AIは自動車の品質管理をどう変えているのか

品質不良は大きなコストにつながります。2025年、米国の自動車メーカーが支払った保証請求額は208億1,000万ドルに上り、米国道路交通安全局によると、2,900万台を超える車両がリコールされました。これらの数字はいずれも、見過ごされた、あるいは適切に検査されなかった欠陥部品に起因しています。設計や検査の過程でミスがあった場合もあれば、顧客への出荷後に車両で問題が起きた場合もあります。

生産ライン上の欠陥を見つけようとすると、ますます複雑化するさまざまな要因が関わってきます。かつては機械式だった機能がソフトウェア制御に移行し、機械部品やEV用バッテリーの許容誤差も小さくなるなか、ミスの許される余地はほとんどありません。さらに、グローバルなサプライチェーンは、単一の工場では完全に管理できないばらつきを生み出します。こうした状況を踏まえると、生産ラインの欠陥を見つけるために適切な工程を整えることは、これまで以上に重要です。

人工知能は、品質管理チームにこれまでとは異なるツールをもたらしています。生産後に部品の一部を抜き取り検査し、問題を見逃さないよう願うのではなく、メーカーは今やすべての部品をリアルタイムで監視し、問題が欠陥になる前に傾向や逸脱を捉えられます。私は自動車、タイヤ、バッテリーのメーカーとこうした課題に長年取り組んできました。ここでは、実際に何が変わりつつあるのか、そしてこうした取り組みを成功させるには何が必要なのかを解説します。

問題が連鎖的に拡大する前に捉える

AIが品質管理にもたらす最大の変化は、検査規模の拡大です。生産ライン上の製品をすべて確認することで、異常が欠陥になる前に検出できます。人はミスをするものです。そのため、ラインの一部だけを確認し、人の目視検査に頼っていると、異常を見逃す可能性があります。欠陥を目で見て特定できないといった人為的なミスや、疲労によって従業員の注意力が勤務開始時より低下することなどが、その原因として考えられます。

カメラとAIの進歩、そして両者の融合は、自動車業界に大きな利点をもたらします。生産ラインでより多くの欠陥を検出できるだけでなく、何より重要なのは、問題が発生する前に検知できることです。仮想テストでAIを使って欠陥を検出することで、メーカーは起こり得る故障を予測するだけでなく、製品に対して実施する新たなテストの作成にも活用し始めています。さらに、生産ラインにAIを導入すれば、これまで以上に多くの欠陥を検出できます。McKinseyの調査によると、生産ラインでAIを活用したメーカーは、欠陥の検出数を90％増やすことができました。

検査の精度を継続的に高める

欠陥をより多く検出できることは、全体像の一部にすぎません。もう一つの変化は、AIを活用した検査が固定的なままではなく、時間とともに改善していくことです。欠陥の検出数が増えるだけでなく、AI搭載システムは取り込んだデータをすべて分析し、学習します。AIで機械の出力を予測すれば、機械が仕様どおりに稼働していないことを検知できます。機械が許容範囲を外れ始めた場合は、システムに通知して機械の設定値を調整させ、出力を許容範囲内に戻し、製品を仕様に適合させることができます。

タイヤ業界における例として、スプライス工程が挙げられます。スプライス工程にAIと画像認識を活用すれば、許容範囲を外れる接合を減らしながら、性能を向上させることができます。自動車業界の別の例としては、車体工場や溶接工程における隙間や段差の改善があります。現在および過去のデータからシステムが学習できるようにすることで、適切なスプライスの状態や望ましい幾何公差をシステムが把握し、許容範囲内に収まるよう、機械の工程変数やロボットの動作をリアルタイムで調整し始めます。この学習の循環こそが、最新のAI検査を従来の自動化と分けるものです。複数の施設で同じシステムやモデルを運用するタイヤメーカーや自動車メーカーにとって重要なのは、シフトや生産ラインが異なっても、さらには地域の異なる工場間でも、基準を一貫して保てることです。

安全策から戦略的な強みへ

長い間、品質管理は安全策として扱われ、不良部品が顧客に届かないようにするための最終確認と位置付けられてきました。AIによって、品質管理は戦略を左右する手段に近いものへと変わりつつあります。

欠陥をより多く検出できるだけでなく、どこで発生しているのかも把握できるようになります。工程への理解が深まれば、傾向を捉え、問題になる前に不具合を解消できます。欠陥の発生箇所を把握できるようになれば、初回合格率を高め、廃棄・手直し率を下げられます。そして、廃棄や手直しを減らすことで、生産量の拡大にもつなげられます。

ここで重要となる指標は、特別なものではありません。初回合格率、廃棄・手直し率、顧客からの苦情、検査精度は、いずれもAIが登場する前から存在していました。変わるのは、メーカーがどれだけ迅速かつ一貫して測定し、対策を講じられるかです。生産ライン上で検出した欠陥への対応コストは、組み立て後に検出した場合よりはるかに低く、組み立て後に検出した欠陥への対応コストも、顧客に届いて保証請求やリコールにつながった場合よりはるかに低くなります。

AIプログラムが停滞する理由

もちろん、こうしたことは何もしなくても実現するわけではありません。カメラやAIソフトウェアを導入したからといって、不良をより多く検出できるとは限りません。こうしたプロセスの導入に成功したメーカーには、いくつかの重要な共通点があります。AIの活用方法を探すためにいきなりAIに取り組むのではなく、まず製造ラインの課題を特定し、AIで解決しようとしました。また、結果を比較できるよう、測定可能な目標を設定していました。試験導入が成功したと分かったら、そのプロセスを製造ラインのほかの領域にも展開することを検討できます。

チームに必要なスキルがそろっているかどうかも、確認しておくべき点です。品質管理チームは工程について熟知していても、機械学習を使った経験がないかもしれません。あるいは、データサイエンスチームは機械学習に詳しくても、製造ラインで何が行われているのかを把握していない可能性があります。こうした部門横断的なスキルに加え、取り組みを拡大する方法についての経験も備えておけば、製造ラインだけでなく、業務全体にわたってこれらのプロセスを導入できるようになります。

今後の展望

自動車業界では、品質が常に企業の評判を左右してきました。市場に出た不具合が一つあるだけで、数億ドルに上るリコールが発生し、長年にわたって築いてきた顧客の信頼が損なわれることがあります。AIを活用すれば、そうした不具合をより早い段階で検出し、発生原因を理解して再発を防ぐことができます。個々の製造ラインや工場で順番に対応するのではなく、すべてのラインと工場で実現できるのです。

現在、AIから大きな価値を得ているメーカーが、必ずしも最先端の技術を持つ企業とは限りません。品質を継続的に理解し、改善するためのシステムとして捉え、その全体ではなく一要素としてAIを活用している企業です。車両アーキテクチャが進化し、生産量が増え続けるなか、こうした取り組みの重要性は低下するどころか、ますます高まるでしょう。