目視検査の見逃し対策｜装置の前に、思い出す仕⁠組⁠み

目視検査の見逃し対策とは、検査員の注意力を上げることではなく、見るべき点が検査の直前に目の前に出てくる状態を作ることです。人の集中力を鍛える話ではなく、思い出す機会を工程に埋め込む話で⁠す⁠。

多品種少量の部品加工をしている会社では、見逃しの対策はたいてい出尽くしています。照明を明るくした。休憩を挟むようにした。限度見本を置いた。ダブルチェックにした。それでも、数ヶ月に一度、同じような不良が流出する。この記事は、その「対策は打っているのに減らない」状態から書き始めま⁠す⁠。

扱うのは、どこに原因があるのか、装置を買う前に何ができるのか、AI外観検査でできること・できないことの線はどこか、費用と期間はどれくらいか、自社でやるか外に頼むかをどう決めるか、の5つです。数字の一部は当社が支援している会社の実測で、業界平均ではありませ⁠ん⁠。

なお、目標を渡すと完了まで自分で仕事を進めるAI＝AIエージェントの仕組みそのものについては「AIエージェントとは何か」をご覧ください。この記事では、その手前にある業務の設計の話をしま⁠す⁠。

見逃しは、疲労でも照明でもなく「久しぶり」に起きて⁠い⁠る

多品種少量の部品加工では、見逃しの主因は疲労でも照明でもありません。同じ品番が数ヶ月ぶりに戻ってくることです。前回その品番で何が出たかを、誰も覚えていない状態で検査が始まりま⁠す⁠。

当社が支援している精密切削加工の部品メーカー（多品種少量）は、こういう状態でした。受注が増え、検査人員を4人から8〜9人へ倍増させたばかり。経験の浅い検査員が、どこを見ればよいか分からないまま台に立っています。検査は全数で、1人が1日におよそ500個を目視で見ます。品目によっては、1ロットが一万個単位になります。そして不良のパターンは、全品目を合わせて約100種類。刻印がない、切り子が挟み込まれている、切り欠きがある、溝の仕上がりが悪い。種類も出方も品番ごとに違います（当社の実測。業界平均ではありません⁠）⁠。

対策を打っていない会社ではありません。社長は不良が出るたびに対策書を作り、朝礼で口頭共有しています。取引先から不良品の写真がメールで届けば、それも見ている。紙に印刷して現場に掲示もする。それでも、朝礼での共有はその場で終わって忘れられ、届いた写真はフォルダにも整理されず、掲示した紙はいずれ見られなくなる——というのが社長の実感でし⁠た⁠。

ここで決定的なのが受注周期です。同じ注文が回ってくるのは、約3ヶ月に一度。掲示した紙は色褪せ、朝礼の話は他の話に埋もれ、写真はメールの下のほうへ流れていきます。そして3ヶ月後、同じ品番が届く。新人はもちろん、ベテランでも数ヶ月前の不良は思い出せませ⁠ん⁠。

背景には人の側の事情もあります。帝国データバンクの調査（2026年7月時点、2026年8月17日発表）では、正社員の人手不足を感じる企業は全体で51.3%。業種別では「輸送用機械・器具製造」が59.1%で、前年の45.8%から上がっています。2026年版ものづくり白書によれば、中小企業の製造業における従業員数過不足DIは2025年にマイナス17.9でした（原資料は中小企業庁「中小企業景況調査」2025年12月）。人を増やして目を増やす、という解き方は年々取りにくくなっていま⁠す⁠。

忘却は、個人の資質の問題ではなく受注周期の問題です。 だから対策も、人の注意力にではなく、周期のほうに当てる必要がありま⁠す⁠。

全数検査をしているのに、なぜ流出する⁠の⁠か

全数検査は「全部見ているから漏れない」仕組みではありません。規格自身が、そうは書いていないからで⁠す⁠。

JIS Z 9015-0:1999 の 2.2.3 は、全数検査について「うまくいくとは限らない」「不適合品を適合品に分類したりしがちである」「見せかけだけになることさえある」と記しています。全数検査に切り替えれば安心、という前提が、まず規格の側で否定されています。同じ規格の 2.1 には「もし生産者が品質を作り込まなかった場合、検査員は品質を作り込む手段をもたない」ともあります。検査は品質を作る工程ではなく、作られた品質を確かめる工程だということです。なお、全数検査と抜取検査の用語そのものは JIS Z 8101-2:2015 の 4.1.5・4.1.6 で定義されていま⁠す⁠。

ここで、多くの解説記事が出してくる数字について一つ書いておきます。「人の目視検査の見逃し率は◯%」という数値です。当社が調べた範囲では、この種の数字に学会・公的機関・JISの一次統計は見つかりませんでした。見つかったのは、出典が示されていない記事のほうです。業界共通の見逃し率という数字は存在しない、と考えたほうが実務的です。使えるのは、自社の品番ごと・工程ごとの実績だけです。返品になった件数、工程内で止まった件数、どの品番で何が出たか。これを持っている会社が、投資の判断もできま⁠す⁠。

判定のばらつきを抑える道具としては、合格と不合格の境界を示す見本を置く方法があります。日本品質管理学会規格「品質管理用語」（JSQC-Std 00-001:2023）では、限度見本は合格と不合格の境界を示す見本として説明されています。ただし限度見本が効くのは「境界が微妙な不良」に対してであって、「そもそも今回はどこを見るのか」という問いには答えません。冒頭の会社で足りていなかったのは、後者のほうでし⁠た⁠。

そしてもう一つ、投資判断を左右する構造があります。この会社には、納品後に1個でも不良が混入すると全数返品になる取引があります。発生頻度は低い。しかし1件の見逃しコストが極端に大きい。この非対称性があるからこそ、頻度の低さを理由に「今のままでいい」とは言えなくなります。 期待値ではなく、最悪の1件で投資が正当化される領域で⁠す⁠。

全数返品が起きると、納品済みロットの引き取り、全数選別の工数、再納品の輸送、そして次の発注の与信が同時に動きます。金額は取引ごとに違うので相場は書けませんが、自社ならこの4つがいくらになるかを一度だけ試算しておくと、投資の上限が決まりま⁠す⁠。

AI外観検査を入れれば解決する⁠の⁠か

装置が向く検査と、いまは向かない検査があります。そして多品種少量の現場でまず詰まるのは、装置の性能ではなく、学習に使う画像が集まらないところで⁠す⁠。

装置メーカー自身が、そこを明示しています。キーエンスは自社の解説ページ「AI外観検査」で、AI外観検査を始めるには「最低でも数十枚のOK/NG画像データが必要です」と説明しています。さらに「AIは、OK/NG画像データを参考に判定するので、そこにない状況の判断が難しく、間違った結果を出す恐れもあります」とも書いています。つまり、まだ一度も出たことのない不良は、AIにも見えません。同ページには「そもそも学習のために必要な大量の画像データの入手が困難だったり、学習させたい不良が画像に写らなかったり、課題はたくさんあります」という記述もありま⁠す⁠。

公的な場での説明も同じ方向です。中京大学・青木公也教授のJST新技術説明会資料（2023年8月29日）では、外観検査AIのボトルネックは学習用画像だとされ、まとまった数量（数千枚規模になることもある）が要るうえに「不良の発生が稀で、収集が困難」「ラインの立ち上げがこれからでサンプルがない」状態になりやすいことが挙げられています。欠陥の領域を一つずつ囲っていくアノテーションの負荷も小さくありません。方式にも限界があり、良品だけを学習して異常を見つける方式は「異常かどうか」は言えても不良の種類までは判定しない設計で、逆に種類ごとに教える方式は「稀な不良への対応が困難」になりま⁠す⁠。

ここで冒頭の会社の条件を重ねると、何が起きるかが見えます。不良は約100種類。品番ごとに撮り方も不良の出方も違うため、学習用の画像は品番ごとに集め直すことになります。そして、いちばん流出させたくない稀な不良ほど、画像が集まりません。装置が悪いのではなく、装置に渡す材料がまだ手元に無い、という順番の問題で⁠す⁠。

学習用画像とは別の理由になりますが、手元のチャットAIに不良品の写真を見せて良否を決めさせる使い方にも、線があります。AnthropicはClaudeの公式ドキュメント（画像入力）で、低画質の画像・回転した画像・200ピクセル未満の小さな画像では誤りうると認めたうえで、完全な精度を要する用途に人の監督なしで使わないことを明記しています。画像中の物の個数は「おおよその数」、座標や位置の出力も近似だとされています。人の確認なしに良否の判定を任せる相手ではありませ⁠ん⁠。

一方で、写真を読ませること自体はできます。JPEGやPNGを渡して、写っているものに説明を付ける。撮った不良写真に「どの部位の、どういう状態か」の下書きを付けて、記録の形を揃える。判定ではなく記録の整形に使うなら、いまの道具立てで現実的で⁠す⁠。

この使い分けは、キーエンスの同じ解説ページにも、基準がはっきりして良品のばらつきが小さい検査は汎用の画像センサ、良品にばらつきがあってOK/NGの線引きが難しい検査はAI画像処理、という形で示されています。表の読み方はひとつです。自社の主要な品番をいくつか並べて、どの行に落ちるかを当てはめてみる。3行目に落ちる品番が多いなら、いま買うべきものは装置ではありませ⁠ん⁠。

装置の前に効く一手——検査の直前に、前回の不良を⁠出⁠す

やることは3つです。集める。品番で引ける形にする。検査に着手する直前に出す。この3つだけで、受注周期による忘却にはかなり効きま⁠す⁠。

集めて索引をつけるところまでは、技能伝承の取り組みと同じ工程です（進め方は「技能伝承×AI」に整理しました）。分かれるのは3つ目——検査に着手する直前に出す、というタイミングの設計のところで⁠す⁠。

まず、この3⁠つ⁠。

1. いま散らばっている不良の記録を1か所に集める。取引先からメールで届いた不良品の写真、社長が作った対策書、現場に掲示した紙、担当者のスマホに残っている写真。まず所在を1つにするだけで、次の工程が組めるようになりま⁠す⁠。
2. 品番で引ける形にする。約100種類ある不良を「品番 × 不良の種類」でタグ付けします。散らばった記録をAIが引ける形に整える工程そのものは「自社データとAIをつなぐ」に整理したとおりですが、この現場で肝になるのは、分類軸をこの2つに固定することです。粒度を細かくしすぎると登録が続かず、粗すぎると検索しても絞れません。最初は現場が口にしている呼び方をそのまま使うのが早道で⁠す⁠。
3. 検査台に端末を1台置き、着手する直前に、その品番の過去の不良と注意点が出るようにする。この「直前」がすべてです。 朝礼でも、月次の品質会議でもなく、これから見る品番の箱を開けた瞬間に出す。生産条件の適否を確かめる初物検査（JSQC-Std 00-001:2023 では「生産条件が適切かどうかを判断するために、最初の1個又は複数の製品が規定要求事項に適合していることを確認する行為」と説明されています）が行われる場面と時間的に近いので、その前後に組み込むと運用に無理がありませ⁠ん⁠。

ここまでが骨格です。続けるための工夫が、あと2つありま⁠す⁠。

ひとつは、現場が写真を足せるようにすること。受け身の閲覧で終わらせないための一手です。作業員が「これは危ない」と気づいたものを、撮る、品番を選ぶ、それだけで登録が終わる軽さにします。手順が3つを超えると、忙しい日には確実に飛ばされま⁠す⁠。

もうひとつは、朝礼と接続すること。口頭共有をやめる必要はありません。朝礼で話したことが、後から品番で引ける場所に残る。これだけで、いまの運用を壊さずに済みま⁠す⁠。

置き場を決めるときに、一点だけ確認しておくことがあります。取引先から届いた不良品の写真は先方の情報でもあるので、使うサービスが入力データを学習に使わない設定になっているか（法人向けの契約では使われないのが一般的です）を見ておくと安全で⁠す⁠。

着手の順番についても、書いておきたいことがあります。この会社にはもっと重い課題があります。加工指示書や不良対策書が図面1件あたり紙2〜30枚、数百品目で数万枚規模になっており、事務員が図面を探してコピーする負担が常にかかっている。金額で言えば、こちらのほうが大きいかもしれません。それでも最初の一手には選びませんでした。数万枚のペーパーレス化は「段階的に検討する」と明示して棚に置き、検査台の一手を先に通しています。候補を効果の大きさで並べる段階は「AIエージェントに最初に任せる業務の選び方」に、その並びから「担当者自身が作れるか」を掛けて最初の1つを抜く考え方は「AI化は写真から始めない」に整理しまし⁠た⁠。

もう一つ、定着の設計です。普段使わない端末は、必ず使われなくなります。検査の直前に出すのに加えて、朝一で必ず開く理由をその画面の中に置く。今日流す品番、前回の注意点、今日の段取り。そこにしか無い情報を1つ作れば、開く習慣がつきま⁠す⁠。

なお、「特定の人しか分からない」状態の解き方は「属人化の解消はAIで変わる」に書きましたが、検査の見逃しは属人化とも性質が違います。誰か一人が抱え込んでいるのではなく、全員が等しく忘れているからで⁠す⁠。

端末は何台から始め⁠る⁠か

検査工程に1台から始めるのが、投資として刻みやすい形です。当社が支援した会社では、全員分ではなく検査工程に1台でよい、という結論が社長側から出ました。これは当社の判断パターンであって、規格や公的機関が推奨する手順ではありませ⁠ん⁠。

理由は運用を思い浮かべればわかります。検査に着手する直前に見るものなので、必要なのは「その台の、その瞬間」です。1人1台にすると、端末の管理、アカウント、紛失時の対応、教育の手間が人数分かかり、いちばん重要な「直前に出す」以外のところにコストが乗ります。増やす条件はひとつだけ決めておけば足ります。同じ時間帯に端末待ちが発生したら、2台目を足す。この順番なら、初期投資は現実的な範囲に収まりま⁠す⁠。

最初の計画に入れないほうがよいものも、はっきりしています。全員分の端末、全品番の一斉整備、基幹システムとの接続。この3つはいずれも金額と期間を跳ね上げますが、最初の効果検証には要りません。1品番で、1台で、数週間試す。そこで「検査前に前回の不良を見た」という行動が実際に起きるかどうかが、次の投資判断の材料になりま⁠す⁠。

紙とデータの入口をどう作るかという、同じ製造・卸売の現場に共通する話は「FAX受注をやめられない会社の、入力だけ先に減らす順番」にも書きました。業務は違いますが、入口を1つに絞ってから広げるという順番は同じで⁠す⁠。

個人別の集計を、最初の設計に入れ⁠な⁠い

不良のデータを個人別に集計する設計は、最初は入れないでください。正しさより、辞められるリスクのほうが経営者にとって大きいからで⁠す⁠。

これは実際に起きたことです。当社は先の会社に「不良のデータを資産化すれば、エラーの多い担当者の特定や手戻りの削減にもつながります」と提案しました。技術的には正しい提案でした。社長の判断は明確で、個人が特定される仕組みは検査員の離職につながる、というものでした。個人特定の軸は当面見送りになりまし⁠た⁠。

背景を考えれば、社長の判断のほうが経営としては筋が通っています。この会社は検査人員を4人から8〜9人へ倍増させた直後で、採用が最も高コストな局面にありました。そのタイミングで、検査員に「監視されている」と受け取られる仕組みを入れる。仮に1人辞めれば、削減できた手戻りのコストなど簡単に吹き飛びます。個人軸を中心に置くと、仕組み全体が監視ツールと受け取られ、導入そのものが止まりま⁠す⁠。

入れてよい軸と、入れない軸を分けておくと設計が楽になりま⁠す⁠。

• 入れてよい軸：品番別の不良傾向、工程別の発生箇所、時期・ロット別の発生パターン、担当交代時の引き継ぎ⁠記⁠録
• 入れない軸：作業者別の不良発生率ランキング、個人別のエラー履歴の可⁠視⁠化

そして、この軸の取り方は現場への配慮というだけでなく、規格が勧めている原因の追い方とも一致します。JIS Q 9026:2016（日常管理の指針）の 4.8.2 は、異常の原因追究では発生の時期・時刻を調べ、「部品・材料の切替え、担当者の交代、設備の保守などの実施記録を見直すことによって原因の絞り込みが可能となる」としています。さらに、繰り返し同種の異常が発生している場合には「その周期と対応する操作は何かを考える」ことを勧めています。誰がやったかではなく、いつ・何が切り替わったときに起きたかを見る。この記事が受注周期に原因を求めているのは、その延長にありま⁠す⁠。

同じ規格の 4.8.4 と図6 では、異常の原因を「標準がなかった」「標準を知らなかった」「標準どおりに行う技能がなかった」「標準どおり行う必要性を理解していなかった」「うっかり間違えた（間違えやすい標準であった）」に分けています。そのうえで、うっかり間違えたことが多い場合には「なぜエラープルーフ化がされていなかったのか」を追究せよ、としています。JSQC-Std 00-001:2023 では、エラープルーフ（ポカヨケ）は「ヒューマンエラーを防止する、あるいはそれによって引き起こされる影響を軽減するための製品・サービス又は作業方法に関する工夫」と説明されています。うっかりの再発を人の反省で止めようとするのは、規格の推奨から外れています。同じ規格の 4.8.3 は、単発的な異常についても、原因を「標準が整備されていない、教育又は訓練が行われていない」といった現場管理上の問題に求めており、個人の責任追及には向かわせていませ⁠ん⁠。

現場に説明するときは、言い換えの型が効きます。「誰がミスしたかを見る」ではなく、「次に同じものを作る人が、着手前に気をつける点を見られる」。同じデータでも、出力先を管理者から作業者本人に変えるだけで、受け入れられ方がまったく違います。実際、この形にしてから現場側からも、自分たちで写真を足せるようにしてほしいという要望が出ました。監視される対象ではなく、記録を作る側になるからで⁠す⁠。

費用と期間の目安、使える⁠制⁠度

費用は2つの層に分かれます。既存のツールを組み合わせて回す層と、自社の品番体系や検査工程に合わせて個別に作る層で⁠す⁠。

既存ツールの活用なら、法人向けAIの追加ライセンスが1人あたり月3,000〜5,000円台が目安です。写真の置き場と検索そのものは、すでに契約しているクラウドストレージや表計算の範囲で賄える会社もあり、その場合は追加費用がほとんど発生しません。自社の業務に合わせて個別に構築する場合でも、1機能に絞れば数十万円規模から。複数の業務にまたがると数百万円規模になり、運用は月数万円からを見ておくのが現実的です。費用の内訳や見積の型は「AIエージェント導入の費用相場と進め方」に整理しているので、この記事では検査の文脈に必要な範囲にとどめま⁠す⁠。

なお、AI外観検査装置の価格については、この記事では書きません。構成によって大きく変わるうえ、公開されている一次の相場が無いためです。装置を検討するなら、見積を取る前に「自社にとっての不良の定義」と「品番ごとにどれだけ画像が集まるか」を固めるほうが先に効きます。前章までの取り組みは、そのまま装置検討の材料づくりにもなりま⁠す⁠。

期間は、入口を1品番に絞れば数週間から数ヶ月が現実的な幅です。内訳は、散らばっている記録を集めて所在を1つにするのに数日から1〜2週間、品番と不良の種類の分類設計に1〜2週間、検査台での試行と、実際に見られているかの検証に数週間。全品番を一度に整備する計画にすると、この幅は一気に伸びま⁠す⁠。

制度も候補になります。中小企業省力化投資補助金（一般型）は、中小機構の公式サイトによれば補助率が中小企業1/2、小規模企業者・小規模事業者は2/3（中小企業の1/2は最低賃金引き上げ特例の適用時に2/3）。補助上限額は従業員規模別で、5人以下の750万円から101人以上の8,000万円まで区分が設定されており、大幅賃上げ特例に該当するとさらに上がります。補助対象経費は「機械装置・システム構築費」が必須で、個別の現場に合わせた設備導入・システム構築を対象にしています。補助率も上限額も対象経費も公募回ごとに改定されるため、必ず最新の公募要領で確認してください。 制度の考え方と、申請でつまずきやすい点は「AI導入に使える省力化投資補助金」に整理しまし⁠た⁠。

検査員の教育を伴う進め方なら、厚生労働省の人材開発支援助成金「人材育成支援コース」も候補です。中小企業のOFF-JTで経費助成45%（賃金要件等を満たす場合60%）、賃金助成が1人1時間あたり800円（同1,000円）とされています。助成金の詳細と申請の流れは「AI研修に使える助成金」に整理しました。山梨県内であれば、県の生産性向上補助金も候補になりま⁠す⁠。

自社でやるか、頼⁠む⁠か

分かれ目は、品番の数と分類設計の重さ、そして基幹システムや検査機器に接続するかどうかで⁠す⁠。

外に頼む価値があるのは、実はプログラムを書く部分よりも、真ん中の行にある「分類の粒度をどう決めるか」の部分です。約100種類の不良を、現場が迷わず選べる形に落とす作業は、業務の決めごとであって開発作業ではありません。ここを決めずに実装に入ると、どんなに作りがよくても登録が続かず、半年後には空の箱が残ります。他社がどの業務から着手してどう広げたかは、導入事例にまとめていま⁠す⁠。

よくある⁠質⁠問

うちは品番が少ないのですが、それでも効果はありますか。 正直に言えば、この記事の前提は効きにくくなります。同じ品番が毎週のように回ってくる会社では、前回の不良は記憶に残っていますし、掲示した紙も見られます。効くのは「同じものが数ヶ月ぶりに戻ってくる」構造がある会社です。判断の目安は、主要な品番の再来周期を並べてみることです。1ヶ月以内に戻ってくるものが大半なら、優先すべきは記録の仕組みより、判定基準そのもの（限度見本や合否の線引き）を揃えるほうかもしれませ⁠ん⁠。

不良の写真が、そもそもほとんど残っていません。 過去を再現しようとしないでください。今日から撮るほうが早く形になります。次に不良が1件出たら、その場で撮って品番を選んで登録する。それを3ヶ月続けると、主要な品番が一巡して、その品番の「前回」が生まれます。過去の写真を掘り起こす作業は、取引先から届いたメールの添付だけを対象にすると負担が読めます。それ以上さかのぼるかどうかは、3ヶ月分が溜まってから判断すれば間に合いま⁠す⁠。

検査員が高齢で、端末を使えるか不安です。 操作を2つに削ってください。見るときは「品番を選ぶ」だけ、足すときは「写真を撮る」だけ。ログイン、分類の入力、コメントの記入といった手順を足すほど、使われなくなります。それから、説明の順番も結果を左右します。最初に「記録を取ります」と言うと身構えられますが、「次に同じ品番を担当する人が困らないように、前回の注意点を残しておきましょう」と言えば話が通ります。誰かを評価するための入力ではないことを、最初の説明で明確にしてくださ⁠い⁠。

見逃しが減ったことを、どう確かめればいいですか。 3つの数字を並べれば足ります。取引先から返品・指摘が来た件数、社内の工程内で止められた件数、そして品番別の再発件数です。ねらいは1つ目を減らすことですが、取り組みの初期には2つ目が増えることがあります。これは悪化ではなく、外に出る前に止まるようになった状態です。3つ目は、同じ品番で同じ不良が2回目に出たかどうかを見る指標で、この記事の取り組みが効いているかを最も直接に表します。いずれも個人別では集計しないでください。個人別に見た瞬間に監視と受け取られ、記録そのものが止まりま⁠す⁠。

まず、散らばっている不良写真を1か所に集めるところ⁠か⁠ら

今日からできることは2つです。取引先から届いた不良品の写真、社長が作った対策書、現場に貼った紙、担当者のスマホの中身。これを1か所に集めること。そして、いちばん再来周期が長い品番を1つだけ選んで、次にその品番が回ってきたときに前回の不良が目の前に出る状態を作ってみること。装置の検討は、その後で構いませ⁠ん⁠。

分類の粒度をどう決めるか、どこまでを既製のツールで済ませてどこから作り込むか。この見立てのところからでもお役に立てます。検査の記録を業務の中に組み込む仕組みづくりはAIエージェント構築・運用で扱っています。狙いは人を減らすことではなく、いまの人数で受けられる仕事の量と品質を上げることです。まずは現状を聞かせていただくところから、無料相談でお受けします。甲府から、対面でもオンラインでも伺いま⁠す⁠。