なぜ、AIのPoCは「成功」しても、現場に定着しないのか

株式会社羽石産業知能研究所（HIII）の佐藤です。

製造業のお客様から、こんな声をよく耳にします。

「去年、外観検査のAIでPoCをやったんです。精度はある程度出ました。でも、結局現場では使われていなくて……」

これは決して珍しいケースではありません。 Gartnerは2024年のレポートで、「2025年末までに、全生成AIプロジェクトの30%がPoC段階後に放棄される」 と予測しました。さらにIDCとLenovoの2025年調査では、PoCの88%が本番展開に至っていない ことが報告されています。

なぜ、PoCでは「成功」と報告されたはずのAIが、現場に定着しないのか。 今回は、この問題の構造を整理し、「PoCの先」に進むために本当に必要なことをお話しします。

本記事は、すでにAIのPoCを経験した（あるいはこれから取り組む）製造業の経営者・現場責任者・DX推進担当者の方に向けて書いています。

まず前提として、PoCと本番運用の違いを整理させてください。

PoCとは、AIという手段が技術的に有効かどうかを検証する実験です。 一方、本番運用とは、毎日、現場の人間が、業務の中でAIを使い続けることです。

PoCで例えば精度93%が出たとしても、それは「整ったデータで、理想的な環境で、専門家が操作したとき」の数字です。 この2つを「別のゲーム」として認識することが、すべての出発点になります。

私たちが見てきた「PoC止まり」プロジェクトには、共通する5つの壁があります。

壁1：データの壁——「きれいなデータ」は現場にない

PoCでは整形されたデータセットを使いますが、現場のデータは常に「汚い」のが普通です。センサーの欠損、手書き帳票のPDF化、ロットごとに異なるフォーマット。AI開発の工数の約8割はデータ前処理に費やされるとも言われますが、PoCではその工程が省略されていることが多いのです。

PoCのデータ整備に3ヶ月かけたのに、本番のデータパイプライン構築にさらに6ヶ月かかった——という話は珍しくありません。

壁2：精度と環境の壁——ラボの93%は現場の93%ではない

1日に10,000個が流れるラインで93%の精度は、毎日700個の誤判定を意味します。しかも現場には、PoCのラボ環境にはなかった「揺らぎ」があります。

ある精密機器メーカーでは、ラボで高精度だった異常検知AIが本番で誤報を多発しました。原因はラボでは考慮していなかった温度変化、振動、電気ノイズの影響でした。PoCの精度は「理想的な環境での数字」に過ぎず、季節変動や設備の経年劣化まで含めて最低3ヶ月の現場検証が必要だと、この事例は教えてくれます。

壁3：UXの壁——現場の人が「使えない」

PoCの成果物はJupyter NotebookやPythonスクリプトであることが多く、現場の作業者が使えるものではありません。

ある部品メーカーでは、高性能な外観検査AIを導入したものの、現場の作業フローに合わないUIのせいで「使いにくい」「信頼できない」と言われ、結局誰も使わなくなりました。現場への説明も不十分で、「仕事を奪うシステム」という誤解まで生まれていたのです。

壁4：組織の壁——「誰が運用するのか」が決まっていない

PoCは「プロジェクト」ですが、本番運用は「業務」です。モデルの精度監視、再学習、障害対応。この体制を、誰が、どの部署で、どの予算で担うのか。

「DX推進室がPoCをやったけど、運用は製造部に任せたい。でも製造部にはAIを触れる人がいない」——この状況が、組織の壁の典型です。

第3回の記事で「問い4：現場は協力してくれるか？」を取り上げましたが、本番運用ではこの問いがさらに深刻になります。PoCでは「協力」だった現場の関与が、本番では「責任」に変わるからです。

壁5：経営の壁——ROIが見えないまま投資判断を迫られる

「精度93%を達成しました。本番環境の構築に追加投資をお願いします」 経営者の頭の中にあるのは、「で、それはいくら儲かるの？」です。

しかし、PoCの成果は精度や処理速度であって、コスト削減額や品質改善の売上影響に翻訳されていないことがほとんどです。技術の言葉でしか語れないPoCは、経営判断の土俵に上がれません。

では、どうすれば「PoCの先」に進めるのか。私たちがプロジェクトの設計段階から意識している5つのポイントです。

設計1：PoCの目的を「業務検証」に拡張する

「この手法で精度は出るか？」ではなく、「この精度で、この業務は回るか？」 を検証する。「精度○%」ではなく「欠品率○%削減」「検査工数○時間削減」という業務指標で成否を判断する。この一点を変えるだけで、PoCの質が根本的に変わります。

設計2：「汚いデータ」と「現場環境」での検証をPoCに組み込む

きれいなデータで精度を確認するのは最初の1週間で十分です。残りの期間は、現場のリアルなデータと環境条件で精度を検証する。 私たちはPoCの中に「環境ストレステスト」を設け、わざと照明条件を変えたり、ワークの置き方をずらしたデータで精度を検証しています。

設計3：UIプロトタイプをPoCと同時に作る

PoCの2週目あたりから、簡易的なダッシュボードやアラート画面のモックアップを現場に持ち込みます。すると「ここにアラートが欲しい」「判定理由を日本語で出してほしい」といったフィードバックが返ってくる。このフィードバックこそ、「使われるAI」を作る最も貴重な情報です。

設計4：運用体制とモデル維持の仕組みをPoCの"前"に決める

PoCを始める前に、以下を関係者間で握っておきます。

１. 本番運用の責任部署

２. モデルの精度監視と再学習の担当者・頻度

３. 障害時の対応フロー

４. 年間の運用コスト予算枠

AIモデルは本番に入った瞬間から、素材ロットの変更や設備の経年劣化、季節変動などで精度が少しずつ低下します（モデルドリフト）。「誰が」「いつ」再学習をかけるかを最初から決めておかないと、半年後に「使い物にならない」と言われます。

設計5：PoCの成果を「経営の言葉」に翻訳する

技術者向けとは別に、経営者向けのROI資料を必ず作成します。

「桁感」が合っていれば経営判断の材料としては十分です。逆に、この翻訳ができなければ、どんなに精度が高くても経営会議は通りません。

「PoC止まり」が起きる根本的な原因は、PoCと本番運用を「別のプロジェクト」として捉えていることにあります。

PoCは「お試し」ではありません。 本番運用の最初の一歩として設計されるべきものです。

第1回で語った「AIと人間の共存」も、第3回で書いた「導入前の5つの問い」も、すべてはこの一点に集約されます。PoCの段階から「現場で使い続けるとはどういうことか」を想像し、データ基盤、UI、運用体制、経営指標への接続まで含めて設計する。

「PoC止まり」を防ぐ最も確実な方法は、PoCの設計段階で「止まりようがない」構造を作っておくことです。

もし今、PoCの先に進むべきか迷っている方がいらっしゃれば、ぜひ一度お話しさせてください. 私たちは、PoCだけを納品して終わる会社ではありません。「PoCから本番運用まで、一気通貫で伴走する」 ことを、HIIIの基本としています。

お問い合わせは右上「無料相談」から、お気軽にどうぞ。