ROI事件ファイル No.585『一発で仕上げようとして、回して直す形がなかった』
一発で仕上げようとして、回して直す形がなかった
第一章：精度が上がらない、だが打ち手が尽きている
「レンジフードのAI画像認識で、組めるパートナーを探しているんです」
TechGenius社の開発企画室長、観月即氏は、そう言いながら状況を語った。「うちは国内のレンジフード市場で、五割から六割のシェアがあります。ただ、ODMとOEMが中心なので、消費者に社名は知られていない。Web販売でもシェアが取れていない。そこを変えたくて、画像から製品を判別する仕組みを作っています」
「今のプロトタイプは、どんな状態ですか」とClaudeが尋ねた。
「既存ベンダーに頼んで作ってもらいましたが、精度が出ません」と観月氏が答えた。「先方もリソースが足りず、ラベリングやプロンプトの作成まで手が回らない。仕様を固めて、大きく作り直すしかないと思っていて」
「精度が出ないのは、どんな条件のときですか」と私が確認した。
「……そこまでは見ていません」と観月氏が答えた。「精度が低い、という一括りで捉えていました。どの条件でどう外すのか、外れを見てから次を決める。そういう回し方をしたことがない」
「一度で仕上げようとすると、直す手掛かりが残りませんね」と私が応じた。「OODAで分解しましょう」
第二章：OODAが問う、短く回して直す
「この案件には、OODAが必要です」
Claudeがホワイトボードに「観察・方向づけ・決定・行動」と書いた。
「OODA——観察、方向づけ、決定、行動とは、この四つを短い周期で回し続けて精度を上げていくフレームワークです」と私が説明した。「肝は、完成品を一度で作ろうとしないこと。画像認識の精度は、机上の仕様では決まらない。現場で何をどう外したかを観察し、原因を組み立て、次の一手を決めて、試す。回した回数が、そのまま精度になります」
「まず現状のコストを測りましょう」とGeminiがROI Polygraphを開いた。観月氏から提供されたデータを入力する。
「月間のコストが出ました」とGeminiが読み上げた。「誤認識の目視確認と手戻りの工数が月平均百七十時間、時給三千九百円で月六十六万三千円。既存ベンダーのリソース不足による開発停滞が月平均四十万円。ラベリング作業の内製負荷が月平均三十四万円。Web販売でシェアを取れないことによる機会損失が月平均三十八万円。改善サイクルの不在による精度の頭打ちが月平均三十二万円。合計で月二百十万三千円。年間換算で約二千五百二十四万円」
観月氏が数字を見つめた。「開発が進まないことだけ見ていました。誤認識の確認や、売り逃しまで足すと、これほどとは」
「では、OODAで設計します」と私が続けた。
[観察——誤認識の中身を、現場で見る]
「最初に、観察です」とClaudeが言った。「精度が低い、では動けない。油汚れのある個体か、逆光か、型番の近い機種同士か。どの条件で、どちらに間違えたのか。外れ方を分類して記録します。ここが全ての起点です」
[方向づけ——外れの原因を、仮説に組み立てる]
「次に、方向づけです」とGeminiが続けた。「観察した外れ方から、原因を組み立てる。学習データに特定条件の画像が少ないのか、ラベルの付け方が揺れているのか、そもそも人でも見分けられないのか。原因の型が違えば、打つ手も変わります」
[決定——次の一手と、判断の期限を決める]
「方向づけの次に、決定です」と私が続けた。「仮説の中から、次に試す一つを選び、いつまでに判断するかを決める。パートナー選定の基準も、ここに入る。画像認識の開発経験に加えて、ラベリングとプロンプト作成の手を出せるか。回すには、手が要ります」
[行動——短い周期で試し、また観察へ戻す]
「最後に、行動です」とClaudeが続けた。「二週間で一周。試して、また外れ方を観察する。一度で完成させないから、外れても損が小さい。周回を重ねるほど、精度が積み上がります」
[投資回収を試算する]
「ROI Proposal Generatorで試算しましょう」とGeminiが提案した。
- 初期費用：誤認識の分類設計・パートナー選定・学習データ整備とラベリング体制構築・改善サイクルの仕組み化・プロトタイプ再構築費用合計五百二十万円
- 月次費用：AI基盤利用料・モデル保守継続費合算月二十三万円
- 月次削減効果：誤認識の目視確認・手戻りの削減＝月五十万円（七割削減想定）、開発停滞の解消＝月三十四万円、ラベリング負荷の外部化＝月二十八万円、精度向上によるWeb販売機会の回復＝月三十万円、合計月百四十二万円
- 月次純削減：百四十二万円－二十三万円＝月百十九万円
- 投資回収期間：五百二十万円÷百十九万円＝約四・四ヶ月
「四ヶ月強の回収です」とGeminiが整理した。「効くのは、大きく作り直さず、短く回して直す点です。仕様を固めて一度で作ると、外れたときに何を直せばいいか分からず、また丸ごと作り直しになる。周回すれば、外れが手掛かりに変わる。投資が空振りしません」
観月氏が数字を確認しながら言った。「腕のいいベンダーに作り直してもらえば済むと思っていました。回す形がないと、誰が作っても同じところで止まる」
「OODAは、短く回して直す道具です」と私が応じた。
第三章：短く回す導入計画
「進め方を整理します」と私がホワイトボードの前に立った。
「第一ヶ月——誤認識の分類と記録の仕組み化、外れ方の棚卸し。第二ヶ月——パートナー選定と、ラベリング体制の確保。第三・四ヶ月——二週間周期での改善サイクルの実行。第五ヶ月——精度目標の到達確認と、Web販売への組み込み。第六ヶ月——運用下での効果検証。第七ヶ月以降——周回の定着、対象機種の拡大」
「精度の目標値を先に決めて、それを満たすまで作り込めばよいのでは」と観月氏が確認した。
「目標値は要りますが、作り込み方が逆です」とClaudeが応じた。「満たすまで作り込む進め方だと、途中の外れが記録されず、何が効いたのか分からないまま時間だけ過ぎる。短く回せば、一周ごとに何が効いたかが残り、次の周が速くなる。作り込むことより、回す形を先に作ることが先です」
観月氏がメモを取りながら言った。「作り直す前に、回して直す形を作る。順序が見えました」
第四章：回して直して、精度が乗った日
十ヶ月後、観月氏から報告が届いた。
画像認識の精度は、周回を重ねるうちに上がった。「油汚れと逆光で外していたことが、最初の二周で分かった。その条件の画像を足したら、一気に安定した」と観月氏は記していた。
ラベリングの負荷も消えた。手を出せるパートナーを選んだことが、周回の速度を保った。「片手間の依頼では回らなかった。ラベルを付ける人がいるかどうかで、進み方がまるで違った」と報告書にあった。
最も大きな変化は、外れの扱いに表れた。一発で仕上げようとする状態から、回して直す状態に変わった。「精度が低い、で止まっていた。どの条件でどう外したかを書き出したら、直す場所が毎回はっきりした」と観月氏は記していた。
Web販売も動き出した。判別の精度が上がったことで、消費者向けの入口が使い物になった。「型番の分からない客が、写真一枚で自社製品にたどり着けるようになった。認知の薄さを、そこで補えた」と報告書にあった。
副次効果として、開発の進め方が変わった。仕様を固めきる前に試す発想が根づいた。「完成形を決めてから作る、をやめた。回しながら決める、に変わった」と観月氏は記していた。
観月氏の報告書の最後にはこう書かれていた。「画像認識の悩みは、ベンダーの力不足だと思っていた。だが本当の問題は、一発で仕上げようとして、回して直す形がなかったことだ。OODAで観察から回し始めた瞬間に、外れが手掛かりに変わった。作り直す前に、回す形を作ることが先だった」
一発で仕上げようとして回して直す形がなかった会社が、短い周期で精度を積める会社に変わった日、AI画像認識の開発は仕様を固めた一括構築から、観察・方向づけ・決定・行動を回し続ける設計に変わっていた、と記されていた。
「AI開発の相談は、たいてい『精度が出ないので作り直したい』という形で来る。だが作り直す前に問うべきことがある。どの条件で、どう外しているのか。OODAが問うのは、観察と方向づけと決定と行動、そしてその周回だ。回せば、外れは損ではなく手掛かりになる。一発で仕上げようとしていた会社が、回して直せた日、変わったのはモデルの性能ではなく、短く回して精度を積む視点そのものだった」
関連ファイル
使用ツール
- ROI Polygraph — 誤認識の手戻り工数・開発停滞・ラベリング内製負荷の可視化
- ROI Proposal Generator — 短周期の改善サイクル構築を起点にしたAI画像認識システムの投資回収シミュレーション
