故障でも、いつもと違えば異常度が上がります。その代わり、AIが示すのは「いつもと違う」までで、原因が軸受の傷か、運転条件の変化かを見分けるのは人の役目です。 カメラ画像を使う外観検査でも、考え方は同じです。人が「黒い点が一定の大きさを超えたら不良」のように条件を書き出すルールベースの検査と違い、良品の画像を学習したAIは、良品の見た目から外れたところを拾います。そのため、条件に書いていなかった種類の傷や汚れも検出できる場合があります。 ただし、異常検知AIは、しきい値判定や目視検査の完全な代替ではありません。寸法や安全上の上限のように規格値がはっきりしているものは、しきい値判定のほうが確実で、判定の理由も説明しやすいからです。AIが力を発揮するのは、劣化の予兆や複数の条件が重なる不良など、規格値では書き表しにくい「いつもと違う状態」を捉えたい場面です。既存のしきい値監視は残し、その手前の変化をAIで拾う形で組み合わせます。 異常検知AIの主要な手法と選び方 異常検知AIの手法は、学習のときにAIに何を見せるか（正常データだけか、正常と不良の両方か）と、扱うデータの種類（センサーの数値か、画像か）の2つの軸で整理すると選びやすくなります。最初の分岐は、不良品のデータがどれだけあるかで、これで1つ目の軸が決まります。 正常データだけを見せる方式は教師なし学習と呼ばれ、前の章で説明した仕組みがこれにあたります。一方、正常と不良の両方に「これは正常」「これは傷」「これは異物」といった正解の札（＝ラベル）を付けて見せ、両者を分ける境目を覚えさせる方式が教師あり学習です。「教師」とは、この正解の札のことです。 不良が年に数回しか出ない工程や、故障の経験が少ない設備の予兆監視では、教師あり学習に見せる不良の例がそろわないため、教師なし学習が現実的です。不良の種類ごとに記録と写真がそろっているなら、教師あり学習も選べます。2つ目の軸では、振動や電流などの数値と外観検査の画像とで使う手法が変わり、組み合わせると次のようになります。 学び方センサーの数値（振動・電流・温度など）画像（外観検査）正常データのみで学ぶ（教師なし学習。不良のラベルは不要）設備の予兆監視に向く。T²法、Isolation Forest、One-Class SVM、オートエンコーダなど良品の画像だけで傷・汚れ・欠けを拾う。照明や角度が変わると精度が落ちる正常と不良の両方で学ぶ（教師あり学習。ラベルが必要）繰り返し起きる不良や故障を種類まで見分ける。学習していない種類の不良は見逃しやすい不良の種類ごとに画像を学ばせて見分ける。不良画像の収集とラベル付けが要る 迷ったときは、教師なし学習から始め、不良の記録がたまったら教師あり学習を加えるのが現実的です。AIが知らせた「いつもと違う」を現場で確かめ、「軸受の傷だった」「段取り替えの影響だった」と記録していけば、その記録がそのまま正解の札付きのデータになるからです。こうして、よく出る不良は教師あり学習で種類まで見分け、初めての不良は教師なし学習で拾う、という役割分担ができます。 教師なし学習：正常データだけで学習する 教師なし学習の手法は、どれも正常データのまとまりから新しいデータがどれだけ離れているかを測ります。違うのはその測り方で、代表的な4つは次のとおりです。 ホテリングのT²法：正常データの平均からの離れ具合を、「負荷が上がれば振動も上がる」といった項目どうしの連動を踏まえて測ります。どの項目が効いたかを示せるため、判定理由を説明しやすい手法です Isolation Forest：データの範囲にランダムな区切りを入れていくと、ほかから離れたデータほど早く1つだけ切り離されます。この切り離しやすさを異常度にする手法で、計算が軽く、項目やデータ量が多い場合に向きます One-Class SVM：正常データを囲む境界線を学習し、外側を異常とみなします。境界を決める設定の調整に経験を要します オートエンコーダ：データを圧縮して元に戻す練習を正常データだけで行わせるため、見たことのない形はうまく元に戻せず、そのずれを異常度にします。振動の波形や画像のような複雑なデータに向きます 選び方の目安は、扱うデータと、判定理由をどこまで説明する必要があるかです。温度や電流のようなセンサー値を監視し、「なぜ止めたのか」を現場に説明する必要があるなら、まずT²法から試すのが実務的です。 振動の波形や画像を扱うならオートエンコーダ、項目が多くデータも大量ならIsolation Forestが候補です。正常データのまとまりが単純な形にならない場合は、その形に沿って境界を引けるOne-Class SVMも選択肢になります。 教師あり学習：不良品データが十分にある場合 不良品データが十分にあるかは、件数だけでなく、見分けたい不良の種類ごとに発生の記録と写真やセンサーデータがそろい、どれが何の不良かを後から確かめられるかで判断します。そろっていれば教師あり学習が使え、正解の札を手がかりに境目を直接学ぶため、学習した種類の不良は高い精度で見分けられます。札を不良の種類ごとに分けておけば「どの不良か」まで判定でき、種類に応じた対処にすぐつなげられます。 一方で、学習していない種類の不良は検出できる保証がなく、見逃しやすくなります。AIは見せられた札のどれかに当てはめて判定するため、初めて出た不良が「正常」に振り分けられれば、そのまま流出するおそれがあるからです。大量のデータに人が一つずつ札を付ける手間も、見落とされがちな負担です。 画像・映像を使った異常検知 外観検査では不良の画像が集まりにくいため、良品の画像だけを学習させ、良品の見た目の範囲から外れた部分を傷や汚れ、欠けとして拾う方法が広く使われています。多くの手法は画像を細かな部分ごとに良品と比べるため、どこが違うのかを色の濃淡で示せ、検査員は見るべき場所をすぐに確かめられます。 注意したいのは、撮影条件の変化に弱い点です。AIは学習したときの照明の当たり方やカメラの角度まで含めて「良品の見た目」として覚えるため、照明が少し変わっただけで、良品まで「いつもと違う」と判定されやすくなります。導入時は、検査治具で製品の位置と向きをそろえ、照明を固定するところまで設計します。 異常検知AIのメリットと国内メーカーの導入事例 異常検知AIを導入すると、主に3つの点が良くなります。それぞれの理由を説明し、国内メーカー5社の公表事例で確かめます。 1. 検査品質の安定 目視検査は、検査員の熟練度や疲労で判定がばらつきます。異常検知AIは、同じモデルと同じ異常度の線ですべての製品を判定するため、時間帯や担当者による差が出にくくなります。見た目の良否のように基準を言葉にしにくい工程ほど効果が大きいのは、人が条件として書き出せない部分を、良品のデータから学んで補えるからです。 2. 突発停止の抑制 設備の劣化は、故障の前に振動や電流値のわずかな変化として表れることがあります。最初の章のモーターの例のように、しきい値に届く前の変化を異常度の上昇として捉えれば、故障で止まる前に点検できます。部品の手配や停止の時期を生産計画に合わせて前もって決められるため、突発停止を計画的な保全に置き換えられます。 3. 技能の継承 熟練者は、長年見てきた「いつもの状態」と比べて異変に気づきます。異常検知AIも正常なときのデータから「いつもの状態」を覚えるため、異変に気づく役目の一部をAIが受け持てます。ただし、熟練者の判断そのものを残すには、熟練者が下した良否の記録が要ります。その記録を教師あり学習の材料にしていけば、退職による技能の喪失リスクを下げられます。 国内5社の公表事例は次のとおりです。 企業対象方式公表されている効果JFEスチール製鉄所の生産設備の異常予兆監視正常時からの外れ度合いを指標化する「J-dscom」最初に導入した熱延工場で年間50時間以上（生産量3万t以上）相当のトラブル抑止東芝ライテック車載用LED製造ラインの外観検査良品学習方式のAI画像検査を既存の検査装置と併用検出精度の目標値95％を達成、目視作業の工数を約3分の1に削減ダイキン工業・JDSC市場に出た空調機器の不具合監視過去の不具合データを学習したAI従来より1年以上早く不具合をフィードバック（試験運用で確認）武蔵精密工業・ABEJA自動車部品（ベベルギヤ）の検品良品データのみから不良を判定する画像解析約4か月の実証実験で目視と同程度の精度のモデルを構築キユーピー惣菜原料（カット野菜）の検査良品のパターンを学習し、「良品以外」をすべて不良として検出する自社開発の検査装置精度の向上と作業効率の向上を挙げる（数値の記載なし） 表の5社を手法の違いで分けて読むと、自社に近い例と、3つのメリットとの対応が見えてきます。突発停止の抑制に当たるのは、電流・圧力・流量・温度・振動などのデータから、正常時の基準値に対する外れ度合いを異常度として指標化するJFEスチールの「J-dscom」です。効果を停止時間と生産量で示しているため、止まらなかった時間に時間あたりの生産額を掛ければ、投資対効果を金額で説明できます。 検査品質の安定に当たるのは、外観検査の3社です。東芝ライテックでは、ルールベースの検査装置について、どこまでチェックする範囲を広げればよいかに正解がなく、未知の不良の流出を防ぐ仕組みにもなっていなかったと説明されています。そこで装置を置き換えず、良品学習方式のAIを組み合わせ、今回のケースでは初期費用を約2分の1に抑えたとしています。 武蔵精密工業とABEJAの実証実験、キユーピーの検査装置も、良品のデータだけで不良を見分ける方式で、不良品データが少なくても始められることを示しています。なお、技能の継承を効果として挙げた事例は、今回の5社の公表内容には見当たりません。 ダイキン工業とJDSCは、3つのメリットとは別の、市場に出た製品の不具合を早く見つける使い方です。過去の不具合とそれに伴う製品対応のデータを学習させており、不具合の記録が積み上がる領域では、不具合側のデータを学ぶ方式も選べることを示しています。 参照元：JFEスチール（2021年9月）／東芝デジタルソリューションズ・導入事例（2025年3月取材）／ダイキン工業（2022年3月）／武蔵精密工業（2018年2月）／キユーピー（2019年2月） 異常検知AIが現場に定着しない3つの理由 異常検知AIを導入しても、現場に定着しない例もあります。既製のパッケージでは、製品の品質より、汎用製品が想定する使い方と、現場の実情が合わないことが原因として考えられます。同じことは個別に開発したモデルでも起こりえます。合わなくなりやすいのは次の3点です。 1. 不良品データの不足 異常データでの学習を前提とする製品は教師あり学習で、不良の例から境目を覚えるため、歩留まりが高く不良が年に数回しか出ない工程では精度が出にくくなります。データ不足のまま導入すると見逃しや誤検知が多発するため、選定の段階で、正常データだけで学習できる方式かを確かめます。 2. 現場の環境変化への弱さ 原材料のロットや季節による温度・湿度の変化を、汎用製品は「異常」と判定しがちです。例えば、春に集めた正常データだけで学習したモデルを夏に使うと、気温の上昇で設備の温度や振動が少し変わっただけで「学習した正常の範囲の外」と見なされ、警報が増えます。誤検知が続けば現場はアラートを無視し、システムは形骸化します。 対策は、季節やロットの変動を含む期間の正常データで学習することと、気温やロットを入力の項目に加え、「この気温ならこのくらい」という関係ごと覚えさせることです。そのうえで、条件が変わったらモデルを再学習する体制を持ちます。パッケージを選ぶ際は、条件の変化に合わせて再学習できる仕組みかを確かめます。 3. 判断根拠が見えない AIが「異常度が高い」とだけ示し、なぜ異常かを説明できなければ、ラインの担当者は設備を止めるべきか判断できず、品質保証の担当者も不合格の理由を記録に書けません。これでは現場の信頼を得られず、品質記録を残す工程では採用の障害にもなります。精度の数値だけでなく、どのセンサーが異常度を押し上げたのか、画像のどこが違うのかといった判定の根拠を示せる仕組みかを確かめます。 一方で、前章の東芝ライテックのように、既製のパッケージで成果を出せる現場もあります。検査対象が規格化され、撮影条件が安定した工程なら、既製品のほうが短期間で導入できます。成否を分けるのは、製品か個別開発かではなく、データ量・環境変化・説明責任の3点に合わせて調整できるかです。 失敗しない異常検知AIプロジェクトの進め方 異常検知AIの成否は、モデルの精度より前の段階で決まります。概念実証（PoC）で「異常の8割を検出できた」という結果が出ても、見逃してはいけない異常や、1日に受け止められる誤検知の回数を決めていなければ、それで十分かを誰も判断できないからです。 NEDOの「スマートマニュファクチャリング構築ガイドライン（第2版）」（2025年5月）も、経営や業務の変革課題を特定するところを起点に、導入前の企画・構想設計に重点を置いています（参照元：NEDO）。 解決したい課題を1つに絞る：「品質を上げたい」ではなく、「Aラインの外観検査で傷の見逃しを減らす」「このポンプの突発停止を計画停止に置き換える」まで具体化します。対象が決まれば、見るべきデータも評価の物差しも決まります 手元のデータを棚卸しする：どのセンサーの値が、どの間隔で、どの期間分残っているかを確認します。1分ごとの平均値だけでは振動の波形は追えず、季節をまたぐ期間がなければ季節の変動を学べません。保全記録で故障の日時がわかれば、故障の前に劣化が進んでいた期間を学習用の正常データから外せます。混ざったままだと、AIは劣化した状態まで「いつもの状態」として覚えてしまうからです。不足していれば、記録の仕組みづくりから始めます 小規模な概念実証（PoC）で見極める：1つの設備・1つの検査項目に絞り、検出できる異常と誤検知の頻度を実測します。保全記録にある過去の故障の前に、異常度が上がっていたかも確かめます。異常度の線を低くすれば見逃しは減る代わりに誤検知が増え、高くすればその逆になるため、どちらをどこまで許容するかを先に決めておきます 現場の運用に組み込む：アラートが出たら、誰が、いつまでに、何を確かめ、結果をどう記録するかまで決めます。決めていないと、検知しても活用されません 継続的に再学習する：原材料の変更や季節、設備の更新など、モデルを更新するきっかけと担当者を、運用開始前に決めておきます。決めないと、誤検知が増えてもモデルが放置されます 概念実証の手順は「PoCの進め方｜5つのステップとチェックリスト・成功事例4選」で解説しています。 異常検知AIは、値が記録として残っていなければ学習も判定もできません。その記録づくりの例として、細胞・遺伝子治療の製造を受託するCyto-Factoでは、通信機能のない機器の液晶パネルの表示を、作業員が手作業で記録していました。弊社は、この表示をAI-OCR（AIによる文字読み取り）で読み取って記録する仕組みの開発を支援しています。 参照元：株式会社EQUES「AI-OCRで製造現場の記録を自動化｜Cyto-Factoの導入事例」（2025年10月） 異常検知の事例ではありませんが、概念実証で、できることと足りないものを先に確かめた例もあります。SOLIZE PARTNERSとの取り組みでは、弊社の概念実証サービス「ココロミ」で、熟練技術者の設計ノウハウをAIに組み込めるかを見極めました。単純な形状なら3D CADデータを自動生成できる一方、複雑な形状にはデータの事前整備が要るとわかりました。 参照元：株式会社EQUES「SOLIZE PARTNERSが語る、製造業のDXにおけるAI活用のはじめの一歩」（2025年10月） ココロミ の詳細はこちら 異常検知AIに関するよくある質問 Q. 異常検知AIと予知保全は、何が違いますか？ 異常検知AIは「いまの状態がいつもと違うか」を知らせる技術で、予知保全は、設備の状態から故障の時期を見込んで保全の時期を決める考え方です。異常検知は予知保全の入り口にあたり、劣化の進み方のデータが蓄積されると、故障までの残り時間を見積もる段階に進めます。 Q. ChatGPTのような生成AIで、異常検知はできますか？ 生成AIに産業用の画像を見せて異常を判定させた評価（ICLR 2025）では、当時最良のGPT-4oでも検査の設問の平均正答率は74.9%で、著者らは産業の要求水準に遠く及ばないとしています。現時点では、検知は本記事で紹介した手法で行い、生成AIは検知結果を文章で説明する用途から試すのが安全です。 Q. 異常検知AIのために、センサーを新しく付ける必要はありますか？ まずは、PLCやデータロガーにすでに残っている電流・温度・圧力などのデータから試せます。ただし、見つけたい故障の兆しが手元のデータに表れるとは限りません。例えば、軸受の傷みは振動に表れやすいため、振動を測っていない設備ではセンサーの追加を検討します。 Q. 導入までにどのくらいの期間がかかりますか？ 対象範囲とデータの整備状況で変わります。データがそろっていれば、概念実証は数か月規模で実施できます。記録の仕組みから作る場合は、その準備期間が加わります。 参照元：Jiangほか「MMAD」（ICLR 2025） まとめ：異常検知AIは手法よりデータの状況から選ぶ 異常検知AIは、データの中から「いつもと違う」ものを見つける仕組みで、代表的なのは正常なときのデータだけで「いつもの状態」を学び、外れ具合を異常度として示す方式です。成否を分けるのは手法の種類より、手元のデータの見極めです。 手法は不良品データの量で選び、データが少ないうちは正常データだけで学ぶ教師なし学習から始めます 現場に定着させるには、既製品か個別開発かを問わず、データ不足・環境の変化・判定の根拠の3点に合わせて調整できるかを確かめます 課題の絞り込み、見逃しと誤検知の許容範囲、アラート後の対応、再学習の体制を、導入前に決めておきます 異常検知AIの検討でお悩みの際は、お問い合わせよりお気軽にご相談ください。最後までお読みいただき、ありがとうございました。 執筆：株式会社EQUES（東京大学松尾研発のAIスタートアップ。製薬・製造業のAI開発と、AI PoC「ココロミ」・AI相談「AI×DX寺子屋」を提供） 異常検知AIを自社データで試しませんか AI PoCサービス「ココロミ」が、現状分析から検証・評価、アクションプランの策定まで伴走します。まずは無料相談からどうぞ。 無料で相談する ココロミを見る

contact us

お問い合わせはこちら

まずはお気軽にご相談ください

お問い合わせはこちら