設備保全のAI内製化——「ベテランの勘」をどう仕組みに変えるか

「正常」は誰が決めているのか——ある工場の点検現場から

私たちがある化学メーカーの工場を訪れたとき、設備担当の方がこう話してくれました。「設備の異常検知や予防保全、品質が厳しい工程でのデータからの検知に課題意識があります。定期的な液面・保温測定だけでは、安全性を完全に保証できているとは言えません」。では、その隙間をどう埋めているのか。答えは率直でした。「設備が壊れるかどうかの予兆は、信用に基づいて判断しています。基本的には人が見て判断しているのが実情です」。つまり、マニュアルに書かれた基準の外側を、最終的には担当者個人の経験が支えているということです。

同じ工場の保全担当者からは、点検スパンを伸ばせる予測ができれば、回転機械のような高価な設備の点検時期を最適化できるという声も聞かれました。この工場では「正常」の定義そのものが、担当者個人の経験に委ねられています。マニュアルには測定値の許容範囲が書いてあっても、実際に設備の前に立ったときの判断は、もっと細かい感覚に依存しているのです。

これは特殊な工場だけの話ではありません。私たちが相談を受ける製造業の現場では、似たような構造に何度も出会います。マニュアル化された基準と、ベテランの体感の間に、埋まっていない溝がある。この溝こそが、予知保全AIが最初に向き合うべき対象です。

突発停止が生む「見えないコスト」

設備が突然止まったときのコストは、修理費だけでは測れません。ラインが止まっている間の機会損失、納期遅延による取引先への説明、代替生産の手配、そして現場の疲弊——これらは決算書の1行には現れませんが、その分だけ静かに積み上がっていきます。

予知保全の市場規模は2026年に171億米ドルに達したという分析があります(出典)。年平均の成長率は24.3%と報告されています。同じ分析では、24時間稼働のコンプレッサー設備に振動センサーを後付けした事例も紹介されています。軸受の振動データを解析した結果、故障の3週間前に異常を検知できたといいます。センサー設置費用は約50万円で、最初の故障を1回回避できただけで投資回収が完了したそうです。つまり、小規模な投資でも、1回の突発停止を防げれば元が取れる計算になります。

正直に言えば、この数字だけを見ると「うちの規模では関係ない」と感じる方も多いはずです。同じ分析の報告によると、大手電子部品メーカーが1,800台もの設備にIoTセンサーを設置し、突発故障をゼロ化しながら保全コストを15%削減した事例もあったといいます。ただし、私たちがこの記事でお伝えしたいのは、1,800台の投資をしなければ予知保全が始められない、という話ではありません。むしろその逆です。

予知保全とは何か——予防保全との違い

予知保全(Predictive Maintenance)とは、故障が起きる前兆をデータで捉える考え方です。最適なタイミングで保全を行うことで、無駄な停止やコストを最小限に抑えます。振動・温度・電流・音響といったセンサーデータをAIが常時解析し、故障の予兆を早期に検知します。

これに対して予防保全(Preventive Maintenance)は、「3ヶ月に1回」「稼働1,000時間ごと」のように、あらかじめ決めたスケジュールで部品交換や点検を行う方式です。予防保全は分かりやすく運用しやすい反面、まだ使える部品を早めに交換してしまう過剰保全と、逆に交換前に壊れてしまう過小保全の両方が起こり得ます。予知保全は、この「決められたスケジュール」を「実際の設備の状態」に置き換える発想だと考えると理解しやすくなります。

ただし、予知保全は万能ではありません。センサーで捉えられる異常もあれば、捉えにくい異常もあります。私たちの現場経験では、この技術は回転機械や圧力系統のように振動・圧力データが明確に出る設備には有効です。一方、化学反応のような複合的な要因が絡む工程には、単独では過剰投資になる可能性が高いというのが率直な評価です。

AIはどうやって「予兆」を掴むのか

仕組みはシンプルです。まず対象設備に振動センサーや温度センサーを取り付け、日々のデータを収集します。次に、設備が正常に稼働しているときのデータパターンをAIに学習させ、「正常な状態」の基準を作ります。そのうえで、実際のデータが正常パターンからどれだけ外れているかを継続的に監視し、閾値を超えたタイミングでアラートを出します。

ここでの要点は、AIが判断しているのは「壊れるかどうか」そのものではなく、「いつもと違うかどうか」だという点です。ベテラン担当者が「なんとなく音が違う」と感じる感覚を、数値の変化として捉え直しているに過ぎません。だからこそ、この技術の精度は、正常な状態のデータをどれだけ丁寧に集められるかに大きく左右されます。データの量よりも、データの質と網羅性が結果を分けるというのが、私たちの案件を通じた実感です。

運用を始めた直後は、アラートが鳴りすぎる状態になりやすいという点も、あらかじめ知っておく価値があります。季節による温度変化や、製品の切り替えに伴う一時的な振動の増加まで「異常」として拾ってしまうためです。私たちが支援する案件では、運用開始から1〜2ヶ月は閾値を意図的に緩めに設定し、現場担当者と一緒に「これは本当に異常か」を1件ずつ確認しながら基準を調整していきます。この調整期間を省略すると、アラートが多すぎて誰も見なくなるという、予知保全AIにありがちな失敗に直結します。

大手事例と中小企業の現実のギャップ

先ほど紹介した1,800台規模の事例は、大手電子部品メーカーが自社のIoTプラットフォームと連携して実現したものです。工場全域を対象にした実証実験であり、専任のデータ担当者と、まとまった予算を前提にした取り組みです。

一方、中小製造業向けの導入ガイドでは、まったく異なる入口が示されています(出典)。「最も止まると困る設備を1台選ぶ」「正常な状態のデータを数週間記録する」「閾値を設定してアラートを試す」という3ステップです。つまり、大手が数千万円をかけて実証する内容を、中小企業は数十万円の検証から始められるということです。

この2つの事例の差は、単に規模の違いではありません。全社一括で導入するか、1台から検証して広げるかという、進め方そのものの違いです。私たちの実感では、中小・中堅製造業にとって現実的な入口は、間違いなく後者です。1台であれば、失敗しても影響は限定的です。現場の納得感を積み上げながら、次の設備へ広げていけます。

予知保全AIの費用感——内製ならではのコスト構造

費用の話も避けて通れません。回転機器に振動センサーを取り付け、クラウドのAIサービスに接続する最小構成であれば始められます。初期費用30〜80万円程度、月額数万円からという例が報告されています(出典)。この金額感は、SaaS(インターネット経由で使うクラウド型のソフトウェア)を1年契約した場合の年間利用料と、大きくは変わりません。

ただし、内製と外部サービス利用の違いは、初期費用の大小だけではありません。SaaS型の予知保全サービスは、契約している設備・機能の範囲でしか使えないことがほとんどです。対象を広げるたびに、追加費用が発生する設計になっています。一方、内製で仕組みを作っておくと、1台目で固めたデータ構造とロジックを、2台目・3台目に展開するときの追加コストを抑えられます。私たちが支援した案件でも、最初の1台にかけた検証期間に比べ、2台目以降は準備期間を半分程度に縮められたケースがありました。

もう一つの違いは、データの置き場所です。SaaS型は多くの場合、ベンダーのクラウド基盤にセンサーデータを預ける形になります。設備の稼働データには、生産量や工程の詳細といった機密情報が含まれることも少なくありません。私たちが提案する内製型のアプローチでは、自社のサーバーや閉域環境にデータを置いたまま分析する設計も選べます。これは、AI-Pathが掲げる「データ主権を前提にした企業AI基盤」という考え方を、設備保全の領域で実装したものです。

私たちの現場経験では——保全データが活きない理由

私たちがある化学メーカーの工場で伺った話が印象に残っています。「手書きのメモを事務所に戻ってきてから入力しているが、後回しになることもあり、データとして活用しきれていません。単一のデータとしては存在しても、トレンド管理に落とし込めていないのが実情です」。つまり、記録そのものがないのではなく、記録が時系列で振り返れる形になっていないということです。

これは、その工場だけの問題ではありません。誤解のないように言えば、私たちが訪れる現場の7割ほどでは、すでに何らかの記録が取られています。点検簿はある。日報もある。ですが、それが紙やExcelに散在していて、時系列で並べて傾向を見る形になっていない。データがないのではなく、データが「使える形」になっていないのです。

私たちがこうした現場を支援するときにまず着手するのは、センサーを増やすことではなく、既存の点検記録をどう構造化するかです。同じ工場の担当者は、適切な判断材料さえあれば誰でも同じように判断できるようになり、記録として残せるはずだとも話していました。仕組み化の第一歩は、新しい機器の導入ではなく、すでにある記録の整理から始まることが少なくありません。

1台から始める、内製型の予知保全——3つのステップ

私たちが設備保全の内製化を支援するときは、次の3段階で進めます。

第1段階は、対象設備の選定です。「止まると最も困る設備」を1台選びます。全設備を同時に対象にすると、データの整理だけで疲弊してしまうためです。第2段階は、その設備の正常な状態のデータを数週間から1〜2ヶ月かけて記録します。振動センサーのような専用機器がなくても、既存の点検記録をデジタル化するところから始められます。第3段階で、収集したデータをもとに閾値を設定し、実際にアラートを試験運用します。

この順序を守る理由は、いきなり複数設備・複数センサーで始めると、異常判定の基準がぶれてしまうためです。これまで私たちが関わってきた現場では、1台で基準を固めてから横展開した案件ほど、後から「アラートが多すぎて誰も見なくなった」という事態を避けられています。

「ベテランの勘」をどう仕組みに変えるか

私たちの基本姿勢は、「AIは信用するのではなく、こちらの考えをぶつけ、前提情報や意図を渡し続けることで深い対話が生まれる」というものです。これは設備保全にもそのまま当てはまります。AIに正常データを渡すだけでは、ベテランが持っている「音の違い」「振動の質感」といった感覚までは伝わりません。

私たちが実際にやっているのは、ベテラン担当者へのヒアリングです。「異常だと感じた瞬間、何を見て、何を聞いて気づいたか」を一つひとつ言葉にしてもらい、それを判断基準としてAIの学習データに組み込んでいきます。地道な作業ですが、この工程を飛ばすと、AIが出すアラートと現場の感覚がずれたまま運用が始まってしまいます。

正直に言えば、この工程には時間がかかります。ですが、ここで得られる副産物は小さくありません。ベテランの判断基準を言葉にする過程そのものが、これまで属人化していた技能を、次の世代に引き継げる形に変える作業になっているからです。予知保全AIの導入は、技能承継の課題を同時に解決する機会でもあると、私たちは考えています。

導入でつまずくポイントと私たちの対処

導入の壁は、技術面だけではありません。ある大手化学メーカーのDX推進担当者は、AI導入の手軽さに対して「簡単すぎて逆に怖い」と漏らしていました。セキュリティ対策が過剰投資にならないか、自社のリテラシーが追いつくのか、という両面を率直に懸念していたのです。これは、私たちが工場の現場でたびたび耳にする不安と重なります。同社の別の担当者は、工場のPCが破られれば内部まで侵入されるという、技術対策だけでは消えない人的リスクも指摘していました。

私たちが現場で見てきた壁を整理すると、大きく3つに分かれます。1つ目はデータの質です。正常データの記録が不十分なまま学習させると、誤検知が増え、現場の信頼を失います。2つ目はコストの見合わせです。センサー設置とAI開発の初期費用が、想定していた効果に見合うかを事前に見積もる必要があります。3つ目は権限設計です。私たちが顧客企業の内製担当に伝えているのは、「最初はデータベースを直接いじらないところに留めた方がいい」という原則です。DBを直接いじると後戻りができなくなりますが、参照や分析までの範囲であれば、試行錯誤しても被害は限定的です。

観点	大手型(パッケージ導入)	AI-Path型(内製)
初期投資	数千万円規模、複数設備を同時展開	1台から、数十万円規模で検証可能
データの扱い	ベンダーのクラウド基盤に依存	自社データを外部に出さない設計も選択可
拡張性	契約範囲の設備・機能に限定	検証結果を見ながら段階的に拡張
現場の勘の反映	標準テンプレートに現場が合わせる	ベテランの判断基準を個別にヒアリングし反映

予知保全は内製化の入口にすぎない

私たちがこれまで支援してきた在庫管理・受発注や生産計画、品質検査の内製化と、設備保全の内製化は、実はつながっています。どの領域でも、私たちが最初に向き合うのは技術選定ではなく、「現場の暗黙知をどう言語化するか」という同じ課題だからです。設備保全で作った「正常データを記録し、閾値で異常を検知する」という型は、そのまま品質検査の外観チェックや、生産計画の異常な需要変動の検知にも応用できます。私たちが1つの領域で内製化を支援すると、次の相談が別の業務から来ることが少なくないのは、この型の再利用性によるところが大きいと感じています。

設備保全で蓄積したセンサーデータや点検記録は、生産計画の精度向上にも活用できます。ある特注設備を扱うメーカーの技術主事は、外部に全部任せるのではなく、ノウハウを共有しながら二人三脚で作りたいという意向を示していました。すでに自社にAIサーバーを置き、ローカルでLLM(大規模言語モデル。クラウドを介さず自社環境内で動かせるAIの頭脳部分)を動かす検証にも踏み込んでいると話してくれました。設備保全を起点に、会社ごとのデータ基盤(私たちが「Company OS」と呼んでいるものです)が育っていく——これが、私たちが内製化を勧めている理由です。

AI-Pathの見解

私たちAI-Pathは、予知保全AIを「導入するかどうか」の二択で考えることをお勧めしていません。大手向けの数千万円規模のパッケージを一括導入するか、何もしないかのどちらかではなく、1台の設備からデータを記録し始めるという第三の選択肢があります。

この考え方の根底にあるのは、「AIは壁打ち相手であり、判断は人間がする」という私たちの一貫した姿勢です。予知保全AIがアラートを出しても、最終的にラインを止めるかどうかを決めるのは、これまでと同じく現場の人間です。AIの役割は、判断のための材料を増やすことであり、判断そのものを奪うことではありません。この線引きを最初に共有しておくことが、現場の抵抗感を減らし、結果として導入をスムーズにすると、私たちは数多くの案件を通じて実感しています。

よくある質問

Q. IoTセンサーの導入費用はどれくらいかかりますか。 先ほどお伝えした通り、最小構成であれば初期費用30〜80万円程度、月額数万円から始められます。1台の設備から検証する内製型のアプローチであれば、この範囲に収めることは十分可能です。

Q. 古い設備でも予知保全は導入できますか。 センサーを後付けできる設備であれば、製造年に関わらず対象にできます。むしろ、ベテラン担当者の勘に頼る割合が高い老朽設備ほど、技能承継の観点で優先度は高くなるというのが私たちの見解です。

Q. 社内にデータサイエンティストがいなくても始められますか。 始められます。私たちが支援する案件の多くは、社内にAI専門人材がいない状態から始まっています。重要なのは専門知識よりも、正常な状態のデータを丁寧に記録する現場の協力体制です。

Q. 既存の予知保全SaaSと何が違うのですか。 SaaS型のサービスは、標準化されたセンサーとダッシュボードを短期間で導入できる利点があります。一方で、ベテランの個別の判断基準や、自社独自の設備構成に合わせた調整には限界があります。私たちの内製型アプローチは、現場のヒアリングを通じてこの部分を作り込む点が異なります。

まず試すなら

いきなり全設備への導入を計画する必要はありません。私たちが推奨するのは、次の3つです。

• 「止まると最も困る設備」を1台選ぶこと
• その設備について、点検記録(手書きでも構いません)を2週間分、時系列で並べてみること
• ベテラン担当者に「異常だと感じた瞬間、何を見て気づいたか」を一度言葉にしてもらうこと

どれも、外部への発注や大きな予算を必要としない、社内だけで今日から始められることです。私たちの経験では、この3つを整理できた会社ほど、その後の内製化の判断が早くなっています。AI-Pathでは、無償の業務プロセス診断(BPR)を実施しています。設備保全のどこから内製化すべきか迷っている段階でも、まずは診断からご相談ください。

参考リンク

• AIによる予知保全の活用事例8選！【2026年最新版】｜AI Market
• 中小製造業の設備保全にAIを使う入門 ── 故障予知の「できること」と「始め方」｜Noah
• 予知保全AIとは？予防保全との違い、メリットや課題、導入事例9選｜テクノプロ・シミュレーション