生成AIが「何でもできる」かのような言説と、現場で実際に動かしたときの手応えには、無視できない乖離があります。本稿では製造・検査の文脈で、いま生成AI／VLMが実用になりうる領域と、まだ慎重に扱うべき領域を、誇張を排して切り分けます。
生成AIをめぐる報道や展示会の熱気は、ここ数年で製造業の経営層にも確実に届いています。「AIに画像を見せれば不良を判定してくれる」「もう専用システムを組む時代ではない」——こうした言説が独り歩きし、現場には「うちもやらないと取り残される」という焦りが生まれています。一方で、実際に試した技術者からは「デモは派手だが、自社のワークに当てると思ったほど安定しない」という静かな違和感が漏れてきます。この期待と実態の乖離こそ、いま製造現場が直面している本当の課題だと考えられます。
背景には構造的な事情があります。熟練検査員の高齢化と採用難で、目視検査の属人性をどうにかしたいというニーズは年々強まっています。そこに「生成AIで一気に解決」という分かりやすい物語が重なると、検証よりも期待が先行しやすくなります。しかし検査は、見栄えの良いデモと違い、見逃しゼロに近い再現性と、なぜそう判定したかの説明責任が問われる領域です。誇張を真に受けたまま投資判断をすると、PoC（概念実証）で失望し、AI全体への不信につながりかねないと考えます。
本稿では「生成AIは製造現場で本当に使えるのか」という問いに、売り込みではなく切り分けで答えます。いま実用になりうる領域はどこか、まだ慎重に扱うべき領域はどこか、そして失望せずに検証を始めるには何から手をつければよいのか。元キーエンス画像処理事業部で現場の検査立ち上げに携わった知見を踏まえ、限界も含めて正直に整理していきます。
議論が噛み合わない最大の原因は、言葉の粒度です。世間で「生成AI」と呼ばれるものには、文章を生成する大規模言語モデル、画像と言語を横断して理解するVLM（Vision Language Model）、特定の不良クラスを分類・検出する従来型の深層学習などが混在しています。これらは得意分野も成熟度もまったく異なります。検査の文脈でどれを指しているのかを曖昧にしたまま「生成AIで」と語ると、期待値の設定を誤りやすくなります。
ざっくり整理すると、従来型の深層学習は「あらかじめ定義した不良を、大量の教師データで学習して高速・安定に判定する」のが得意です。VLMは「事前に細かく定義していない対象でも、言葉で指示して柔軟に見させ、判断の根拠を言語で返す」点に特徴があります。文章生成中心の大規模言語モデルは、画像そのものの精緻な判定よりも、知識の整理や文章化の支援に向いています。それぞれの位置づけはVLMと深層学習の違いで詳しく整理しています。
VLMの柔軟さは魅力的ですが、それは裏を返せば「同じ入力でも判断がぶれうる」性質と隣り合わせです。逆に、用途を絞った深層学習は柔軟性に欠けるものの、決まった不良に対しては再現性を出しやすい傾向があります。どちらが優れているという話ではなく、検査の要件——品種数、不良の定義のしやすさ、求める安定性、説明責任の重さ——に応じて使い分ける、あるいは組み合わせる発想が現実的だと考えます。
期待を冷ますだけでは不誠実なので、実際に手応えが出つつある領域を挙げます。第一に、判断根拠の言語化です。VLMは「なぜこれを不良と見たか」を言葉で返せるため、ブラックボックスになりがちな従来型の判定を補い、現場の納得感を高める補助線になりうると考えられます。この論点はVLM検査の説明可能性で掘り下げています。
第二に、学習データの補完です。希少な不良は、現実には十分な枚数が集まらないことが大半です。ここで不良画像を生成・合成して学習データを底上げするアプローチが効いてくる場面があります。実際の使いどころはNG画像生成とVLMや合成データの利点で扱っていますが、これも「現物で検証してから本採用」が前提であることは変わりません。
第三に、検査基準書づくりや教育の支援です。熟練者の頭の中にある「このムラは許容、この打痕はNG」といった暗黙知を、対話を通じて文章や判定基準に落とし込む作業は、生成AIが得意とする領域に近いと考えられます。現場の人がAIをツールとして使いこなす取り組みは製造業の社内AI教育でも触れています。いずれも「AIが人を置き換える」のではなく「人の判断を支える」位置づけである点が共通しています。
一方で、現時点では生成AI単体に委ねるべきでない領域があります。最も慎重を要するのは、出荷可否を決める最終的な良否判定の責任を、ぶれうるモデル単体に持たせることです。柔軟性の高いモデルは、照明条件のわずかな変化や見たことのない角度で判断が揺らぐことがあり、その揺らぎが見逃しという形で出ると致命的になりうると考えられます。
また「指示の言葉を変えただけで結果が変わる」という性質は、検査の再現性・監査性と相性が良くありません。誰がいつ実行しても同じ結果が出ること、判定ロジックが説明・記録できることは、品質保証の根幹です。ここを曖昧にしたままスピード優先で本番投入すると、後から「なぜこの判定だったのか説明できない」という問題に直面しうると考えます。設計段階で、どこまでをAIに任せ、どこから人や決定論的なロジックで担保するかの線引きが重要になります。
展示会のデモは、対象も照明も整った理想条件で見せられることが少なくありません。しかし実際の現場は、ワークの個体差、ライティングの変動、搬送のばらつき、品種切り替えなど変数だらけです。「どんな対象でもそのまま使える汎用検査AI」は、現時点では幻想に近いと考えるのが安全です。むしろ、対象を絞り、現場の照明・カメラ・治具まで含めて作り込むことで初めて安定が出る——という従来からの原則は、生成AIの時代でも変わっていないと考えられます。
では、誇張を排したうえでどう組み込むか。出発点は「AIモデルの賢さ」ではなく「対象がきちんと写っているか」です。どれほど高度なモデルでも、不良が画像に写っていなければ判定のしようがありません。産業用カメラの選定、現場ライティングの設計、治具による位置決め——この物理側の作り込みが、結果の安定性を左右する土台になります。元キーエンス画像処理事業部での現場経験から言えるのは、撮像がうまくいけば問題の大半は解けるということです。
処理の置き場所も論点です。クラウドに画像を送る前提だと、回線・レイテンシ・データの外部送出という制約が現場では重くのしかかります。Jetsonなどのエッジで完結させる構成は、こうした制約を緩和し、ラインの速度や情報セキュリティの要件と折り合いをつけやすくなりうると考えられます。生成AI／VLMを使う場合も、どこで推論するかを最初に決めておくことが、後戻りを減らす設計判断になります。
安定が出にくい初期は、AIを「最終判定者」ではなく「一次スクリーニング」や「判断補助」として位置づけ、グレーゾーンは人が確認する運用から始めるのが堅実です。運用しながら判定ログを蓄積し、しきい値や基準を現物に合わせて調整していく。この漸進的な作り込みが、誇張に振り回されずに実利を取り出す道筋になりうると考えます。
PoCがうまくいかない原因の多くは、技術そのものより期待値の設定にあります。実際に見聞きしやすい落とし穴を挙げます。
これらはいずれも、技術の限界というより進め方の問題です。逆に言えば、期待値を正しく設定し、現物で小さく検証する姿勢があれば、多くは避けられる落とし穴だと考えられます。
最後に、誇張に流されず実利へつなげる道筋を整理します。第一段階は、自社の現物・現場での客観的な把握です。代表的なワークと不良サンプルを集め、実際の照明・カメラで撮像してみる。ここで「何が安定して写り、何が写りにくいか」が見えるだけでも、計画の精度は大きく上がります。
第二段階は、用途を絞った小さな検証です。最も困っている工程、最も人手がかかっている判定に対象を限定し、AIに任せる範囲と人が担保する範囲を仮置きして試します。第三段階で、判定ログを蓄積しながら基準を現物に合わせて調整し、効く範囲を見極めたうえで横展開を検討する——この順序を守ることが、過剰投資と失望の双方を避ける現実的なロードマップになりうると考えます。
生成AIが製造現場で「使える／使えない」は、本来二択で語れるものではありません。対象・条件・求める安定性によって答えは変わります。だからこそ、他社の派手な事例ではなく、自社の現物・現場で何が起きるかを小さく確かめることが、すべての判断の出発点になると考えます。そこから設計に入れば、誇張に振り回されずに、自社にとっての本当の現在地を掴めるはずです。
現時点では、出荷可否を決める最終判定を柔軟なモデル単体に委ねるのは慎重に扱うべきだと考えられます。照明や個体差で判断が揺らぎうるため、初期はAIを一次スクリーニングや判断補助とし、グレーゾーンは人が確認する運用が堅実です。何ができるかは自社の現物・現場での検証が前提になります。
おおまかには、文章生成中心のモデルは知識整理や文章化の支援に向き、VLMは言葉で指示して柔軟に見させ根拠を言語で返せる点、従来型の深層学習は定義済みの不良を安定・高速に判定できる点に特徴があります。検査要件に応じた使い分けや組み合わせが現実的だと考えます。
デモは対象も照明も整った条件で見せられることが多く、その精度をそのまま現場で出せるとは限りません。実際の現場は個体差・照明変動・品種切り替えなど変数が多いため、自社の現物・現場ライティングでの検証を経て見極める必要があると考えられます。
AIモデルの賢さより先に、対象がきちんと写っているか——カメラ・レンズ・照明・治具の作り込みを確認することが出発点になります。代表ワークと不良サンプルを実環境で撮像し、用途を絞って小さく検証してから設計に入る進め方が、過剰投資と失望の双方を避けやすいと考えます。
回線・レイテンシ・データ外部送出の制約は現場で重くなりがちです。Jetson等のエッジで推論を完結させる構成はこれらを緩和しうると考えられます。情報セキュリティや個別の規制要件は自社方針や所管省庁の最新の公表資料でご確認のうえ、推論の置き場所を設計初期に決めるのが安全です。
生成AI／VLMが自社の検査で何ができて何が難しいかは、現物・現場で試して初めて見えてきます。元キーエンス画像処理事業部の知見をもとに、撮像の作り込みから小さな検証の設計までご一緒します。まずは代表ワークと困りごとをお聞かせください。
生成AIの現場活用について相談する