3-4．「アイデア」を「研究テーマ」に変える
新規研究開発の会議では、面白いアイデアがいくつも出ます。
「AIで設備異常を予測できないか」
「段取り替えを自動化できないか」
「古い設備からデータを取れないか」
こうした発想は大切です。しかし、アイデアが出たことと、研究テーマとして採択できることは別です。
研究開発テーマにするには、誰の、どんな損失を、どのレベルまで改善するのかを明確にしなければなりません。
テーマ採択前には、少なくともいくつかの項目を明文化しておく必要があります。
「誰の問題か」を最初に決める
まず明確にしたいのは、対象顧客、設備、工程です。
「製造業向けの予知保全」では広すぎます。
たとえば、
「自動組立設備のサーボ駆動部」
「半導体製造装置の搬送機構」
「食品包装設備のシール工程」
くらいまで絞った方がよいでしょう。
対象を具体化すると、必要なセンサー、取得できるデータ、異常の種類、顧客が許容できるコストも見えてきます。
研究テーマは、最初から市場全体を狙う必要はありません。
まず、どこで最初の価値を証明するかを決めることが重要です。
損失をできるだけ金額にする
次に、その問題によって顧客がどれだけ損をしているかを考えます。
たとえばチョコ停が問題であれば、
1回平均5分、1日10回、年間250日発生しているとします。
それによって失われる生産量、人件費、再立上げロスなどを計算すれば、年間損失をある程度見積もれます。
ここまで分かれば、
「年間300万円の損失を50％削減できるなら、100万円のシステムでも投資対象になり得る」
といった議論ができます。
逆に、年間損失が10万円しかない問題に、500万円の装置を開発しても事業にはなりません。
研究テーマの技術的な魅力と、顧客にとっての経済価値は分けて考える必要があります。
現在の回避策を調べる
顧客は、問題を放置しているとは限りません。
設備停止が多ければ、予備部品を持っているかもしれない。
品質変動があれば、検査員を増やしているかもしれない。
段取りが難しければ、熟練者を専任で配置しているかもしれない。
つまり、新しい技術が競争する相手は、他社製品だけではありません。
現場が現在行っている回避策そのものです。
「人がやれば30分で済む作業を、自動化すると100万円かかる」
のであれば、顧客が導入しないのは当然です。
反対に、熟練者不足でその30分の作業すら維持できなくなるのであれば、状況は変わります。
現在の方法と、その限界を知ることが重要です。
目標は「AIを使う」ではなく性能で書く
研究テーマでありがちなのが、
「AIを活用した異常検知システムの開発」
という表現です。
これでは、何ができれば研究成功なのか分かりません。
研究テーマにするなら、
「異常発生の30分前に検知する」
「誤報率を5％以下にする」
「設備停止後30秒以内に原因候補を提示する」
といった目標機能や性能に落とします。
AIを使うかどうかは、その後です。
重要なのは、顧客に必要な性能を先に定義することです。
AIでは「何が分からないか」を明確にする
AIやデータ解析を使うテーマでは、もう一つ注意点があります。
データを集めれば何とかなる、とは限りません。
正常データは大量にあるが故障データがほとんどない。
設備ごとに条件が違う。
センサー交換後に特性が変わる。
季節や材料ロットによって正常範囲が変化する。
こうした問題があります。
つまり、「AIを使えるか」ではなく、
何がまだ分からないのか
を研究課題として明確にしておく必要があります。
ここが曖昧なままだと、単なるソフトウェア開発と研究開発の区別もつきません。
FAでは精度だけでなく「使えるか」が重要
FA分野でAIやソフトウェアを扱う場合、予測精度だけを評価してはいけません。
安全性は十分か。
決められた時間内に応答するか。
通信が切れても設備を安全に動かせるか。
なぜその判断をしたのか説明できるか。
こうした条件が重要です。
たとえばAIが設備停止を予測できても、演算結果が5分後に届くのでは使えないケースがあります。
逆に、診断根拠が分からないため現場担当者が信用せず、結局使われないこともあります。
リアルタイム性、安全性、説明可能性まで含めて技術テーマを設計する必要があります。
「なぜお金を払うか」に答えられるか
研究テーマを事業化するのであれば、避けて通れない問いがあります。
顧客はなぜ、この技術に対価を支払うのか。
設備停止を年間20時間減らせるから。
検査員を2人減らせるから。
段取り時間を半減できるから。
不良流出のリスクを下げられるから。
こうした理由が説明できれば、価格を考える土台もできます。
「便利だから」「AIだから」「最新だから」では、長期的な事業にはなりにくいでしょう。
データを一度だけ取って終わらせない
そして、デジタルFAのテーマでは特に重要なのが、データ取得の仕組みです。
PoCのときだけ顧客からデータをもらい、そのデータでAIモデルを作る。
これでは、数年後に競争力を維持できません。
設備は変わります。
部品も変わります。
製造条件も変わります。
だからこそ、
「販売した機器から継続的にデータを取得できる」
「保守時に故障情報が蓄積される」
「複数顧客の知見を匿名化してモデル改善に使える」
といった仕組みまで考える必要があります。
ここまで設計できれば、製品を売るほどデータが増え、データが増えるほどサービスが良くなるという循環を作れる可能性があります。
良い研究テーマは「一文」で説明できる
最終的には、研究テーマを一文で説明できる状態を目指します。
たとえば、
「食品包装設備を対象に、サーボとセンサーの時系列データからシール不良の兆候を10分前に検知し、廃棄損失を年間30％削減する技術を開発する」
という具合です。
対象、問題、技術課題、目標、顧客価値が一つの文章に入っています。
これくらい具体化されていれば、経営側も技術側も同じテーマについて議論できます。
逆に、
「AIを活用したスマートファクトリー技術の研究」
では、何を研究するのかほとんど分かりません。
アイデアを出す段階では、多少曖昧でも構いません。
しかしテーマとして採択する段階では、技術の面白さ、顧客価値、事業性を同じ土俵に乗せる必要があります。
では、複数の候補テーマが具体化された後、経営側は何を基準に選べばよいのでしょうか。
次回からは 「5．テーマの評価・選定方法」 に入り、まず 「5-1．幹部が評価すべき六つの軸」として、研究開発テーマを経営視点で比較する考え方を整理していきます。
（第4章は競争領域の具体的な開発テーマに関わりますので、本稿では割愛します）
※御社のプロダクト（製品・サービス）分野で同様の話が聞きたい！という場合は、どうぞご相談ください。
[無断転載禁止]
