【事例】検査・品質管理におけるAIエージェント活用とは？不良解析・合否判定・再発防止を支援

製造業の検査・品質管理では、外観検査、寸法測定、不良分類、原因分析、是正処置、顧客報告など、多くの情報処理と判断が連続しています。検査装置やAI画像認識で不良候補を見つけられても、その結果を過去の不良履歴、工程条件、設備情報、品質基準、顧客要求と照らし合わせ、次の対応へつなげる作業は品質担当者に残ります。

そこで注目されるのがAIエージェントです。AIエージェントは、単に画像を判定するだけでなく、目的に応じて複数の情報源を参照し、関連情報を整理し、原因候補や確認項目、報告書の下書きを提示する仕組みとして活用できます。

ただし、AIが検出や分析を支援できることと、品質判断をAIへ移せることは別です。どの欠陥を許容するか、製品を出荷してよいか、特採を認めるか、顧客へどう説明するかは、製品・工程・契約条件を理解する人が判断する必要があります。

この記事では、検査・品質管理におけるAIエージェントの役割、現在公表されている「取り組み事例」、今後の「広がる用途」、人が担う判断、導入時に必要なデータと運用設計までを解説します。

品質管理では、不良を見つけることだけでなく、その後の原因調査、影響範囲確認、是正処置、顧客対応まで含めた対応が求められます。こうした業務の複雑化を背景に、AIエージェントへの関心が高まっています。以下では、その主な理由を見ていきます。

検査結果が、その後の品質業務につながりにくい

外観検査装置や測定機から結果を取得できても、判断に必要な情報が一つの画面へ集まっているとは限りません。不良画像は検査装置、寸法値は測定システム、ロット情報はMES、設備条件は設備ログ、過去の是正報告はファイルサーバーというように、情報が分散していることがあります。

この分断があると、品質担当者は複数のシステムを行き来しながら、類似不良、過去の処置、適用基準、影響ロットを調べなければなりません。AIエージェントの価値は、検査精度を上げることだけではなく、検出後の調査・整理・共有を一つの業務フローとして支援できる点にあります。

ベテランの経験に依存する判断が多い

不良現象が同じように見えても、発生工程、材料ロット、設備、時間帯、加工条件によって原因は異なります。ベテラン担当者は、過去の経験から確認順序を組み立てますが、その知識が検索可能な形で残っていなければ、担当者によって調査の速さや深さに差が出ます。

AIエージェントは、ベテランの判断を置き換えるものではありません。過去情報を探し、比較表を作り、確認漏れを減らすことで、担当者が現場確認と判断に集中できる状態をつくることが目的です。

品質文書の作成と更新に負荷がかかる

不適合報告、是正処置、顧客報告、工程監査、変更管理などでは、事実関係の整理と文書化が必要です。AIエージェントは、検査結果やヒアリング内容を決められた様式へ整理し、下書きを作る支援に向いています。ただし、記述内容の妥当性、顧客影響、対外説明は人が確認しなければなりません。

外観検査AIは、画像から傷、欠け、汚れ、組付け不良などを検出・分類する用途に特化します。一方、AIエージェントは、検査AIの出力を起点として、品質基準や履歴へアクセスし、次に必要な確認や文書化を支援します。両者は競合するものではなく、検査AIを「目」、AIエージェントを「情報をつなぎ、次の作業を支援する役割」と考えると理解しやすいでしょう。

ポイント

AIエージェントは、検査AIの代替ではなく、検出から分析・文書化・改善までをつなぐ支援役 ・品質に関する最終判断と説明責任は、製品・工程・顧客要求を理解する人が持ちます。

AIエージェントは、検査装置や外観検査AIを置き換えるものではありません。検査結果や品質情報をつなぎ、調査や文書化を支援する役割が期待されています。以下では、品質管理業務の中で支援しやすい領域を整理します。

外観検査結果の整理

検査AIが示した欠陥位置、画像、判定スコア、製品番号、ロットをまとめ、担当者が確認すべき案件を一覧化します。信頼度が低い結果や新しい欠陥パターンを人のレビューへ回す設計も考えられます。

寸法・測定データの確認

測定値を図面公差や検査規格と照合し、逸脱候補や傾向変化を抽出します。測定機、測定方法、校正状況などの前提条件も合わせて確認できることが重要です。

不良分類と類似事例検索

不良名称の表記ゆれを整理し、類似する画像、現象、原因、是正履歴を検索します。担当者は提示された候補を手掛かりに、現物と工程を確認します。

原因分析の準備

材料、設備、方法、人、環境、測定などの観点で関連情報を並べ、なぜなぜ分析や特性要因図を作るための論点を提示します。AIが原因を確定するのではなく、確認すべき仮説を漏れなく出す使い方です。

品質報告書の下書き

発生日、対象ロット、不良現象、暫定処置、調査状況、恒久対策などを社内様式へ整理します。AIが作った文章は、事実、責任範囲、顧客向け表現を人が修正・承認します。

再発防止と標準化の支援

確定した原因と対策を、作業標準、検査基準、教育資料、FMEAなどへ反映する際の更新候補を示します。変更の承認と現場での有効性確認は担当部署が行います。

ここでは、企業や組織が公開している導入・実証・活用を「取り組み事例」として紹介します。検査や品質保証の現場で、AIがどのように活用されているのかを見ていきます。

Jabil：分散した技術情報をつなぐAI診断支援

AWSは2026年6月、Jabil、Siemens Mendix、AWSによる製造診断支援の取り組みを公開しました。Jabilの診断技術者は、分散した技術文書、ベンダー仕様、過去の故障ログを探す作業に時間を使っていました。取り組みでは、必要な情報とガイダンスをつなぎ、技術者が次の行動を判断しやすくすることを目指しています。

この事例は、AIが製品の最終合否を自動決定するものではありません。品質・診断担当者が調査に必要な情報へ到達し、誤ったデバッグ判断を減らすための支援として参考になります。

Siemens：プレス部品の外観検査をAIで支援

Siemensでは、自動車関連の顧客が、プレス部品の割れ、ひずみ、穴数などを人手で確認していた工程へAIビジョンを導入しました。カメラやセンサーの配置検討、合成データによる学習、エッジでの推論、HMIでの結果表示を組み合わせ、検査作業者を支援する構成です。

公開情報には、手作業による分類負荷の削減や全数検査に関する効果が示されています。ただし、特定事例の数値を他の製品や工程へそのまま当てはめることはできません。対象欠陥、撮像条件、タクト、誤検出と見逃しの許容度を個別に評価する必要があります。

Novo Nordisk：品質保証業務へコンピュータービジョンを展開

AWSの顧客事例では、Novo Nordiskが製造ラインの手作業を減らすため、コンピュータービジョンと機械学習を使用し、カートリッジの計数や培地プレートの異常検知などの品質保証業務を自動化しています。さらに、モデルの学習、エッジ展開、監視を一つのパイプラインとして整備し、複数の品質保証用途へ拡張できる構成を目指しています。

この事例から分かるのは、検査モデルを作るだけでは不十分だという点です。モデルを現場へ展開し、データとバージョンを管理し、稼働後も監視する仕組みが品質用途には必要です。

取り組み事例から読み取れる共通点

• AIは検出や情報検索を支援し、担当者が判断する材料を増やしている
• 画像だけでなく、履歴・仕様・ログなどの関連情報をつなぐ方向へ広がっている
• 導入後もモデル、データ、判定結果を監視・改善する運用が必要
• 個別事例の効果数値を、別工程の期待値として一般化しない

品質管理におけるAI活用は、検査や不良分類だけにとどまりません。検査AIや品質データ、ナレッジ検索と組み合わせることで、より幅広い業務への応用が考えられます。以下では、その例を紹介します。

類似不良から確認項目を提案する

不良画像、製品型式、工程、設備、材料ロットを手掛かりに、過去の類似不良と調査手順を提示する使い方が考えられます。担当者は候補を参考にしながら、現物、設備、材料を確認します。

なぜなぜ分析の抜け漏れを減らす

過去の是正報告、工程変更履歴、設備保全履歴から、原因仮説や追加確認事項を提示する用途が考えられます。もっとも、相関が見つかっても原因とは限らないため、現場検証が必要です。

影響範囲の調査を支援する

製造番号、材料ロット、設備、作業時間、検査記録をたどり、影響を受けた可能性のある製品群を抽出する使い方が考えられます。最終的な対象範囲はトレーサビリティルールと品質責任者の判断で確定します。

是正処置から標準書更新までをつなぐ

是正内容が確定した後、関連する検査基準、作業標準、管理図、教育資料、FMEAの更新候補を示す用途が期待されます。AIは更新漏れを探す支援をし、文書管理者と工程責任者が承認します。

工程監査の事前準備を支援する

監査項目、過去指摘、是正期限、工程変更、異常傾向を整理し、重点確認箇所を提示する使い方も考えられます。監査所見の確定や適合性判断は監査員が担います。

AIエージェントの活用範囲が品質保証へ広がるほど、合否判定や顧客対応など責任を伴う判断も関わってきます。こうした領域では、AIの活用範囲と人の責任を明確に分けて考える必要があります。以下では、そのポイントを整理します。

検査結果と品質責任を分けて考える

AIが「不良の可能性が高い」と出力したことは、出荷不可を意味しません。反対に、AIが「良品」としたことも、製品がすべての要求を満たす保証にはなりません。検査範囲、モデルが学習した欠陥、撮像条件、測定不確かさ、適用規格を踏まえて結果を扱う必要があります。

判定根拠と変更履歴を追跡できるようにする

品質用途では、どのモデル、どの品質基準、どのデータを使い、誰が結果を確認し、どの判断をしたかを後から追えることが重要です。モデル更新や閾値変更があった場合は、変更前後の影響も確認できる状態にします。

顧客説明をAIの文章だけで完結させない

顧客報告には、事実、原因、影響範囲、暫定処置、恒久対策、再発防止が含まれます。AIは情報整理と下書きを支援できますが、責任の所在、契約・規格への適合、顧客との合意を踏まえた表現は、品質保証担当者が確認・承認します。

品質管理で成果を出すためには、AIと人がそれぞれ得意な領域を担うことが重要です。AIは検出や情報整理を支援し、人は品質基準の適用や説明責任を担います。以下に主な役割分担を整理します。

AIエージェントの性能は、生成AIモデルだけでは決まりません。品質データと製造情報がどのように管理され、関連付けられているかが重要です。以下では、品質管理で活用する際に必要となる主なデータとシステムを整理します。

品質管理は、検査、調査、判断、文書化まで幅広い業務を含みます。そのため、AI導入も段階的に進めることが重要です。以下では、導入時に意識したい主なポイントを紹介します。

1. 対象業務を「検出」「調査」「判断」「文書化」に分ける

最初から品質業務全体を自動化しようとせず、どこに時間がかかり、どこに判断責任があるかを整理します。検索や下書きから始めると、効果とリスクを評価しやすくなります。

2. 品質基準とレビュー条件を先に決める

信頼度が低い結果、新しい欠陥、重要製品、顧客指定品など、人の確認を必須にする条件を定義します。AI導入後に決めるのではなく、設計時に承認点を組み込みます。

3. 誤検出だけでなく見逃しを評価する

精度という一つの数値だけで判断せず、過検出と見逃しを分け、欠陥種類、製品型式、撮像条件ごとに評価します。品質リスクが高い欠陥は、より厳しい運用が必要です。

4. 出典と根拠を表示する

AIが類似事例や品質基準を提示するときは、参照した文書名、版数、該当箇所を確認できるようにします。根拠を追えない回答は、意思決定の材料として扱いにくくなります。

5. 導入後もデータとモデルを監視する

製品変更、照明変化、カメラ交換、材料変更などで出力傾向が変わる可能性があります。誤りを報告し、データを更新し、モデルや検索対象を見直す運用を設けます。

6. 現場・品質・ITを横断するチームをつくる

品質基準を理解する人、工程や設備を理解する人、データとAIを設計する人が協力する必要があります。一人にすべてを求めるのではなく、役割を分担したチームとして運用します。

小さく始める場合の候補

• 承認済み品質文書の検索
• 過去の不良
• 是正事例の検索
• 不適合報告書の下書き
• AI検査で要確認となった案件の整理
• 監査前の証跡収集

AIが検索や文書化を支援するほど、品質担当者の価値は、情報を集める作業から、基準を設計し、リスクを判断し、結果を説明する役割へ移ります。必要なのはAIの専門家になることだけではありません。品質と現場の知識を持ち、AIの出力を検証できることが重要です。

• 製品要求、工程能力、検査方法を理解し、妥当な品質基準を定める力
• AIが参照するデータと文書の信頼性を確認する力
• 誤検出、見逃し、適用範囲外を見極める評価力
• 現物・現場を確認し、原因候補を検証する力
• 判断理由と証跡を残し、社内外へ説明する力
• 品質、製造、生産技術、ITの間をつなぐコミュニケーション力

AIエージェントと外観検査AIは何が違うのですか？

外観検査AIは、画像から不良候補を検出・分類する用途に特化します。AIエージェントは、その結果に不良履歴、工程条件、標準書、是正報告などを組み合わせ、類似事例の検索、確認項目の整理、報告書の下書きなど、検出後の業務を支援します。

AIエージェントに最終合否判定を任せられますか？

技術的に判定候補を出すことはできますが、最終合否、特採、出荷可否は、品質基準、顧客要求、製品リスクを踏まえて人が判断する設計が基本です。AIの適用範囲、誤検出、見逃し、適用外条件も考慮する必要があります。

品質管理での取り組み事例にはどのようなものがありますか？

公開事例には、AIビジョンによる外観検査、コンピュータービジョンを使った品質保証業務、分散した技術文書や過去ログをつないだ診断支援などがあります。各事例は対象工程と運用条件が異なるため、効果数値を自社へそのまま当てはめず、個別に評価します。

AIエージェントはなぜなぜ分析を自動化できますか？

原因仮説や確認項目を提示することは可能ですが、真因を自動確定できるとは限りません。なぜなぜ分析では、現物・現場・現実の確認、因果関係の検証、再現試験が重要です。AIは過去情報の検索と論点整理に使い、原因確定は人が行います。

AIエージェントを導入するために必要なデータは何ですか？

検査画像、測定値、製造番号、ロット、工程条件、設備履歴、不良・是正履歴、図面、検査基準、作業標準などが候補です。量だけでなく、識別子で関連付けられること、版数と承認状態が分かること、閲覧権限が管理されていることが重要です。

AIエージェントの精度はどのように評価しますか？

用途別に評価します。検査では欠陥種類ごとの見逃しと過検出、検索では正しい根拠へ到達できるか、報告書では事実誤認や欠落がないかを確認します。製品変更や環境変化後も評価を継続します。

中小規模の製造業でも活用できますか？

品質文書検索、過去不良検索、報告書の下書きなど、既存データを使った小規模な用途から検討できます。最初に、対象業務、利用データ、人の確認点、期待する効果を限定することが重要です。

AIエージェントは品質管理担当者の仕事をなくしますか？

AIは検索、整理、候補提示、下書きを支援できますが、品質基準の設定、現場確認、原因確定、是正、出荷、顧客説明は人の役割として残ります。担当者は定型作業を減らし、判断と改善へ時間を使いやすくなります。

検査・品質管理におけるAIエージェントは、外観検査AIのように不良候補を見つけるだけでなく、検査結果、過去不良、工程条件、設備履歴、品質文書をつなぎ、類似事例検索、原因分析の準備、報告書作成、再発防止の検討を支援する仕組みです。

一方、AIが提示するのは判断材料です。品質基準の適用、境界事例の扱い、真因の確定、是正処置、特採、出荷可否、顧客説明は、製品と工程を理解する人が担わなければなりません。

導入では、AIモデルの選定だけでなく、検査データと製造情報の関連付け、品質文書の版管理、判定根拠の追跡、レビュー条件、モデルとデータの継続監視が重要です。まずは文書検索や報告書下書きなど、判断を自動化せず、判断材料を整える用途から始めると進めやすいでしょう。

AIエージェントが普及するほど、品質知識、現場理解、データ活用、AI評価を結び付けられる人材・チームの価値は高まります。AIを使って品質判断をなくすのではなく、品質担当者がより速く、根拠を持って判断できる体制をつくることが重要です。

参考情報
https://learn.microsoft.com/en-us/industry/manufacturing/enable-intelligent-factories
https://aws.amazon.com/blogs/industries/improving-defect-analysis-and-quality-control-with-ai-diagnostics/
https://references.siemens.com/en/reference/scalable-visual-quality-inspection-?id=37527
https://aws.amazon.com/solutions/case-studies/novo-nordisk-case-study/
https://docs.aws.amazon.com/wellarchitected/latest/modern-industrial-data-technology-lens/mfgsce5-computer-vision-for-automated-quality-inspection.html
https://www.siemens.com/en-us/company/artificial-intelligence/industrial-ai/inspekto-ai-inspection/
https://www.nist.gov/itl/ai-risk-management-framework