福建日報 (fjnews) が2026年8月23日に、厦門でAIが産業応用に降りてきている状況を報じた。読みどころは技術ではなく、AIをPoCで終わらせず、サプライチェーンの業務実行レイヤーに組み込んだうえで、その成果を業務KPIで開示している点にある。ここでは、その数字をどう読むか、そして自社で同じものを作るとしたら何が難所かを整理する。
要点 (出典の事実のみ)
- 厦門の国貿控股集団・建発集団・象嶼集団の3社が出資する厦門供応链数智创新有限公司が「国家人工智能応用中試基地」を運営している。
- 鉄鉱石の週次・月次トレンド予測の精度は約70%で、2026年5月には値上がりの予警を出した。
- 象嶼集団の物流では、車両と貨物のマッチング率が60%近くまで到達している。
- 建発集団の農産物倉庫の巡回・棚卸しは30分以内、認識精度は95%超とされる。
- 厦門市の人工知能公共サービスプラットフォームは2026年7月23日に稼働し、1か月で2,100項目以上のAIリソースを集約した。2025年末時点で国家届出を通過した大規模モデルは6件 (省内1位)。
- 火山引擎の事例として、RTL工程で従来エンジニア3〜5名が数週間かけていた作業が18時間に短縮されたことが挙げられている。
徐 聖博の見解
私がこの記事でいちばん引っかかったのは、70%という精度を成果として堂々と出していることだ。
受託開発の現場でAI活用の相談を受けると、精度の議論はほぼ必ず「何%出れば使えるのか」に着地しないまま止まる。90%なら安心、70%なら使えない、という感覚的な線引きが先に立つからだ。だが、業務の性質によって使える精度はまったく違う。鉄鉱石の価格トレンド予測は、外れても即座に損失が確定する種類の判断ではない。人間のバイヤーが元々持っていた勝率を上回れば、それだけで調達判断の期待値は改善する。つまりこの70%は「AIの性能」ではなく「置き換え対象の人間の勝率との差分」として読むべき数字であって、絶対値で評価する対象ではない。
一方、倉庫棚卸しの認識精度95%超と30分以内という数字は、性質が違う。ここは在庫台帳という後続処理の入力になるので、誤りが下流に伝播する。同じ「AI導入」でも、誤りが人の判断で吸収される業務と、誤りがそのままデータになる業務では、必要な精度も、必要な人的チェックの設計もまったく別物になる。この記事の3社が良いのは、価格予測・配車・棚卸しという性質の異なる3種類に、それぞれ別の水準で載せている点だ。「全社でAI精度◯%を目指す」という掛け声とは対極にある。
開発を生業にしている会社にとって何が変わるか
作る側の目線で見ると、この構成でいちばん難しいのは、モデルでも精度でもない。
配車マッチングと倉庫棚卸しは、既存の基幹システム側に「AIの出力を受け取る口」がないと業務に乗らない。 マッチング率60%という数字が出るということは、提案された車両と貨物の組み合わせが、実際の配車オペレーションに投入され、成否がフィードバックとして戻る経路がすでに動いているということだ。ここが、PoCで止まる案件との決定的な差になる。デモは、モデルの出力を画面に出せば成立する。業務に乗せるには、出力を受ける既存システムの改修、例外時に人が差し戻す導線、そして結果を記録して再学習に回すパイプラインが要る。費用の大半はモデル側ではなく、この周辺に落ちる。
したがって、開発会社としてこの種の案件を受けるときに先に確認すべきは、「どのモデルを使うか」ではなく次の3点だと私は考えている。
- AIの出力を業務のどの意思決定に差し込むか — 人が最終判断する余地を残すのか、自動実行するのか。ここを決めないと必要精度が決まらない。
- 誤りが起きたときに誰がどこで気づくか — 気づく仕組みがない自動化は、精度が高いほど発覚が遅れて損害が大きくなる。
- 結果が記録されるか — 記録されないなら、その導入は初日が性能のピークになる。
この3点は見積もり前に決まっている必要がある。決まっていない状態で「AIを入れたい」という引き合いを受けて、モデル選定から入ると、ほぼ確実に精度議論の泥沼に入る。逆に言えば、この3点を発注側と一緒に決められることが、AI案件における開発会社の差別化ポイントになりつつあるというのが、ここ1〜2年AIエージェント事業をやってきた実感だ。単価も体制も、モデルを触れる人を揃えることではなく、業務側の設計を詰められる人を置けるかで決まる。
数字の読み方については、同じく精度を開示している高炉AIで「炉温予測90%」を出した南京鋼鉄の報道も併せて読むと、業種による水準の違いが見えると思う。「AIに任せない範囲を先に決める」という設計思想の実例としてはモノタロウが4か月で購買エージェントを出せた理由、効果測定の単位の取り方はAirbnbが予約1件あたりのサポートコストを削減した事例とAIの効果測定を「利用率」から卒業する話が参考になる。自律性をどこまで許すかの設計はパナソニック アビオニクスの航空機保守事例に整理した。
なお、記事は中国国内の産業政策の文脈で書かれており、補助制度・プラットフォーム整備の部分はそのまま日本の環境に置き換えられない。参考にすべきなのは制度ではなく、業務ごとに要求精度を変えて載せているという設計の順序のほうだ。
