ROI事件ファイル No.437『赤いランプが灯る前に』
赤いランプが灯る前に
第一章：見ているのに見えていない
「データは毎日5万行、蓄積されています。しかし、故障は毎月起きています」
TransTech Industries社の生産技術部長は、工場の管理画面のスクリーンショットを映し出した。温度、振動、電流値、稼働時間——設備から自動収集されたデータが、数字の洪水のように画面を埋め尽くしている。
「当社は車載向け電子部品を製造するグローバル企業です。国内3拠点、海外2拠点の計5工場を稼働させています。主力工場には約280台の製造設備があり、それぞれにセンサーが取り付けられ、稼働データを常時収集しています」
生産技術部長がデータベースの容量を示した。過去三年間で約2.4テラバイト。
「問題は、このデータをどう使っているか、です」
「現在の活用方法は」と私は尋ねた。
「毎朝、設備保全チームの5名が、前日分のデータをExcelにダウンロードし、手動でグラフを作成します。温度や振動値が閾値を超えていないかを目視で確認し、異常があれば現場に報告する。この作業に、毎朝約2時間かかっています」
「280台の設備を、5名が目視で」とClaudeが確認した。「一人あたり56台。一台あたりに使える確認時間は約2分です」
「ええ。2分では、数値が閾値を超えているかどうかのチェックが精一杯です。数値の微妙なトレンド変化——例えば、振動値が閾値以内だが、過去一ヶ月で緩やかに上昇し続けている——そうした兆候を見つける余裕はありません」
生産技術部長が別の資料を取り出した。過去一年間の設備故障記録だ。
「突発故障は月間平均4.2件。一回の故障で製造ラインが停止する平均時間は6.8時間。停止中の機会損失は、一時間あたり約180万円です」
「月間の損失は」とGeminiが計算した。「4.2件×6.8時間×180万円——約5,140万円。年間で約6.2億円です」
「さらに」と生産技術部長が続けた。「故障後の緊急修理は、計画的な保全の約2.5倍のコストがかかります。部品の緊急手配、休日出勤の保全要員、外部業者の特急対応——年間の緊急修理費は約1.8億円です」
「データは十分にある。しかし、そのデータが故障を防ぐ前に活用されていない」と私は整理した。
「その通りです。AIを使えば予知保全ができるという話は聞いています。しかし、うちのようにデータはあるが活用できていない工場が、AIを導入して本当にうまくいくのか。データがあることと、データを使えていることは違う——その溝をどう埋めればいいのか分からないのです」
それは、AI導入の問題ではなかった。データが収集されてから保全の判断に至るまでのプロセスの中に、どれだけのムダが潜んでいるかを見極める必要がある案件だった。
第二章：七つのムダを探す
「AIを導入する前に、現在のプロセスからムダを取り除きましょう」
Geminiがホワイトボードに「LEAN」と大きく書き、その下に七つの項目を並べた。
「LEANとは」と私は説明を始めた。「トヨタ生産方式を源流とする、ムダの徹底排除による価値創造の哲学です。その核心にあるのが七つのムダ——作りすぎ、手待ち、運搬、加工そのもの、在庫、動作、不良——の特定と排除です。LEANの視点で現在のデータ活用プロセスを見れば、AIを入れる前に改善できる余地が見えてきます」
「設備管理のプロセスに、製造業のムダの概念が当てはまるのですか」と生産技術部長が尋ねた。
「当てはまります」とClaudeが答えた。「LEANの七つのムダは、工場の生産ラインだけでなく、情報が流れるプロセスにも適用できます。データの収集から保全判断までの流れを、一つの情報の生産ラインとして捉えるのです」
[ムダ①：作りすぎのムダ——使われないデータ]
「一つ目、作りすぎのムダです」と私が切り出した。
「280台の設備から毎日5万行のデータが収集されています」とGeminiが確認した。「しかし、保全チームが毎朝確認しているのは、このうちどの程度ですか」
生産技術部長が考え込んだ。「正直なところ——全データの約15%です。主要な設備50台の、温度と振動値だけ。残りの230台のデータは、故障が起きた後に遡って調べる時にしか見ていません」
「毎日5万行のデータを収集しながら、85%は蓄積されるだけで使われていない」とClaudeが指摘した。「これは製造ラインで言えば、売れない製品を作り続けている状態です。データの収集量を増やす前に、どのデータが保全判断に本当に必要かを定義する必要があります」
[ムダ②：手待ちのムダ——翌朝まで眠るデータ]
「二つ目、手待ちのムダです」と私が続けた。
「設備データはリアルタイムで収集されています」とGeminiが確認した。「しかし、それを人が確認するのは翌朝。つまり、異常が発生してから人が気づくまで、最大で24時間のタイムラグがある」
「この24時間の間に、異常が故障に発展するケースがありますか」と私は尋ねた。
「あります」と生産技術部長が即答した。「先月の故障4件のうち2件は、深夜の稼働中に振動値が急上昇し、翌朝には部品が破損していた。朝のチェック時には、既にラインが止まっていました」
「データは24時間生まれ続けているのに、人が見るのは8時間に一度」とClaudeが整理した。「この手待ちのムダを解消するだけで、故障の約半数を未然に防げる可能性があります」
[ムダ③：加工そのもののムダ——Excelという遠回り]
「三つ目、加工そのもののムダです」と私が指摘した。
「毎朝、データベースからExcelにダウンロードし、手動でグラフを作成している」とGeminiが問いかけた。「この工程は、保全判断という価値を生むために本当に必要ですか」
「データベースに直接ダッシュボードを接続し、リアルタイムで可視化すれば、Excelへのダウンロードとグラフ作成は不要になります」とClaudeが具体化した。「毎朝2時間かかっているデータ加工作業は、ダッシュボードの構築一回で、永久に消える工程です」
[ムダ④〜⑦：残りの四つ]
「残りの四つのムダも簡潔に整理しましょう」と私が提案した。
「ムダ④、在庫のムダ」とGeminiが挙げた。「故障に備えて保有している予備部品の在庫が過剰です。予知保全が実現すれば、必要な部品を故障前に計画的に手配でき、緊急在庫を削減できます」
「ムダ⑤、運搬のムダ」とClaudeが続けた。「異常を発見した保全チームが、データを印刷して現場に持参し、設備担当者に口頭で説明している。この情報の運搬が、タブレットやモバイルアラートで不要になります」
「ムダ⑥、動作のムダ」と私が加えた。「保全チームが280台の設備データを一台ずつ確認する作業そのものが、例外管理——つまり、異常値のみを自動検出してアラートを出す仕組み——に置き換えられます」
「ムダ⑦、不良のムダ」とGeminiがまとめた。「故障後の緊急修理は、品質不良と同じです。事後対応ではなく予防に資源を振り向けることで、不良のムダそのものを断つ」
第三章：ムダを削ぎ、AIを載せる
生産技術部長は、七つのムダが書き出されたホワイトボードを見つめていた。
「AIの導入ありきで考えていました。しかし、Excelのダウンロードをやめてダッシュボードにする、24時間のタイムラグにアラートを入れる——これらはAI以前の改善ですね」
「LEANの本質は」と私が応じた。「まずムダを取り除き、プロセスを筋肉質にしてから、新しい技術を載せることです。ムダだらけのプロセスにAIを導入しても、AIがムダの加速装置になるだけです。Excelの手作業が残ったままAIを入れれば、AIの出力をまたExcelに転記するという新しいムダが生まれる」
「実装は三段階で進めてください」とClaudeが提案した。「第一段階——ムダの排除。ダッシュボードの構築、閾値超過時の自動アラート、データ確認対象の絞り込み。これにAIは不要です。既存のBIツールとデータベースの設定変更で実現できます。期間は一ヶ月」
「第二段階——AIの導入」とGeminiが続けた。「ムダを取り除いた後の、筋肉質なプロセスの上に、AIの予知保全モデルを載せます。振動値や温度のトレンド変化を分析し、故障の72時間前にアラートを出す。対象は、故障頻度の高い上位30台から始めてください。期間は三ヶ月」
「第三段階——継続改善」と私が加えた。「AIの予測精度と故障件数の推移を月次でモニタリングし、予測が外れたケースを分析して、モデルを更新し続ける。LEANは一度きりの改善ではなく、ムダを探し続ける永続的なプロセスです」
「パイロットは主力工場の一ラインから始めてください」とGeminiが付け加えた。「設備30台、三ヶ月間のデータで、第一段階のムダ排除だけでどれだけの効果が出るかを計測する。AIなしでの改善幅を確認してから、第二段階に進む。この順番が重要です」
「そして」と私が念を押した。「七つのムダそれぞれについて、削減前と削減後の工数・コスト・時間を記録してください。どのムダの排除がどれだけの効果を生んだか。この記録が、他の工場やラインに改善を横展開する際の設計図になります」
生産技術部長が立ち上がり、深く頭を下げた。「ありがとうございます。今週中に、まずExcelでのデータ加工の廃止とダッシュボードの構築から着手します」
第四章：ランプが灯る前に人が動く
彼が去った後、Claudeが言った。「LEANの七つのムダは、製造ラインのイメージが強いですが、データ活用のプロセスにも見事に当てはまりますね」
「ああ」と私は答えた。「LEANが教えてくれるのは、『価値を生まない工程は全てムダだ』という厳しい視点だ。データの収集も、Excelへの転記も、グラフの作成も——それ自体は価値を生んでいない。価値を生むのは、データに基づいて保全の判断を下す瞬間だけだ。その瞬間に至るまでのプロセスから、一つずつムダを削ぎ落とす。その上でAIを載せれば、AIは判断の精度を上げることに集中できる。順番を間違えると、AIが新しいムダの源泉になる」
Geminiが付け加えた。「そして、七つのムダは一度排除すれば終わりではない。プロセスが変われば、新しいムダが生まれる。AI導入後には、AIが出す誤アラートへの対応という新たなムダが現れるかもしれない。定期的にプロセスを点検し、新しいムダを見つけ、排除し続けること——その反復が、LEANにおける再現性です」
窓の外では、工業団地の夜間照明が、空を薄く染めていた。
五ヶ月後、TransTech Industries社から報告が届いた。
第一段階のムダ排除だけで、劇的な変化が起きた。ダッシュボードの構築と自動アラートの導入により、毎朝2時間のデータ加工作業が完全に消滅。保全チームは朝の時間を、異常アラートへの対応と設備の目視巡回——つまり、人にしかできない判断業務——に充てられるようになった。
第二段階として、上位30台の設備にAI予知保全モデルを導入。振動値と温度のトレンド分析により、故障の平均48時間前にアラートを発出する仕組みが稼働した。
五ヶ月間の結果——突発故障は月間平均4.2件から1.1件に減少。ライン停止時間は月間28.6時間から5.8時間に短縮。緊急修理費は年間換算で約1.8億円から約4,200万円に削減される見込みだという。
しかし、生産技術部長が最も誇りに思っている変化は、保全チームの意識だった。かつてはデータを「毎朝見るもの」として受動的に扱っていたチームが、今では「ムダはないか」と自らプロセスを点検するようになった。ある保全員は、AIのアラート基準を独自に分析し、季節ごとの温度変動を考慮した閾値の動的調整を提案した。
生産技術部長は報告書の末尾にこう記していた。「LEANの七つのムダを、毎月のチームミーティングで見直しています。先月、新たに発見したムダは『AIが正常と判定した設備データを、念のため目視でも確認している二重チェック』でした。AIの精度が安定してきた今、この二重チェックは手待ちのムダです。一つのムダを消すたびに、次のムダが見えてくる。この連鎖が止まらないことが、我々の現場力です」
赤いランプが灯る前に、データが語り、人が動く。その流れからムダを削ぎ落とし続ける力こそが、工場の再現性だった。
「データがあることと、データが価値を生んでいることは違う。LEANが問うのは、データの収集から判断に至るまでのプロセスの中に、どれだけのムダが潜んでいるかだ。七つのムダを一つずつ特定し、排除し、プロセスを筋肉質にする。その上に新しい技術を載せる。順番を守ることで、技術は価値の増幅装置になる。そして、ムダは一度排除すれば終わりではない。プロセスが変わるたびに新しいムダが生まれる。それを見つけ続ける目を、組織に植え付けること——それが、LEANにおける再現性の本質である」
関連ファイル
