「最後の砦が人」という限界を、AIカメラはどこまで突破できるか——レンゴーとキリンビールの工場安全DX
製造現場の安全対策に、構造的な天井がある。その話を、2026年のファクトリーイノベーションWeekが正面から取り上げた。
登壇したのはレンゴーとキリンビール。テーマは「AI・デジタルICTで従業員の安全を守るには」。そこで語られた内容は、単なるDX成功事例の紹介ではなかった。「AIカメラを入れたら解決した」という話ではなく、誤検知に悩み、ベンダーを替え、4000枚の画像で再学習を回しながら精度を上げていく——そういうリアルな泥臭さを含んでいた点が、この講演を興味深くしている。
「最後の砦が人」という構造問題
レンゴーの藤岡寛史氏（パッケージング部門 技術開発本部 技術開発第一部 技術開発課長）は、講演の冒頭で問いかけた。「21世紀に入ってから、休業4日以上の労働災害の発生件数は減っているのかどうか」。
答えは「減っていない」、正確には「下げ止まっている」だ。
20世紀後半にかけて、安全機器の高性能化、フェイルセーフ・フールプルーフといった設計手法の確立、作業ルールと安全意識の改善が進んだ。これらは確かに労災を減らした。だが21世紀に入って、その減少トレンドは止まっている。
なぜか。藤岡氏の言葉を借りれば、「どれだけ機器が進化しても、最終的には最後の砦が人になってしまっている」からだ。
具体例として挙げられたのは、安全柵内での産業用ロボットのトラブル処理だ。非常停止ボタンを押す、主電源を遮断する、命札を掲示する——これらの手順は整備されている。しかしそれを実行するのは全て人間だ。手順があっても、それを守る主体が人である限り、ミスをゼロにはできない。
これは「人の意識が低い」という話ではない。構造の問題だ。安全設計の次のフロンティアは「人を安全対策の外に出す」ことにある、という問題設定が、この講演の核にある。
レンゴーのアプローチ：置き換えではなく「足し算」
そこでレンゴーが着目したのがAIカメラだった。
従来のライトカーテンやレーザースキャナーは「物体の有無」を検知できる。だが「それが人なのか、ワークなのか、設備の一部なのか」は判断できない。AIカメラは画角内に「人がいるか」を識別できる点で、既存機器とは次元の違う情報を出力できる。
ただし、安全用途で使うとなると精度要件が一気に厳しくなる。藤岡氏の言葉が鋭い。「100回人が入って99回検知できたとして、1回見つけられないAIを安全用途に使ってよいのか。社内でもそういう議論があった」。
これは誠実な問いだと思う。99%の検知率は一般的なユースケースではほぼ合格点だが、安全用途では「残りの1%で何が起きるか」が全てを決める。
だからレンゴーが選んだのは、AIカメラを既存の安全機器と「置き換える」発想ではなく、「足す」発想だった。非常停止スイッチやレーザースキャナーといった従来機器はそのままに、それらでは検知できなかった領域をAIカメラが補う。安全レイヤーを増やす、という構造だ。これは技術的に正直なアプローチだと思う。
JR西日本との協業が生まれた理由
レンゴーはまず市場にある既製品のAIカメラを導入した。2024年3月のことだ。しかし、現場ではすぐに問題が出た。コンベヤーの一部を人と誤検知する、といった事象が起きた。藤岡氏の分析は「学習しているデータがきれいすぎたためなのか、AIモデルがFAの現場をあまりにも知らなすぎた」というものだ。
精度への不満が残る一方、現場からはAIカメラをもっと活用したいという声が増えていた。ここで新たにパートナーとして選んだのが、西日本旅客鉄道（JR西日本）だった。
選定理由が興味深い。JR西日本は駅や車両などで数千台のカメラを運用しており、かつては外部のAIカメラを購入していたが、機能や性能への不満から自社開発に踏み切り、現在は外販も行っている。藤岡氏がここで評価したのは「提供元でありながら、彼ら自身がかなりの大口のユーザーでもある」という点だ。「そのため、非常に開発スピードも速い」。
さらに、再学習に使う画像データを、JR西日本が個人情報保護のために整備したセキュリティ環境の中で処理できる点も評価された。「他のAIカメラメーカーとは違うところ」と藤岡氏は語っている。
このJR西日本との協業を通じて、レンゴー側が製造現場での要求仕様をフィードバックし、約4000枚の画像を用いた再学習を実施。AIの検知精度は大幅に向上したとされる。
ここからは見方だが：「大口ユーザーが開発者でもある」という選定軸
この選定の論理は、汎用的な示唆を持っていると思う。
AIツールを選ぶとき、多くの現場担当者は「精度」「価格」「サポート体制」を見る。それは正しい。だが今回のレンゴーの判断軸は少し違う。「このベンダーは自分自身が厳しい環境で使っているか」という問いだ。
自社でも数千台を運用し、失敗から学んでいるJR西日本は、機能改善の動機が外発的ではなく内発的にある。顧客のクレームを受けて直すのではなく、自分たちが困るから直す。この違いは、特に安全用途のような「誤りが許されない」領域では効いてくる。
もう一点、このケースが示す構造的な変化がある。安全対策がソフトウェア化しつつある、という流れだ。従来の安全装置はハードウェアで、一度設計して設置すれば基本的に変わらなかった。AIカメラは違う。データを集めて再学習させれば性能が上がる。つまり、安全対策が「更新できるもの」になった。
これは運用コストとガバナンスの問題を生む。誰が再学習の判断をするのか。更新後の精度をどう検証するのか。変更管理はどう記録するのか。ハードウェアの安全装置には存在しなかった問いが、AIカメラ導入で新たに発生する。
キリンビールが描く「オペレーション無人化」の現在地
同じ講演でキリンビール 生産本部技術部 主査の宮浦直人氏は、AI・IoT・ロボット・ウェアラブル機器を活用したプラントオペレーションの変革を語った。
現在の取り組みの柱はIoTを活用した点検業務の効率化で、将来的にはオペレーションの無人化を視野に入れているという。
レンゴーが「人を最後の砦から外す」という文脈でAIカメラを語ったのに対し、キリンビールの議論はより先を見ている。点検の効率化は過渡期であり、最終的に描いているのは人が常駐しなくても回る工場だ。
ただ、この目標については現在地と目標地の距離を丁寧に見る必要がある。IoTで点検を効率化する、という段階と、オペレーション全体を無人化する、という段階の間には、センサーの網羅性、異常判断の精度、緊急時の対応フロー設計など、まだ解かれていない問題が積んである。「将来的に」という言葉が何年のスパンで語られているのかは、元記事からは読み取れなかった。
実務への示唆と次の論点
AIカメラの導入を検討している製造現場の担当者が、このケースから引き出せる問いはいくつかある。
「置き換え」と「上乗せ」のどちらで設計するか。 レンゴーは既存の安全機器を残したまま、AIカメラをプラスした。これはある種の冗長設計だが、安全用途においては正しい判断だと思う。AIカメラ単体でゼロから安全系を構築しようとすると、精度要件のハードルが極めて高くなる。
ベンダーが「自分も使っているか」を問うてみる。 AIカメラの選定において「自社でも厳しい環境で使っているベンダーか」という軸を加えると、候補の見え方が変わる可能性がある。
再学習の運用設計を導入前に決める。 今回のケースでは4000枚の画像による再学習が精度改善の鍵になった。ということは、現場のデータを集め続け、適切なタイミングで再学習を回す仕組みが必要だということだ。「導入した」で終わらず、「更新し続ける」ための運用設計が、AIカメラの場合は必要になる。
次に問題になるのは、おそらく責任の所在だ。AIカメラが「人を検知した」と判断して設備を止めた場合と、「人を検知しなかった」ために設備が動き続け事故が起きた場合、誰がどの責任を負うのか。これはまだ十分に整理されていない領域で、法的・実務的な議論が今後必要になる。
誤検知の問題も消えていない。コンベヤーを人と誤認して設備を止めると、生産に影響が出る。誤検知が多ければ「オオカミが来た」効果が起きて、現場が警報を無視し始める。精度向上は進んでいるが、ゼロにはならない。誤検知が「どの程度許容できるか」の基準を現場と合意しておくことが、導入の成否を分けるポイントになる。
まとめ
レンゴーが示したのは、AIカメラが「安全の万能解」ではなく、使い方と組み合わせを正しく設計すれば「既存の安全設計の弱点を補える道具」になる、という実証だ。誤検知の問題に正面から向き合い、ベンダーを替え、4000枚の再学習データで精度を上げていく——そのプロセスの透明な開示は、同種の問題に直面している他の製造現場にとってもリアルな参照点になる。
「最後の砦を人から外す」という目標は、まだ道半ばだ。ただ、その道のリアルな地図が少しずつ描かれ始めている。
参考元: AIカメラで「最後の砦は人」を脱却、レンゴーとキリンビールの工場安全DX：ファクトリーイノベーション Week2026【秋】 – MONOist
