AIを外注し続けると「ベンダー依存・ブラックボックス・改修のたびの費用」の沼にはまる。何を社内に残し、何を外部に頼るべきか。研修からPoC・本番までのロードマップ。
AI画像検査や業務自動化を導入したい——そう考えた製造業の多くが、まず外部ベンダーにフルパッケージで発注します。立ち上げが速く、専門知識がいらないのは確かに魅力です。しかし数年運用すると、共通して同じ問題に直面します。
第一にブラックボックス化です。なぜそのモデルがその判定をしたのか、現場が説明できない。良否の境界を少し変えたいだけでも、ベンダーに依頼しないと動かせません。第二に改修のたびの費用です。新しい品種が増えた、不良の出方が変わった——製造現場では当たり前に起きる変化のたびに、見積もりと納期が発生します。第三に判断スピードの低下です。現場で「今すぐ閾値を調整したい」と思っても、外部の対応を待つ間ラインは止まります。
元キーエンスで画像処理装置を提供してきた立場から言うと、これは「AIが難しいから」起きるのではありません。本来は社内に残すべき判断（データの良し悪し・良否の基準）まで外部に預けてしまうから起きるのです。問題の本質は技術ではなく、内製と外注の切り分け設計にあります。
「全部内製」も「全部外注」も極端で、どちらも失敗します。専門性が高く頻度の低い作業は外部の知見を使い、現場の変化に追随する作業は社内で回す——この切り分けが現実解です。
| 領域 | 推奨 | 理由 |
|---|---|---|
| 撮像系の設計（カメラ・照明・レンズ） | 外部の知見 | 専門性が高く、一度決めれば頻繁には変わらない |
| モデルの初期構築・アーキ選定 | 外部の知見 | 立ち上げの質が全体を左右する |
| アノテーション（正解付け） | 内製中心 | 現場の良否基準そのもの。外に出すとズレる |
| 良否の閾値・過検出の調整 | 内製 | 変化が頻繁。待っていてはラインが止まる |
| 品種追加・モデル更新の運用 | 内製（伴走支援） | 製造現場では日常的に発生する |
※ 切り分けの最適点は、現場の人員・品種数・変化の頻度によって変わります。立ち上げ初期は外部比率を高め、運用とともに内製比率を上げていくのが定石です。
ポイントは、「判断」を社内に残すことです。データの良し悪しを見る目、良否の基準は、その製品を一番知る現場が持つべきもの。ここを外注すると、AIは永遠に「他人のモデル」のままになります。
「AI内製化＝プログラミング教育」と思われがちですが、これは誤解です。VLMやノーコードの学習UIの登場で、現場担当者がコードを書かずに品種追加や良否基準の調整を行える範囲が大きく広がりました。今、現場が優先して身につけるべきは次の4つです。
SKILL 1
データの良し悪しを見る目
学習に使う画像が偏っていないか、不良サンプルが足りているかを判断できること。AIの性能はデータで決まる。
SKILL 2
アノテーション設計
どこからを不良とするか、正解の付け方を一貫させる設計力。ここがブレるとモデルもブレる。
SKILL 3
過検出と見逃しのトレードオフ
閾値を厳しくすれば見逃しは減るが過検出が増える。この balance を業務要件で決められること。
SKILL 4
モデル更新の運用
不良の出方が変わったときに、データを足してモデルを更新する一連の運用を回せること。
これらは数式の理解ではなく、実データを触りながら身につける実務感覚です。だからこそ、座学だけでなく自社の実データを使った演習が研修の質を決めます。
まず現場・品質・情シスの関係者が、AI検査の基礎と上記4スキルの共通言語を持つことから始めます。AI研修の段階で「何ができて何ができないか」の期待値を揃えておくと、後のPoCでの認識ズレを防げます。
次に、対象を1つの品種・1つの工程に絞った小さなPoCで、自社の実データを使って学習・評価のサイクルを体験します。ここで「データを足すと精度がどう変わるか」を肌で理解することが、内製力の土台になります。
最後に本番ラインへ展開し、品種追加・モデル更新を社内で回す体制を確立します。製品・ツール側でノーコードの運用UIを用意しておくと、現場が自走できる範囲が広がります。立ち上げ初期は外部の伴走支援を受けつつ、徐々に内製比率を上げるのが現実的です。
同じAI導入でも、外注フルパッケージと内製＋伴走支援では、数年スパンで見たときのコスト構造とノウハウの蓄積が大きく変わります。
| 観点 | 外注フルパッケージ | 内製＋伴走支援 |
|---|---|---|
| 立ち上げ速度 | 速い | 学習コスト分やや遅い |
| 改修対応 | 都度費用・都度納期 | 社内で即対応 |
| ノウハウ蓄積 | 社内に残らない | 社内に蓄積 |
| 判断スピード | 外部待ち | 現場で判断 |
| 長期コスト | 改修ごとに積み上がる | 運用が内製化されると逓減 |
※ どちらが正解ということではなく、変化の頻度と社内の体制次第です。変化の少ない単一品種なら外注が合理的な場合もあります。
Nsightは画像処理装置メーカー出身のエンジニアが在籍し、AI画像検査の「立ち上げの専門領域」と「現場が内製で回す運用」の両方を理解しています。だからこそ、丸投げの外注でも放任の内製でもなく、専門部分は支援しつつ、現場が自走できる体制づくりを一緒に設計できます。
AI研修で共通言語をつくり、自社データでのPoCで実務感覚を養い、ノーコードの運用UIで現場が品種追加・調整を自分で行える状態へ。立ち上げから内製化までを段階的に支援します。
自社でAIを回せる体制をつくりたいですか？
AI研修・内製化について相談する →撮像系の設計やモデルの初期構築など専門性の高い部分は外部の知見を使うのが効率的です。一方、データの良し悪しの判断や日々のモデル更新・運用まで全て外注すると、改修のたびに費用と時間がかかり、現場の判断スピードが落ちます。専門領域は外部、運用・チューニングは内製、という切り分けが現実的です。
VLMやノーコードの学習UIの登場で、現場担当者が品種追加や良否基準の調整を自分で行える範囲が広がりました。コードを書けることより、データの良し悪しを見る目とアノテーション設計の理解が重要になっています。
優先順位は、①学習データの良し悪しを見る目、②アノテーション（正解付け）の設計、③過検出と見逃しのトレードオフの理解、④モデル更新の運用、の順です。アルゴリズム自体の数式理解より、これらの実務感覚が現場の内製力を決めます。
対象業務と現場の習熟度によりますが、研修で基礎を固め、小さなPoCで実データを扱い、本番運用へ移行する段階を踏むのが定石です。最初から完璧を目指さず、運用しながら改善する前提で進めるのが失敗を減らします。
外注フルパッケージは立ち上げが速い反面、改修のたびに費用が発生しノウハウが社内に残りません。内製＋伴走支援は立ち上げに学習コストがかかる一方、運用・改修を社内で回せるようになり、長期のコストと判断スピードで有利になります。