同じ「歩留まり1%」でも、その1%が抱える損失額は数年前と変わってきていると考えられます。材料費とエネルギー費が高止まりするなか、不良を減らすことが以前より直接的に利益へ効く構造になりつつあります。この記事では、その構造を分解し、工程内での早期検知とデータ活用で歩留まりを利益改善へつなぐ設計の考え方を、限界も含めて整理します。
「歩留まりを1%上げる」という言葉は、製造現場で長く使われてきた目標です。ただ、その1%が実際にいくらの損益を動かすかは、材料費とエネルギー費の水準に強く依存します。近年は原材料価格・電力価格・輸送費が高止まりしており、同じ不良率でも、そこで失われる金額は数年前より大きくなっている可能性があります。つまり「1%」という数字は変わらなくても、その裏にある損失額の重みは静かに変わってきていると考えられます。
この変化がやっかいなのは、日々の管理指標が「率」で語られるために、金額としての痛みが見えにくいことです。歩留まり率は横ばいでも、材料単価が上がっていれば廃棄損は増えます。経営層が「なぜ利益が薄いのか」と感じる一方で、現場は「不良率は例年並みです」と答える——この認識のズレが、いま多くの現場で起きているのではないかと考えられます。
解像度を上げる第一歩は、歩留まりを率だけでなく金額で捉え直すことだと考えます。不良1個が捨てているのは、素材そのものだけではありません。その素材を成形・加工・熱処理するために投入した電力やガス、人の作業時間、設備の稼働時間まで含まれます。原価を製品単位・工程単位で見える化する取り組み、たとえば製品別エネルギーコストの把握と組み合わせると、「この不良1個で実際にいくら捨てているか」が具体的な金額として立ち上がってきます。
不良による損失を考えるとき、多くの現場で見落とされがちなのが「どの工程で不良が発覚したか」という視点です。同じ不良品でも、投入直後の素材段階で弾くのと、最終検査や出荷後に発覚するのとでは、そこまでに積み上がった付加価値のぶんだけ損失額が変わります。後ろの工程で見つかるほど、投入した材料・加工・エネルギー・時間が丸ごと無駄になり、損失は積み上がっていくと考えられます。
たとえば、素材の時点で持っていた欠陥が、成形・組立・塗装と進んだ最終段階で初めて弾かれたとします。このとき捨てているのは、最初の素材だけでなく、その後の全工程で投入した資源です。原材料が高いほど、そしてエネルギーを多く使う工程を経ているほど、この「積み上がり」の金額は大きくなります。原材料高の時代とは、この積み上がりの単価が上がった時代だと言い換えられるかもしれません。
この構造を踏まえると、歩留まり改善には二つの方向があることが見えてきます。一つは不良そのものを減らす（原因を潰す）方向、もう一つは、出てしまった不良を「できるだけ早い工程で切り離す」方向です。前者は本質的ですが時間がかかります。後者は、後工程への無駄な資源投入を止めるという意味で、比較的早く廃棄損の抑制に効きうる打ち手だと考えられます。両者は対立せず、早期検知で集めたデータを原因側へ戻すことで、両方を同時に進める設計が可能になると考えます。
後工程での廃棄損を抑える発想の中心は、検査を「最後の関所」から「工程の途中の関所」へと前倒しすることです。最終検査だけに頼ると、不良は工程を全部通り抜けてから弾かれます。これに対し、不良が発生しやすい工程の直後に検査ポイントを置ければ、その先へ不良を持ち込まずに済みます。原材料高の局面では、この「持ち込ませない」ことの価値が相対的に高まっていると考えられます。
工程内での全数検査を人手の目視で行うのは、現実には負担が大きい場合が多いものです。ライン速度、検査員の集中力の持続、判定のばらつき、そして慢性的な人手不足——これらが重なると、工程内に検査を増やすこと自体が難しくなります。結果として「最終だけ検査する」体制に落ち着きがちですが、それが後工程への持ち込みを生む一因にもなりうるという、悩ましい構造があります。
こうした工程内検査の自動化で選択肢になりうるのが、画像とAIによる検査です。とりわけ、傷・汚れ・欠け・異物といった「見た目の異常」を扱う外観検査は、良品・不良品の境界が言葉で書きにくく、従来のルールベースでは作り込みに手間がかかる領域でした。近年のVLM（Vision Language Model）を用いたアプローチは、こうした多品種・少量・仕様変更の多い現場での検査に向く可能性があります。Nsightでは元キーエンス画像処理事業部の現場知見を土台に、VLM・Jetsonエッジ・産業用カメラ・現場ライティングを組み合わせたAI外観検査サービスとして、こうした工程内検査の設計を扱っています。ただし、どの不良が安定して見えるかは対象と撮像条件に強く依存するため、必ず現物での検証が前提になると考えます。
工程内検査を導入する最大の価値は、実は「不良を弾くこと」そのものよりも、「どの不良が・いつ・どの条件で出たか」というデータが自動的に貯まることにあると考えられます。検査を単なる選別装置と捉えると、良品と不良品を仕分けて終わりです。しかし、不良の種類・発生位置・発生タイミングを記録し続けると、それは歩留まり改善のための一次データになります。
たとえば、特定の不良が特定の号機・特定のロット・特定の時間帯に偏って出ているとすれば、そこに原因の手がかりがあります。こうした偏りは、検査データが揃って初めて見えてくることが多いものです。集めた不良傾向を工程条件・設備・材料ロットと突き合わせて原因を探る、いわゆる不良の根本原因フィードバックのループを回すことで、「弾く」から「そもそも減らす」への移行が現実味を帯びてくると考えます。
現場でよく聞くのが「不良は出るが、原因が特定できない」という悩みです。多くの場合、これはデータが足りないというより、不良データと工程データが別々に管理されていて突き合わせられない、という設計上の問題であることが少なくありません。検査時に「どの製品の・どの不良か」を工程情報と紐づけて残す設計にしておくと、後から原因を追える確率が上がります。不良原因が特定できない状況を減らすには、検査導入の設計段階で「後で原因を追えるデータの残し方」を決めておくことが重要になると考えられます。
検査自動化やデータ活用への投資を検討する際、判断の起点は「今、どの工程で・どの不良で・いくら失っているか」という金額の把握だと考えます。歩留まり率だけを見ていると、材料高で膨らんだ廃棄損の実額が見えにくく、投資の妥当性を過小評価してしまう恐れがあります。逆に、後工程まで持ち込まれた不良の積み上がり損失を金額で捉えると、投資が正当化される水準が数年前より下がっている可能性があります。
ここで注意したいのは、「不良率が◯%下がればいくら改善する」という試算は、あくまでモデル前提の一例にすぎないという点です。実際の効果は、対象の不良が安定して検知できるか、誤検知（過検出）で良品まで弾いてしまわないか、ラインへの物理的な組み込みが成立するか、といった現場条件に強く依存します。AI検査のコストとROIを考えるときは、初期費用だけでなく、立ち上げ工数・維持運用・条件変化への追従まで含めて見積もることをおすすめします。
投資対効果を確からしく見積もる現実的な方法は、いきなり全ラインへ展開するのではなく、損失が大きい一工程・一品種で小さく検証することだと考えます。現物のサンプルで検知できる不良・できない不良を切り分け、実際の判定精度と運用負荷を見てから範囲を広げる。この順序を踏むと、机上の試算と現場の実態のギャップを早い段階で発見でき、投資判断の精度が上がると考えられます。
検査システムは、導入した瞬間が完成ではなく、むしろそこから運用が始まります。材料ロットが変われば見え方が変わり、季節や照明の経年で撮像条件が変わり、新製品が入れば判定基準を足す必要が出てきます。歩留まり改善を継続的な成果にするには、この「変化への追従」をあらかじめ運用に織り込んでおくことが欠かせないと考えられます。
運用でつまずきやすいのが、判定が現場感覚とズレたときに「誰がどう直すか」が決まっていないケースです。過検出が増えれば現場は検査を信用しなくなり、いつの間にか検査結果を無視する運用に戻ってしまうことがあります。導入前に、判定のチューニング責任者・見直しの頻度・現場からのフィードバック経路を決めておくことが、効果を持続させる鍵になると考えます。
見落とされがちですが、AI検査の安定性は、アルゴリズム以前にライティングと撮像の安定に大きく左右されます。同じ不良でも、光の当たり方が変われば見えたり見えなかったりします。現場ライティングの設計を軽視すると、せっかく貯めた検査データの質そのものが揺らぎ、後段の原因分析まで信頼性が下がってしまいます。ここは元キーエンス画像処理事業部の現場知見が効く領域の一つだと考えられ、撮像を安定させることが結果的にデータ活用の土台になると考えます。
最後に、歩留まり改善を「不良削減による利益改善」につなげようとするときに陥りやすい落とし穴を挙げます。いずれも、やってみて初めて分かる部分が大きい点でもあります。
ここまで見てきたように、原材料高の時代における歩留まり改善は、「率を上げる」という抽象的な目標から、「どの工程で・どの不良で・いくら失っているかを把握し、その損失を早期検知とデータ活用で減らす」という具体的な設計へと落とし込むことが出発点になると考えられます。
現実的な順序としては、まず損失を金額で見える化し、最も損失の大きい工程・不良を特定します。次に、そこで早期検知が成立しそうかを現物のサンプルで検証します。そして、検査で貯まるデータを原因側へ戻すループを設計する——この順で進めると、投資の妥当性を確かめながら段階的に広げられると考えます。いきなり大きく作るのではなく、損失の大きいところから小さく試すのが、ギャップを早く見つけるコツだと考えられます。
どの不良が実際に検知できるか、どの工程に検査を置くのが効くかは、現場ごとに大きく異なります。だからこそ、机上の議論だけで結論を出さず、現物・現場での検証を早い段階で挟むことをおすすめします。自社の工程で何がどこまで見えそうか判断がつかない段階でも、損失構造の整理や検証の進め方から一緒に考えることはできると考えます。
不良1個が捨てているのは素材だけでなく、その加工に投入したエネルギーや人時も含まれます。原材料・エネルギー価格が高止まりすると、同じ不良率でも失う金額が大きくなる可能性があります。結果として歩留まり改善の投資対効果が以前より高まっている構造が考えられますが、実額は各社の原価構造に依存するため、自社の金額で把握することをおすすめします。
一概には言えませんが、後工程で不良が見つかるほど、そこまで投入した資源が丸ごと廃棄損になりやすい点は共通します。損失が大きいのは「早く弾けば防げた不良」であることが多いと考えられ、その場合は不良が発生しやすい工程の直後に検査を置くことが効きうると考えます。ただし最適な配置は工程ごとに異なるため、損失の大きい箇所から検証することをおすすめします。
必ず上がると断定はできません。効果は、対象の不良が安定して検知できるか、過検出で良品を弾かないか、ラインに組み込めるか等の現場条件に強く依存します。また検査は不良を弾くだけで、原因が変わらなければ発生自体は続きます。検査データを原因側へ戻す設計と組み合わせて初めて、継続的な改善につながりうると考えられます。まず現物での検証をおすすめします。
「不良率が◯%下がれば◯円改善」という試算はモデル前提の一例にすぎず、机上だけで判断するのは避けたいところです。現実的には、損失の大きい一工程・一品種で小さく検証し、実際の検知精度と運用負荷を確認してから範囲を広げる進め方が、精度の高い見積もりにつながると考えられます。初期費用だけでなく立ち上げ工数や維持運用まで含めて見ることも重要です。
不良の種類・発生位置・タイミングを、工程条件や設備・材料ロットと紐づけて記録できる設計が土台になると考えられます。多くの現場では、不良データと工程データが別管理で突き合わせられないことが原因究明を難しくしています。導入の設計段階で「後から原因を追えるデータの残し方」を決めておくことが、原因フィードバックのループを回す前提になると考えます。
どの工程で・どの不良で・いくら失っているか。この把握が歩留まり改善の出発点になると考えます。損失構造の整理から、現物での検証の進め方まで、実態に即してご一緒に考えます。まずは小さく現物で確かめるところから始めませんか。
工程内検査と歩留まり改善について相談する