『精度99%』に踊らされる前に — 中小製造の画像認識AI品質検査は、カメラと現場合意で決まる

このホワイトペーパーで分かること

• 外観・寸法・異物・組立の検査4タイプ別に、画像認識AIが「できる／できない／条件付きでできる」を判定する5基準
• 中小工場の物理制約（スペース・粉塵・水濡れ・温度・既存ライン）に合うカメラと照明の標準設計
• 検査員の役割転換と誤検出時の責任所在を、労使協議で合意できる「3つの約束」テンプレート
• PoC死を避ける Phase 1〜3 の段階導入と、各 Phase の撤退ラインの書き方
• 経営会議に持参する「稟議用1ページサマリー」の構成と、ROI を金額ではなく「時間×点数×班数」で見せる方法

対象読者

• 食品（加工食品・冷凍食品・飲料・菓子）の中小製造業で、外観検査と異物検知の人手不足が生産能力の天井になっている品質保証責任者
• 自動車部品・電子部品・精密機械の中小製造業（従業員80〜500名規模）で、画像認識AIの導入を検討するが稟議が止まっている生産技術責任者・工場長
• AI ベンダーから「精度99%」の提案を受けたが、現場運用に耐えるかを経営層に説明できずにいる製造部長
• 画像認識AIの PoC を一度失敗した、または途中で頓挫し、次は失敗できない局面にいる経営層（製造業出身の代表・専務）
• 熟練検査員の高齢化と若手定着難で、夜勤シフトが組めなくなりつつあるラインを抱える工場長

このWPの結論（Executive Summary）

課題と緊急性

中小製造業の品質検査工程は、熟練検査員の高齢化と若手定着難で夜勤シフトが組みにくくなり、生産能力の天井を作り始めている。一方、AI ベンダー提案の「画像認識AI で精度99%」を経営層に説明する根拠が用意できず、稟議が止まる事例が増えている。画像認識AIの実装難易度はここ数年で下がったが、中小工場で導入が進まない一次原因は技術ではなく、物理設計と合意形成という非技術領域にある。

アプローチ

画像認識AI品質検査の導入判断を、(1) 検査タイプ別の現実線、(2) ハードウェアと環境の標準設計、(3) 検査員との合意形成プロトコル、(4) 段階導入の撤退ライン、の4軸に分解する。AI の精度議論はこの4軸を決めた後の副次論点として扱う。

主要発見

1. 画像認識AI品質検査の失敗のほとんどは「精度不足」ではなく、「カメラと照明が現場運用に耐えなかった」または「検査員の納得が取れなかった」に分類できる
2. ベンダー提案の「精度99%」は実験環境の数値。中小工場の実運用では照明変動・粉塵・振動・製品個体差で精度が大きく目減りする例が業界で報告されている
3. 外観・寸法・異物・組立の4検査タイプは AI 適用難易度が異なる。寸法と定型異物は比較的入りやすく、微細欠陥の外観検査と組立工程は最も難しい
4. 検査員の役割転換は「人を AI に置き換える」ではなく「人は AI の確信度が低い案件と最終判断に集中する」設計が現場合意を取りやすい
5. PoC 死を避ける鍵は「PoC を名乗らないこと」。Phase 1 から本番ラインの1区画に組み込み、撤退ラインを稟議に書き込む

目次

1. 検査人手不足が生産能力の天井になる構造
2. 検査4タイプとAI適用難易度 — 外観／寸法／異物／組立
3. 画像認識AIの「できる／できない／条件付き」5判定基準
4. カメラ・照明・配置の標準設計 — 中小工場の物理制約に合わせる
5. データ収集とアノテーション運用 — 初期データを誰がどう集めるか
6. 検査員との合意形成 — 役割転換と誤検出責任の3つの約束
7. 段階導入の設計 — PoC死を避ける Phase 1〜3
8. ROI試算と稟議 — 金額換算より「時間×点数×班数」で見せる
9. 失敗事例 — 過剰精度要求／環境変動無視／オペレーション設計不在
10. 稟議用1ページサマリー — 経営会議に持参する5項目構成
11. 次のアクション — 30分でできる検査工程ボトルネック棚卸し

1. 検査人手不足が生産能力の天井になる構造

中小製造業の検査工程は、もはや「人を採れば解決する」局面を越えている。熟練検査員の引退時期と若手定着難が重なり、検査人員が前後工程の能力を律速し始めている。

検査工程の人員構造は、専任10〜40名の2〜3交代制が中心になる。夜勤シフトに熟練を割り当てられないと、不良率が昼勤と夜勤で揺れる。これが生産計画そのものを揺らす。

経済産業省と厚生労働省の公表する人手不足関連の統計では、製造業の生産工程従事者の有効求人倍率がここ数年高止まりしていることが繰り返し報告されている（出典：経済産業省「ものづくり白書」、厚生労働省「労働市場分析レポート」各年版）。中小製造の検査工程は、この影響を最も強く受ける位置にある。

問題の本質は人数ではない。熟練検査員の頭の中にある検査基準が、組織に蓄積されないまま退職で持ち去られる構造にある。

検査基準の属人化が進むと、特定の検査員が休んだ日に歩留まりが落ちる。経験的には、夜勤と昼勤で同じ製品の不良判定率が数pt違うラインも珍しくない。

ボトルネックが検査工程に固定化すると、前工程の在庫が膨らみ、後工程の出荷タイミングがずれる。検査だけの問題に見えて、生産システム全体の柔軟性を奪っている。

ここで「AI で人を置き換える」発想は、現場合意の段階で必ず行き詰まる。検査員が自分の代替として AI を見た瞬間、データ提供も役割転換も止まる。

採るべき発想は逆向きになる。AI を「定型・大量・短時間」に充て、人は「確信度が低い案件のレビュー」「例外パターンの判定」「最終出荷判定」に集中させる。

この設計だと、検査員の役割は奪われるのではなく上がる。経営側も「人を減らす」ではなく「天井を外す」と説明できる。本WPの後半（章6）でこの合意形成プロトコルを具体化する。

2. 検査4タイプとAI適用難易度 — 外観／寸法／異物／組立

「品質検査をAIに任せたい」という議論は、検査タイプを分けない限り進まない。画像認識AIは単一の技術ではなく、対象によって適用難易度が大きく異なる。

中小製造の検査現場で扱われる検査は、大きく4タイプに分けられる。外観検査・寸法検査・異物検知・組立検査である。それぞれ AI で扱える条件と難所が違う。

外観検査は、傷・打痕・色ムラ・印字欠けを見る検査。明らかな大きい欠陥は比較的入りやすく、見逃すと致命的な微細欠陥は最難関になる。1mm未満の欠陥は撮像段階での難易度が一気に上がる。

寸法検査は、長さ・幅・厚み・穴径などの数値検査。標準化しやすく、AI 適用の難易度は4タイプの中で最も低い側に入る。ただしμm単位の精度要求は別物で、専用の計測機が要る領域になる。

異物検知は、金属片・毛髪・破片・気泡などの混入検出。食品・医薬品で必須で、検出対象が固定的なら入りやすい。一方、異物の種類が広い領域は学習データの確保が課題になる。

組立検査は、部品の有無・向き・組み合わせ・配線の通りを見る検査。物体検出と論理判定の組み合わせで、4タイプの中で複雑度が最も高い。電子部品の基板実装や自動車部品のハーネス組立がここに入る。

中小製造の場合、最初に置く検査工程は右下の象限から選ぶのが定石になる。寸法や定型異物のような「検出対象がはっきりしていて、データ標準化が効く」工程である。

外観の微細欠陥と組立は左上の象限で、Phase 1 の候補にはしない。データ準備と運用設計に時間がかかり、PoC 死を起こしやすい組み合わせだからである。

ベンダー提案を受けた際、まず最初に確認すべきは「自社の検査がこの4タイプのどれにあたるか」になる。提案書がこの分類なしで一括りに「画像認識AI品質検査」と書いているなら、その時点で粒度が粗い。

3. 画像認識AIの「できる／できない／条件付き」5判定基準

自社の検査対象が画像認識AIで扱えるかどうかは、5つの基準でスコア化できる。ベンダー任せにせず、生産技術側で判定する作業を Phase 1 の前に置く。

5基準は、検出対象の物理特性／データ量／環境変動度／既存ライン制約／コスト感の5つで構成する。各基準を1〜5点で配点し、合計でフェーズ判定する。

各基準を1〜5点で配点する。合計17点以上を「Phase 1 候補」、12〜16点を「Phase 2 以降」、11点以下を「現時点では見送り」とするテンプレを用意した。

このスコアシートは、生産技術担当が30分の現場ウォークで単独で埋められる粒度に設計してある。経営層への説明資料にもそのまま使える。

ここで重要なのは、5基準のうち1つでも1点が混じれば、合計点が高くても Phase 1 候補から外す判断を入れることである。最弱点が失敗を生む。

特に環境変動の基準は要注意になる。実験室で精度が出ても、夏冬の温度差や昼夜の照明差で精度が大きく落ちる事例が業界で繰り返し報告されている。

物理特性の基準と環境変動の基準が両方とも低いラインに、最初の投資をするのは推奨しない。Phase 1 で確信を作る目的に合わない。

このスコアシートをベンダー提案の評価軸として使うと、提案書の中身が「精度の数字」ではなく「条件の現実性」で読めるようになる。

4. カメラ・照明・配置の標準設計 — 中小工場の物理制約に合わせる

画像認識AIの精度は、AI モデル単体ではなく前段のカメラと照明で決まる。経験的には、精度の8割が撮像段階で決まり、AI で取り返せる部分は限定的である。

中小工場の物理制約（スペース・粉塵・水濡れ・温度・既存ライン）を満たす標準設計のパターンを持っておくと、ベンダー提案を中立に評価できる。

カメラ選定の第一軸は、エリアカメラ／ラインスキャンカメラ／3Dカメラの使い分けになる。静止または低速ラインはエリア、高速ラインはラインスキャン、寸法と形状の同時取得は3Dが基本になる。

解像度と画角はトレードオフの関係にある。1mm の欠陥を見るなら、最低でも0.1mm 程度を1画素で表現できる撮像系を組む必要がある。視野が広いと欠陥が画素に埋もれる。

照明設計はカメラ以上に成否を分ける。同軸照明は鏡面反射を抑え、ドーム照明は影をなくし、バックライトは輪郭を出し、ストロボは高速ラインで瞬間を切り取る。

検査対象別の標準パターンとして次の表が参考になる。傷検査は同軸、印字検査はドーム、シルエット系はバックライト、というのが定石になる。

既存ライン後付けの制約はもう一段重い。天井高・ライン幅・電源容量・LAN配線・PLC連携の5項目を、ベンダー提案の前に自社で計測しておく。

ベンダー提案を評価する際、提案書に書かれていない次の5点を必ず質問する。①夏冬の温度差での精度変動データ、②粉塵環境の試験結果、③カメラと照明の保守頻度、④ライン速度上限、⑤既存PLCとの連携実績である。

これら5点に明確な答えがない提案書は、Phase 1 を一緒に組む相手としては早すぎる。標準設計のパターンを持っている側の提案を選ぶ。

5. データ収集とアノテーション運用 — 初期データを誰がどう集めるか

画像認識AIの学習には不良サンプルの画像が必要になる。ところが、不良発生率が低い工程ほど不良画像が集まらないという構造的なジレンマがある。

このジレンマを Phase 1 の前に解く運用設計が、データ収集→アノテーション→学習→検証の4ステップである。各ステップで「誰が何をするか」を文書化する。

データ収集の方法は4通りある。過去画像のかき集め、意図的に不良品を流す、海外拠点や別ラインからの転送、合成データの組み合わせ。最初は過去画像と意図的不良の組み合わせが現実的になる。

合成データはここ数年で実用度が上がってきたが、検証データには使わない原則を最初に置く。学習補助には使えても、本番精度の指標には実画像が要る。

アノテーション（画像へのラベル付け）の担い手は、熟練検査員と外注サービスの選択になる。経験的には、最初の数百枚は熟練検査員、それ以降は外注とのハイブリッドが運用に乗りやすい。

学習はベンダーモデルへの追加学習を基本にする。中小工場での自社学習基盤の構築は、運用負荷とリスクの両面で初期段階には推奨しない。Phase 3 以降で検討する。

検証は並行運用で測る。新ラインに導入する場合も、最初の数週間は人と AI の両方で同じ製品を判定し、判定の不一致を必ず人が確認する。

ここで「初期データ100枚で十分」というベンダー説明を鵜呑みにしない。不良パターンの多様性・環境変動・製品個体差を考えると、定型異物以外で100枚は基本的に足りない。

アノテーション工数の見積もりは、1枚あたり所要時間×必要枚数で算出する。傷の輪郭を細かく囲うアノテーションは1枚あたり数分かかり、数千枚の積算で人月規模になる。

検査員をアノテーター兼最終判断者に役割転換する設計は、章6 の合意形成と連動して組む。「自分が AI を育てる」という関与の作り方が、現場の納得を作る最短ルートになる。

検査画像の取り扱いには、検査員の手元や顔が映り込む場合の個人情報配慮も必要になる。クラウドに上げる場合の顧客との秘密保持契約への影響も、Phase 1 の前に法務と確認する。

6. 検査員との合意形成 — 役割転換と誤検出責任の3つの約束

画像認識AI品質検査の最大の障害は、技術ではなく心理的抵抗である。「人を AI に置き換える」と一度でも説明すると、現場合意は崩れる。

抵抗の典型は3パターンに収束する。「自分の仕事が奪われる」「AI の誤検出を自分が責められる」「機械に従わされる屈辱感」の3つである。

役割転換の設計を逆向きに置く。AI は「定型・大量・短時間」を担い、人は「AI の確信度が低い案件のレビュー」「例外パターンの判定」「最終出荷判定」に集中する。

この設計だと、検査員の作業密度は下がるが意思決定の比重は上がる。経営側にとっては「天井を外す」、現場にとっては「判断業務に専念する」という相互に納得できる構図になる。

ただし設計だけでは合意にならない。労使協議事項として「3つの約束」を文書化することで、初めて現場が動ける状態になる。

労使協議で文書化すべきは、3つの約束に加え、検査画像・録画データの取り扱い範囲である。「画像を社外送信するか」「クラウドに上げるか」「個人作業評価に使うか」の3点を明示する。

経営層と現場代表者が最初に握る場面の設計も、合意形成の質を分ける。Phase 1 に入る前の段階で、経営層が自ら3つの約束を口頭で約束する場を1回作る。

この場面を作らずに導入を進めると、約束が文書だけになり信用が積まれない。経営層の出席を Phase 1 の必須前提に置く。

現場のキーパーソン特定も合意形成の鍵になる。検査工程で発言力のある熟練検査員1〜2名を Phase 1 の設計段階から巻き込み、「自分が AI を育てる」役割を与える。

この巻き込みができていれば、Phase 2 以降の水平展開時に、巻き込まれた検査員が他のラインに伝道する役割を果たすようになる。

7. 段階導入の設計 — PoC死を避ける Phase 1〜3

画像認識AI品質検査の PoC が死ぬ最大の理由は、「PoC を名乗ること」自体にある。PoC は責任者が曖昧で、撤退ラインが書かれず、本番との接続が設計されない状態を許してしまう。

採るべき方針は明快で、Phase 1 から本番ラインの1区画に組み込み、撤退ラインを稟議に書き込む。「PoC」という言葉を計画書から消す。

Phase 1 の対象工程は、章3 の5基準スコアシートで合計17点以上の工程に絞る。複数候補があっても1工程に集中する。スコープを広げると失敗確率が上がる。

各 Phase の撤退ラインは具体的に書く。たとえば Phase 1 の撤退ラインは「並行運用で精度が目標値に2回連続で達しない」「検査員からの抵抗報告が3回以上」「環境変動で精度が大きく目減りする」のうちいずれか1つで Phase 停止、というレベルである。

撤退ラインを稟議に書き込む効果は2つある。1つ目は、経営層が「この投資は止められる」と認識できる安心感。2つ目は、現場が「失敗を隠さなくていい」と動ける開放感である。

社内オーナーの確定も Phase 1 の前に置く。生産技術部門だけで進めると、品質保証や製造部門との連携が切れる。Phase 1 のオーナーは工場長か品質保証責任者にする。

Phase 2 への移行条件も明示する。並行運用で精度が目標値に達し、検査員の役割転換に現場合意が取れ、誤検出時の改善ループが回り始めた状態を3点セットで満たした時のみ Phase 2 に進む。

Phase 3 への移行条件はもう一段重い。Phase 2 で運用が安定し、データ統合の設計が見えており、他ラインへの伝道役の検査員が育っている状態が前提になる。

期間表現は「短期／中期／長期」または「Phase 1〜3」の幅で言う。「Phase 1 は3ヶ月で終わらせる」のように固定すると、撤退ラインの判断が形骸化する。

ナレッジ化の段階では、検査ノウハウと熟練検査員の暗黙知をドキュメント化する設計が要る。これはナレッジマネジメント基盤（B06・1〜2ヶ月）の領域に重なる。

Phase 3 まで進めた後の継続運用は、全社統合運用パッケージ（R16・継続）の枠組みで複数機能を横断的に回す形にしていく。

8. ROI試算と稟議 — 金額換算より「時間×点数×班数」で見せる

画像認識AI品質検査の ROI 試算は、金額換算に偏ると「投資回収◯年」議論に閉じ込められる。経営層が見たいのはそこではなく、事業継続リスクの低減である。

ROI の見せ方を3軸に分解する。検査工数の削減、歩留まり改善、属人化リスクの解消である。3つを並列に置き、金額換算は読者の社内レートで計算する前提に留める。

検査工数の削減は「時間×点数×班数」で表す。1班あたりの検査時間×1日の検査点数×日勤夜勤の班数で、月次の検査工数が出る。AI 適用で何時間圧縮できるかを比率で書く。

歩留まり改善は、不良見逃しによる客先返品の削減と、社内手戻りの削減の2軸で書く。客先返品は信用と金銭の両面でダメージが大きく、AI 検査の連帯責任で件数の安定化が見込める。

属人化リスクの解消は、「熟練検査員1名の退職で生産能力がXX%失われる」という現状リスクを、AI 検査の併用で緩和する説明になる。リスクの絶対値ではなく、リスクの分散を示す。

非金額の指標としては、検査工程の夜勤シフト解消（人）、検査速度（点／時間）、客先不良返品件数（件／月）、熟練検査員依存度（属人化スコア）の4つが稟議で通りやすい。

ROI 算出シートのテンプレを次に示す。社内レートと組み合わせて使う前提で、絶対額は書いていない。

「投資回収◯年」議論に陥らない見せ方の核は、最初の1ページに「事業継続リスクの低減」を置くことである。検査人手不足で工場が止まる未来の図と、AI 検査で天井が外れた未来の図を、並列で経営層に見せる。

出典付きの事例引用は、業界団体の公開資料や経済産業省「ものづくり白書」の事例集を参照する。自社事例がある場合は、固有名詞を伏せた形で定性的に引く。

数字を出す際は、「実験室の精度」と「現場運用の精度」を区別する。実験室の数値だけを稟議に書くと、後で説明責任が果たせなくなる。

9. 失敗事例 — 過剰精度要求／環境変動無視／オペレーション設計不在

画像認識AI品質検査の失敗は、技術精度の問題ではなく運用設計の問題である。3つの典型失敗パターンを、事前に予測して対策を組む。

パターン1は「過剰精度要求」になる。「精度99.9%でなければ稼働させない」と要求し、現実環境で達成できず PoC が永遠に終わらない。現場の併用運用が形骸化し、Phase 2 に進まない。

パターン2は「環境変動無視」になる。実験室で99%の精度が出ても、夏冬の温度差・昼夜の照明差・粉塵・振動で精度が大きく目減りする例が業界で繰り返し報告されている。

パターン3は「オペレーション設計不在」。誤検出時のフロー・責任所在・データ改善ループが未設計のまま本番投入し、誤検出が現場で「あの機械はダメ」と片付けられて改善されない。

3つの失敗は、技術力では防げない。Phase 1 の前段階で運用設計を握ったかどうかで勝負が決まる。

過剰精度要求への対策は、Phase 1 の目標精度を「並行運用での合格率」で握ることである。AI 単独で完璧に判定する必要はなく、人との併用で歩留まりが上がればよい。

環境変動への対策は、Phase 1 の検証期間に夏と冬の両方を含めることである。短期で結論を出すと、季節要因で精度が変動する設計の弱点を見逃す。

オペレーション設計の対策は、章6 の「3つの約束」と章7 の Phase 設計を Phase 1 の前にセットで決めることである。「精度95%」を信じるのではなく、「誤った場合に誰が・いつ・どう発見するか」を設計する。

3つの失敗パターンは、いずれも「精度」を中心に置いた瞬間に発生する。中心に置くのは「物理設計」と「合意形成」と「撤退ライン」の3つで、精度はその結果として現れる指標にする。

10. 稟議用1ページサマリー — 経営会議に持参する5項目構成

経営会議で稟議を通すための1ページ構成を、生産技術責任者・工場長が当日そのまま使える形でテンプレ化する。次の5項目構成で1ページに収める。

このサマリーは、本WPの結論章と各章の主要発見を経営層向けに圧縮したものになる。経営会議で5分のプレゼンに使える粒度に整えてある。

数字は「実験室の精度」ではなく「現場運用での見込み削減幅」で書く。たとえば「検査工程の月次工数を XX% 削減見込み」のように、率で書いて読者側の社内レートに委ねる。

事例は同規模・同業の事例を1〜2件引く。経営層は「ウチで同じことができるか」を最初に判断したい。大企業の事例だけで稟議を組むと、規模差で却下される。

次のアクションを「30分の棚卸し」「5判定基準スコア化」「Phase 1 工程の決定」の3段で書くと、経営層が「次の1週間で何をするか」が明確になる。

稟議の場で経営層が最も気にするのは、撤退ラインである。Phase 1 の撤退ラインを稟議書に明記しておくと、「止められる投資」として承認が下りやすくなる。

このサマリーをそのまま提出するか、自社の稟議書フォーマットに転記するかは社内ルールに従う。情報の構成順は変えない方が、経営層が読みやすい。

11. 次のアクション — 30分でできる検査工程ボトルネック棚卸し

本WPを読了した直後に取れる最短の一歩は、自社検査工程の30分セルフ診断である。生産技術担当が1名で実施でき、外部の関与は不要になる。

セルフ診断の手順は3ステップで構成する。検査工程の棚卸し、5基準スコアシートでの判定、3つの約束テンプレートの読み合わせ、の順で進める。

このセルフ診断の結果を持って、次の3階層の入口から自社にとっての最短の一歩を選ぶ。

情報継続：社内回覧用テンプレートの整備

本WPで使った「5判定基準スコアシート」と「3つの約束テンプレート」の社内回覧用版を整えていく。WP本体と合わせて社内合意形成の素材として使える。

疑似体験：30分の検査工程ボトルネック棚卸しセッション

生産技術担当1名と FULLFACT の対話形式で実施する。自社の検査工程の5基準スコア化と Phase 1 候補工程の仮選定をその場で完了し、経営会議への持ち帰り資料（稟議1pサマリーの下書き）を完成形で持ち帰れる。

直接対話：業務診断パッケージ（B01・1ヶ月）

検査工程を含む全機能の業務棚卸しと AI 適用領域の優先度可視化を一気に進める。検査工程に閉じず、製造・品質保証・生産技術の隣接領域まで広げて診断する。

検査画像データと製造実績データの統合基盤を後段で構築する場合は、データ基盤／BI構築（B07・1〜2ヶ月）の枠組みで設計する。検査ノウハウのナレッジ化は、ナレッジマネジメント基盤（B06・1〜2ヶ月）が後段の継続フェーズになる。

複数機能の継続運用に進む場合は、全社統合運用パッケージ（R16・継続）で営業・マーケ・CS・バックオフィスを横断的に回す体制を作る。製造業の場合は、品質検査の運用とデータ基盤の運用を統合する位置づけになる。

---

まとめ

1. 画像認識AI品質検査の成否は、AIの精度ではなく「物理設計」「合意形成」「段階導入の撤退ライン」で決まる。精度議論は4軸を決めた後の副次論点として扱う
2. 検査4タイプ（外観／寸法／異物／組立）のうち、最初に置くのは右下象限（低難度×高標準化）の工程。寸法と定型異物が Phase 1 の有力候補になる
3. カメラと照明の標準設計は、精度の8割を撮像段階で決める。ベンダー提案を中立に評価するため、自社で標準パターンを持っておく
4. 検査員との合意形成は「3つの約束」で文書化する。役割転換を「人を AI に置き換える」ではなく「人は判断業務に集中する」で説明する
5. Phase 1 から本番ラインの1区画に組み込み、撤退ラインを稟議に書き込む。「PoC」という言葉を計画書から消す

---

次のステップ：30分の検査工程ボトルネック棚卸しを社内で1回実施し、5判定基準スコアシートで Phase 1 候補工程を1つ選ぶ。

そのうえで、業務診断パッケージ（B01・1ヶ月）で検査工程を含む全機能の棚卸しと AI 適用領域の優先度可視化を進める。

検査画像データと製造実績データを統合する基盤としてデータ基盤／BI構築（B07・1〜2ヶ月）、検査ノウハウのナレッジ化としてナレッジマネジメント基盤（B06・1〜2ヶ月）が後段で接続する。

複数機能の継続運用は全社統合運用パッケージ（R16・継続）の枠組みで回す。製造業の場合は、品質検査の運用とデータ基盤の運用を統合する位置づけになる。