「うちは前にAIをやってダメだった」——その一言で議論が止まる会社は少なくありません。ですが、当時の失敗が技術起因なら前提は変わっている可能性があり、運用起因なら技術だけ替えても再発します。まず失敗を型に分け、二度目の設計を組み直すところから考えます。
「前にAIをやってダメだった」で議論が止まる最大の理由は、失敗が一枚岩の記憶として残っていて、原因が切り分けられていないからだと考えます。何がどうダメだったのかを言語化しないまま「AIは使えない」という結論だけが社内に残ると、再挑戦の提案は根拠なき蒸し返しに見えてしまいます。
数年前にAI-OCR（画像から文字を読み取り、データ化する技術）や外観検査AI（製品画像から欠陥や異常を判定する技術）を試した会社は珍しくありません。当時は定型フォーマット前提のOCRや、大量の教師データを必要とする検査AIが主流で、現場の多様な帳票や不定形なワークにうまく噛み合わなかったケースが多かったと考えられます。
ここで重要なのは、失敗の記憶が「技術の限界」なのか「進め方の問題」なのかで、二度目の判断がまったく変わるという点です。前者なら世代交代で前提が動いた可能性を確認する価値があり、後者なら同じ進め方を繰り返せば技術を替えても再び失敗しうる、という当たり前の帰結になります。
「AIは使えない」という社内の共通認識は、多くの場合は結論ではなく、原因が未整理のまま残った症状だと捉えるべきだと考えます。二度目を通すには、この症状を分解し、当時の制約のうち今も残るものと、すでに変わったものを分けて示す必要があると考えます。
一度目の失敗は、まず次の5つの型のどれに当てはまるかを切り分けるのが有効だと考えます。多くの現場は複数の型が重なっていますが、主因を一つ特定すると再挑戦の設計が具体化しやすくなると考えます。
第一は「技術が未熟だった」型。当時のOCRや検査AIの能力が対象に届かなかったケースです。定型帳票しか読めない、手書きに弱い、少ないサンプルでは学習が回らない、といった当時特有の制約が主因なら、これは世代交代で前提が動いた可能性がある型です。
第二は「対象業務の選定を誤った」型。そもそもAI化に向かない業務、あるいは効果が小さい業務を最初のターゲットにしてしまい、成功体験を作れなかったケースです。技術ではなくスコープの問題であり、モデルを替えても選定を誤れば再発します。
第三は「撮像条件を詰めなかった」型。照明・カメラ・設置角度・背景といった撮像条件が安定せず、入力画像そのものが検査や読み取りに耐えなかったケースです。画像系AIでは、モデルの良し悪し以前に入力品質が結果を大きく左右すると考えられます。
第四は「現場を巻き込まなかった」型。情シスや推進部門だけで進め、実際に使う現場の手順や例外運用が設計に入らず、動いても使われなかったケースです。
第五は「効果測定の基準がなかった」型。導入前の状態を実測しておらず、改善したのか判断できず、続ける根拠も止める根拠も示せなかったケースです。導入前の状態を実測していないと、二度目も「改善したのか分からない」という同じ袋小路に陥ります。
再挑戦の可否は「技術起因」と「運用起因」を分けて判断するのが出発点だと考えます。技術起因ならVLM世代で前提が変わっている可能性があり、運用起因なら技術を最新にしても同じ形で再発しうるためです。この切り分けを飛ばすと、二度目も一度目と同じ轍を踏む可能性があります。
VLM（Vision Language Model：画像と言語を統合的に扱い、画像の内容を文章で説明したり指示に応じて判断できるAIモデル）の登場で、画像系タスクの前提は当時から変わった部分があると考えられます。たとえば、事前に大量の欠陥サンプルを集めてラベル付け（アノテーション：画像に正解ラベルを付ける作業）しなくても、言葉で判定基準を与える形で検証を始められる場合があります。
ただし「前提が変わった＝何でも読める・判定できる」ではありません。VLMにも読めないもの・苦手なものがあり、そこは正直に確認する必要があると考えます。技術起因が疑われる場合こそ、当時できなかった具体的なタスクを一つ持ち出し、今のモデルで現物を通してみるのが確実だと考えます。
対象選定・撮像条件・現場巻き込み・効果測定に主因があった場合、最新モデルを持ってきても同じ構造で失敗しうると考えます。この型の会社に必要なのは新しいAIではなく、進め方の設計そのものです。検証設計からやり直すPoC・導入コンサルティングのように、何を対象にどう測るかを先に固める発想が有効だと考えます。
創業メンバー（元キーエンス画像処理事業部）の現場経験からも、画像系の成否は「良いモデルを選ぶこと」より「撮像条件を安定させ、判定基準を現場と合意すること」に左右される場面が多いと考えます。技術と運用のどちらが主因かを見極めることが、二度目の投資判断の精度を上げます。
二度目の稟議は「前回と何が違うのか」を一枚で説明できるかどうかが分かれ目になると考えます。決裁者の頭には前回の失敗が残っているため、新技術の説明より先に「なぜ今回は同じ結果にならないと考えるのか」への回答を用意する必要があると考えます。
載せるべき論点は、(1)前回の失敗の主因（どの型だったか）、(2)その主因に対して今回変えること（技術世代・対象業務・撮像条件・現場体制・測定基準のどれをどう変えるか）、(3)今回の検証範囲と成功／中止の判断基準、(4)前回の資産（データ・記録）をどう再利用するか、の4点だと考えます。
技術起因だった場合は(2)で「当時の定型OCR／要大量学習の検査AIから、言葉で基準を与えられるVLM世代へ前提が変わった可能性」を、現物での確認とセットで示すのが誠実だと考えます。運用起因だった場合は(2)で「対象選定と測定基準を先に作り直した」ことを主張の中心に置くのが筋が通ると考えます。
稟議の組み立て方そのものに不安がある場合は、DX予算の通し方で社内説得の順序を、PoC費用の考え方で検証費用の負担設計を確認しておくと、二度目の提案が具体的になると考えます。
前回の検証データと失敗記録は、二度目の再挑戦において立派な資産になりうると考えます。ゼロから始める会社より、当時集めた画像・帳票サンプル・つまずいた条件を持っている会社の方が、検証の初速で有利になる可能性があるためです。
第一に、当時集めた画像や帳票のサンプルデータです。撮り直しには現場の協力と時間がかかるため、既存サンプルがあるだけで検証の立ち上がりが速くなると考えます。第二に、うまくいかなかった具体例——読めなかった帳票、誤判定したワーク——は、今のモデルで真っ先に試すべき最良のテストケースになると考えます。
第三に、前回の効果測定が不十分だったなら、今回は導入前の状態を先に実測しておくことが資産づくりになります。導入前の実測で示すように、Before の数字を持っていないと、二度目も「改善したのか分からない」に陥りうると考えます。
検証で何を測るかの設計は、PoCの進め方を参照して、判定精度だけでなく現場の運用負荷や例外処理まで測る観点を持っておくのが有効だと考えます。前回の記録は、この測定項目を具体化する材料にもなると考えます。
二度目の再挑戦にも固有の落とし穴があります。一度目とは別の理由で失敗しうるため、正直に把握しておくのが誠実だと考えます。以下は現場で起こりうる代表的なパターンです。
これらは技術の問題というより、進め方と期待値管理の問題です。二度目こそ、限界と「やってみないと分からない部分」を先に共有しておくことが、社内の信頼を保つうえで効くと考えます。
再挑戦は、客観的な現状把握と現物での小さな検証から始めるのが現実的だと考えます。「今度こそ全社導入」ではなく、前回の主因に手当てした状態で、限定された対象を現物で通してみるところから入るのが安全だと考えます。
第一段階は失敗の型の切り分けと、前回資産（データ・記録）の棚卸しです。第二段階は、前回つまずいた具体的なタスクを一つ選び、今のモデルで現物を通す小規模な検証です。ここで技術起因の前提が本当に変わったか、あるいは運用起因なら進め方の修正が効くかを確かめると考えます。
第三段階で、検証結果と測定した数字をもとに二度目の稟議を組み、対象を段階的に広げます。技術起因が主で世代交代の恩恵が確認できた場合は検証から本番への移行が比較的スムーズになりうる一方、運用起因が主だった場合は現場体制と測定基準の作り直しに時間をかける価値があると考えます。
なお、本記事で述べた効果や進め方はいずれも一般的な整理であり、実際の成否は現物・現場での検証が前提になります。二度目だからこそ、煽りではなく現物に基づいて判断を積み上げることが、社内の納得と再投資につながると考えます。検証設計から組み直す必要があると感じる場合は、PoC・導入コンサルティングのような外部知見の活用も選択肢の一つになりうると考えます。
当時の定型フォーマット前提のOCRと比べ、VLM世代では言葉で読み取り基準を与えられる場合があり、前提が変わっている可能性があります。ただし「何でも読める」わけではなく、苦手な帳票や崩れた手書きも残ると考えられます。前回読めなかった具体的な帳票を一つ用意し、現物で試して確認するのが確実だと考えます。
対象業務の選定・撮像条件・現場の巻き込み・効果測定の基準のいずれかに主因があれば運用起因で、モデルを替えても再発しうると考えます。逆に、当時の技術能力そのものが対象に届かなかったなら技術起因で、世代交代の恩恵を確認する価値があります。まず失敗を型に分けて主因を一つ特定するのが出発点だと考えます。
「前回と何が違うのか」を一枚で示すのが要点だと考えます。具体的には、前回の失敗の主因、今回変えること、検証範囲と成功／中止の判断基準、前回資産の再利用方針の4点です。決裁者は前回の失敗を覚えているため、新技術の説明より先に再発しないと考える根拠を用意するのが有効だと考えます。
使える資産になりうると考えます。当時の画像・帳票サンプルは検証の初速を上げ、うまくいかなかった具体例は今のモデルで最初に試すべきテストケースになります。前回の効果測定が不十分だった場合は、今回は導入前の状態を先に実測しておくと、改善の有無を判断できる基準になると考えます。
いきなり本番規模で投資するのではなく、前回つまずいた対象を一つ選んで小さく現物検証するところから始めるのが現実的だと考えます。費用の負担設計は検証の範囲次第で幅があるため、一律には言えません。補助金など公的制度を検討する場合は、適用範囲や金額を所管省庁の最新の公表資料でご確認ください。
「AIをやってダメだった」の中身を切り分けると、二度目に何を変えるべきかが見えてきます。前回のデータや記録を持ち寄り、当時つまずいた対象を一つ、今のモデルで現物検証するところから始められます。元キーエンス画像処理事業部の現場知見で、再挑戦の設計をご一緒します。
二度目のAI導入について相談する