P&GがSiemensと共同で作ったAI外観検査システムを、世界の製造拠点へ広げています。PYMNTSの報道(2026年9月29日)では、この取り組みがP&Gの原価削減計画「Supply Chain 3.0」の一部として、CFOの言葉とともに紹介されました。この記事では報道の事実を整理したうえで、AI外観検査の自動化がなぜ1拠点目で止まりやすいのか、何拠点に再現できるかを決めるのは何かを、受託開発でシステムを「作る側」の目線から考えます。
検査AIの判定をPLCにつなぎ、不良品の排除まで自動で行う「閉ループ」の設計は、AI外観検査は「判定」より「排除」で決まる——Siemens×P&Gの世界展開を作る側から読むで扱いました。本記事はその続きとして、モデルを誰が更新し続けるのか(運用の持ち主)と、拠点を増やすときのコスト構造に絞ります。
報道の要点(事実のみ)
- P&GはSiemensと構築したAI外観検査「Visual Inspection Cockpit」を、複数の製造拠点へ展開している。ハードウェア基盤はSiemens Industrial Edge。
- スクラップ(廃棄)の削減幅は製品によって10〜20%。新しいラインへの展開は、従来型のマシンビジョンと比べて5〜10倍速い。
- 対象は紙おむつ、おしりふきなど、素材にばらつきがある製品。ライン速度のままリアルタイムで検査し、素材のばらつきは深層学習モデルが吸収する。
- 工場のエンジニアが、現地にデータサイエンスのチームを置かずに、モデルの設定・学習・更新を行える。
- 拠点ごとに個別のシステムを設計し直すのではなく、1つのAIモデルと共通のハードウェア基盤を複数工場に複製する方式をとる。
- この取り組みは、2030年までに売上原価で最大15億ドルの削減を目指すP&Gの「Supply Chain 3.0」の一部と位置づけられている。自動化した交代勤務(シフト)では、生産性が15〜60%向上したとされる。
- CFOのAndre Schulten氏は「効果があることは分かっているし、何をすべきかも分かっている。問題はどれだけ速く展開できるかだ」と述べた。マシンビジョン・応用AI担当ディレクターのPaul Thomas氏は「従来のビジョンシステムでは手が出せなかった業界の課題を解くために設計した」と説明している。
AI外観検査の自動化が1拠点目で止まりやすい理由
外観検査の自動化がうまくいかない話を聞くと、原因は精度不足より「精度を保ち続ける人がいない」ことの方が多いと私は見ています。素材のロット、照明、カメラの汚れ、製品仕様の変更。現場の条件は毎月のように変わり、そのたびにモデルの再学習が要ります。PoCでは外部のデータサイエンティストが付きっきりで精度を出しますが、本番では工場に再学習できる人がおらず、精度が少しずつ落ちていく。2拠点目へ広げようとすると、同じ専門家をもう1人用意しなければならない。これが、拠点数に比例してコストが増える構造です。
P&Gの報道で私が最も重く見たのは、スクラップ削減率ではなく「現地にデータサイエンスチームを置かずに、工場のエンジニアがモデルを更新できる」という一文です。拠点を増やすときに比例して増えるはずだった専門人材のコストを、運用の設計で外したことになります。CFOが「どれだけ速く展開できるか」を論点にできるのは、この前提があるからだと私は読んでいます。
PoCの段階から本番運用を見据えた評価項目の立て方はAI PoCの進め方5ステップで整理しています。検査AIに限って言えば、評価項目に「再学習を誰がどの頻度で行うか」を入れておかないと、精度が出た時点で止まりやすくなります。
徐 聖博の見解:競争の単位は「モデル」から「何拠点に再現できるか」へ移った
研究でニューラルネットワークを扱い、その後はプロダクションのシステムを作ってきた立場から言うと、「現場の人がモデルを更新できる」を実現する難しさは、学習アルゴリズムではなく更新作業を安全に任せる仕組みにあります。具体的には次の3つです。
- 学習データの作り方の標準化。 良品・不良品のラベル付けの基準が拠点ごとにずれると、同じモデルを複製しても結果がそろいません。ラベル付けの手順とレビューの流れを、ツールの画面に組み込む必要があります。
- 更新前の検証ゲート。 現場で再学習したモデルを、そのまま本番に出すわけにはいきません。過去の不良サンプルで再判定し、良品を誤って排除する率(過検出)が悪化していないかを自動で確かめてから切り替える。この判定基準は、工場ではなく本社側が持つべきものです。
- ロールバックと差分の管理。 拠点ごとにモデルのバージョンがばらばらになると、「どの工場が何で動いているか」が分からなくなります。共通モデルと拠点ごとの差分を分けて管理できることが、複製の前提になります。
この3つを整えて初めて、「1つのモデルと共通基盤を複製する」方式が成り立ちます。逆に言えば、ここが無いまま横展開すると、拠点の数だけ個別の保守案件が生まれます。工場全体のAIを「点」で終わらせない条件は、シーメンス成都工場の事例でも同じ構図でした。投資対効果が出ずに止まった事例は河北省の製造業AI 成功/失敗事例で取り上げています。
もう1点、CFOが自動化の話をしていることにも意味があると考えます。AI外観検査が品質部門の改善テーマではなく、売上原価の削減計画に組み込まれた投資として語られている。経営の評価軸が「PoCでの精度」から「何拠点に、どれだけ速く再現できたか」に移ったことを示す事例です。
SIer・開発会社の事業判断にどう効くか:自作か、製品か
検索では「AI外観検査 自作」「AI外観検査 メーカー」といった語が並びます。発注側が「自社で作るか、製品を入れるか」で迷っていることの表れです。開発会社の経営目線で見ると、この発表から読み取れる判断材料は次のとおりです。
- モデル開発だけを請ける形は弱くなる。 大手のベンダーが共通基盤と展開手順まで製品にして出してくると、「1拠点向けに専用の検査モデルを作る」仕事の単価は根拠が弱くなります。
- 価値が残るのは「複製できる形にする」仕事。 ラベル付けの基準づくり、更新前の検証ゲート、モデルのバージョン管理、既存の生産管理・品質管理システムとの接続は、顧客ごとに事情が違い、製品だけでは埋まりません。ここを設計できる会社が、2拠点目以降も継続して関われます。
- 見積りの単位を変える。 1拠点のPoC費用で見積もると、横展開の段階で「また同じ金額がかかるのか」と言われます。最初の提案から「1拠点目の構築費」と「2拠点目以降の複製費」を分けて示せるかどうかで、受注後の関係が変わります。
- 体制は「データサイエンティストを常駐させる」前提を外す。 顧客の現場エンジニアが運用できる状態を納品物にする方が、顧客にとっても、限られた人員で回す開発会社にとっても持続します。
パッケージを入れるか個別に開発するかの判断軸はパッケージか個別開発かの判断ガイドで、品質記録とトレーサビリティのシステム化については品質管理・トレーサビリティのシステム開発で整理しています。製造業でのAI活用の進め方全体は製造業のAI活用にまとめました。
まとめ
- P&GはSiemensと構築したAI外観検査を、1つのモデルと共通のエッジ基盤を複製する方式で世界の拠点へ広げている。スクラップは製品により10〜20%削減、新ラインへの展開は従来の5〜10倍速い。
- 横展開を可能にしているのは、現地にデータサイエンスチームを置かずに、工場のエンジニアがモデルを更新できる運用の設計である。
- その実現には、ラベル付けの標準化、更新前の検証ゲート、モデルのバージョン管理が必要になる。
- 開発会社にとっての機会は、モデル単体の開発より、複製できる形に整えて運用を顧客に渡す層にある。
出典: P&G Takes Its AI Scrap Killer Global(PYMNTS, 2026-09-29)
