「あの人にしか判定できない」検査が、退職とともに失われていく——。熟練検査員の大量退職期を前に、目視検査の属人化は品質を支える人的インフラの危機でもあります。暗黙知を形式知へ翻訳し、AIで継承を補完する道筋を、できることとできないことの線引きとともに考えます。
団塊世代を中心に長く現場を支えてきた熟練検査員が、相次いで定年を迎える時期に入っています。同時に、検査という地味で根気のいる仕事は若手の採用が難しく、入っても定着しにくいという声を多くの現場で耳にします。退職と採用難が重なることで、これまで「人」が吸収してきた品質判断のばらつきが、組織全体の弱点として表面化しつつあると考えられます。
とりわけ問題が深刻になりやすいのが、外観検査のような感覚的な良否判定です。寸法のように数値で割り切れる検査と違い、キズ・打痕・色ムラ・微細な異物といった欠陥は、「どこまでが許容でどこからが不良か」という境界線が、長年の経験のなかに染み込んでいることが少なくありません。その境界線が言語化されないまま退職とともに失われると、後任が同じ判定を再現できず、流出不良や過剰廃棄につながるリスクが高まる可能性があります。
熟練検査員の判定力は、何千・何万という良品と不良品を見比べてきた積み重ねの上に成り立っています。こうした技能は短期間の座学では身につきにくく、一人前になるまでに年単位の時間を要することも珍しくありません。退職時期から逆算すると、いまから後任を育て始めても継承が間に合わない、というケースが出てくる可能性があります。だからこそ、人の育成と並行して、判断の根拠そのものを記録・形式化していく取り組みが重要になると考えます。
「属人化」とひと口に言っても、その中身を分解すると対策の糸口が見えてきます。検査の属人化は大きく、(1) 良否の判定基準そのものが個人の頭の中にしかない、(2) 欠陥を見つけるための「見方・照らし方」が共有されていない、(3) 例外品やグレーゾーンの扱いがその場の判断に委ねられている、の三層に整理できると考えます。多くの現場では、この三つが絡み合っています。
重要なのは、属人化の根が「判定基準が言語化されていない」点にあるという認識です。目視検査の限界と対策でも触れられる論点ですが、人による検査は体調・照明・集中力・前工程の負荷によって判定がぶれます。熟練者でさえ午前と午後で判定が変わりうるのが実態であり、「熟練者の判定」を絶対の正解として無条件に固定化することにも慎重さが要ると考えられます。
現場を訪ねると、限度見本(良品・不良品の境界を示す実物サンプル)が整備されていなかったり、あっても古くて劣化していたり、撮影画像で残されていなかったりすることがあります。境界の実物がなければ、ベテランは「これくらい」という感覚で、後任は「先輩がOKと言ったから」で運用するしかなく、判定の根拠が代々口伝になっていきます。これが継承を難しくする大きな要因の一つだと考えます。
技能継承というとAI導入に飛びつきたくなりますが、その前にやるべきことがあります。それは、熟練検査員の頭の中にある暗黙知を、できる範囲で言葉と実物に翻訳しておくことです。これはAI化の有無にかかわらず効果が見込め、仮にAIを使わなくても継承の土台になりうる取り組みだと考えます。
欠陥種ごとに「これは合格」「これは不合格」の実物または画像を集め、限度見本として整備します。このとき欠かせないのが、どんな照明・角度・距離で見たときにその欠陥が見えるのか、という撮像・観察条件まで併せて記録することです。微細なキズや凹みは、光の当て方一つで見えたり消えたりします。条件を伴わない「不良画像」だけでは、後任もAIも再現できないことが多いと考えられます。
熟練者は無意識のうちに、ワークのどこを・どの順で・何を手がかりに見ているかという独自の走査パターンを持っていることがあります。「最初に縁を斜めから見る」「テカリの出方で異物か汚れか見分ける」といった言語化されにくいコツを、退職前にインタビューで引き出し記録しておくことは、人への継承にもAIの特徴量設計にも活きうると考えます。こうした取り組みは製造業のリスキリングの文脈とも地続きです。
暗黙知を実物と言葉に翻訳できたら、その先で画像AIが技能継承を補完する選択肢が見えてきます。ここで持ちたいのは、AIは熟練者を完全に代替する魔法ではなく、判定基準を形式知として固定し、誰が・いつ検査しても同じ基準で判定する一貫性をもたらす道具だ、という現実的な捉え方です。AI外観検査の価値は、人の集中力に依存しない安定した一次判定にあると考えられます。
従来のルールベースや古典的な画像処理は、「閾値より大きいキズを不良とする」といった明示的な条件が書ける検査には向きます。一方で、熟練者が「なんとなく違和感がある」と捉えるような、言語化しにくい複合的な欠陥は、ルールで書ききるのが難しい領域です。近年のVLM(視覚言語モデル)は、こうした文脈やニュアンスを含む判定を、自然言語の基準とともに扱える可能性があり、属人的な判断の形式化に新たな道を開きうると考えています。ただし効果はワークと欠陥次第であり、現物・現場での検証が前提です。
私たちは、AI単体ではなく、元キーエンス画像処理事業部の現場知見 × VLM × Jetsonエッジ × 産業用カメラ × 現場ライティングの組み合わせで検査を成立させると考えています。とりわけ照明設計は、欠陥が「写るか写らないか」を左右する土台であり、ここが甘いとどんなモデルでも判定は安定しにくいと考えられます。技能継承の文脈では、熟練者の「見方」をライティングと撮像条件に翻訳することが、AI化の成否を分ける勘所の一つになりうると考えます。
技能継承を見据えた検査自動化の設計は、いきなりモデルの精度を追うのではなく、「集める(サンプル)・写す(撮像)・決める(基準)」の順で土台を固めるのが現実的だと考えます。土台が曖昧なまま精度だけ追っても、現場での再現性が伴わないことが多いためです。
良品はいくらでも集まる一方、不良品、とりわけ流出させたくない致命欠陥のサンプルは、もともと発生頻度が低く集めにくいのが実情です。退職する熟練者が過去に弾いた不良品を保管していないか、過去の不良写真が残っていないかを、いまのうちに棚卸しすることをおすすめします。サンプルの偏りは、後の判定の偏りに直結しうると考えられます。
「どこまでを合格とするか」は技術だけで決まらず、顧客要求・歩留まり・コストとのバランスというビジネス判断を含みます。熟練者は経験的にこのバランスを取ってきた面があり、その背景にある意図(なぜここで線を引くのか)まで継承しないと、後任もAIも基準だけを機械的に適用して現場が回らなくなる可能性があります。基準値の設定は、品質保証部門を交えて言語化しておくことが望ましいと考えます。
AIを導入しても、検査から人が消えるわけではありません。むしろ役割が「全数を一つずつ見る作業者」から「AIの判定を監督し、グレーゾーンを裁定し、基準を育てる管理者」へと移っていくと考えられます。この役割転換を見据えた人材育成は、技能継承の新しい形になりうると考えます。
AIが「不良」とも「良品」とも言い切れない判定を出すケースは必ず生じます。ここを誰が・どう裁定するかを運用フローとして決めておかないと、現場が混乱します。グレー品をいったん人が再判定し、その判断を記録して基準やモデルの改善に還元する——この循環が、形式知を継続的に更新していく仕組みになると考えます。
AIがなぜその判定をしたのかという根拠(着目領域や判定理由)を記録に残せると、それ自体が「なぜこれが不良なのか」を後任に伝える教材になりえます。検査の自動化は、単なる省人化ではなく、判定の根拠を組織の資産として蓄積していく営みでもある、と捉え直すと、技能継承の文脈での価値が見えやすくなると考えます。
ここまで前向きな論点を述べてきましたが、現場で実際に進めると見落としがちな落とし穴があります。やってみないと分からない部分も正直にお伝えします。
最後に、退職期を乗り切るための現実的な進め方を整理します。大切なのは、大きな投資判断の前に、まず自社の検査の実態を客観的に把握することだと考えます。
第一に、退職予定の熟練検査員から「見方のコツ」をヒアリングし、限度見本と不良サンプルを撮像条件込みで棚卸しします。第二に、検査基準書を更新し、グレーゾーンの扱いを品質保証部門と言語化します。第三に、対象を絞って現物での撮像・判定の検証を行い、ルールベースとVLMのどちらが・どこまで効くのかを見極めます。第四に、人とAIの併走運用で役割を段階的に移し、判定根拠を蓄積していきます。
いずれのステップも、机上の議論では精度も費用対効果も判断できません。自社の現物を実際に撮り、現場の条件で判定してみることが、最も確実な意思決定材料になると考えます。技能継承は一足飛びには進みませんが、「客観的な把握と現物検証」という一歩から始めれば、退職期を品質劣化なく乗り越えられる可能性が高まると考えています。
退職前のいまのうちに、熟練者の「見方のコツ」のヒアリングと、限度見本・不良サンプルの撮像条件込みでの棚卸しから始めるのが現実的だと考えます。判定基準の言語化はAI化の有無にかかわらず継承の土台になりえます。本人がいてこそ引き出せる暗黙知が多いため、前倒しでの着手をおすすめします。
AIは熟練者を丸ごと置き換える魔法ではなく、判定基準を形式知として固定し一貫性をもたらす道具と捉えるのが現実的だと考えます。グレーゾーンの裁定や基準の更新には引き続き人の役割が残ると考えられます。効果はワークと欠陥次第のため、現物・現場での検証が前提になります。
外観検査では良否の境界線が数値で割り切れず、長年の経験のなかに暗黙知として蓄積されることが多いためだと考えられます。限度見本や検査基準書、撮像条件の記録が不足していると、判定の根拠が口伝になり継承が難しくなります。境界線を実物と言葉に翻訳することが対策の出発点になりうると考えます。
不良サンプル、とくに致命欠陥は発生頻度が低く集めにくいのが一般的です。退職する熟練者が保管した不良品や過去の不良写真の棚卸しが有効になりえます。近年は少数データやVLMの活用で対応の幅が広がりつつありますが、効果はケースによります。現物・現場での検証を前提にご相談いただくのが確実だと考えます。
人手不足対応や設備導入に関わる支援制度が用意されている場合がありますが、対象・要件・金額は年度や地域で変わります。適用可否や最新の条件は、所管省庁の最新の公表資料でご確認ください。Nsightでは技術面・運用面のご相談に対応しており、まずは自社の現物検証から始める進め方をご提案できると考えます。
技能継承は、机上の議論ではなく自社の現物を実際に撮り、現場の条件で判定してみることから確かな判断ができると考えます。元キーエンス画像処理事業部出身のエンジニアが、属人化した目視検査の形式知化とAI化の可否を、現物検証を起点に一緒に見極めます。
目視検査の技能継承について相談する