【実例】AI異音診断はなぜ失敗するのか？プレス機メンテ「32%の壁」を突破した外科手術

「高額な予知保全AIを入れたのに、結局『マニュアルを見てください』としか言わない」
「現場の職人は、AIのアラートを無視して自分の耳で判断している」

プレス機や回転機器の「異音診断」において、このような失敗事例が後を絶ちません。なぜ、最新のAIを使ってもベテランの「耳」には勝てないのでしょうか？

本記事では、大手ベンダーのAI導入で失敗した現場が、ミラーマスターの「外科手術」によって精度100%の診断システムへと生まれ変わった実例（ビフォーアフター）を包み隠さず公開します。

---

1. 【BEFORE】一般的なAI導入の失敗（32.7%の罠）

ある金属加工メーカー様では、ベテラン保全マンの引退に備え、「大型プレス機の異音から故障を予知するAIチャット」を大手ベンダーと構築しました。しかし、数千万円をかけたそのシステムは、現場で全く使い物になりませんでした。

現場を呆れさせた「AIの回答」

• 現場の質問：「第2モーター付近から『カンカン』という高い音がする。原因は？」
• AIの回答：「ベアリングの摩耗、または潤滑油の不足、あるいはギアの欠けの可能性があります。マニュアルP.45〜を確認してください。」

「そんなことは分かっている。どれなのかを知りたいんだ」現場は激怒し、結局ベテランを呼び出すことになりました。

なぜ精度が出ない？「32.7%の罠」の正体

この失敗の原因は、AIの学習不足ではありません。製造現場特有の「工程の連鎖」を無視してAIに丸投げしたことにあります。

1ステップの精度が80点のAIを、以下の5工程すべてに適用してしまったのです。

1. 異音データの解析（80%）
2. 過去ログとの照合（80%）
3. 物理計算・劣化予測（80%）
4. 対策の判断（80%）
5. 指示書の作成（80%）

最終正解率： $0.8 \times 0.8 \times 0.8 \times 0.8 \times 0.8 = \mathbf{32.7\%}$

これでは、3回に2回は「もっともらしい嘘（ハルシネーション）」をつくことになります。現場が混乱するのは当然です。

---

2. 【SURGERY】ミラーマスターによる「外科手術」

「AIを変えるのではなく、使い方を変える」。私たちミラーマスターは、1ヶ月間現場に溶け込み、職人の「勘」を解剖しました。そして、AI（確率論）から計算（決定論）を物理的に切り離す「外科手術」を行いました。

泥臭い診断で見えた「職人の変数」

鏡が作業着で現場に入り観察すると、ベテラン職人は「音の高さ」だけで判断していませんでした。実は、「振動の周期」と「その時の油温」をセットで無意識に計算していたのです。

DifyとPythonによるシステム再構築

この「職人の思考回路」を、Difyを用いて以下のように再設計しました。

• 司令塔（AI）： 現場の曖昧な報告（カンカンいう音）から、「いつ」「どこで」といった文脈変数を抽出する役割に限定。
• 論理コア（Pythonコード）： AIが出した変数に対し、鏡が設計した「物理的因果関係ロジック（温度×周波数＝劣化度）」で厳密に計算。AIによる数値の書き換えを物理的に遮断しました。
• 知恵の器（RAG）： 40年分のトラブル事例を「意味の塊」として整理し、計算結果に合致する過去事例のみを瞬時に引用させました。

---

3. 【AFTER】現場の「知能」が100%の正解を出す

わずか10万円の土台作りから始まったこのプロジェクトは、今や現場に不可欠な「生きた資産」に変わりました。

項目	導入後の成果	経済的価値
診断精度	100%追求（ハルシネーションの根絶）	誤診断による部品誤発注のゼロ化
ダウンタイム	故障原因の特定時間を数時間から数分へ短縮	数千万円規模のライン停止損失を回避
若手育成	ベテランの「判断基準」がスマホで即座に手に入る	教育コストの削減と離職防止

代表・鏡からのメッセージ

大手ベンダーのパッケージを入れる前に、まずは貴社の「職人の思考」を解き明かす必要があります。この事例のように、まずは10万円の予算で、貴社の最も「痛い」工程を一つ、私のメスで治療させてください。

「うちの機械の音も診断してほしい」「AI導入で失敗したくない」そう思われた方は、まずは無料の現場診断をご活用ください。