量産型のAIがそのまま効かない理由
製造業のAI事例の多くは、同じ製品を大量に作る工場のものです。外観検査AIは同じ部品の画像を数百枚以上集めて学習し、予知保全は同じ設備の長期間のデータを使います。多品種少量・受注生産の工場では、この前提が崩れます。
- 品種ごとのデータが少ない：1品種あたり数個〜数十個しか作らない
- 品種の入れ替わりが速い：学習が終わる頃には次の品種に変わっている
- 熟練者の判断に頼る業務が多い：見積、計画、段取りの多くが経験で決まっている
このため、多品種少量では「製品のデータでAIを学習する」より、「品種をまたいで共通する業務の判断をデータで支える」方向で考えると、効果が出やすくなります。具体的には次の4つの領域です。
| 領域 | 熟練者の判断 | 少データでも使える手法 | 前提になるデータ |
|---|---|---|---|
| 見積 | 図面から工数と原価を見積もる | 類似案件の検索、形状からの工数予測 | 過去の図面・見積・実績工数 |
| 生産計画 | 納期と設備の制約から順番を決める | 数理最適化（制約プログラミング） | 工程表、標準時間、設備カレンダー |
| 段取り | 品種の並べ方で段取り時間を減らす | 段取り順序の最適化 | 前後品種つきの段取り時間 |
| 検査 | 品種ごとに基準を変えて検査する | 良品学習、部品単位の検出、ゼロショット | 少数の良品画像、BOM |
見積：類似案件を探すところから
受注生産では、見積の速さと精度が受注率と利益を左右します。見積をAIで支援する最初の一歩は、新しい図面に似た過去の案件を探し、そのときの見積と実績工数を示すことです。熟練者の見積も、実際には過去の類似案件の記憶に頼っています。
部品を調達する側の事例ですが、包装機メーカーの川島製作所（約300人）は、3Dデータから形状を認識して価格を出すミスミのmeviyと生産管理システムを導入し、見積から納品までを約2.5カ月から約0.5カ月に短縮しました（中小機構 省力化ナビ）。受注生産の機械メーカーで、見積と調達のリードタイムが大きく縮んだ例です。
生産計画：多品種少量こそ数理最適化が効く
多品種少量の生産計画は、品種ごとに工程と所要時間が違い、納期も設備の制約もばらばらで、組み合わせが膨大になります。ここは大量のデータで学習するAIより、制約を与えて最良の計画を探す数理最適化の得意分野です。学習データが少なくても、工程表と標準時間があれば計算できます。
日立は、日立ハイテクの半導体製造装置（受注生産で多品種）の生産計画に制約プログラミング技術を使い、従来は月最長5日かかっていた立案作業を月1日以内にしました（2023年5月発表）。2022年4月に導入し、2023年4月からはSAP S/4HANAと連携して運用しています。詳細は日立ハイテクの生産計画自動化で扱っています。
WEFのライトハウスでも、多品種の拠点の成果が報告されています。Eatonの常州拠点はリードタイム39%短縮と16.4万SKUへの対応を、計量機器のMettler-Toledoの常州拠点は納期遵守率98.4%、リードタイム22%短縮を報告しています（2025年9月）。いずれも拠点全体の複数の取り組みの成果です。
段取り：前後の品種で時間が変わる
多品種少量では、段取り替えの回数が多く、段取り時間の合計が生産能力を大きく食います。段取り時間は前後の品種の組み合わせで変わる（似た品種への切替は短く、違う品種への切替は長い）ため、並べ方を工夫すれば合計を減らせます。順序の最適化の手法は段取り替え順序の最適化で解説しています。
前提は、「何から何への切替に何分かかったか」の記録です。段取りの時間だけが記録されていて、前後の品種が残っていない工場が多いため、まず記録の仕方を変えます。
検査：品種ごとに学習し直さない設計
検査は、多品種少量で最もAIを入れにくい領域です。品種ごとに不良品の画像を集めることは現実的ではありません。それでも、次の方法で品種ごとの学習を減らせます。
- 良品学習：良品の画像だけで学習し、良品から外れたものを異常とする。不良画像は不要だが、品種ごとの良品画像は要る
- 部品単位の検出とBOM照合：部品の種類ごとに検出器を作り、品種ごとの部品構成と照合する。新品種でも部品が既知なら学習不要
- ゼロショット異常検知：良品画像を使わずに判定する研究が進んでいる。WinCLIPは良品0枚でMVTec ADの分類91.8%、良品1枚で93.1%と報告されているが、実務の精度要求には届かないことが多い
詳しくは多品種少量生産でAIは使えるかで、品種切替のたびに学習し直さないための工夫を整理しています。
よくある質問
小さな工場でも数理最適化は使えますか
オープンソースの最適化ソルバーや、クラウドの生産スケジューラがあり、小さな工場でも使えます。ただし、工程表と標準時間の整備は自社で行う必要があります。Excelの計画から段階的に移るのが現実的です。
熟練の計画担当者の判断をAIは再現できますか
「この品種は朝一番に流す」のような暗黙のルールは、聞き取って制約として計算に入れる必要があります。ルールを入れずに最適化すると、計算上は良くても現場で使われない計画になります。
受注生産で需要予測は役に立ちますか
個別の受注は予測できませんが、部品や材料の需要、繁忙期の負荷の見通しには使えます。補修部品のように需要がまばらな品目は、専用の手法を使います。
この記事に出てくる用語
この記事を書いた人
DELMIA Apriso を中核とした MES / 製造DX の導入・運用・人材育成と、製造業向けAIの調査・開発・教育を手がけるITコンサルティング企業。ISO 9001:2015 / ISO 27001:2022 認証取得。 日本・中国・米国で製造業のMES・データ基盤・AI導入を手がけた実務者が、欧米・中国の一次情報にあたって書いています。
