
電気回路図面のAI活用|読み取り・検索・修正・見積業務の支援を解説
2026-11-15歩留まりが悪い原因と改善方法|4Mの切り分けとAI活用

歩留まりとは、製造工程に投入した材料や製品の数量に対して、良品として得られた数量・割合を示す指標です。数量ベースの場合は、良品数を投入数で割って求めます。
歩留まりが悪い状態が続くと、不良品に使った材料費や加工費に加え、手直しや再検査の工数も損失として積み上がります。
最終検査を強化すれば出荷前に不良は止められますが、不良そのものが減るわけではありません。
歩留まりが悪い原因は、人・設備・材料・方法の4M、測定・設計のいずれかにあり、原因を特定して最適な打ち手を選べば改善できます。
近年は、原因特定や打ち手の実行を、AIで加速させる取り組みも広がっています。
歩留まりが悪い主な原因|人・設備・材料・方法・測定・設計
歩留まりが悪い原因は1つとは限らず、いくつかが重なって歩留まりを下げていることも少なくありません。
品質の変動要因を整理するときによく使われる4M(人・設備・材料・方法)に、測定と設計を加えた6つの切り口で見ると、原因の所在をつかみやすくなります。
原因ごとの見分け方もあわせて見ていきます。

手順やカンコツが標準化されておらず、作業ごとに品質がばらつくため
同じ作業標準があっても、作業者によって力の入れ具合や確認の順番が少しずつ異なることはよくあります。
とくに、溶接の手さばきや塗装の吹き付け、組立時の締め付けの感覚など、いわゆるカンコツに頼る工程ではその差が品質に表れやすくなります。
作業標準に書かれていないコツがあると、担当者が替わったときに品質が変わりやすくなります。
作業による違いが原因かどうかは、シフト別・ライン別に歩留まりを比べると見えてくることがあります。
▼カンコツ作業の属人化について詳しく知りたい方はこちら
カンコツ作業の「脱・属人化」と「継承」|生成AIで技術伝承を加速
設備の劣化や金型・治具の摩耗で、加工条件が少しずつずれるため
設備は、使い続けるうちに少しずつ状態が変わります。
刃物や金型の摩耗、治具の位置ずれ、温度制御の乱れ、配管の詰まりなどにより、設定値は同じでも実際の加工条件がずれていきます。
厄介なのは、この変化がゆっくり進むため、ある日突然不良が増えたように見えることです。
歩留まりの低下が設備の保全周期や部品交換のタイミングと重なっていないかを確認すると、原因の手がかりになります。
▼予知保全AIについて詳しく知りたい方はこちら
予知保全AI|設備保全を進化させる第三の選択肢を紹介!
材料ロットごとの特性の違いに、加工条件が合っていないため
材料は、規格の範囲内であっても、ロットごとに硬さや水分量、粘度、寸法などが微妙に異なります。
同じ加工条件で流しても、あるロットでは良品が出て、別のロットでは不良が増えることがあるのはこのためです。
材料が原因かどうかを確かめるには、ロット番号と歩留まりを結び付けて記録しておくことが前提となります。
作業標準が品種切替や工程変更に対応しきれていないため
多品種少量生産が進むと、段取り替えの回数が増え、品種ごとに加工条件や手順を切り替える必要が出てきます。
作業標準書が更新されていない、あるいは品種ごとの違いが十分に書かれていない場合、切替直後に不良が集中しやすくなります。
▼作業分析への生成AI活用について詳しく知りたい方はこちら
【2026年版】製造業における作業分析への生成AI活用
検査基準や測定器のばらつきで、良品を不良と判定しているため
見落とされがちなのが、測定や検査そのもののばらつきです。
測定器の校正がずれていたり、目視検査の判断が検査員によって異なったりすると、本来は良品のものまで不良と判定されることがあります。
この場合、製造工程に問題がなくても、数字の上では歩留まりが悪く見えてしまいます。
▼目視検査の問題点について詳しく知りたい方はこちら
目視による外観検査の問題点と生成AIによる解決策を徹底解説
設計の公差や形状が、設備で安定して出せる精度に合っていないため
不良の原因をたどると、製造現場ではなく設計に行き着くこともあります。
たとえば、図面で求める公差(許される寸法のずれの幅)が、設備や工程で安定して出せる精度より厳しい場合、製造の条件をどれだけ整えても一定の割合で規格外品が出てしまいます。
加工や組立がしにくい形状、作業者の手が届きにくい部品配置なども、不良を生みやすい設計の例です。
過去に別の製品で起きた不具合の教訓が、新しい設計に生かされていないケースも見られます。
現場の改善を重ねても歩留まりが上がらない場合は、設計の要求と、設備で安定して出せる精度が合っているかを確かめる必要があります。
原因別に見る、歩留まりの改善方法
打ち手を選ぶ前に、損失の大きい工程と不良を見極めておくと、限られた人手と予算で改善の効果を大きくできます。
まずは不良の種類ごとの件数や損失額を集計し、多い順に並べた棒グラフと累積比率を組み合わせたパレート図で、優先して改善する工程や不良を絞り込みます。
そのうえで特性要因図やなぜなぜ分析を使って原因が4Mと測定、設計のどこにあるかを確かめ、次の打ち手から選んでいきましょう。
作業のばらつきには、作業標準の見直しとポカヨケで対応する
作業による違いが原因なら、まず品質が安定している作業と、ばらつきが出ている作業を比べます。
どの動作や確認の差が品質に効いているのかを突き止めるのが、最初の一歩です。
作業を動画で撮影して並べると、言葉にしにくいカンコツの違いも見えやすくなります。
見つかった差は作業標準書に書き加え、写真や動画を使った手順書にしておくと、誰が作業しても同じ手順をたどりやすくなります。
注意深い作業で防いでいる部分は、ポカヨケ(作業中に取り違えなどが起きても不良が生まれない、または次工程に流れない仕組み)に置き換えるのが確実です。
部品の向きを間違えると取り付けられない治具や、締め付けが足りないと次の工程に進めないセンサーなどが代表例といえます。
▼動画マニュアルによる作業標準の浸透について詳しく知りたい方はこちら
【2026年版】製造業における生成AIを活用した動画マニュアル作成
設備の劣化には、SPCと予防保全で変化を早くつかむ
設備や金型・治具の摩耗が原因なら、壊れてから直すのではなく、変化を早めにつかむ仕組みが要ります。
基本となるのが、製品の寸法や重量などの測定値を管理図に記録し、工程が普段と違う動きをしていないかを統計的に監視するSPC(統計的工程管理)です。
米国国立標準技術研究所(NIST)の統計ハンドブックでも、工程を監視・管理し、是正が必要なときに知らせるための手法として整理されています。
規格を外れる前の小さな変化の段階で手を打てるのが、SPCの大きな利点です。
測定値が規格内でも一方向に少しずつずれ続けていれば、工具や金型の摩耗を疑うきっかけになります。
あわせて、工具や金型の交換時期を使用回数や加工数で管理し、点検の周期を歩留まりの推移と照らして見直すと、劣化による不良を減らしやすくなります。
▼SPCを使った工程内不良の削減について詳しく知りたい方はこちら
製造業における工程内不良の削減方法|SPC・根本原因分析のAI活用
材料ロットの違いには、ロット管理と加工条件の調整で対応する
材料が原因なら、ロット番号と歩留まりを結び付けて記録し、どのロットで不良が増えたのかを追えるようにすることが出発点です。
受入検査で硬さや水分量など品質に効く特性を測っておけば、ロットごとの違いを加工の前に把握できます。
違いが規格内でも不良につながる場合は、ロットの特性に応じて加工条件を調整する基準を決めておくとよいでしょう。
品種切替時の不良には、実験計画法で条件を決め直す
品種切替や工程変更に作業標準が対応しきれていないなら、品種ごとの最適な加工条件を改めて決め直す必要があります。
条件を1つずつ変えて試すやり方では、要因が増えるほど試行の回数が膨らみ、要因同士の影響の掛け合わせも見落としがちです。
そこで使われるのが実験計画法(DOE:1つ以上の要因を計画的に変え、結果への影響を効率よく調べる手法)です。
実験計画法を使うことで、試行回数を抑えながら、歩留まりに影響する要因や要因同士の組み合わせを分析し、より適切な加工条件を検討できます。
決めた条件は品種ごとの作業標準と設備の設定値に反映し、段取り替えのたびに確認する手順を組み込んでおくと、切替直後の不良を抑えやすくなります。
参考記事:NIST/SEMATECH e-Handbook of Statistical Methods, 5.1.1. What is experimental design?(NIST)
▼プロセスインフォマティクスについて詳しく知りたい方はこちら
生成AIでプロセスインフォマティクスを加速
測定のばらつきには、検査基準の統一と測定器の点検で対応する
検査や測定のばらつきが疑われるなら、工程に手を付ける前に、測る仕組みそのものを確かめます。
同じ製品を複数の検査員や測定器で繰り返し測り、測定のばらつきの大きさを調べる手法は、ゲージR&R(測定の繰り返し性と再現性の評価)と呼ばれます。
目視検査では、良品と不良の境目を示す限度見本を用意し、判定の基準を検査員の間でそろえることが欠かせません。
測定器も定期的に校正し、ずれがないかを確認しておきます。
測定のばらつきを取り除くだけで、本来は良品だったものが正しく良品と数えられ、歩留まりが改善することもあります。
参考記事:NIST/SEMATECH e-Handbook of Statistical Methods, 2.4. Gauge R & R studies(NIST)
設計起因の不良には、製造部門を交えた設計レビューで対応する
設計に原因がある場合は、現場の条件を変えるだけでは解決しません。
まず、量産で得られた寸法などのデータから工程能力指数(Cpk:工程のばらつきに加えて、平均が規格の中心からどれだけ寄っているかも織り込み、工程が規格を満たす能力を示す値)を求め、図面の公差に対して工程にどれだけ余裕があるかを設計部門と共有します。
そのうえで、機能に影響しない範囲で公差を見直したり、加工や組立のしやすい形状に変えたりすることを検討します。
新しい製品では、設計レビューに製造や品質の担当者も加わるとよいでしょう。
作りやすさを考慮した設計(DFM:Design for Manufacturability)になっているかを、量産前に確かめておくことが大切です。
公差や形状の見直しを量産前に済ませておくほど、立ち上げ時の歩留まり低下を抑えやすくなります。
参考記事:NIST/SEMATECH e-Handbook of Statistical Methods, 6.1.6. What is Process Capability?(NIST)
歩留まり改善へのAI活用|設計、検査、予兆検知、原因特定、条件最適化
従来の歩留まり改善は、原因の切り分けが熟練者の経験に頼りやすく、取ったデータも改善に活かしきれないという壁に突き当たりがちでした。
AIは、人が見きれない量のデータを同じ基準で扱い、散らばった記録を横断して引き出せるため、こうした壁を越える手段になります。
設計、検査、予兆検知、原因特定、条件最適化の5つの場面ごとに、従来のやり方の限界と、AIで改善できる理由を見ていきます。

設計段階で、量産時に不良を生みやすい要因をAIで洗い出す
原因の章で触れたとおり、歩留まりが悪い原因は設計の段階で生まれていることもあります。
従来の設計レビューでは、こうした懸念に気づけるかどうかが、担当者の経験や、過去の不具合資料を手作業で探し出せるかどうかに左右されがちでした。
その結果、量産試作に入ってから問題が見つかり、設計の手戻りや立ち上げ時の歩留まり低下につながることがあります。
生成AIは、過去の不具合報告書や設計変更の履歴、工程能力(設備や工程が安定して出せる精度)に関する記録を横断して読み、検討中の設計に似た過去の事例を探し出せます。
設計レビューの時点で「似た形状や構造で、過去にどんな不良が起きたか」をAIが示せば、量産前に設計や工程の条件を見直す判断がしやすくなります。
▼生成AIによる設計最適化について詳しく知りたい方はこちら
【2026年版】生成AIで進化する製造業の設計最適化
外観検査AIで、目視のばらつきを抑えて不良を早く見つける
原因の章で触れた目視検査の判定のばらつきは、限度見本や教育で抑えても、人の目に頼る限り残ります。
外観検査AIは、カメラで撮影した製品の画像から、傷や汚れ、欠け、変形などを判定する仕組みです。
大量の画像から良品と不良の特徴を学び、同じ基準で判定を続けられるため、人による判定のばらつきを抑えられます。
不良の種類や発生した位置、時刻も記録として残るため、どの工程で何が起きているのかを分析する材料にもなります。
▼AIによる外観検査について詳しく知りたい方はこちら
AIによる外観検査|目視検査との違いや成功事例も解説
設備センサーの時系列データから、異常の兆候を検知する
改善方法の章で紹介したSPC(統計的工程管理)では、管理図などを使って工程の変化を監視します。ただし、複数のセンサーデータが複雑に関係する異常については、従来の単一項目を中心とした監視だけでは捉えにくい場合があります。
設備に取り付けたセンサーからは、温度や振動、電流、圧力などのデータが時間の流れに沿って記録されます。
AIは、こうした時系列データ(時刻ごとに連続して記録されたデータ)を継続的に分析し、複数の項目の組み合わせから、正常時のパターンとは異なる変化を検知できます。
こうした異常の兆候を早期に捉えることで、不良の発生や設備故障を未然に防ぐための対応につなげられます。
従来のSPCや定期点検と組み合わせることで、設備の状態をより多角的に把握し、予防保全や予知保全に役立てることができます。
▼異常検知AIについて詳しく知りたい方はこちら
異常検知AIとは|メリット・活用事例・技術情報を徹底解説
過去の不具合記録を生成AIで検索し、原因の候補を絞り込む
不良が増えたとき、「この症状ならあの設備が怪しい」と当たりをつけられるのは、多くの場合ベテランの技術者です。
その判断の根拠は記録に残りにくく、不具合の報告書も部署ごとに保管されているため、ベテランが不在だと原因の特定に時間がかかり、同じ不良が別の工場で再発することもあります。
生成AIは、報告書や対策書、保全記録、作業日報といった形式の異なる文書を横断して読み、文章での質問に答えられます。
「この症状の不良は、過去にどんな原因で起きたか」と尋ねるだけで、関連する記録と原因の候補を示してくれるため、経験年数にかかわらず、誰もが過去の知見にたどり着けます。
研究の分野でも、半導体の故障解析で、言語モデルを使って根本原因にたどり着くための解析手順の候補を生成する研究が報告されており、専門家の想定に近い出力が得られたとしています。
もちろん、AIが示すのはあくまで候補であり、最終的な判断は技術者が現物とデータで確かめることが前提です。
▼ナレッジマネジメントへのAI活用について詳しく知りたい方はこちら
製造業におけるナレッジマネジメントへのAI活用戦略
不良につながる条件を機械学習で特定し、加工条件を見直す
設備の稼働データや検査結果を記録している工場は増えていますが、それらを十分に改善へ活かせているとは限りません。
経済産業省の「2026年版ものづくり白書」によると、一連の製造プロセスのデータを取得している事業者は66.0%にのぼる一方、データの活用によって効果を得られた事業者は43.9%にとどまります。
データの活用にはさまざまな課題がありますが、その一つが、数多くの加工条件と品質の関係を把握する難しさです。
加工条件が数十から数百項目にのぼる場合、人が一つひとつ調べるだけでは、複数の条件が組み合わさって生じる影響を十分に捉えられないことがあります。
機械学習は、多数の加工条件と検査結果の関係を同時に分析し、不良の発生と関連の強い条件を絞り込むために活用できます。
射出成形を対象にした研究論文では、機械学習を使って良品と不良品を予測し、不良の発生と関連する工程条件や、不良率が低い製品に共通する条件の範囲を分析しました。
過去のデータから、機械学習が提案した管理範囲内に収まる製品を抽出したところ、元データの不良率1.00%に対し、抽出された製品群の不良率は、使用したモデルによって0.21%、0.13%でした。
ただし、これは過去のデータを用いた検証結果であり、実際に加工条件を変更して工場全体の不良率を改善したものではありません。機械学習によって品質と関連する条件を把握し、加工条件の見直しに役立てられる可能性を示した研究といえます。
こうした分析を行うには、製品ごとの材料、設備、加工条件と検査結果を結び付けて記録することが重要です。
参考記事:
- 2026年版ものづくり白書(概要)(経済産業省)
- Enhancing the Product Quality of the Injection Process Using eXplainable Artificial Intelligence(arXiv, 2025)
▼金型設計・射出成形へのAI活用について詳しく知りたい方はこちら
製造業の金型設計|生成AIで進化する設計最適化と射出成形制御
海外の製造業に見るAIによる歩留まり改善の事例
海外では、AIを使って歩留まりやスクラップを大きく改善した工場が出てきています。
ここでは、世界経済フォーラム(WEF)が先進的な工場として選ぶ「グローバル・ライトハウス・ネットワーク」から、歩留まりに直結する成果を挙げた3つの工場を紹介します。
数値はいずれも各工場の報告値です。
UMCの半導体工場|AIによる欠陥解析で歩留まりを97%に
台湾の半導体メーカーUMC(United Microelectronics Corporation)は、最大の生産・研究開発拠点である台南の工場で、48以上のデジタル活用の取り組みを進めました。
その1つが、AIによる欠陥解析システムです。
半導体の製造では、ウエハー上の欠陥がどの工程で生じたのかを突き止めることが、歩留まり改善の鍵を握ります。
WEFの発表によると、このシステムは歩留まりを97%まで高めることに寄与しました。
ロシュの原薬工場|歩留まりのばらつきを60%抑制
スイスのロシュ(F. Hoffmann-La Roche)は、バーゼルの原薬工場でデジタル技術とAIを使った取り組みを導入し、歩留まりのばらつきを60%抑えました。
原薬のようにバッチ(1回に製造する単位)ごとに作る製品では、収率のばらつきが大きいほど、生産計画やコストの見通しが立てにくくなります。
歩留まりの平均値を上げるだけでなく、ばらつきそのものを小さくすることが、安定した生産につながる好例といえます。
GEヘルスケアの北京工場|スクラップを66%削減
GEヘルスケア(GE HealthCare)の北京工場は、26の生産ラインに45のデジタル活用の仕組みを導入しました。
AIによる欠陥検出やディープラーニングを含むデジタル技術の導入により、スクラップを66%削減し、顧客からの苦情も73%減少したと報告されています。
エムニの取り組みに見る、歩留まり改善への生成AI活用
エムニは、製造業に特化して生成AIの開発と現場への導入を支援しています。
重視しているのは、AIの技術そのものよりも、現場のデータや知見とAIをどうつなぐかという点です。
ここでは、歩留まり改善のつまずきやすい点に対応するエムニの取り組みを紹介します。
過去のトラブル記録や技術資料をチャットボットで検索する
原因の切り分けが経験頼みになりやすい課題に対し、エムニは社内の文書を検索できるチャットボットの開発に取り組んでいます。
自動車向け補修用部品の設計・生産に強みを持つサンケイマニュファテック様とのプロジェクトでは、15年分・約5,000件の技術データを活用したチャットボットを構築しました。
従来は、業務に慣れていない担当者が必要な資料を探すだけで半日以上かかることもありました。チャットボットの活用によって、こうした資料の検索時間を1時間程度まで短縮できると期待されています。
このように過去の技術資料や不具合情報にアクセスしやすくすることで、原因調査に必要な情報を探す負担を減らし、技術者が原因の分析や対策の検討に時間を使いやすくなります。
▼熟練技術の継承(技能伝承・チャットボット)の事例はこちら
熟練技術の継承に向けた生成AI活用
FMEAの作成をAIで支援し、不良を設計段階から防ぐ
設計や工程設計の段階で起こり得る不具合を洗い出す代表的な手法が、FMEA(故障モード影響解析:起こり得る不具合とその影響、原因をあらかじめ洗い出して評価する手法)です。
エムニは、過去の不具合情報や技術資料をもとに、AIがFMEAの叩き台を作成する取り組みを進めています。
前述のサンケイマニュファテック様とのプロジェクトでも、技術データを活用したFTA・FMEAのアシスタントツールを構築しました。
担当者はAIの叩き台を確認し、追記や修正をしながら最終版を仕上げることで、検討の抜け漏れを減らしつつ、評価の判断に時間を使えます。
▼生成AIによるFMEAの効率化について詳しく知りたい方はこちら
生成AIでFMEAを効率化|実運用に落とし込む戦略も解説
製造データを工程・ロット・設備条件と結び付けて整える
機械学習の前提となる、工程・ロット・設備条件のデータの結び付けは、AIを使う前に解決しておくべき土台の問題です。
エムニは、図面や帳票、設備のログなど形式も保存場所もばらばらな製造データを、品番・工程・ロット・設備・時刻などで関連付け、AIが継続して使える状態に整えることを重視しています。
データの意味や関連性を整理し、AIが継続的に活用できる状態にすることは、一般に「AI-Ready化」と呼ばれています。エムニでも、こうしたデータ整備を重視しています。
すべてのデータを一度に整えるのではなく、まずは歩留まり改善のように目的のはっきりした業務から必要なデータを整え、その土台を次の用途にも広げていく進め方をとっています。
▼データ分断など製造業の課題について詳しく知りたい方はこちら
2026年の日本の製造業の課題|AIエージェントが切り拓く生存戦略
歩留まり改善は、損失の大きい工程を測り、原因を切り分けることから始まる
歩留まりが悪い原因は工程ごとに異なり、効く打ち手も原因によって変わります。
原因を見極める段階から、製造・品質・設計の各部門が同じデータを見ながら進めると、打ち手の選択で迷いにくくなります。
AIは設計、検査、予兆検知、原因特定、条件最適化のそれぞれを支えますが、データを工程・ロット・設備条件と結び付けて初めて本来の力を発揮します。
まずは損失の大きい工程を1つ選び、原因を4M・測定・設計で切り分けて、正確に特定することから始めるとよいでしょう。
そのうえで改善対象工程のデータを整え、小さなデモやPoC(本格導入の前に小さく試して効果を確かめる取り組み)でAIの効果を確かめてから、ほかの工程へ広げていく進め方がおすすめです。
もし歩留まりが悪い工程で、どこからAIを使えばよいかわからない場合は、ぜひエムニにご相談ください。
エムニへの無料相談のご案内
エムニでは、製造業をはじめとする多様な業種に向けてAI導入の支援を行っており、100社以上の支援実績があります。

案件事例やエムニならではの強みが気になる方はぜひこちらの記事もお読みください。
開発パートナーを検討中の企業様へ

自社に最適なAI導入戦略や現場に定着させるまでの流れについて、疑問や不安をお持ちの方はぜひお気軽にご相談ください。




