ROI事件ファイル No.398｜『Aquaflow社の濡れたボトルという難問』

---

第一章:濡れたボトルという特殊条件——既存AIでは認識できない

Mystery Foods社のDESC事件が解決した翌日、今度はウォーターサーバーボトル製造工場の品質管理に関する相談が届いた。第三十二巻「再現性」の第398話は、5Fで多角的に問題を分析する物語である。

「探偵、我々には、特殊な条件があります。ボトルの表面が、濡れています。水を充填する際、意図的に溢れさせるのです。気泡を完全に抜くためです。その結果、検査時点でボトル表面に水滴が付着しています。これが問題です。既存のAI画像検査システムでは、水滴を『異物』と誤認識します。導入実績のあるベンダー3社に相談しましたが、全て『濡れた状態での検査は難しい』と言われました」

Aquaflow社 の生産技術部長、富士宮出身の小林誠は、困惑した表情でベイカー街221Bを訪れた。彼の手には、水滴が付着したボトルの写真と、それとは対照的に「Wet Surface AI Inspection 2026」と記された挑戦的な提案書が握られていた。

「我々は、ウォーターサーバー用ボトルの製造専業メーカーです。従業員180名。年商32億円。全国15工場。1工場あたり1日500~700本を製造しています。最終検査工程は、パート従業員による目視検査です。しかし、人手不足が深刻です」

Aquaflow社の現状: - 設立:1998年(ウォーターサーバーボトル製造) - 従業員数:180名 - 年商:32億円 - 工場数:15工場(全国) - 問題:濡れた状態での検査、人手不足(パート従業員頼み)、検査精度のばらつき

小林の声には深い焦燥感があった。

「検査工程の実態を見てください。水を充填した直後、ボトルは濡れています。表面に水滴が多数付着しています。この状態で、5つの検査項目を確認します。傷、異物混入、水量、ラベルの欠損・剥がれ、キャップの締まり具合です」

検査工程の詳細:

製造プロセス: 1. 空ボトルの洗浄 2. 水の充填(容量12リットル) 3. 意図的なオーバーフロー(気泡除去のため、上部から水を溢れさせる) 4. キャップ締め 5. ラベル貼付 6. 最終検査(←この時点でボトル表面が濡れている) 7. 梱包・出荷

検査項目(5項目): 1. 傷の有無(ボトル表面の傷、ひび割れ) 2. 異物混入(水中の異物、髪の毛、虫など) 3. 水量の過不足(目視で水面の高さを確認) 4. ラベルの欠損・剥がれ 5. キャップの締まり不良

検査体制(1工場あたり): - 検査員:パート従業員2名 - 検査数:1日500~700本 - 1本あたり検査時間:約10秒 - 検査精度:92.3%(社内調査) - 見逃し率:7.7%

小林は深くため息をついた。

「問題は3つあります。第一に、濡れた状態での検査の難しさ。水滴が光を反射し、傷と見分けがつきません。第二に、人手不足。パート従業員の平均年齢は62歳です。求人を出しても応募がありません。第三に、検査精度のばらつき。ベテランと新人で、見逃し率が2倍違います」

問題1:濡れた状態での検査困難性

水滴による光の反射: - 工場の照明(LED、色温度5,000K)が水滴に反射 - 反射光が傷と同じように見える - 検査員:「傷か水滴か、判断に迷う」

実験データ(社内調査): - 乾燥状態:傷の発見率98.2% - 濡れた状態:傷の発見率85.1% - 差:13.1pt

問題2:人手不足

検査員の年齢構成(全15工場、30名): - 50代:8名(26.7%) - 60代:18名(60%) - 70代:4名(13.3%) - 平均年齢:62歳

求人状況(2025年): - 求人数:年間15名 - 応募数:3名 - 採用数:2名 - 充足率:13.3%

問題3:検査精度のばらつき

検査員	経験年数	検査精度	見逃し率
Aさん(ベテラン)	12年	96.5%	3.5%
Bさん(中堅)	5年	92.8%	7.2%
Cさん(新人)	1年	84.2%	15.8%
平均	6年	92.3%	7.7%

「3社のAIベンダーに相談しました。全て断られました。理由は『濡れた状態での検査実績がない』『水滴と傷の区別が難しい』『乾燥させてから検査すべき』。しかし、乾燥させる時間もスペースもありません。工場は手狭です。濡れたままで検査できるAIシステムは、存在しないのでしょうか」

ベンダーからの回答(3社):

A社(国内大手AI検査システム): - 回答:「濡れた状態での検査は、技術的に困難です。水滴を異物と誤認識する可能性が高く、実用レベルには達しません。乾燥工程を追加することを推奨します」 - 提案:乾燥室の設置(費用2,000万円/工場)

B社(海外AI検査システム): - 回答:「Our system is designed for dry surfaces. Wet surface inspection is not supported.」 - 提案:なし

C社(専用カスタマイズAI): - 回答:「濡れた状態での検査は、カスタム開発が必要です。開発期間1年、費用1億2,000万円」 - 提案:R&Dプロジェクトとして実施

「予算は、1工場あたり3,000万円です。15工場で4億5,000万円。C社の提案は1億2,000万円ですが、これは開発費のみで、15工場への展開費用は別途必要です。総額で5億円を超えます。予算オーバーです」

---

第二章:乾燥させれば解決するという幻想——5つの視点で問題が分析されていない

「小林さん、ボトルを乾燥させれば問題が解決すると思っていますか?」

私の問いに、小林は戸惑った表情を見せた。

「えっ、そうではないのですか? ベンダーA社も『乾燥させるべき』と言いました。濡れていなければ、既存のAIシステムが使えます」

現在の理解(乾燥工程追加型): - 期待:乾燥室設置 → 既存AIで検査可能 - 問題:多角的な視点(事実・感情・発見・未来・フォローアップ)で分析されていない

私は、5Fで多角的に問題を分析する重要性を説いた。

「問題は、『乾燥させれば解決する』という単一視点です。5F——Fact, Feeling, Finding, Future, Follow-up。事実、感情、発見、未来、フォローアップの5つの視点で分析することで、再現可能な最適解が見えてきます」

⬜️ ChatGPT｜構想の触媒

「乾燥工程に頼るな。5Fで多角的に問題を分析し、真の解決策を見つけよ」

🟧 Claude｜物語の錬金術師

「問題は、いつも『5つの顔』を持っている。全ての顔を見ることが肝心」

🟦 Gemini｜理性の羅針盤

「5Fフレームワークを適用せよ。Fact → Feeling → Finding → Future → Follow-up」

3人のメンバーが分析を開始した。Geminiがホワイトボードに「5F分析マトリクス」を展開した。

5Fフレームワーク: - Fact(事実):客観的事実は何か? - Feeling(感情):関係者の感情・懸念は何か? - Finding(発見):データから何が分かるか? - Future(未来):理想の未来像は何か? - Follow-up(フォローアップ):導入後の継続改善は何か?

「小林さん、まず問題を5つの視点で分析しましょう」

---

第三章:Phase 1——5Fで多角的に問題を分析

ステップ1:Fact(事実)——客観的事実は何か?(Week 1)

問い: 「感情を排除して、客観的な事実だけを列挙すると?」

事実の収集:

事実1:検査精度の実態 - 現在の目視検査精度:92.3% - ベテラン:96.5% - 新人:84.2% - 差:12.3pt

事実2:異物混入の実態(過去5年) - 市場流出件数:8件 - うち異物混入:2件(25%) - うちラベル剥がれ:3件(37.5%) - うち水量不足:2件(25%) - うち傷:1件(12.5%)

事実3:濡れた状態の影響 - 水滴付着率:100%(全ボトル) - 水滴の平均直径:3~5mm - 水滴の個数:1本あたり15~25個 - 光反射による誤認識:検査員の78%が「困難」と回答

事実4:工場スペースの制約 - 1工場の平均面積:280平方メートル - 製造ライン占有面積:220平方メートル - 空きスペース:60平方メートル - 乾燥室に必要な面積:80平方メートル(A社試算) - 不足:20平方メートル

事実5:乾燥工程の追加コスト - 乾燥室設置費用:2,000万円/工場 - 15工場:3億円 - 乾燥時間:1本あたり5分 - 現在の検査タクト:10秒/本 - 30倍の時間増加 → ラインが止まる

---

ステップ2:Feeling(感情)——関係者の感情・懸念は何か?(Week 1-2)

問い: 「事実を踏まえて、関係者はどんな感情・懸念を持っているか?」

小林(生産技術部長)の感情: - 「濡れたままで検査できる方法が見つからない」(絶望) - 「乾燥工程を追加すれば、製造タクトが30倍になる」(恐怖) - 「このままでは人手不足で工場が止まる」(焦燥)

検査員(パート従業員)の感情: - 「水滴があると、傷が見えづらい」(困難) - 「新人に教えるのが大変。水滴と傷の区別は経験が必要」(教育負担) - 「AIが導入されたら、自分たちの仕事がなくなる?」(雇用不安)

経営層の感情: - 「5億円の投資は大きすぎる」(予算懸念) - 「人手不足は深刻。何とかしなければ」(危機感) - 「品質問題でブランドが傷つくことは避けたい」(リスク回避)

発見: - 全員が「濡れたままでの検査」を諦めている - 「乾燥工程追加」も現実的でないと理解している - しかし「第三の選択肢」が見えていない

---

ステップ3:Finding(発見)——データから何が分かるか?(Week 2-3)

問い: 「事実と感情を分析して、何が発見できるか?」

発見1:異物混入は全体の25%のみ - 市場流出8件のうち、異物混入は2件(25%) - 最も多いのは「ラベル剥がれ」3件(37.5%) - 異物混入の検出は、濡れた状態でも比較的容易(水中の異物は目立つ)

発見2:濡れた状態での検査が本当に難しいのは「傷」のみ - 5項目のうち: - 異物混入:濡れていても検出可能(95%精度) - 水量:濡れていても検出可能(98%精度) - ラベル剥がれ:濡れていても検出可能(97%精度) - キャップ締まり:濡れていても検出可能(99%精度) - 傷:濡れていると検出困難(85%精度) ← 唯一の問題

発見3:傷の市場流出は5年間で1件のみ - 全8件のうち、傷は1件(12.5%) - リコールに至らず、顧客交換対応で解決 - コスト:1件あたり3,000円

発見4:乾燥なしで95%の精度が達成可能 - 異物・水量・ラベル・キャップ:濡れた状態でAI検査可能 - 傷のみ:人間の最終チェックで補完 - 合成精度:95%以上

重要な発見: - 「濡れた状態での検査は不可能」という思い込みが誤り - 5項目のうち4項目(80%)は濡れた状態でもAI検査可能 - 残り1項目(傷)のみを人間が担当すれば、ハイブリッド検査が実現

---

ステップ4:Future(未来)——理想の未来像は何か?(Week 3-4)

問い: 「発見を踏まえて、理想の未来像を描くと?」

未来像の設計:

3年後の理想状態(2029年): - AI検査:4項目(異物、水量、ラベル、キャップ)を自動化 - 人間検査:1項目(傷)のみを目視 - 検査時間:10秒/本(現状と同じ) - 検査精度:95%以上(現状92.3%より向上) - 検査員数:2名 → 1名(50%削減)

ハイブリッド検査システムの構成:

Component 1:AI検査ユニット(濡れた状態対応) - カメラ:3台(上面、側面、下面) - 特殊レンズ:偏光フィルター付き(水滴の反射を除去) - AI:カスタムモデル(濡れた表面専用学習) - 検査項目:異物、水量、ラベル、キャップ - 検査時間:8秒/本

Component 2:人間検査ステーション - 検査員:1名 - 検査項目:傷のみ - 検査時間:2秒/本 - AIが「要確認」と判定したボトルのみ詳細チェック

合計検査時間:10秒/本(現状と同じ)

---

ステップ5:Follow-up(フォローアップ)——導入後の継続改善は何か?(Week 4)

問い: 「システム導入後、どうやって継続的に改善するか?」

フォローアップ計画:

Month 1-3:パイロット工場での検証 - 対象:富士宮第1工場(最大規模、1日700本) - AI精度の継続モニタリング - 検査員からのフィードバック収集 - 改善点の洗い出し

Month 4-6:AI学習データの追加 - 見逃し事例を収集 - AIモデルの再学習 - 精度95% → 97%への向上

Month 7-12:残り14工場への展開 - パイロット工場の成功事例を共有 - 各工場の検査員向け研修(2日間) - 段階的導入(月2工場ずつ)

Year 2以降:定期メンテナンス - 四半期ごとのAI精度チェック - 年1回のカメラ清掃・校正 - 新型ボトル対応のモデル更新

---

第四章:Phase 2——ハイブリッド検査システムの開発と導入

Month 1-6:カスタムAIシステム開発

技術的課題の解決:

課題1:水滴の反射除去 - 解決策:偏光フィルター付きカメラ - 原理:水滴からの反射光をカット、ボトル表面のみを撮影 - 効果:水滴の誤認識率95%削減

課題2:濡れた表面での学習データ不足 - 解決策:自社で濡れたボトル10,000本を撮影 - 正常品:8,000本 - 異物混入:1,500本 - ラベル不良:500本 - これを教師データとしてAI学習

課題3:リアルタイム検査速度 - 解決策:エッジAI(GPU搭載の小型PC) - 推論時間:0.8秒/本 - 検査時間:8秒/本(カメラ撮影+AI判定含む)

開発費用: - AI開発:3,000万円 - ハードウェア(カメラ+PC):1,500万円/工場 - 設置・調整:500万円/工場 - 合計:2,000万円/工場

15工場展開: - AI開発:3,000万円(初回のみ) - ハードウェア+設置:2,000万円 × 15工場 = 3億円 - 総額:3億3,000万円 - 予算:4億5,000万円 - 残:1億2,000万円(予備費)

---

Month 7-9:パイロット工場での検証

富士宮第1工場での効果測定(3ヶ月):

指標	Before	After	改善率
検査精度	92.3%	96.8%	+4.5pt
検査時間	10秒/本	10秒/本	変わらず
検査員数	2名	1名	50%減
見逃し率	7.7%	3.2%	58%減

項目別精度: - 異物混入:98.5% - 水量:99.2% - ラベル:97.8% - キャップ:99.5% - 傷:89.2%(人間チェック併用) - 総合:96.8%

検査員の声: - 「AI判定が速い。『要確認』のボトルだけ見ればいい」 - 「1日700本から200本に減った。楽になった」 - 「水滴があっても、AIは正確に判定している」

---

Year 1-2:全15工場への展開

Year 1(Month 10-12):5工場導入 - 削減人員:5名 - 人件費削減:5名 × 280万円 = 1,400万円/年

Year 2(Month 13-24):10工場導入 - 削減人員:累計15名 - 人件費削減:15名 × 280万円 = 4,200万円/年

---

Year 2完了時の総合効果:

人件費削減: - 削減人員:15名(各工場2名 → 1名) - 年間削減額:4,200万円

品質向上による効果: - 検査精度:92.3% → 96.8% - 市場流出:年間8件 → 3件 - リコール回避:5件 × 200万円 = 1,000万円/年

年間総効果:5,200万円

---

投資: - AI開発:3,000万円 - ハードウェア+設置:3億円 - 合計:3億3,000万円 - 年間保守費用:900万円(60万円/工場 × 15工場)

ROI: - (5,200万円 - 900万円) / 3億3,000万円 × 100 = 130% - 投資回収期間:3億3,000万円 ÷ 4,300万円 = 7.7年

Year 3以降(保守費のみ): - 年間効果:5,200万円 - 年間コスト:900万円 - 年間利益:4,300万円(継続)

---

第五章:探偵の診断——5つの視点で問題を見ることが、不可能を可能にする

その夜、5Fの本質について考察した。

Aquaflow社は、「濡れた状態での検査は不可能」という思い込みを持っていた。3社のベンダーも「乾燥させるべき」と提案した。しかし、乾燥工程の追加は現実的でない。

5Fで多角的に分析した。Fact(濡れた状態での検査精度85%)、Feeling(全員が諦めている)、Finding(5項目中4項目は濡れた状態でも検査可能)、Future(ハイブリッド検査システム)、Follow-up(継続的なAI学習)。

この多角的分析により、「不可能」が「可能」に変わった。偏光フィルターで水滴の反射を除去し、カスタムAIで濡れた表面専用の学習を実施。結果、Year 2で年間5,200万円の効果、ROI 130%、投資回収7.7年。

重要なのは、「単一視点で諦める」のではなく、「5つの視点で可能性を探る」ことだ。5Fで多角的に分析することで、再現可能な突破口が見えてくる。

「乾燥工程に頼るな。5Fで多角的に問題を分析し、真の解決策を見つけよ。問題は5つの顔を持っている。全ての顔を見ることで、不可能が可能になる」

次なる事件もまた、多角的に問題を分析する瞬間を描くことになるだろう。

---

「5F——Fact, Feeling, Finding, Future, Follow-up。事実・感情・発見・未来・フォローアップの5視点で分析せよ。単一視点の限界を超え、多角的に見ることで、再現可能な突破口が生まれる」——探偵の手記より

---

関連ファイル