40件以上のプロジェクトを通じて見えてきたのは、失敗の原因はAIモデルの性能ではなく、導入設計の問題であることが大半だということです。
失敗パターン①：照明設計の不備
AI外観検査の精度は「撮り方」で8割決まります。どれだけ優秀なAIモデルでも、照明条件が不適切なら欠陥はカメラに写りません。
よくある失敗：既存カメラでPoCし「精度が出た」と判断→本番では対象物が高速搬送で位置・角度にバラつき→精度激減。
対策
PoC段階から本番と同じ照明条件・搬送条件で撮像。照明方式は欠陥の種類に合わせて選定（同軸落射、ローアングル、パターン投影等）。
失敗パターン②：「1品種でAI化→横展開」の罠
1品種目に500万円・3ヶ月→10品種なら5,000万円・2年以上。少量生産品では投資回収不可能。
対策
最初から多品種対応を前提としたシステム設計。VLMハイブリッドなら品種追加時のAI再開発が不要。
失敗パターン③：PoCと本番環境の乖離
PoCで99%精度→本番で精度低下。原因の大半：
撮像条件の違い
PoCは静止画、本番はコンベア搬送中。PoCは最適照明、本番は既存照明と干渉。
ワークの違い
PoCは良品サンプル、本番は素材ロット差あり。PoCは固定、本番は位置決めバラつき。
失敗パターン④：学習データの偏り
📊
不良品サンプル不足
正常品1万枚に対し不良品10枚ではまともな学習は不可能
🎯
不良パターンの偏り
キズは多いが変色は少ない→少数派の不良を見逃す
📷
撮像条件の偏り
特定の照明・角度のみで学習→条件変更で精度低下
失敗パターン⑤：AIモデルだけに頼りすぎる
AIベンダーが提供するのはAIモデル（ソフト）だけで、照明設計やカメラ選定は顧客責任というケースが多い。結果「AIは良いが照明が合わないから精度が出ない」。
対策
照明設計・カメラ選定・検査フロー・PLC連携までワンストップで対応できるパートナーを選ぶ。
まとめ：失敗を避ける3つの原則
1️⃣
PoCは本番環境で
ラボ検証と本番は別物
2️⃣
最初から多品種前提で設計
1品種ずつの積み上げはコスト爆発
3️⃣
AI＋照明＋カメラの全体設計
撮り方で精度の8割が決まる
ソリューション
多品種外観検査AI｜VLMで学習コストを削減
技術解説
VLM（Vision Language Model）による外観検査の仕組み