型を守るほど、見えていた仕事が消える
ichimatsu
How to 機械設計
AIを入れたら、AIに教える人が要りました
ichimatsu
AIが出した答えを『これは違う』と感じたことはないでしょうか。
計算はしてある。書式も整っている。それでも実物の挙動と合わない。AIにはこの違和感を感じることができません。違和感を感じられるのは経験を積んだ人間だけなのです。
経験を積んだ人間を減らしてAIを導入した結果、Fordが代償を払って学んだものは…。
900台のカメラが、見なかったもの
Fordは量産車の品質検査に900台規模のAI検査カメラを入れました。溶接の状態、部品の組み付け、内装の仕上がり。人が一台ずつ見ていた工程をカメラと画像判定に置き換えようとしたのです。そして実行しました。
検査工程はAIに置き換えられる。そんな風に思われがちな工程です。良品と不良品の画像を集めれば判定を学習させられる。合否の基準もはっきりしていて、人による差が出にくい。カメラを増やせば全数を見られるので、抜き取りより網も細かくなります。
でも、AIには経験を積んだ人間同等の働きはできませんでした。学習用に集めた画像にはそもそも写っていない、ベテランの検査員が触感や音、わずかな違和感で拾っていた欠陥があったのです。
カメラが判定できるのは画像に写る範囲までです。写らないものは良品と判断されます。
その後Fordが取った判断。それは350名のベテラン技術者を呼び戻すことでした。
呼び戻された350名がやったこと
呼び戻された350名の仕事は、欠陥を探すことだけではありません。
三つです。工場での欠陥検出、AIの再学習、量産に入る前の週次設計レビューです。
このうちAIの再学習がいちばんウェイトの高い仕事になりました。AIが見逃した欠陥を一件ずつ拾い、なぜ見逃したのかを分析し、学習データに足していく。それまでの検査員の仕事とは違います。AIに検査のやり方を教えることが仕事になったのです。
元々のAIを入れて人を減らすという計画には、導入したAIを育てて教えるというフェーズは入っていませんでしたが、Fordはこの必要性を身をもって学びました。
これは、J.D.パワーの2026年米国初期品質調査で結果として明確に残りました。Fordは2010年以来16年ぶりに主要ブランドの首位に立ち、車両100台あたりの不具合件数は前年から41件減りました。会社は品質向上の取り組み全体で、保証とリコールの費用を含めて今年10億ドルの効果を見込んでいます。
これはFordだけで起こった事例ではありません
Fordの件は個社の失敗談ではありません。同じ現象が業界規模で起きていました。
人材大手ロバート・ハーフの調査では、AIを理由に人を減らした企業のうち29%が同じ職務で再雇用しています。人材コンサルティングのキャリアマインズの調査では、AIで人を切った企業の3分の2が一部を戻していました。3社に1社は、削減で浮いた額より再雇用にかけた額のほうが大きくなっています。
調査会社フォレスターは2026年末までにAI由来の人員削減の半数が何らかの形で撤回されると予測しました。削減を決めた経営層の55%が、その判断を後悔したと回答しています。
個別の事例には、このようなものがあります。
・IBMは人事業務にAIを入れ、届いた依頼の94%を処理できました。しかし、残った6%には倫理的な判断を要するものが含まれていて、そこで全面自動化の限界が出ました。
・オーストラリア連邦銀行は40名超のカスタマーサービスをAI音声ボットに置き換えていました。しかし、実際の問い合わせの複雑さに対応できず、通話量が増えて削減を撤回しました。
AIでは足りないという判断をするまでに、多くの企業で6ヶ月から12ヶ月かかっています。AIが業務の6割をこなし、残りの4割ができないと分かるまで半年以上かかっているのです。
AIができなかった業務に共通する項目
FordのAIが見逃した欠陥、IBMに残った6%、連邦銀行がさばけなかった問い合わせ。この三つに共通するのは、判定の基準が文書になっていないことです。
Fordの検査員は音の違いから内部の異常を推定していました。どの音がどの状態に対応するかを、手順書の形で持っていたわけではありません。IBMで残った6%にも倫理的な判断が含まれています。基準を文書にできるものなら、はじめから自動化されていたはずです。
学習データは記録されたものからしか作れません。「文書化されていない判断基準」はデータに入りません。これはAIの側から見ると存在しないのと同じです。
なので、AIを入れたとき、それまで人間が請け負っていた「文書化されていない判断基準」はAIには引き継がれません。しかも「文書化されていない判断基準」を持っている人は、『判断している』という記録すらないので評価の対象にもなりません。なので、これらの人材の有用さが会社には理解できず人員削減の対象としてしまっていました。
人員削減の計画にAIを教育するフェーズがなかった理由
AIを入れて人を減らす計画の中に、人員をAIと入れ替えた後にAIを教育する工程が設定されていませんでした。
なぜないのか。AIを入れて初めて必要だということがわかったからです。もう少し具体的にいうと、「文書化されていない判断基準」の存在を組織が見落としていたのです。
AIが何を見落とすかは動かしてみるまで出てきません。Fordの場合、触感と音で拾っていた欠陥が学習データから抜けていたと判明したのは900台のカメラを回したあとです。抜けていると分かった時点で、抜けを埋める人が必要になります。その人員は最初の計画に計上されません。存在するということがわからないからです。
再雇用された人の職務は辞める前とガラッと変わりました。AIを入れる前は、検査そのものが仕事。再雇用後は、AIが出した判定を確かめ、外れたところを直し、次の学習に反映させることが仕事となったのです。
職務が変わった分、給与も変わりました。複数の報道で、『AIも扱える人材』として復職する際に元の給与より20〜35%高い水準が提示されているとの報告があります。
削減した時点で見えていたのはAIで置き換えられるであろうという虚像だったのです。
計画の段階でその虚像の対策案を練っておくことは非常に難しいです。何が虚像だったのか、実際にやってみないと(会社側からは)わからないからです。
できるのは、『虚像がある』ということを想定することです。AIを導入しても稼働から半年～一年見る。AIができなかったところを人でケアする。ケアできる人間が社内に残っていれば十分対応できます。人材をカットしてしまっていれば外から採ることになり、そこで20〜35%の差がつきます。
機械設計の判断支援でも同じことが発生します
AIによる機械設計の判断支援ツールは現在進行形で実務に入ってきています。CADのモデリング、設計レビュー、部品選定の絞り込み。判断の材料を出すツールが広がっています。
先日、世界のAI×機械設計の動向を自分で集計しました。187件の記事を分類したところ、AIが完成品を生成するものは3割強でした。判断の材料だけを返すものも3割強で並びます。最終判断を人に残したまま材料だけ返す使い方がいまの主流です。
例として『部品選定』を考えましょう。AIに条件に合う候補を並べてもらいます。並んだ候補のどれを取るかは人が決めます。ここで重要なのは、判断する人が部品のことをどれだけ知っているかです。たとえば、候補に入っていないものを知っているかどうか。標準品の表に載っていない部品や、前の機種で一度やって痛い目を見た組み合わせなど。単純にAIが読み取れるところには中々残っていない記録です。
判断材料を返してもらう分には問題になりません。問題が出るのは、判断材料の精度を見込んで判断できる人間を減らしたときです。
以前型を守るほど見えていた仕事が消えるという記事で、型は型の外にあるものを含まないと書きました。AIが返す判断材料も学習データにある想定範囲までです。想定範囲の外を補っているのは経験を積んだ人の判断です。想定範囲の外で起きる不具合は、補う人がいなくなるとしばらく誰にも気づかれません。
実務でやることは一つです。AIツールを入れて人を減らすとき、AIが外したときに補える人を残せるかどうか。残っていなければ、外れたことに気づけなくなります。
見定め方は難しくありません。AIが出した答えに『これは違う』と言える人が何人いるかです。その人数が、AIを使い続けられる範囲を決めます。
まとめ 教える人が要ると分かるのは、減らしたあと
- Fordは900台規模のAI検査カメラを入れたあと、350名のベテランを呼び戻した
- 戻った人の主な仕事は、AIへの教え込みと量産前のレビュー
- 結果はJ.D.パワー2026年調査で16年ぶり首位、不具合100台あたり41件減
- 同じ現象は業界規模。AI理由の解雇企業の29%が再雇用、3社に1社は削減額より再雇用額のほうが大きい
- IBMは94%を処理できて残り6%で限界。判断が出るまで6ヶ月から12ヶ月
- AIができなかった業務に共通するのは、判断基準が文書化されていないこと
- 「文書化されていない判断基準」は学習データに入らない。持っている人も評価の対象にならない
- 人員削減の計画に、AIを教育するフェーズは入っていない。入れる前には必要だと分からない
- 対策案は先に練れない。練れるのは『虚像がある』という想定まで
- 復職者の給与は20〜35%高い。職務が検査からAIの監督に変わったため
- 機械設計の判断支援も、返す判断材料は学習データの想定範囲まで
- 減らす前に見定めるのは、AIが出した答えに『これは違う』と言える人が何人残るか
Fordが呼び戻した350名は検査作業者には戻りませんでした。AIに、自分たちが何を見ていたのかを教える側に回っています。教える人が要ると分かったのは作業者を減らしたあとでした。
関連記事
ABOUT ME
大学院(機械工学専攻)修了後、製造業で機械設計に従事。20年以上、動力機器の設計開発に携わっています。現場の知見から「考えるための情報」を発信しています。
