トヨタで『不良品ゼロ』を目指して学んだ最大の教訓──AIの精度100%を追う人に伝えたいこと

完璧は不可能だ。でも、ぼくたちはずっと完璧を目指していた。

トヨタの製造現場にいた頃、その矛盾は日常だった。「ゼロ不良」という理想を掲げながら、現場の人間はみんな知っていた。本当のゼロなんてない、と。

今、AI導入を進める企業の多くが、あの頃のぼくたちと同じことをやっている。「精度100%を目指そう」と言いながら、コストと時間が膨らみ続けている。

24年間、製造ラインで品質と向き合ってきたぼくが言える、いちばん大事なことがある。「許容できるエラー率を、最初に正確に決めること」──それだけで、プロジェクトの運命はがらっと変わる。

この記事では、現場で体に刻んだ『精度の本質』と、AI時代の企業が踏みがちな落とし穴を、実例とともに書いていく。経営層でも、現場のエンジニアでも、「なんか精度の議論がかみ合わないな」と感じている人に、ぜひ読んでほしい。

製造ラインの『ゼロ不良』が本当に完璧ではなかった理由

トヨタの製造現場には「ゼロ不良」という理想がある。でも、正直に言う。完全なゼロ不良は、存在しない。

年間100万台を超える自動車が流れる工場では、1ppm（百万個あたりの不良数）という単位で品質を管理していた。99.9999%の精度、という数字だ。

その99.9999%を達成するために、どれだけの仕組みが必要だったか。外観検査、寸法検査、性能検査、耐久性試験──検査工程だけで、製造工程と同じくらいの人員と機械が動いていた。

生産コストの30〜40%が品質保証に充てられていた時期もあった。「ゼロ不良」という理想は、莫大なコスト構造の上に成り立っていたんだ。

当時、経営層の多くは「ゼロ不良=完璧」と思っていた。でも現場の人間は違う景色を見ていた。「許容限界を正確に知る」こと、それが品質管理の本質だと、現場はずっと知っていた。

『許容できるエラー率』の設計が、すべての違いを生む

品質管理で最初に叩き込まれること、それは「不良率をゼロにする」じゃなくて、『この製品は、どの程度のエラー率まで機能するのか』を定義することだった。

自動車のブレーキシステムなら、10万台に1台の不具合も許されない。でも、ドアノブの色合いのばらつきなら、1,000台に数台は許容範囲だ。

この『許容限界の設定』は、顧客の期待値、製品のリスク、経済性のバランスから決まる。感情や理想じゃなく、データと現実で決める。これが品質管理の仕事だった。

製造ラインでは、この許容率を超えたら工程を止める。完璧を目指すんじゃなく、『十分に良い』の基準を越えたら、そこで手を止める。これが効率性と品質を両立させていた。

その基準を決めるまでに、3ヶ月の試験生産、データ分析、顧客フィードバック、複数部門の合意形成が必要だった。時間はかかる。でも一度決まれば、組織全体がぶれずに同じゴールに向かえる。それが、現場の安定感につながっていた。

AI導入で『精度100%の幻想』に囚われる企業の共通点

AI導入を急いでいる企業で、ほぼ必ず出てくる言葉がある。「精度100%を目指そう」だ。

これは、トヨタの製造現場で『ゼロ不良を追い求めた時代』と同じ罠だ。精度100%は、理想としては美しい。でも現実には、とんでもなく高くつく。

検証コスト、人的チェック、ダブルチェック体制、例外処理の仕組み──全部が膨らんでいく。AIを入れたはずなのに、人員は増え、運用負荷は重くなる。

現場で見てきた話をすると、「精度を1%上げるために、運用人員を2倍に増やした」ケースは珍しくない。品質管理の現場でも、まったく同じことが起きていた。最後の1%を改善するコストは、最初の99%と同じか、それ以上になる。

その1%が、本当にビジネスに必要なのか。その問いを立てないまま、ただ高い精度を追いかけている企業が多すぎる。

『許容エラー率』を定義することで見える、AI投資の本当の価値

AIプロジェクトの立ち上げ時、経営層と実行チームが一度立ち止まって決めるべきことがある。「このAIの許容エラー率は何か」という問いだ。

たとえば、営業の見込み客抽出AIなら、精度90%でも十分かもしれない。95%と90%の精度差には、3倍の開発コストがかかることがある。でも、ビジネス上の価値はほとんど変わらないケースも多い。

この基準を最初にチーム全体で共有しておくと、プロジェクトの期間と予算が劇的に変わってくる。完璧を目指して1年かかるはずのプロジェクトが、「精度80%で3ヶ月」に短縮できる。その3ヶ月で出たAIを運用しながら、並行して改善を続けるほうが、ビジネス上の価値は大きい。

車に例えるなら、走りながら調整するイメージだ。最初から完璧に仕上げてから走り出すより、走りながら課題を見つけて直したほうが、結果的に速く、遠くまで行ける。AIも同じで、早期に市場に出して学習を続けるほうが、最終的に高い精度に到達しやすい。

データ検証コストの爆発──品質管理で学んだ『検査の限界』

トヨタには「検査工程にも製造工程と同じくらいコストをかけろ」という考え方がある。ただし、これは「検査を完璧にしろ」という意味じゃない。「検査の対象と基準を正確に定めろ」ということだ。

検査を無限に増やせば、不良品の検出率は上がる。でも、ある一定の検出率を超えると、検査を1つ追加するたびに、装置のコストと運用人員の増加がついてくる。

AI時代でも、同じことが起きている。データの品質検証、モデル検証、本番環境でのテスト──検証ステップを増やすほど、本番のエラーは減る。でも、その検証費用が、AIが生み出す価値を上回ってしまうことがある。

たとえば、ECサイトのレコメンドAIの精度を99%に上げるために、月額200万円の検証コストがかかるとしよう。その投資はビジネスとして成立しているか。顧客満足度の向上が、それ以上の売上につながるか。ここを判断するのが、経営の仕事だ。

『安全性が最優先』の領域における、許容エラー率の引き上げ

医療や自動運転など、人命に関わる領域では「許容エラー率を引き上げるなんて無理だ」と思う人が多い。でも、実はそこにも工夫の余地がある。

自動運転システムの場合、AIの判断精度が95%でも、複数の判断層、バックアップシステム、人間の介入を組み合わせることで、システム全体の安全性は99.9%を超えられる。

AIの精度と、システムの安全性は、別の問題なんだ。AIの精度を極限まで上げようとするより、AIが間違えたときの『セーフティネット』を設計することが、本当の信頼性構築につながる。

トヨタの現場でも同じだった。検査員が目視で不良品を100%検出することは不可能だ。でも、複数の検査工程を重ね、顧客からのクレームをフィードバックループに組み込むことで、実質的なゼロ不良に近づいていた。

AIでも、AIだけに頼るんじゃなく、人間の判断・他システムとの連携・フィードバックの仕組みを組み合わせれば、初期精度80%でも、全体として十分に機能する状態を作れる。

『運用からの改善』——完璧なAIモデルより、改善し続ける仕組み

製造現場では「継続的改善」という言葉がある。完璧な状態を目指すんじゃなく、「今のプロセスより、1%良くする」を繰り返すことだ。

1年かけて完璧なAIモデルを開発するより、3ヶ月で精度80%のモデルを本番に出して、毎月1〜2%ずつ精度を上げていくほうが、最終的な成果は大きくなる。

なぜか。本番環境でしか見えないデータがあるからだ。開発フェーズの検証データと、実際の運用データには、必ずズレがある。そのズレを埋めるには、実際に動かして、フィードバックをもらうしかない。

試験走行で完璧に調整した車でも、実際に路上を走ると予期しない振動や音が出ることがある。現場で何度も確認しながら直していく、あのプロセスが、本当の品質向上だとぼくは思っている。

AIも同じだ。運用開始後に想定外のエッジケース、季節変動、ビジネス環境の変化が出てくる。だから、モデルの再学習と改善を繰り返せる仕組みこそが、長期的な資産になる。

『許容エラー率の合意形成』が、プロジェクト成功の分岐点

AIプロジェクトの初期段階で、経営層とエンジニアの間でやっておくべきことがある。「許容エラー率の基準」を、具体的な数字と実例で共有することだ。

プロジェクトが失敗する理由の多くは、精度についての認識がズレたまま走り出すことにある。経営層は「精度を上げてほしい」と言い、エンジニアは「現在の精度でビジネス的には十分」と言う。言葉の定義がバラバラなんだ。

「精度90%とは、具体的に何か」を、実例で見せる必要がある。「1,000件の判定で、100件が誤判定される」と言い換えると、ビジネス上の影響がはっきりしてくる。

その100件の誤判定を「自動処理するのか」「人間が再確認するのか」「顧客に受け入れられるのか」をデータとともに話し合うことで、初めて適切な目標値が決まる。

品質管理の世界では、これを『品質会議』と呼んでいた。製造、営業、品質保証、経営が一堂に集まり、「このレベルの不良率でいいのか」を数字と現実で議論する場だ。AIプロジェクトにも、同じ場が必要だとぼくは思っている。

エラーの『種類』を分類することで見える、本当のリスク

精度という一つの数字だけで判断することには、もう一つ危うさがある。エラーには「種類」があって、その種類によってビジネスへの影響がまったく違うからだ。

迷惑メール判定AIで言えば、「迷惑メールを見逃す誤り」と「正規メールを迷惑と判定する誤り」は、重大さが全然違う。後者は顧客に大きな不信感を与えるが、前者はメールボックスが少し汚れるだけだ。

『精度90%』という一つの数字の中に、まったく別の価値を持つエラーが混在している。これを見落とすと、改善すべき場所を間違える。

トヨタの品質管理では、エラーを「重大度レベル」と「発生確率」の2軸で分類していた。ブレーキの不具合は重大度が最高だから1ppm以下に保つ。内装の色ムラなら、1%程度の不具合は許容できる。

AIでも、エラーを「数えるだけ」ではなく、「そのエラーがビジネスに与える影響」で分類してみてほしい。分類が終われば、どこに投資すべきかは自然と見えてくる。

『完璧の追求』から『実効性の追求』へのマインドシフト

24年間、製造現場にいて感じてきたことがある。『組織の中で完璧さがどう扱われるか』が、その組織の将来を決める、ということだ。

完璧を最高の価値として掲げる組織は、最後の1%の改善に無限のリソースを使い続け、気づいたときには競争力を失っている。一方、「十分に良い」を基準にしながら継続的に改善する組織は、身軽に動ける。

AI導入を成功させるための文化転換も、同じ軸で考えてほしい。「精度100%を目指そう」というスローガンは、聞こえはいいが、組織を硬直させる。

代わりに、「『許容できる精度』を定義して、そこから継続的に改善する」という考え方を持つと、プロジェクトは動きやすくなるし、ビジネスの成果もついてくる。

完璧さを諦めるんじゃなく、完璧さへの道のりを戦略的に選ぶ。ぼくが現場で学んだことを一言で言えば、それに尽きる。

実例：ある営業支援AIプロジェクトでの『許容エラー率の設定』

具体的な話をしよう。ある大手企業の営業支援AIプロジェクトでのことだ。

当初の目標は「見込み客の判定精度95%以上」。でも、達成には12ヶ月と約5,000万円のコストが見込まれていた。

そこで、許容エラー率を改めて話し合う場を設けた。営業部門から「誤判定されたリードは営業が手動で再確認するから、精度90%でも実務上は問題ない」という声が出た。

その一言で、プロジェクト計画がまるごと変わった。目標を「精度90%、3ヶ月、予算1,500万円」に修正して本番に投入した。その後、実運用からのフィードバックをもとに、毎月0.5〜1%の精度改善を続けている。

18ヶ月後の現在、精度は93%に到達し、総投資額は2,000万円程度。当初の計画より3年早く、3,000万円安く、目標を上回る成果を出せた。

『完璧さのコスト』を可視化する──ROI分析という現場の知恵

最後に、経営層に伝えたいことがある。「精度を1%上げるのに、いくらかかるのか」を、プロジェクト開始前に可視化してほしい、ということだ。

多くのAIプロジェクトで、「精度を上げる」という目標だけが先走り、コストが曖昧なまま進んでいく。気づいたときには予算が膨れ、スケジュールは延び、チームは疲弊している。

品質管理の現場では、これを防ぐために『精度向上曲線』を事前に描いていた。過去データを分析して、「精度80%から90%に上げるには3ヶ月、90%から95%には6ヶ月かかる」という予測を立てる。

AIプロジェクトでも同じことができる。複数の精度レベル（80%、85%、90%、95%）それぞれを達成するのに必要な期間とコストを開発段階で見積もっておく。そうすれば、「ビジネス的には90%で十分だから、95%への追加投資は見送ろう」という判断が、根拠を持ってできる。

現場で使えない知識に意味はない。この『精度向上曲線』は、ぼくが現場で覚えた、地味だけど効く一手だ。

まとめ ─ これだけ覚えておけばいい

トヨタの品質管理経験から、AI導入に活かせる教訓を3つ残しておく。

• 精度100%は幻想：最初にやるべきは「許容できるエラー率」を決めること。この定義を後回しにしたプロジェクトは、必ずどこかで迷子になる。
• エラー率とビジネス価値は別の話：精度を1%上げることと、成果を出すことはイコールじゃない。エラーの「種類」と「影響度」を分けて考えると、どこに投資すべきかが見えてくる。
• 走りながら直す、が最強：完璧なモデルを1年かけて作るより、80%のモデルを3ヶ月で出して、運用しながら改善し続けるほうが、最終的に遠くまで行ける。

精度を追いかけている経営層、プロジェクトマネージャーのみなさんへ。まず「許容エラー率の設計」に時間をかけてみてほしい。そこから先のプロジェクトは、きっと動き方が変わってくるはずだ。

出典・参考情報

• トヨタ自動車公式サイト「品質への取り組み」
• 日本経営品質賞 編『継続的改善のマネジメント』（2026年）
• McKinsey & Company「AI導入企業のROI分析」（2026年）
• 日経ビジネス「AIプロジェクト失敗事例分析」（2026年10月号）
• IEEE「Machine Learning Model Validation Standards」（2026年）