製造業でAIを「PoC(概念実証)止まり」にせず本番の業務に広げるには、どういう体制を組めばよいのか。この記事は、中国の文具メーカー・得力集団(Deli Group)が品質検査・物流・調達でAIを横展開している事例を題材に、AIを誰の仕事にするかという体制の問題を、受託開発とAIエージェント事業を手がける立場から読み解きます。
報道の要点(事実のみ)
- 得力集団の生産現場では、ペン8本あたり1.4秒で15種類の欠陥検査を行い、製品不良率は3.2%から0.5%に下がり、検査の効率は42倍、検査員は1,000人超から100人超に減った。
- 同社のAI応用総監・徐子雅氏は「AIはIT部門の仕事ではなく、全業務の仕事だ」と述べている。
- 得力は12の業務ラインすべてにAIチームを置き、頻度が高く実際に困っている課題から着手している。
- 物流では、輸送梱包を選ぶエージェントで箱選びの正解率が60%未満から95%以上に上がった。調達では、運送伝票とAIを組み合わせた相積み(混載)システムで積載スペースの利用率を99.9%以上にした。
- 以上は、2026年9月11日に浙江省寧波市で開幕した第16回スマートシティ・スマートエコノミー博覧会を取材した中国新聞社の記事の一部。
数字より先に見るべきは「AIチームの置き場所」
検査の42倍や人員9割減という数字は目を引きますが、私がこの記事で一番重要だと考えたのは徐子雅氏の一言と、12の業務ラインそれぞれにAIチームを置いたという体制のほうです。
受託開発の現場でAI案件の相談を受けると、窓口は情報システム部門であることがほとんどです。すると最初に出てくる問いは「どのモデルを使うか」「どの基盤に載せるか」になり、「どの業務のどの判断をAIに任せるか」は後回しになります。業務側に当事者がいないまま進んだPoCは、精度が出ても引き取り手がいません。PoC止まりの原因は、技術よりもこの「引き取り手の不在」にあることが多いと私は見ています。
得力のやり方は逆です。品質・物流・調達の各ラインに担当者を置き、そのラインが毎日困っている課題(検査・箱選び・配車)から入っています。どれも正解が業務の中で毎回確かめられる課題であることに注意してください。箱が合わなければその場で分かり、積載率は数字で出ます。成果が測れるから次のラインに広げる説明がつく、という順番です。
不良率が下がった理由を読み違えない
研究をしていた立場から一つ補足すると、AI外観検査そのものは不良を「見つける」仕組みであって、不良を「減らす」仕組みではありません。検査精度を上げても、それだけでは製品不良率は下がりません。記事は内訳を書いていないため推測になりますが、3.2%から0.5%への改善は、検査結果が工程の条件調整にフィードバックされて初めて出る数字だと読むのが自然です。
つまり、この事例から学ぶべきは検査モデルの性能ではなく、検査データを製造工程側が受け取って使う仕組みです。ここも、品質の業務ラインにAIの担当がいるから回るものです。外観検査AIを検討するなら、「検出率」と並べて「検出結果を誰がどの会議で工程に戻すか」を要件に入れておかないと、42倍の効率化は再現できても不良率の改善は再現できません。
開発会社・SIerの事業にとっての意味
同業の経営者向けに書くと、この体制が広がるほど、AI案件の発注者は情報システム部門から各事業部に移っていきます。事業部の担当者が求めるのは基盤の構築より、「自分の業務の課題を一緒に定義して、測れる形で改善してくれる相手」です。私たちがAIエージェント事業で初期の顧客と実験していても、話が進むのは業務の当事者が同席している案件です。
開発会社の側で準備すべきことは3つあると考えます。
- 業務ラインごとに小さく作って、効果を数字で返せる体制。 大きな基盤を一括で受注する形より、1ラインで結果を出して隣のラインに広げる進め方に見積もりと契約を合わせる。
- 業務の言葉で課題を定義できる人材。 モデルに詳しいだけの人材では、事業部の窓口と話がかみ合わない。要件定義の力がそのまま受注力になる。
- 人員配置の変化を顧客と一緒に扱う姿勢。 検査員が1,000人超から100人超に減ったという数字の裏には、残りの人の配置転換という経営課題があります。ここに触れない提案は、現場の合意を得にくくなります。
なお、報道は中国の産業政策やデータ基盤整備の文脈の中にあり、補助の仕組みや人員の動かし方の前提は日本と同じではありません。そのまま真似るのではなく、「AIの担当を業務ラインに置く」「測れる課題から入る」「検査データを工程に戻す」という3点に絞って参考にするのがよいと考えます。
よくある疑問
Q. 製造業のAI導入は、情報システム部門が主導すべきではないのですか。 A. 基盤・セキュリティ・データ管理は情報システム部門の役割として残ります。ただ、どの課題に使い、成果をどう測るかを決めるのは業務側です。得力の「12の業務ラインにAIチーム」は、この役割分担を組織として固定した例だと読めます。
Q. AI外観検査を入れれば不良率は下がりますか。 A. 検査AIは不良を見つける仕組みなので、それだけでは不良率は下がりません。検査結果を工程の条件調整に戻す運用まで設計して、はじめて不良率の改善につながります。
関連記事
- AI PoCの進め方5ステップ｜「PoC止まり」を防ぎ本番導入につなげる実践手順
- シーメンス成都工場の智能体工場化に見る、製造業AI導入を「点」で終わらせない条件
- 製造業のAI導入は「モデル選び」で決まらない — 永洋特鋼の事例が示す土台の順番
- 物流AIはコア工程から入れる｜中国宅配大手のコスト削減事例に学ぶAI投資の順番
- 製造業のAI活用事例をどう読むか｜高炉AIで「炉温予測90%」を出した南京鋼鉄の報道から
出典: AI加速“跑入”千行百业 拓宽场景供给成共识(中国網 / 中国新聞社、2026-09-13)
