結論から言う。検査員1人分のコストで、AIが24時間働く時代が来た

工場の目視検査に、年間いくら払っているか。

パート検査員1人、時給1,200円×8時間×250日＝年間240万円。2人体制なら480万円。それでも見逃しはゼロにならない。ヒューマンエラー率は一般的に0.5〜1%と言われる。100万個流せば5,000〜10,000個が「見逃し」か「過検出」。その手直しや顧客クレーム対応のコストは、表の数字には出てこない。

ここに来て、3つの技術が同時に揃った。Perceptronの工場向け視覚AIモデル、IBMのGranite 4.2（ローカル推論対応の軽量モデル）、Liquid AIのPipette（エッジデバイス上のモデル性能評価ツール）。いずれも「クラウドに繋がなくていい」「巨大GPUサーバー不要」という共通点がある。

問いはシンプルだ。この組み合わせで、町工場の検査ラインは本当に変わるのか？　いくらで、どこまでできるのか？

3つの技術が揃った意味——「小さいAI」の実用ラインを超えた

Perceptron：工場特化の視覚AI

Perceptronが提供するのは、工場環境に特化した視覚認識モデルだ。汎用的な画像認識AIとの違いは明確で、照明のばらつき、金属の反射、微細な傷といった「工場あるある」に最適化されている。重要なのは、このモデルがエッジデバイス（現場に置く小型コンピュータ）上で動作する設計になっている点。クラウドにデータを送る必要がない。

これが何を意味するか。検査画像を外部に送らなくていいから、取引先との秘密保持契約（NDA）を気にしなくていい。工場のネット回線が貧弱でも関係ない。そして、クラウド利用料が発生しない。

IBM Granite 4.2：ローカルで動く「判断するAI」

Granite 4.2は、IBMがApache 2.0ライセンスで公開した言語モデルだ。3B、8B、30Bパラメータの3サイズ展開。注目すべきは3Bと8Bモデルで、これらはNVIDIA Jetsonクラスのエッジデバイスでも推論が動く。

視覚検査AIとの組み合わせで何が起きるか。Perceptronが「これは傷か？」を判定し、Granite 4.2が「この傷のパターンは工程Aの金型摩耗が原因の可能性が高い。過去30日で同種の検出が15%増加」とレポートを生成する。検査だけでなく、原因推定と傾向分析まで現場で完結する。

これまでなら、こうした分析はクラウド上の大規模AIか、専門のデータサイエンティストに依頼する領域だった。月額数十万円のクラウドAPI費用か、年収600万円超の人材採用か。それが、ローカルの小型デバイスで回る。

Liquid AI Pipette：「どのデバイスで動くか」を事前に検証できる

Pipetteはオープンソースのベンチマークツールだ。手持ちのエッジデバイス上で、AIモデルの推論速度・精度・消費電力を計測できる。

地味に見えるが、中小企業にとってはこれが一番重要かもしれない。なぜか。「このAIモデル、うちの工場のPCで動きますか？」——この質問に、導入前に自分で答えられるからだ。SIerに見積もりを取って、検証費用50万円を払って、2ヶ月待って「スペック不足でした」と言われるリスクがなくなる。

損益分岐点を計算する——「何ヶ月で元が取れるか」

抽象論はここまでにして、具体的に計算する。

前提条件

比較対象：目視検査の現状コスト

損益分岐点

AI導入後の年間コスト：初期投資50万円＋月額5万円×12ヶ月＝110万円（初年度）、2年目以降は60万円/年。

目視検査との差額：初年度で220万円の削減。2年目以降は270万円/年の削減。

回収期間：約3ヶ月。

初期投資50万円÷月間削減額（約22万円）＝2.3ヶ月。3ヶ月目には黒字転換する計算だ。

もちろん、これは「検査員1名をまるごと置き換える」前提の最大値だ。現実には、AIの出力を人が最終確認する「半自動化」から始めるケースが多い。それでも、検査員の作業時間が半分になれば、年間165万円の削減。初期投資の回収は4ヶ月以内に収まる。

本当の価値は「コスト削減」の先にある

コスト計算は分かりやすいが、実は本質はそこじゃない。

24時間稼働できる。 人間の検査員は8時間が限界だ。AIは止まらない。夜間の無人運転ラインに検査工程を組み込めれば、生産量そのものが1.5〜2倍になる可能性がある。売上増のインパクトはコスト削減の比ではない。

属人化が消える。 「あのベテランじゃないと見分けられない」という傷の判定基準が、モデルの中にデータとして残る。人が辞めても、技術が消えない。

データが溜まる。 検査結果が自動で記録され、不良率の推移、時間帯別の傾向、金型ごとの劣化パターンが可視化される。これは目視検査では絶対に得られなかった資産だ。ISO監査の証跡にもそのまま使える。

中小企業が大企業に勝てる構造が生まれている

ここが一番伝えたいことだ。

大企業は、すでに数千万円〜数億円かけて検査システムを構築している。だからこそ、簡単には切り替えられない。既存システムとの整合性、社内稟議、ベンダーとの契約。動きが遅い。

一方、中小企業は「まだ何も入れていない」。だからこそ、最新の軽量AIをゼロから導入できる。50万円の初期投資と月5万円。社長の判断で来月から始められる。

これは、かつてクラウド会計が大企業のERPより先に中小企業に浸透したのと同じ構造だ。レガシーがないことが、最大の武器になる。

で、結局どうすればいいのか

3つのステップを提案する。

1. まずPipetteで検証する（コスト：ゼロ）。 オープンソースだ。手持ちのPCやデバイスで、視覚AIモデルがどの程度の速度で動くか試せる。ここで「うちのハードで動くかどうか」が分かる。

2. 1ラインだけ試す（コスト：50万円＋月5万円）。 全ラインに入れる必要はない。最も不良率が高い1ラインで、目視検査と並行運用する。1ヶ月もあれば、AIの検出精度と見逃し率のデータが取れる。

3. データで判断する（コスト：ゼロ）。 並行運用のデータを見て、展開するか撤退するか決める。感覚ではなく数字で判断する。

最初の一歩に必要なのは、数千万円の予算でも、AIの専門知識でもない。「試してみよう」という判断だけだ。

技術は揃った。価格も下がった。あとは、やるかやらないか。その差が、3年後の競争力を決める。

—