製造業AI導入の内製・外部調達判断：「安定資産」と「変動資産」の考え方
製造業AI導入の内製・外部調達判断：「安定資産」と「変動資産」の考え方
「AIを自社で作るべきか、外部から買うべきか」
製造業でAI導入を検討する際、必ず直面するこの問いに対して、本記事では明確な判断基準を提示します。
結論から言えば、「何を自社で作り、何を外部から調達するか」は、その構成要素の「変化速度」で決めるべきです。変化が遅く蓄積するほど価値が上がるもの（安定資産）は自社で構築し、変化が速く世代交代するもの（変動資産）は外部調達・乗り換え前提で設計する。この原則を守れば、AI投資の判断は驚くほどシンプルになります。
誤解のないように先に述べておくと、本記事の主張は「自社モデルを作るな」ではありません。何が時間の経過とともに価値が上がり、何が下がるかを見極めよということです。見極めさえできれば、投資の配分は自ずと決まります。
「Build vs Buy」の問いが間違っている理由
「AIを内製すべきか、外注すべきか」という問いは、実はAIシステムを一枚岩として捉えてしまっている時点で間違っています。
AIシステムは単一の技術ではありません。データ、モデル、ロジック、インフラなど、変化速度がまったく異なる複数の構成要素の組み合わせです。すべてを内製する必要もなければ、すべてを外注する必要もない。重要なのは、構成要素ごとに「自社で持つべきか、外部に乗るべきか」を判断することです。
その判断基準が、「安定資産」と「変動資産」という分類です。
大野耐一の「原価主義の否定」に学ぶ
この考え方の根底には、トヨタ 生産方式の重要な思想がつながっています。大野耐一は『トヨタ生産方式――脱規模の経営をめざして』（ダイヤモンド社、1978年）の中で、「かかっただけの原価に利潤を上のせする」原価主義的な発想を否定しました。大量の設備投資をして「投資した分のコストを回収しなければ」と考えるのではなく、ムダを排除して原価そのものを下げる。
AI投資にも同じ構造があります。変動資産（LLMや推論インフラ）に大規模な固定投資をすることは、まさに原価主義的な発想です。「数億円かけたから、このモデルを使い続けなければ」というサンクコストの罠にはまる。一方、安定資産（正解データ、評価基準、ドメイン知識）への投資は、ムダの排除に相当します。蓄積するほど原価構造そのものが改善され、どのモデルを使っても成果が出る体質になります。
安定資産と変動資産の定義
安定資産：自社で構築・蓄積すべきもの
安定資産とは、時間が経っても価値が下がらず、蓄積するほど競争優位になる構成要素です。
| 安定資産 | 具体例 | なぜ価値が持続するか |
|---|---|---|
| 正解データ | アノテーション済みの検査画像、ラベル付き異常データ | モデルが変わっても、正解データは再利用できる |
| 評価基準 | 何を「良品」「不良品」とするかの定義、許容公差の判断ルール | 製品仕様に紐づくため、技術トレンドに左右されない |
| ドメイン知識 | 製品固有の品質基準、工程ノウハウ、過去の不良原因分析 | 数十年の現場経験の結晶であり、代替不可能 |
| 前処理ルール | データクレンジング手順、正規化ロジック、特徴量設計 | 自社データの特性に最適化されており、汎用ツールでは代替できない |
これらに共通するのは、**「自社の現場でしか作れない」**という特性です。外部ベンダーがどれほど優秀でも、あなたの会社の製品の「良品基準」を定義することはできません。それは現場の知識と経験からしか生まれません。
変動資産：外部調達・乗り換え前提にすべきもの
変動資産とは、技術の進歩によって急速に世代交代し、今日の最先端が半年後には旧世代になる構成要素です。
| 変動資産 | 世代交代の速度 | 固定投資のリスク |
|---|---|---|
| LLM（大規模言語モデル） | 数ヶ月単位 | 自社で基盤モデルを訓練しても、次世代モデルに性能で抜かれる |
| GPU・推論ハードウェア | 1〜2年単位 | 高額なGPUサーバーを購入しても、クラウドの新世代インスタンスの方が安くて速い |
| 推論API・クラウドサービス | 数ヶ月〜1年 | 価格競争と機能向上が激しく、最適な選択肢が常に変わる |
| OCR・音声認識エンジン | 1〜2年単位 | 汎用エンジンの精度向上が速く、自社開発の優位性を維持しにくい |
変動資産に大規模な固定投資をすると、より良い選択肢が現れたときに身動きが取れなくなります。これがAI投資における最大のリスクです。
キーエンスに見る「安定資産集中投資」の実例
安定資産と変動資産の切り分けを経営戦略レベルで徹底している企 業として、キーエンスは示唆に富みます。キーエンスはファブレス（工場を持たない）経営で知られ、製造という変動資産を外部に委託しています。その代わりに集中投資しているのは、企画力・コンサルティング営業力・顧客課題の知見といった安定資産です。製造技術は外部の進歩に乗れますが、「顧客が本当に困っていることを理解し、それを製品仕様に落とし込む力」は自社でしか蓄積できません。
AIシステムにおいても同じ構造が当てはまります。LLMや推論インフラ（製造に相当する変動資産）は外部に乗り、自社の現場知識・正解データ・評価基準（企画力に相当する安定資産）に集中投資する。これがAI投資のキーエンス的戦略です。
実例：自社AIツールが数ヶ月で陳腐化した話
この「変動資産への固定投資リスク」を象徴する事例があります。
ぐるなびの技術ブログ（参照）によると、同社は社内向けにRAG（検索拡張生成）やファイルアップロード機能を備えたAIチャットシステムを自社開発しました。しかし、GoogleのGeminiやNotebookLMといったサービスが登場したことで、自社開発のシステムは役割を終え、廃止されました。
ここで注目すべきは、廃止されたのは「AIツール」であり、「整備された社内データ」ではないという点です。社内ドキュメントの整理、ナレッジベースの構築、データの品質向上といった取り組みの価値は、ツールが変わっても失われません。むしろ、新しいツール（GeminiやNotebookLM）でそのデータをより効果的に活用できるようになりました。
これが安定資産と変動資産の本質です。ツール（変動資産）は入れ替わるが、データと知識（安定資産）は残り続ける。
AIシステムの3層モデルと投資方針
AIシステムの構成要素をより体系的に整理するために、3つの層に分けて考えます。
| 層 | 対象 | 変化速度 | 投資方針 |
|---|---|---|---|
| Layer 1（AI本体） | LLM・基盤モデル | 数ヶ月で世代交代 | 自社構築しない。 基盤モデルに乗り、APIで利用する |
| Layer 2（AIロジック） | プロンプト設計・RAG構成・エージェント・評価パイプライン | 速い（しかし自社ノウハウが直結） | 最も注力すべき層。 品質に直結し、ドメイン知識が差別化要因になる |
| Layer 3（周辺システム） | データベース・認証基盤・監視・ログ | 比較的穏やか | ありものを活用。 ただし変化に対応できる疎結合な構えにする |
Layer 1：基盤モデルには「乗る」
2024年から2026年にかけて、基盤モデルの性能向上は凄まじいスピードで進んでいます。半年前の最先端モデルが、今日のエントリーモデルに性能で劣るという状況が繰り返されています。
この領域に自社で大規模投資する合理性はほとんどありません。OpenAI、Google、Anthropicなどが数千億円規模の投資で開発しているものを、製造業の一企業が再現する必要はないのです。API経由で最新モデルを利用し、世代交代のたびに乗り換える戦略が合理的です。
Layer 2：ここが勝負どころ
プロンプト設計、RAGの検索ロジック、エージェントのワークフロー設計 、出力の評価基準 —— この層は、**基盤モデルの能力を自社の業務に変換する「翻訳層」**です。
同じLLMを使っていても、プロンプトの設計ひとつで出力品質は大きく変わります。製品の専門用語を正しく扱えるか、検査基準を適切に反映できるか、現場のワークフローに自然に組み込めるか。これらはすべてドメイン知識の深さに依存します。
Layer 2こそ、安定資産（正解データ、評価基準、ドメイン知識）が最も活きる層であり、自社の差別化要因になる領域です。
Layer 3：疎結合に保つ
データベース、認証基盤、監視システムなどの周辺インフラは、既存のツールやクラウドサービスを活用するのが効率的です。ただし、特定のベンダーやサービスに密結合しないよう、抽象化層を設けておくことが重要です。
「抽象化層」の設計：モデル差し替えを1行で済ませる
安定資産と変動資産を分離するための技術的な鍵が、**抽象化層（Abstraction Layer）**の設計です。
具体的には、AIシステムの中で「どのモデルを使うか」「どのAPIを叩くか」を、ビジネスロジックから切り離します。
# 悪い設計：ビジネスロジックにモデルが直接埋め込まれている
def inspect_product(image):
result = openai.chat.completions.create(
model="gpt-4o",
messages=[{"role": "user", "content": image}]
)
return parse_result(result)
# 良い設計：抽象化層でモデルを切り離している
def inspect_product(image):
result = ai_client.analyze( # ← 抽象化層
task="visual_inspection",
input=image,
criteria=INSPECTION_RULES # ← 安定資産（検査基準）
)
return parse_result(result)
良い設計では、ai_client の裏側で動くモデルが GPT-4o から Gemini に変わっても、Claude に変わっても、ビジネスロジック側のコードは一切変更不要です。設定ファイルの1行を書き換えるだけでモデルを差し替えられます。
この設計思想は特別なものではなく、ソフトウェアエンジニアリングでは「依存性の逆転（Dependency Inversion）」として古くから知られています。AIシステムでもこの原則を徹底することで、変動資産の入れ替えコストを最小化できます。
製造業での具体的な適用例
画像検査・画像処理：正解データ（安定）× 検出モデル（変動）
AI外観検査をはじめとする画像処理（寸法計測、OCR、コードリーダー等）は、安定資産と変動資産の分離が最も分かりやすい領域です。
- 安定資産として蓄積するもの: 良品・不良品の判定基準、アノテーション済みの検査画像データセット、製品ごとの許容公差ルール、照明条件や撮影角度のノウハウ
- 変動資産として乗り換え前提にするもの: 物体検出モデル（YOLO系、Vision Transformer系など）、推論用ハードウェア（エッジGPU、専用アクセラレータ）
検出モデルは毎年のように新しいアーキテクチャが登場し、精度が向上しています。しかし、どのモデルを使うにしても、「この傷は不良、この模様は許容範囲」という判定基準と、それを裏付ける正解データがなければ機能しません。
正解データの整備に1年かけた企業は、モデルを最新のものに差し替えるだけで精度が上がります。逆に、モデルだけ最新にして正解データが貧弱な企業は、いつまでも精度が 出ません。
予知保全：設備データ（安定）× 異常検知アルゴリズム（変動）
- 安定資産: 設備の正常稼働データ、過去の故障履歴と原因分析、振動・温度・電流の閾値設定ノウハウ
- 変動資産: 異常検知アルゴリズム（Isolation Forest、オートエンコーダ、最新の時系列基盤モデルなど）
設備の「正常な状態」を定義し、そこからの逸脱を定量化するノウハウは、何年もかけて現場で蓄積されるものです。このデータと知識があれば、アルゴリズムが進化するたびに、より高精度な予知保全が実現できます。
帳票処理：業務ルール（安定）× OCR/LLMエンジン（変動）
- 安定資産: 帳票のフォーマット定義、項目間の整合性チェックルール、業務固有の略称・用語辞書、例外処理のルール
- 変動資産: OCRエンジン、LLMによる情報抽出モデル
帳票処理では、「この欄にこの値が入っていたら、こちらの欄はこうなるはず」という業務ルールが品質を左右します。OCRの認識精度が上がっても、業務ルールが定義されていなければ、読み取った値の正しさを検証できません。
失敗パターンと対策
失敗1：変動資産に大規模投資して陳腐化
典型例: 自社専用のLLMを数億円かけてファインチューニングしたが、半年後に汎用モデルの新バージョンがその性能を上回った。
対策: 基盤モデルへの投資は最小限に留め、API利用を基本とする。ファインチューニングが必要な場合も、「次世代モデルが出たら再実行する」前提でパイプラインを自動化しておく。投資の重心は、ファインチューニングの元となる高品質な教師データ（安定資産）の整備に置く。
失敗2：安定資産を軽視してモデルだけ追い求める
典型例: 最新のAIモデルを次々と試すが、正解データが不十分で毎回「精度が出ない」と結論づける。モデルの問題ではなく、データの問題であることに気づかない。
対策: AI導入プロジェクトの初期フェーズで、正解データの整備と評価基準の定義に十分な時間を確保する。「データ整備はプロジェクトの前提条件であり、最も重要な投資である」という認識を組織で共有する。
失敗3：抽象化層がなくベンダーロックイン
典型例: 特定のクラウドベンダーのAIサービスに深く依存した設計にしたため、より良い（あるいはより安い）サービスが登場しても乗り換えられない。
対策: AIシステムの設計段階で、モデルやサービスとの接続部分に抽象化層を設ける。「このベンダーが値上げしたら、来月から別のサービスに切り替えられるか？」を設計レビューの必須チェック項目にする。
まとめ：「何に投資し、何に乗るか」
AIの「Build vs Buy」問題は、システム全体を一括で判断しようとするから難しいのです。構成要素を変化速度で分類すれば、判断は明確になります。
投資すべきもの（安定資産）:
- 正解データの整備と蓄積
- 評価基準の定義と継続的な更新
- ドメイン知識のデジタル化
- 前処理・後処理ルールの体系化
- モデルを差し替えられる抽象化層の設計
乗るべきもの（変動資産）:
- 基盤モデル（LLM、画像認識モデル等）
- 推論インフラ（GPU、クラウドサービス）
- 汎用ツール（OCR、音声認識等）
この原則は、AI技術がどれほど進化しても変わりません。なぜなら、技術の進化速度が上がるほど、変動資産の「変動」はさらに激しくなり、安定資産の「安定」はさらに価値を増すからです。
製造業がAI投資で成果を出すための戦略は、「最先端のモデルを追いかけること」ではなく、「最先端のモデルをいつでも活用できる土台を、自社の中に築くこと」です。
大野耐一が原価主義を否定し「ムダの排除で原価を下げよ」と説いたように、AIへの投資も「かけた金額」ではなく「蓄積される価値」で判断すべきです。キーエンスが製造を外部に委ね企画力に集中するように、AI基盤モデルには乗り、自社の知識基盤に投資する。
その知識基盤こそが、安定資産です。
外観検査プログラム作成や検査条件の検討を進めたい方は、インダストリエイトのVisual Inspection AI Agentをご覧ください。サンプル画像と検査仕様をもとに、外観検査プログラム草案の生成方法を確認できます。AI導入の投資対効果を試算したい方はROI計算ツールもご活用ください。