廃品レポートがまとめられない？AIが根本原因を生产线の改善リストに変える

最近ぼくが指導している中型印刷会社をいくつか見ると、みんなどうどう「継続的改善」と言い合っているが、実際に品質会議の記録を開いてみると、改善事項は大抵この二箇所で止まっている。本当の根本原因が見つからない、改善提案が書き方があいまい。生产线から出た不良写真が品質管理に回され、品質管理から管理職に上がり、管理職が「現場でもう少し注意して」と一言書いて終わり。来月また同じ不良が出る、誰も驚かない

このあいだに足りないのは意欲じゃなくて、不良データがうまく分類・追溯されて行動に変換されるフローだ。AIがこの場面で本当に価値を出せるのは、かっこいい不良自動検出の機能じゃなくて、LINEグループやカメラのメモリカード、品質管理のExcelに散らばっている不良情報を一本の線にまとめて、損した一件一件を「検索できる・積み上がる」改善のネタにしてくれるところだ

ぼくが台湾の中小印刷会社の日常を見てると、不良データが散らばってる場所は大抵思ってたより多い：

・現場の第1報：機械の横でスマホで撮影、LINEグループで報告

・品質管理記録：Excel表、QC伝票、承認伝票

・後工程：折り、丁合、コーティングなど外注または半成品エリアの差し戻し写真

・客先クレーム：営業が持ってきた顧客からの報告写真、返品伝票

これらのデータに共通する问题是：形式がバラバラ、命名もバラバラ、不良に関係ない会話が混ざってる。整理しないと、まずその後の分析ができない。AIを使いこなす第一步は道具を買うことじゃなくて、報告のSOPを定めること

不良報告SOPはまずどう作る？

最低限の項目から定めるのがいい、いっきに作り込んで現場が嫌がる真似はしない：

・不良写真：問題全体がわかるものを最低一枚、細部がわかるものを一枚（スマホのスケール機能や硬貨をサイズ目安に添えるのがおすすめ）

・発生時刻と機械番号：この二項目がないと、あとで傾向分析するのがきつい

・当班のリーダーとオペレーター：責任の所在と、その後の教育訓練で使う

・その場の対応：廃棄、手戻り、差し戻し、まず書いておく

・用紙とインキのロット番号：この二つの変数で起きる不良は多い

項目が固定されて初めて、AIが安定的にデータを読んで、形式を揃えて、分類に進める。SOPがないままAIを入れようとすると、AIが人間の行き当たりばったりに合わせて、結局誰も使いにくいと言う

AIの画像分類の話になると、生产ラインの責任者が一番よく聞くのは「精度出る？」だ。ぼくの答えはこうだ。不良分類なら7〜8割の信頼度で十分。なぜか、欲しいのはAIの最終判定じゃなくて、何千枚もの写真を事前にバケット分けして、品質管理の人にはそのうちの一バケットだけ見てもらえばいい

よくある不良の種類は、AIからするとわりと扱いが楽だ：

・色ムラの差：ロット間の色のずれ、スプルーフとの差

・套位（見当）：四色の重ね刷りずれ、両面印刷の位置合わせ

・用紙：紙粉、紙毛、しわ、カール、寸法誤差

・キス：乾燥不足による裏移り、输送中の擦れ

・汚れ：ミスチング、噴粉の残り、指紋

・加工不良：折り線のずれ、丁合の傾き、コーティングのバラつき

このあたりは視覚的特徴がはっきりしてるから、AIモデルの訓練データも集めやすい。厄介なのは「クライアントが嫌だ」と言ってくる一类の主観的な期待値による差し戻しで、このへんは人間による記録と顧客ヒアリングがまだ要る

分類から根本原因までは、まだ道のりがある

分類はラベルであって、根本原因は「なぜ起きたか」だ。AIがここで価値を出せるのは、分類結果・工单データ・用紙ロット・機械パラメータを同じ表に並べてクロス比較できるようにして、人に方向性を一目で出させることだ：

・ある機械の特定の時間帯だけ不良率が跳ね上がる

・ある用紙ロットで不良の種類が偏ってる

・あるオペレーターの担当シフトだけ、不良率が平均から大きく離れてる

この手の相関分析はExcelのピボットテーブルでもできる。でもAIツールの強みは、聞き方が自然言語に近いこと。「8月のB機台2交代目の色ムラ不良、某个の用紙ロットに集中してない？」みたいな質問は、複雑な関数を先に覚えなくていい

ぼくが一番時間を使うべきだと考えてるのがこのパート。データ分析をどう綺麗にやっても、最終的に出る改善事項が「オペレーター気をつけて」「品質管理强化して」だと、この仕組みは無効な会議記録を電子化しただけにしかならない

良い改善リストにはいくつか特质が必要だ：

・アサインできる：誰に・何を・いつまでにやるかがはっきり書いてある

・検証できる：完了後どうやれば効いてるかわかるか（例：来週同じ機械・同じ用紙の不良率がX%未満）

・追溯できる：もとの不良写真・工单・議論記録に紐付けできる

AIがここでできるは「初稿生成」だ。分類済みの不良データ・根本原因の仮説・改善の方向性を入れてやれば、AIは構造化された改善リスト初版の草案を作ってくれる。提案する役・検証方法・関連しそうな過去の事例まで含めてだ。品質管理の责任者がその初稿を直すわけだが、白纸から書くよりずっと速い

よくある不良タイプ別の典型的な改善方向

現場で归纳してきた对应表をいくつか並べておく、参考に：

・色ムラ：カラーマネジメントフローの見直し、機械の再校正、スプルーフと印刷の标准光源を揃える

・套位（見当）：引き版の位置確認、両面印刷の位置合わせ装置、ラギング調整

・用紙：商にロットの紙性変化を確認、紙の把持張力と除塵装置の調整

・キス：乾燥系と噴粉量のチェック、積み方の調整

・折り線のずれ：折り機の再校正、紙目と折り線の設計照合

このへんのどれも基本だ。でも実のところ、SOPすらちゃんと書けてない工場は多い、新人は親方の口伝えだけで覚えるから、品質は波がある

多くの工場の生产线訓練は「親方が連れてく」まま止まってる。親方が休んだり辞めたりすると、新人は自力で摸索するしかない。積み上がった不良ケースを訓練教材にすることが、改善経験を人质にしない肝だ

ぼくは三層構成でまとめるのを進めてる：

・第一層：ケースライブラリ、不良タイプごとに分類、各ケースに写真・発生条件・根本原因・改善方法を添える

・第二層：標準作業手順（SOP）、ケースから归納できる標準动作をSOPにする。例えば「用紙交换後の最初の印刷の色ムラ確認フロー」

・第三層：テストと再訓練、ケースライブラリの画像を使って抜き打ちテスト、新人が不良タイプと対応处置を見分けられるか確認

AIがこのパートで手伝えるのは教材の初稿とテスト問題の生成だ。ケースライブラリのデータをAIに食わせれば、単一ケースを教学用のシーン描写に書き直して、対応する選択问题や问答问题を作ってくれる。教材の骨子ができたら、ベテランの親方が現場ならではの細部を足して仕上げる

実際のやり方をそのまま見たいなら、Mai Strategy ナレッジアカデミーのコンサルチームが不良報告・根本原因分析から訓練教材までの完全フローをまとめてくれてる（Mai Strategy ナレッジアカデミー顧問團隊）から、现场で导入した事例を覗ける

このフローを导入してきた工場をいくつか指導して、一番多い失敗原因を归纳した：

・現場の記入拒否：項目が多すぎる、手間がかかりすぎる。最初は最小項目で三ヶ月走らせてから、実態に合わせて拡張するのが解

・専任がいない：高いAIツールより、对的人を一名長期でアサインするほうが大事

・改善事項の追跡仕組みがない：会議で出して終わりはやってないのと同じ。各改善事項に追跡担当と締切日をつける

この三つとも技术问题じゃなくて管理问题だ。AIツールが良くても、人が動かなきゃどうにもならない

不良データを舍てられる写真じゃなくて資産として扱う、これが考え方として一番の転换だ。一回一回の損、一回一回の差し戻し、全部「次の間違えを減らすコスト」だ

ぼくが接してきた顧客だと、このフローを回し始めた工場はだいたい半年以内にいくつかはっきりした変化を見せる。不良分類会議の時間が缩まる、改善事項の実行可能性が上がる、新人訓練の効きが良くなる。数字としての不良率ダウンはむしろその次で、受注構成・用紙品質・クライアント要求なんか複数の要因に左右される

次の手としては、「不良報告の項目を定義する」この最小単位から始めるのがいい。机上の空論は永远に走らない、まず走らせてからチューニング

・不良率が下がらないのは、現場に問題があるからじゃなくて、データがうまく分類・追溯されてないからだ

・AI画像分類を不良のバケット分けに使うなら、7〜8割の信頼度で品質管理効率は十分上がる

・改善リストはアサイン可能・検証可能・追溯可能にしないと、無効な会議の電子化になるだけ

・不良ケースライブラリは新人訓練教材のネタ元、改善経験を人质にしない

・导入失败の主因はツールじゃなく管理：現場の拒否、専任不在、追跡なし

印刷制造側から見ると、不良データを構造化することはデジタル変革の第一歩であり、一番見落とされがちな一歩でもある。多くの工場はERPやMESに大金をかけるのに、一番基本的な現場データ治理は後回し。紙やExcelの不良報告表から始めて、まず項目とフローを馴染ませてからAIの付加価値に入るのがいい。AI応用とSaaSベンダーから見ると、印刷会社の不良管理は高度に専門的なシーンで、汎用型の画像分類モデルでは足りない。印刷プロセスの用語と因果関係を深く理解してこそ、本当使える製品になる。デザイン側から見ると、工場内のよくある不良タイプと成因を知っておけば、データの作り方で踏みやすい落とし穴を避けられる。例えば細かすぎる套印や、裏移りしやすいベタ塗り濃い色。双方の差し戻しコミュニケーションコストを下げられる

（本記事はMai Strategy ナレッジアカデミーのオリジナル教材です。引用している産業知見と実務手法はすべてコンサルチームによる一次指导経験にもとづくものです）