AIが不良品を見逃し品質保証が揺らぐ課題

はじめに ― 製造業におけるAI活用と不良品の見逃し問題

製造業の現場において、AI技術への期待は日々高まっています。
生産性向上、省人化、トレーサビリティの強化、品質管理の自動化。
これらの課題に対してAIがもたらすイノベーションは、まさに昭和からの伝統的なアナログ手法の地平を一気に塗り替えるものといえるでしょう。

しかし、一方で見落としてはならないリスクが現場で顕在化しつつあります。
AIが“不良品を見逃す”現象、その結果として“品質保証”そのものの信頼が揺らぐ事態。
とりわけ、生産管理・調達購買・品質管理・現場管理など経験者ほど、こうした現象への危機感を共有しています。

本記事では、実際の導入現場目線で起きている課題と、その背景事情。
そして今後のAIを組み込んだ品質保証体制の“進化の方向性”を、読者の皆様と一緒に考えていきたいと思います。

なぜAIは不良品を見逃すのか ― 現場の現実とAIの限界

教師データの限界と“未知の不良”への対応

AIによる画像検査や外観検査は、教師データとして大量の“正常品”や“不良品”の画像を学習させることで成立します。
ところが、現場では“想定外の不良”や“未知の不良”が一定確率で発生します。

例えば金属加工部品で、今までにないひび割れや、微細な表面異常。
誰も過去に経験したことがない不具合タイプ。
このような“未知の不良”は、AIが学習していないため不良と判定できず、あっさり流れてしまいます。

これは、人間の検査員なら「なんとなく違和感がある」「いつもと微妙に手触りが違う」といった、経験値による察知が可能でした。
しかしAIは現時点では定義されたパターン外を“違和感”として認知できません。
ここが根本的なギャップであり、近年品質保証現場で問題視されつつあるポイントです。

AIモデル作成時のバイアス ― 教師データの“偏り”問題

さらに問題なのは“教師データの偏り”です。
教育用に不良画像を数多く用意したつもりでも、実際の生産現場では“バリエーション違いの不良”や“複合的に絡み合った異常”が出現します。
教師データが想定していないパターンはAIの適用範囲外となり、「基準から微妙に外れているが検知できない」という抜け漏れが発生します。

この点、現場に根強く残る「ベテラン検査員」に頼る人海戦術の重要性が見直される動きも出ています。
AIが過去データの塊でしかない以上、“リアルタイムでの違和感キャッチ”能力は、まだまだ人の力が強い領域といえるでしょう。

AIに“責任”は取れない ― 品質保証体制のひずみ

AIが不良品検査を担当する場合、しくじった原因や責任の所在が不明瞭になるリスクも大です。
「なぜ検出できなかったのか？」を定量的に人間へ説明する能力（いわゆるXAI：Explainable AI、説明可能なAI）が十分整備されていません。
万一クレームや重大事故が発生したとき、「AIが見逃しました」で済むはずがなく、結局は現場の管理者や検査担当者が責任を背負うことになります。

このジレンマが、「AI自動化万歳」から「やっぱり人のダブルチェックも必要」という揺れ戻しを呼び、多くの昭和型企業で“過渡期の混乱”状態を生み出している現実があります。

現場からの声 ― アナログ主義とAI推進派のはざまで

“勘と経験”が根強い昭和型現場文化

日本の製造業現場には「目利き」「指感」「経験の積み上げ」といった定性的な検査ノウハウが深く根づいています。
品質保証現場では“検査員個人の力量”が会社全体のブランドを左右することも珍しくありません。
AIが導入されても、まだまだ“アナログな真心検査”をユーザー（顧客）が求めている実情が残ります。

たとえシステム上「合格」と判定が出ても、最終的なOKサインは熟練者による目視確認を通してきた。
調達購買や生産管理担当の多くが「AIだけでは不安」「まだ現場で二重チェックしてしまう」と舵切りできない理由がここにあります。

AI推進派の論理と現実のギャップ

一方で、AI推進派や経営層は「人手不足・属人化解消」「品質の標準化・安定化」などの理由で、一気に現場自動化を進めたがっています。
AIのレベルが飛躍的に向上し、コストパフォーマンス（ROI）も明らかに良化しているのも確かです。
しかし「人の手による最終確認」が外せない以上、実際には二重三重の検査体制となり、人件費抑制効果も限定的です。

また、サプライヤー側から見ると「AIで検査済み」と胸を張っても、バイヤーから「それだけで十分なのか？」と突っ込まれ、“アナログ抜けきれない”商慣習に直面することも少なくありません。
この買い手≒バイヤー側の心理は、サプライヤーの立場でも十分に理解しておく必要があります。

データから見る不良品見逃しの実態 ― どのくらい危ないのか

AIの検出率と人手検査の比較

多くの現場データでは、AIによる外観検査システムは「95～98％」程度の判定精度を発揮しています。
一見すると高い数字ですが、たとえば10万個／月の生産数量で考えると、少なくとも2,000～5,000個程度の“不良漏れ”が発生する計算です。

一方、手作業による目視検査では熟練者でも検出率は「98～99％」が限界。
手間とヒューマンエラーリスクがつきまとうものの、“想定外の不良”への対応力ではAIを上回っています。

実際の製造現場で起きたAI見逃しトラブル事例

現場では、次のような“AI見逃し”トラブルが実際に発生しています。

– 基板実装ラインで、斜め方向からの微細なハンダ浮き（教師データに存在しなかったパターン）が流出、組立後の初期不良を誘発
– 樹脂成形品の“微細なヘアライン傷”が検知範囲外とされ、納入先から量産ロットでクレーム
– 金属部品の打痕・押し傷が“規定値未満”として見逃され、顧客の工程で機能障害を起こした

こうした事例は、どの購買担当や品質部門でも「明日は我が身」。
決して他人事ではありません。

AI導入で品質保証を強化するために ― 新たな現場イノベーション戦略

AI＆人間ハイブリッド型品質保証体制の構築

最先端事例では、AIと人手を組み合わせた“ハイブリッド型検査フロー”がクローズアップされています。
たとえば、

– AIで定型的な多量処理を高速化
– 不良疑いパターンや“違和感あり”ラベル品は人間が最終確認
– 教師データにない未知不良が発見された場合、リアルタイムでAIの学習データに追加

このような手法を繰り返すことで、現場の検出率を「99.9％」水準へ持っていく動きが現実的になっています。
すべてをAI任せにせず“現場知”をきめ細かく反映させることが、品質保証の基盤強化につながります。

バリューチェーン全体での“現場データ収集・連携”が鍵

従来は現場ごと、サプライヤーごとにバラバラだった検査データや不良情報を、サプライチェーン全体で共有する体制作りも急務です。
例えば、バイヤー側が「AI検査のデータログ」「ダブルチェック結果」「リワーク対応履歴」などを一元的に確認できる“品質可視化ダッシュボード”を設けることで、「見える化」の精度が飛躍的に高まります。

こうした情報連携は、単なる自社の不良対策だけでなく、納入先との信頼構築やトレーサビリティ担保にも直結します。
今後は「サプライヤー×バイヤー」双方にとっての“透明性”が新しい調達購買の競争力となるでしょう。

現場改善・ノウハウ伝承の仕組み強化

また、AI導入と並行してヒューマンスキルの向上にも注力したいところです。
例えば、不良発見時の詳細な分析・フィードバック体制、ナレッジベースの構築、現場OJTによる“違和感キャッチ術”の継承など。
いかに“人×AI”で現場知を高度化するか、昭和から続くアナログ文化の強みを再定義することが、AI時代の品質保証で問われています。