これまでの連載では、同じデータ、同じ定義を使うことの大切さを書いてきました。今回の話は、その延長にあります。AIが作る判断材料の質は、元のデータと、「何を異常と呼ぶか」という定義の質で決まります。データがばらばらで、定義が人によって違えば、AIは速く、大量に、間違った判断材料を作ります。どこまで任せるかを考える前に、判断材料の質を揃えておく必要があります。 ※第1回:「経営KGIと現場KPIをつなぐ」、第2回:「同じデータ・同じ定義」を誰がつくるのか、第3回:「同じ判断材料の共有」についてお話ししました。 「AIが判断したので」は会議で通るか 「それはAIが判断したことなので」。この言葉を、経営会議で口にできる人はいないはずです。 AIが賢くなるほど、「どこまで任せるか」は技術の問いではなく、経営の問いになります。今回は、弊社が製造業のお客様と取り組む中で見えてきた、「判断の仕分け」の考え方をお話しします。 結論を先に述べます。公開されている事例を見る限り、AIに任されているのは「判断」ではなく、「判断材料づくり」です。 判断を3つに分ける 「AIに任せるか」と問われると、判断を1つの塊として考えがちです。しかし判断は、少なくとも3つに分けられます（図１）。 判断材料づくり：見る、集める、整える、比べる 決める：選択肢から選び、結果に責任を負う 実行：決めたことを現場で行う 設備保全で言えば、センサーを見て異常を見つけ、マニュアルや過去の記録を集め、対策案を比べるのが材料づくりです。どの対策をいつ実施するかを決め、実際に作業するのが、その先の2つです。 図1．判断は3つに分けられる 判断材料づくりは、量が多く、速さが求められ、人には負担の重い仕事です。一方で「決める」には、結果への責任がついてきます。責任を負えるのは人だけです。ここに、仕分けの出発点があります。 4つの事例に見る共通点 弊社の公開事例を見ると、共通する構図があります。 弊社の公開事例 AIが担う部分（材料づくり） 人が決める部分 Georgia-Pacific社 150超の拠点で約85,000個の振動センサーを監視 異常予兆検出をするAIモデルは30,000個超 運転員・監督者が、修理を計画保全にまとめて日程を決める ロッキード・マーティン社 飛行データからの部品故障の予測 データ整形の約85%を自動化 SASとの協業では、症状データと整備記録から診断し、マニュアルの該当手順を参照元付きで提示する仕組みを検証 任務の中止は乗員、運航機と予備部品の選択は顧客、整備作業は整備士 Wienerberger社 分断データの統合 エネルギー消費の監視 洞察と推奨の生成 デジタルツインでの事前検証 現場知識を持つ技術者がモデルを改善し、変更は検証後に実施 SAS×NSW様のOEE改善デモ 経営KGI、現場KPIダッシュボード 異常予兆検出のしきい値の自動設定 要因候補のパラメータ表示 生成AIによる対策案の提示 対応方法の決定 何をAIに任せてよいか：2つの軸 では、どの判断ならAIに任せてよいのでしょうか。2つの軸で考えます。 1つ目は、判断の基準がどこまで明文化されているかです。「この値を一定回数続けて超えたら異常」と言えるなら、機械に任せられます。弊社の事例でも、異常を知らせるしきい値は、担当者の経験則ではなく、統計の考え方（管理図）で自動的に設定し、基準を標準化しています。基準は人が決め、適用は機械が行う。この分担です。 2つ目は、間違えたときの影響と、元に戻せるかです。データ整形や異常アラートは、間違えても戻せます。任務の中止や部品の交換は、戻せません。 図2．基準の明文化度 × 誤りの影響 この2軸で、4つの領域に分かれます。 基準が明確で影響が小さければ、AIに任せる。
