2026年、AI画像処理は検査装置からMESの中へ移った

外観検査のAIは、これまで検査装置ベンダーの領域でした。装置がOK／NGを判定し、MESはその結果を1項目として受け取る。この構図が2026年に崩れました。MES／QMS側のベンダーが、AI画像処理を自社プラットフォームの機能として取り込み始めたためです。

一次情報として確認できるのは、次の3件です。

時期企業内容
2026年8月11日Rockwell AutomationPlex QMS と FactoryTalk Analytics VisionAI をAPI連携で統合。AI外観検査（異常検知・欠陥削減）を品質管理に統合し、検査履歴によるトレーサビリティ／シリアライゼーションを強化。あわせてCADファイルを作業手順書に自動変換するAIオーサリングエージェント、分析用の組込AIエージェント、Plex Connected Workerへの自然言語対話を発表
2025年7月29日Critical Manufacturing（ASMPT傘下）AI画像分析の Convanit を買収。主力製品 c-Alice は、ノーコードで画像分類AIモデルを構築・展開できる。CEOコメント「視覚データは現場で最も活用されていない資産の一つ」
2026年1月15日iBase-tSolumina AI をローンチ。航空宇宙・防衛（A&D）特化のガバナンス付きAIプラットフォームで、構成要素の1つ ScanAI は紙の作業手順書を構造化データへ変換する。エアギャップ環境で動作、ITAR準拠、NISTベースのセキュリティ

この3件が示しているのは、単に「MESにAI機能が付いた」ということではありません。AIの判定結果が、品質記録・トレーサビリティ・シリアライゼーションと同じデータモデルの上に置かれたということです。Rockwellのグループプロダクトマネージャー Devin Burke は、AIが同社の産業自律化戦略で決定的な役割を果たすと述べています（ARC Advisoryの分析記事も同発表を「AI駆動の品質」への動きとして扱っています）。

この位置づけの変化が、実装で決めるべきことを大きく増やします。検査装置の中で完結していたときには装置ベンダーの責任範囲だった事項が、MESプロジェクトの設計課題として降りてくるからです。

1年以内にAI支援になると見込むプロセスの比率
42%
Rockwell「Scaling MES Across the Enterprise」調査。17カ国1,560名、2026年7月28日公開
2030年までのAI支援プロセス比率
54%
同調査
Rockwell Automationシンガポール拠点が AI品質管理で達成した人時あたり生産数の向上
43%向上
WEF Global Lighthouse Network、2026年6月22日発表

統合の型は3つある。多くのプロジェクトは1つ目で止まる

AI外観検査をMESにつなぐと言ったとき、実際には3つの異なる統合レベルがあります。この違いを明示せずにプロジェクトを始めると、期待値が食い違います。

AI外観検査とMESの統合3類型の図。A型・B型・C型でデータの流れる方向と範囲が異なることを示す A型：AI検査機を「賢い測定器」として扱う AI検査装置 判定はここで完結 OK/NG MES（記録するだけ） 画像・信頼度・モデル版は装置内に残り、MESからは追えない → 規制対応・原因調査で行き詰まる典型パターン B型：MESが判定を受けて処分を実行する AI検査装置 判定＋信頼度＋画像ID MES（判定を処分に変換） ホールド・再検査・不適合起票 「要確認」を人の判断へ回す導線がここに必要 判定に使ったモデル版をロット記録に焼き込む C型：MESが学習データの供給源になる（双方向） AIモデル 再学習・版管理 MES ラベル付き画像＋工程条件＋最終判定 人が下した最終判定（誤検出・見逃し）が教師データに戻る 工程条件・材料ロットが文脈として付くため、モデルが強くなる この型に到達して初めて、AI検査は資産になる
AI外観検査とMESの統合3類型。A型は判定結果だけを受け取る最小構成、B型はMESが処分を実行、C型はMESが学習データの供給源になる。

多くのプロジェクトはA型で完了します。導入は速く、既存の検査装置をそのまま使えるからです。しかしA型では、次の質問に答えられません。

  • なぜこのロットで急に不良率が上がったのか（画像がMES側にない）
  • このモデルはいつ更新されたのか、更新前後で判定基準は変わったのか
  • 見逃しが発生したとき、同じ条件で検査した他のロットはどれか

そしてこれらは、品質問題が起きたときに必ず問われる質問です。A型で導入する場合でも、画像の保存場所とMESからの参照キーだけは最初に設計しておきます。これがないと、後からB型・C型へ進む道が閉じます。

設計で決める5つのこと

1. 判定を二値にするか三値にするか

AI検査の出力をOK／NGの二値でMESに渡す設計は、実装が単純ですが、AIの最大の弱点である「境界領域」を隠します。

推奨は三値です。OK／NG／要確認（review）とし、モデルの信頼度が一定範囲に入ったものを「要確認」として人の判断へ回す。この設計にすると、次の2つが同時に得られます。

  • 過検出（good を NG と判定）による廃棄コストの抑制
  • 人が判断した結果が、そのまま教師データとして蓄積される

「要確認」の比率は、運用開始直後は10〜20%になることもあります。この比率が下がっていく曲線こそが、AI検査が学習している証拠です。二値設計にすると、この曲線が見えません。

2. しきい値と信頼度の管理者を決める

AI検査のしきい値は、製造レシピや検査規格と同格のマスタとして扱う必要があります。誰が変更でき、変更に承認が要るか、変更履歴が残るか。ここを「装置の設定」として現場に委ねると、規制産業では確実に指摘を受けますし、非規制産業でも「先週から不良率が変わった理由が分からない」という事態を招きます。

しきい値変更は、承認ワークフローと電子署名の対象に含めるべき操作です。

3. 誤判定のフィードバック経路を作る

AI検査を導入した工場で最も価値が高いデータは、AIが間違えた事例です。ところが多くの実装で、この記録経路が設計されていません。

必要なのは次の2種類の記録です。

  • 過検出（false positive）：AIがNGとしたが、人が確認してOKだったもの。廃棄コストとして効いてくる
  • 見逃し（false negative）：AIがOKとしたが、後工程・出荷検査・顧客クレームで発覚したもの

後者は、後工程の不適合記録から遡ってAI判定結果に紐づく必要があります。この紐づけは、シリアル番号または製品の追跡と系譜管理の仕組みがないと成立しません。AI検査を入れる前に、系譜管理が機能していることが前提条件です。

4. モデルのバージョンを製造記録に焼き込む

これが最も見落とされる設計です。「このロットは、どのモデルのどの版で検査されたか」を製造記録に残します。

理由は3つあります。第一に、モデル更新後に不良流出が判明したとき、影響範囲を旧版で検査したロットに限定できます。第二に、規制産業では後述のとおり要求事項になります。第三に、モデル更新の効果を、更新前後のロットで比較評価できるようになります。

記録すべきは、モデルID・版番号・学習データセットのID・デプロイ日時の4項目です。

5. 学習データのラベルと工程文脈を紐づける

C型に進むなら、画像に付けるラベルの体系を、既存の不良コード体系と一致させる必要があります。ここが別体系になると、AIの分類結果と工場の不良集計が突き合わせられません。既存の不良コードが「その他」だらけの工場では、まずコード体系の整備が先です。

規制：EU GMP Annex 22 がAIに要求する5項目

規制産業でAI外観検査を使う場合、2025年に新しい前提が加わりました。2025年7月7日、欧州委員会はEU GMPガイドラインの新設 Annex 22（人工知能）を、Annex 11改訂案・Chapter 4改訂案とあわせてパブリックコメント用に公開しました（意見提出期限は2025年10月7日）。

Annex 22 は11章構成で、GMP文脈のAIシステムに次を要求します（ECA Academyの整理による）。

要求事項AI外観検査での意味
意図された使用（intended use）「外観検査に使う」では足りない。どの製品の、どの欠陥種を、どの条件で検出するかを定義し、その範囲外に使わない統制が要る
受入基準検出率・過検出率の合格基準を、導入前に数値で定義しておく
テストデータの独立性学習に使ったデータでテストしてはならない。評価用データセットを分離して管理する運用が必要
説明可能性（explainability）なぜNGと判定したかを示せること。ヒートマップ等の根拠出力を記録として保存できるか
信頼度（confidence levels）判定に付随する信頼度を扱えること。前述の三値設計が、そのままこの要求への回答になる

さらに、運用要件として継続的モニタリングとサプライヤ監督が強調されています。これは「導入時に検証すれば終わり」ではなく、モデルのドリフト（現場条件の変化による性能劣化）を継続的に監視する運用を求めるものです。ISPEが2025年7月に公開した GAMP Guide: Artificial Intelligence（290ページ）は、この継続監視をライフサイクルの枠組みとして実装可能にする位置づけで、GAMP 5 第2版と並行運用されます。

Annex 22 の詳細はEU GMP Annex 22、MESに載るAIに何が要求されるかで扱います。

もう1つの期限がEU AI Actです。2026年6月16日に欧州議会が承認した改正により、機械・医療機器などの製品に組み込まれる高リスクAI（Annex I）の義務適用は2027年8月2日から2028年8月2日へ12か月延期されました（Morgan Lewis、2026年6月）。AI外観検査が機械の安全部品として組み込まれる場合、この2028年8月2日が実質的な準備期限になります。延期は義務の緩和ではなく準備期間の追加と位置づけられています。この点はEU AI Actの適用対象判定の問題であり、MES側ではなく製品側の適合性評価として扱われます。

製品による実装差

2026年時点で、AI外観検査に関わる製品の位置づけは3つに分かれています。この分類は、産業AI全般の構造（産業AIのMES適用は3層に分化した）と対応しています。

類型代表例特徴と確認すべき点
MES／QMSベンダーが自社機能として持つRockwell（Plex QMS × FactoryTalk Analytics VisionAI）、Critical Manufacturing（c-Alice）品質記録・トレーサビリティと同一データモデル上に載る。B型・C型へ進みやすい。一方で、検査アルゴリズムの選択肢は専用ベンダーより狭い
業種特化のガバナンス付きAI基盤iBase-t（Solumina AI／ScanAI）エアギャップ環境・ITAR準拠のように、業種固有の制約に対応。防衛・航空宇宙では選択肢がこの類型に絞られる
専用の外観検査ベンダー＋MES連携各社の画像検査システムアルゴリズムと光学系の完成度が高い。ただしMESとの連携仕様（画像ID、信頼度、モデル版の受け渡し）が製品ごとに異なるため、A型に留まりやすい

選定時に確認すべき質問は3つです。

  1. 判定結果に加えて、信頼度・モデル版・画像への参照キーをMESへ渡せるか。「OK/NGの接点出力のみ」の装置は、A型からの発展余地がありません
  2. モデルの再学習を誰が行うか。ベンダー依存なら、1回あたりの費用とリードタイムを契約前に確認します。運用開始後に月次で発生します
  3. 説明可能性の出力（判定根拠のヒートマップ等）を記録として保存・出力できるか。規制産業ではAnnex 22の要求に直結します

なお、検査データの取り扱い全般（測定器接続、検査計画、規格値の管理）については検査・測定データ管理で扱っています。AI検査は検査機能の一部であり、独立した仕組みとして設計すべきものではありません。

よくある質問

不良サンプルが少なくてもAI外観検査は導入できますか？

できますが、アプローチが変わります。不良サンプルが十分にある場合は、欠陥種を分類する教師あり学習が使えます。サンプルが少ない場合は、良品だけを学習して外れ値を検出する異常検知型を選ぶことになります。異常検知型は導入が早い一方で、「何が異常か」を分類できないため、不良コードへの自動振り分けができません。まず異常検知型で「要確認」を人に回し、蓄積したラベルで分類モデルへ移行するという2段階が、現実的な進め方です。この移行を見据えると、前述のC型のデータ経路を最初から設計しておく価値があります。

既存の画像検査装置があります。入れ替えが必要ですか？

必要ないことが大半です。確認すべきは、その装置が判定結果以外の情報を外部に出せるかの1点です。信頼度、画像ファイル（またはそのID）、使用モデルの識別子を出力できるなら、装置はそのままでB型の構成が組めます。出力が接点信号のOK/NGだけの場合は、画像を別経路で保存する仕組み（産業用カメラの追加、装置PCからのファイル取得）を検討します。装置の入れ替えより、この出力インタフェースの追加のほうが安価に済むケースが多くあります。

AIモデルを更新したら、バリデーションはやり直しですか？

規制産業では、モデル更新の影響度に応じた変更管理が必要です。Annex 22 が受入基準とテストデータの独立性を求めていることから、更新後のモデルに対して、事前に定義した評価用データセットで受入基準を満たすことを確認する手順が必須になります。ただしこれはシステム全体のバリデーションのやり直しを意味しません。実務的には、モデル更新を「変更管理の対象となる構成要素の変更」として扱い、影響範囲をモデルとその判定ロジックに限定できるよう、MES本体とモデルの結合点を疎に設計しておくことが重要です。この設計判断は、導入時のアーキテクチャで決まります。

非規制産業でも、モデル版の記録は必要ですか？

規制要求としては不要ですが、実務価値は高いと考えています。モデルを更新した後に流出不良が判明したとき、影響範囲を旧版で検査したロットに絞り込めるかどうかで、回収範囲が桁で変わります。記録するのは4項目（モデルID、版番号、学習データセットID、デプロイ日時）だけで、実装コストはごく小さい。AI検査を入れるなら、この4項目の記録は規制の有無にかかわらず標準装備にすべきというのが、実装経験からの見解です。

この記事のテーマ
#産業AI#品質管理#規制対応#欧米動向
この特集について

規制がMESに求めるもの

FDA CSA、EU GMP Annex 22、DPP。規制の改訂はそのままMESの要件になる　全68本

  1. 自動車製造のMES導入、Catena-Xとバッテリーパスポートが変える完成車工場の記録
  2. 医薬品製造のMES導入、Annex 11改訂とeBRが変えるバリデーションの前提
  3. 医療機器製造のMES導入、eDHRとUDIを軸にEU MDR改正とFDA CSAを読む
  4. QMSとは？「仕組み」と「ソフトウェア」の2つの意味を持つ言葉
特集の記事をすべて見る →

この記事を書いた人

S

株式会社サオス MESソリューション部

DELMIA Apriso を中核とした MES / 製造DX の導入・運用・人材育成を手がけるITコンサルティング企業。ISO 9001:2015 / ISO 27001:2022 認証取得。 日本・中国・米国で製造業のMES導入を手がけた実務者が、欧米・中国の一次情報にあたって書いています。

運営者情報　編集方針　株式会社サオスのサイト