トヨタで22年、毎日現場を歩かされた。統計分析の前に、必ず「まず現地へ行け」と言われ続けた。

当時、品質管理は数字の世界だと思っていた。ところが、データシートだけをにらんでいては何も見えない。工場の音、機械の振動、作業者の手つき──そのすべてが「本当の課題」を教えてくれた。

生成AIが普及した今、この教訓は、むしろ鮮烈さを増している。

なぜなら、多くの企業がAIを導入する際、最初のステップを間違っているから。データをいくら食わせても、現場を知らなければAIは無用の長物だ。

トヨタの品質管理は「歩く」ことから始まる

入社して最初の3か月間、僕は工場の品質管理部に配属された。先輩たちは毎朝、生産ラインを40分かけて巡察することを日課にしていた。

統計表やグラフを見る前に、まず現地へ。これがトヨタの品質哲学だった。

データシートは後付けである。重要なのは、「なぜ不良が出たのか」という根本原因を、五感で探ること。機械音の微かな変化、作業者の疲労度、湿度の影響──こうした「数字に出ない情報」が、不良の真因を指し示す。

当時の分析ツールはExcelとミニタブだけ。計算能力は今の1000分の1以下だろう。それでも、現場理解があれば、シンプルな統計で十分だった。

「三現主義」の意味──現地・現物・現実

トヨタが掲げる三現主義とは、シンプルで強力なフレームワークだ。

現地：問題が起きている場所に足を運ぶ。オフィスの数字では見えないリアルがそこにある。

現物：その場で実物を手に取る。サンプルやスクリーンショットではなく、本物を確認する。

現実：偏見なく、事実をあるがままに見る。「~のはずだ」という予断を捨てる。

この3つは、単なる品質管理の技法ではなく、ものごとの本質に到達するための思考法なのだ。

Excelで年100時間、AIで10分。でも、ここから罠が始まる

2026年ころ、月次の品質レポートを作成するのに、僕と先輩で丸3日かかっていた。

データ入力、関数の組み込み、グラフ化、パターン検出、仮説立案──すべて手作業だ。複雑な相関を調べるなら、ミニタブを使って追加で2日。年間では軽く100時間以上を費やしていた。

今はどうか。同じ分析を生成AIに任せると、**10分で完了する。**ダッシュボード生成、異常検知、予測モデルまで、一瞬だ。

技術進化は劇的だ。しかし、ここが陥穽（かんせつ）でもある。

「速さ」が落とし穴──データ解釈の罠

2026年の話だ。AI導入コンサルで訪れた自動車部品メーカーがある。

彼らは、生成AIに過去3年分の品質データを食わせて、「これが根本原因だ」と結論を出していた。その結果は、統計的には優秀だった。

ところが、現場の職長に聞いてみると、「そんなことは起こっていない」と一蹴された。

AIが見つけた相関は、偽りの関連性だった。データセット内の時間的なズレ、業務プロセスの実態との乖離、測定器の精度変化──こうした「現場の文脈」がAIのモデルに入っていなかったのだ。

AI出力を丸呑みにして、現場との照合を抜かした。それが失敗の根因だった。

AI導入を始める時、最初にやること

僕が企業のAI導入相談に応じる際、最初にすることは、決してデータ環境の構築ではない。

現場の人たちの話を聞くこと。やることはこれだ。

まず、「実際の問題は何か」を、数字ではなく言葉で教えてもらう。次に、「その問題は本当は何が原因か、現場ではどう考えているか」を聞く。最後に、「データには記録されていないが、実は重要な要因は何か」を引き出す。

これが終わってから、データ設計に入る。この順序を逆にすると、精度が高いモデルでも、的外れな予測をしてしまう。

「質の悪いデータ」では、AIも迷う

トヨタ時代、不良品を記録するシートが手書きだった。

ペンの圧力で文字が潰れることもあり、転記の際に数字を読み間違えることもあった。月に1、2件の誤りは、まあ当たり前だった。

当時の上司は、こう言った。「データの精度は、現場の丁寧さに比例する。」

生成AIの時代、これは余計に真実だ。学習データの質が悪ければ、出力も悪くなる。**ゴミを入れれば、ゴミが出てくる。**

多くの企業は、データの「量」に気を取られているが、本当に大事なのは「質」と「文脈」だ。どのような環境で、どのような意図で、どの程度の精度で測定されたのか。その背景を理解した上でAIに食わせる必要がある。

現場を知らない分析は、勘違いを増幅する

2026年、製造業のクライアントで起きた事例である。

生産効率が3か月連続で低下していた。AIに分析させると、「作業員の勤務シフトの偏り」が主因と指摘された。

データだけ見ると、その通りだ。しかし、現場に行ってみると、実は新型機械の導入直後で、操作方法がまだ定着していなかったのだ。

AIが指摘した「シフト偏り」は、症状に過ぎなかった。真犯人は「教育不足」だった。

もしこの企業がAIの推奨通りにシフト調整をしていたら、根本原因は放置されたままになっていた。

現場理解があれば、AIは羅針盤になる

逆に、現場理解がしっかりしている企業のAI導入は、うまくいく。

食品製造業の例だ。品質ばらつきの原因をAIに分析させる前に、生産管理者が「原材料の季節変動と、機械の洗浄頻度が影響している」と教えてくれた。

その情報をAIに事前に与えた上で、学習データに季節フラグと洗浄ログを組み込むと、予測精度は92%に達した。

現場知識と生成AIの計算力が組み合わさると、強力な武器になる。

AIは「新しい視点」をくれるが、「正しい方向」は現場が教えるのだ。

トヨタ式「PDCAサイクル」とAI活用の親和性

トヨタで徹底されたのは、PDCAサイクル（計画・実行・確認・改善）だ。

Plan：現場で仮説を立てる。三現主義で得た情報から、何が問題なのかを推測する。

Do：小規模な試験で改善策を試す。全体に適用する前に、限定的に実験する。

Check：実際の効果を現場で検証する。データだけでなく、目で見て、手で触れて確認する。

Act：成功すれば標準化し、失敗すれば別の仮説へ。スピーディーにループを回す。

生成AIは、このPDCAの「Check」フェーズを爆速にしてくれる。大量のデータを瞬時に分析し、仮説の妥当性をすぐに判定できるからだ。ただし、P（計画）とD（実行）は、相変わらず現場の知恵と判断が決定的だ。

「AIが勝手に最適化する」という幻想を捨てる