TebikiでCTOをしている渋谷（@shibukk）です。
今回は、製造業におけるAIの役割をリアルタイムな判断の支援にまで引き上げ、次のトヨタ生産方式を作ろうとしている、というお話です。
ここ1年、製造業の現場でもAI活用の話を聞く機会がかなり増えてきました。
お話させていただく工場でも、現場のデータを集めダッシュボードを作り、AIで品質を分析するといった投資は一般化しつつあります。
ですが、現場に足を運びユーザーの声を聞くたびに感じることがあります。
作業そのものは、ほとんど変わっていないということです。
迷いがスループットを規定している
工程の前で、作業者が流れてきた製品を見て一瞬考える。
「これ、どうやるんだっけ？」
そのあとは、記憶を頼りに作業をするか、近くの熟練者に確認するか、あるいはマニュアルを探し始めるか。
工場の作業とは、突き詰めれば連続した判断の積み重ねです。
この光景はどの工場でも頻繁に見かけますが、多品種少量生産が当たり前になった今、現場で求められる判断の数は加速度的に増加しています。
製品ごとに条件が変わり、工程ごとに注意点が変わり、判断分岐が増えるからです。
もちろん一回の迷いは数秒です。しかしそれが一日に何百回も起きればどうなるでしょうか。
作業の遅れ、手順の揺らぎ、品質のばらつき。これらは設備ではなく判断の瞬間で生まれます。
つまり工場のスループットは設備能力だけで決まるわけではなく、現場で繰り返される判断の迷いもまたボトルネックになるのです。
分析だけでは現場は変わらない
品質トラブルが起きると、多くの組織は原因を分析します。作業条件、設備の状態、個人スキル、原因は様々です。そしてこれらを特定し、レポートにしてまとめる。
もちろんこの分析は重要です。でもそれは基本的に何かが起きたあとの情報です。
管理者が後からグラフを見て注意を促したところで、いま目の前で起きている作業ミスを止めることはできません。
現場が必要としているのは、分析結果を、判断が必要なその瞬間に提示することです。
一方で、人がまったく足りていない現場で、管理者が監視しつづけることは不可能です。
実例：生産管理システムとの連動
ここで、Tebikiを利用している企業で実際に運用されている仕組みを紹介します。
新設されたその工場では、キズ不良率2%以下という目標を掲げていました。ところが実際には4.5%前後の推移が続くという、深刻な課題に直面していたのです。
背景にあったのは、個人の熟練度や言語の壁、モチベーションの差ではありません。多品種混流工程が高度化した結果、作業に必要な情報の供給スピードが、物理的な生産スピードに追いつかなくなっていたのです。
もちろんマニュアルは存在していました。しかし、作業をするその瞬間には手元にない。
そこでその工場では、現品票のQRコードを使い、RPAを駆使して生産管理システムと連動させるという方法を取りました。作業者が着手するタイミングでQRを読み取ると、その工程のコツだけを映した数秒の動画が即座に流れるという仕組みです。これによってキズ不良率は1.5%まで大幅に低減しました。
つまり判断に必要な情報を引き出すスイッチを、物理的な作業フローの中に直接配置したのです。
ここで起きているのは、単なるマニュアルの動画化ではありません。作業の実行と情報の提示が同期しているのです。
これこそが、まさに現場の行動変容そのものです。
トヨタ生産方式が解いた問題
ここで思い出すのが、トヨタ生産方式です。
トヨタ生産方式の原理はシンプルです。それは徹底的なムダの排除、なかでも停滞の排除です。
「モノが止まる」「人が待つ」という物理的な停滞を徹底的に排除することでリードタイムを短縮する。その結果生まれたのがジャストインタイムです。
必要なモノが、必要なときに、必要なだけ流れる。
トヨタ生産方式は、モノの停滞をなくすシステムでした。
工場に残っているモノ以外の停滞
このトヨタ生産方式によって、工場の在庫は劇的に減りました。しかし現場にはまだ別の停滞が残っています。
それは、現場の判断が滞るという停滞です。
その原因の多くは、情報が現場に流れていないことにあります。
正しい手順は分厚いバインダーの中にあり、熟練者の判断基準は個人の記憶に依存しています。
モノは流れていても、どう作業するかという情報は流れていません。
今の工場は物理的にはジャストインタイムかもしれませんが、情報の観点では在庫の山が積み上がった状態のままです。
習熟コストの正体は情報の停滞にある
この情報の滞留は、そのままコストに直結します。
例えば、新人が一人前になるまでに数ヶ月かかる理由。それは製品ごとの工程にある細かな条件や判断を個人が記憶する必要があるからです。
この習熟待ちの時間こそが、製造業における最大のリードタイムです。
では、なぜ今それが可能になりつつあるのでしょうか。
現場のコンテキストをリアルタイムで扱える技術が揃い始めたからです。
もし作業者が工程に入る瞬間に、その製品固有の注意点や工程のコツ、間違えやすいポイントが即座に提示されるなら、数ヶ月の習熟期間は不要になるはずです。
現場から迷いを減らすことで、人は価値の高い改善や創意工夫に向き合えるようになります。
モノのジャストインタイムから判断のジャストインタイムへ
トヨタはモノのジャストインタイムを発明しました。
では、次に滞りをなくすべきものは何でしょうか。
それは判断のジャストインタイムです。
必要な判断材料が、必要な瞬間に、必要な形で提示される。判断を支援することで、作業のばらつきを物理的に抑える。
言ってしまえば、これは判断の治具です。
AIの価値は分析ではなく判断の支援
それを実現する上で、AIは重要な役割を持ちます。ただしAIの価値は分析をしたり回答を生成することではありません。
本当の価値は現場のコンテキストを理解し、作業の瞬間に判断を支援することです。
こうした状況判断は、ルールベースではすぐに破綻します。分岐が指数的に増えるからです。
膨大なパターンをリアルタイムで判断するためにはAIが必要になります。
例えば、次のようなインタラクションです。
- 作業者の手が数秒止まったらコツを表示する
- 特定の部品を持った瞬間に注意点を出す
- 初心者にはフル動画、ベテランには間違えた箇所だけ提示する
カメラやセンサーで捉えたリアルタイムの動作、個人の習熟スコア、製品仕様。これら複数の変数を照合し、「今、この瞬間に、どんな判断を支援すべきか」とAIが判定し、現場の行動をナビゲートするイメージです。
コンテキスト連動型のジャストインタイム
QRコードによる判断のジャストインタイムはすでに現場で大きな価値を生み出しています。次に挑むべきは、このAIとセンサーを駆使したコンテキスト連動型のジャストインタイムです。
もちろん、死角やノイズが多い工場という過酷な環境で、エッジデバイスとクラウドを連携させながらミリ秒単位の低遅延でこれを実現するのは、技術的に極めて難しい挑戦です。
だからこそ、この高度な状況判定によって現場の判断をリアルタイムに支援することに、AIの本当の価値があるはずです。
次のトヨタ生産方式を作る
トヨタ生産方式が作ったのは、モノが滞らない工場でした。
私たちが作りたいのは、判断が滞らない工場です。
工場にはデジタル化されていない一次情報がまだまだたくさんあります。熟練者の判断、紙に閉じたノウハウ、そして現場の知恵や工夫。
こういった熟練者の暗黙知を構造化データに変換し、必要な瞬間に届ける。
それは工場のラインを設計するのと同じです。設計するのは情報の流れそのものです。
私たちは、この判断のジャストインタイムこそが、次のトヨタ生産方式につながる概念だと考えています。
この情報の滞留をなくすというテーマに、エンジニアとして一緒に取り組みたいという方がいれば、ぜひ一度お話しさせてください！
