2026年7月23日

AIビジョンセンサーは「PLCのIOに映像判定結果を1ビットで返す」使い方が現場に落としやすい。まず自機の外観検査・有無検知でカメラ＋AI判定の出力（OK/NG）を CC-Link や接点でラダーに取り込む構成を、既存のインライン検査工程で1台から試すのが第一歩。次段階として判定ログを収集し、ワーク種別ごとの不良傾向を可視化する。三菱系ならGX Works側のデバイス設計に「判定結果」「信頼度スコア」を意味のある名前で確保しておくと後の拡張が楽。コストは判定用スマートカメラ1台で数十万円規模から。注意点は照明条件の作り込みで、ここが甘いとAIでも誤判定が残る。

この構成は客先からの不具合問い合わせメールの一次仕分けにそのまま転用できる。まず「Googleフォームで受けた問い合わせ→GASでLLMに要約＋緊急度タグ付け→スプレッドシートに整理」までを作り、返信は人間承認にしておくのが安全な第一歩。次段階で定型（納期照会・在庫確認）だけ下書きを自動生成させる。GAS＋APIなので追加インフラ不要、ChatGPT/Claude APIの従量課金は月数百〜数千円で収まる規模。注意点は誤った技術回答をそのまま送らないこと＝必ず承認ゲートを1枚挟む設計にする。

次の新規案件でIO-Link機器を使うなら、ラダー設計時に「生の通信アドレス」を直接コイル/接点に使わず、まず意味のあるデバイスコメント（例: `D100=供給圧`, `M50=センサ通信異常`）へマッピングする層を1枚設ける。第一歩は既存プロジェクト1件でIO-Link点を棚卸しし、アドレス直参照になっている箇所を「意味名」に置換する小改修から。これだけで、センサ交換・機種変更時の修正が1箇所に集約され保全が楽になる。コストはゼロ（設計作法のみ）。注意点は途中まで意味名・途中から生アドレスの混在で、これをやると逆に追いにくくなるので一貫させること。

フィジカルAI＝「AIが認識・判断してロボット/設備を物理的に動かす」流れは、まず自分の現場では搬送・ピッキングの段取り替えで恩恵が出やすい。第一歩は、いま人手で教示している多品種ワークのハンドリングを「シミュレーション上で動作生成→実機微調整」に置き換えられないか、装置メーカーのデジタルツイン対応状況を1社に問い合わせるところから。大手の枠組みは数年スパンだが、要素技術（ワールドモデルでの動作生成）は先に降りてくる。注意点は、現場データ（設備ログ・センサ値）を今から溜めておかないと後で学習素材が無いこと。コストは検討段階では情報収集のみ。

国産モデルの利点は「工場データを国外に出さずに使える」ソブリン性なので、注目すべきは自社の設備データをクラウドに出せない客先（防衛・重要インフラ・機微な量産工程）での採用余地。第一歩は、いま海外系クラウドAIを使えず生成AI導入が止まっている案件をリストアップしておき、国産モデルが実運用に降りたタイミングで再提案できる状態にしておくこと。まだ製品化前なので今は「データを溜める・整える」準備が実務。コストは現段階で発生しない。注意点は過度な期待を持たず、実際に触れる形になってから評価すること。

UWBは「GPSが入らない屋内で、あと1mまで場所を特定したい」用途にはまる。現場ではまず、探し回りがちな移動治具・計測器・台車にUWBタグを付け、所在をマップ表示する小規模PoCが第一歩。効果が見えたら作業者動線のヒートマップ化→レイアウト改善やムダ歩行の削減につなげる。従来のWi-Fi測位（誤差数m）では治具棚1本を特定できなかったのが、UWBなら区画レベルで当てられる。コストはタグ＋アンカー数点で数十万円規模から。注意点は金属の多い環境で反射が出るため、アンカー配置の事前検証が要ること。

「AIビジョンを入れても光沢・透明ワークでNGが安定しない」現場は照明側が原因のことが多く、この種の専用照明が効く。第一歩は、いま画像検査で誤検出が多い金属光沢・樹脂透明の工程を1つ選び、照明メーカーにサンプルワークを送って評価照明を借りるところから（多くのメーカーが貸出対応）。AI判定を導入する前に照明で「映り込みを消した素の画」を作れるかを先に決めるのが順序。コストは照明ユニット単体なら数万〜十数万円。注意点は、照明を変えると学習済みAIモデルの見え方も変わるので、照明確定後に画像を撮り直して再学習すること。

実機を触らせる前に「壊れないシミュレータ」で操作を経験させる発想は、GX Works3のシミュレーション機能やラダーの疑似入力で今日から低コストに実践できる。第一歩は、新人が最初に触る代表装置1台分のIOを疑似信号で動かせるプロジェクトを用意し、起動シーケンス・非常停止・復帰操作を実機無しで反復させる。次段階でHMI画面もシミュレータに繋ぎ、アラーム対応まで練習させる。効果は「初電源投入の心理的ハードルが下がり、質問・チャレンジが増える」こと。コストはソフト付属機能なら追加ゼロ。注意点は、シミュレータで作った自信が実機の安全確認をスキップする油断にならないよう、実機移行時の指差呼称は別途徹底すること。

Windowsで（まさにこの環境のように）Claude CodeでローカルのFA資料やスクリプトを扱っているなら、パス化けは「編集したはずのファイルが実は別物／読めない」という静かな事故につながるので、このバージョンへ上げるのが第一歩。自分の運用への備えとして、AIにファイルを触らせる作業の後は「書き込み先のパスとサイズを一度目視確認する」習慣を1つ入れておくと、この種のパス起因のトラブルを早期に検知できる（CLAUDE.mdのデバイスファイル編集の鉄則と同じ発想）。コストはアップデートのみでゼロ。

これは「毎回いちばん賢い（高い）モデルを使わなくていい」という実務に直結する知見。自分のAI運用でも、設計・レビューだけ上位モデル、定型の文章整形やデータ変換は安価モデル、と役割で使い分ければ月額を大きく圧縮できる。第一歩は、いまAIに頼んでいる作業を「判断が要る／要らない」で仕分けし、要らない側（帳票整形・CSV変換・議事録要約）を安いモデルに寄せること。コストはむしろ下がる（報告では約1/8）。注意点は、安価モデルに投げる前段の「計画・指示」の質が悪いと実行役が空回りするので、指示の作り込みは上位モデル側に残すこと。

客先打合せや社内会議の記録が「会議ごとフォルダ＋文字起こし」で自動的に揃うので、議事録づくりの前工程が消える。第一歩は、Meetの文字起こしをオンにして会議を録り、生成された transcript を NotebookLM や Gemini に読ませて「決定事項・宿題・納期」を箇条書き抽出させる運用にすること（帳票・報告書整理の自動化と地続き）。コストはWorkspace内で追加ゼロ。注意点が1つ：フォルダ名変更（Meet Recordings→Legacy）に反応して、既存のGASでフォルダ名を決め打ちしている自動処理が壊れ得るので、該当スクリプトがある人はフォルダ名依存を見直しておくこと。