#09：AIが異常を見つけても、なぜ修理は進まないのか？
配電設備のAI点検で見えた、「検出」と「是正」の間にある制約
AIによって設備の異常を、これまでより早く、正確に見つけられるようになる。
これは、フィールドサービスや設備保全にとって大きな進歩です。
これまで人の目や経験に頼っていた点検をAIが支援し、見落としていた異常も発見できるようになる。
では、AIがより多くの異常を見つけられるようになれば、設備の故障や停止も減るのでしょうか。
一見、そう思えます。
でも、ここで一つ考えたいのは、
「異常を見つけること」と「異常を直すこと」は、別の仕事だということです。
最近公開されたインドの配電設備に関するAI点検の研究を読んで、改めてそのことを考えさせられました。
AIによって設備の異常を、これまでより早く、正確に見つけられるようになる。
これは、フィールドサービスや設備保全にとって大きな進歩です。
これまで人の目や経験に頼っていた点検をAIが支援し、見落としていた異常も発見できるようになる。
では、AIがより多くの異常を見つけられるようになれば、設備の故障や停止も減るのでしょうか。
一見、そう思えます。
でも、ここで一つ考えたいのは、
「異常を見つけること」と「異常を直すこと」は、別の仕事だということです。
最近公開されたインドの配電設備に関するAI点検の研究を読んで、改めてそのことを考えさせられました。
AIが1,222件の異常を検出。是正を確認できたのは84件
2026年10月、インドの配電会社APEPDCLなどの研究者が、スマートフォンを使ったAI点検システムの実証結果を発表しました。
このシステムでは、現場担当者がスマートフォンで配電設備を撮影し、その画像をAIが分析します。
対象となるのは、例えば次のような異常です。
電柱の傾き
電線を支える腕金などの傾斜
電線と樹木の離隔不足
配電用変圧器の設置高さに関する問題
点検時には、撮影画像が判定に適しているかも確認します。画像の品質や撮影角度が適切でない場合、そのままAIによる判定を進めない仕組みです。
実証は、5つの配電系統にある3,810本の電柱を対象に行われました。
その結果、1,141本の電柱に関連する1,222件の異常が確認されました。異常の種類では、樹木と電線の離隔不足が900件と最も多くを占めています。
一方、研究期間中に実際の是正と、その後の確認まで完了したのは84件でした。
この数字を見て、どう感じるでしょうか。
「1,222件も見つけたのに、84件しか直せていないのか」
と思われるかもしれません。
しかし、私はそう単純に評価すべきではないと思います。
この84件は、限られた研究期間中に是正完了を確認できた件数です。残る異常がすべて同じ緊急度だったわけでも、研究終了後も是正されなかったと確認されたわけでもありません。
そして論文を読み進めると、なぜ研究期間中に是正できた件数が限られたのかについて、非常に興味深い説明がありました。
修理するためには、一度電気を止めなければならない
今回の研究では、検出された異常の是正が限定的だった主な理由として、通電中の配電設備に対する修理作業に必要な停電・作業許可の取得を挙げています。
設備を修理するには、作業の安全を確保するために一時的に送電を止める必要がある場合があります。
しかし、電気を止めるということは、供給を受けている顧客にも影響する可能性があるということです。
配電設備の運用状況を確認し、他の計画作業や緊急対応との調整も必要になります。
つまり、
「故障による停電を防ぐための修理なのに、その修理をするためには一時的に停電させる必要がある」
という問題です。
これは、AIの検出精度を上げれば解決する話ではありません。
技術者が足りないからとも限りません。
むしろ、
AIが異常を見つけた後、その異常を安全に修理できる条件がそろわない。
そこに、別の制約が存在しているわけです。
私が今回の研究で最も興味を持ったのは、この点でした。
「見つかった異常」を、どうやって「修理できる仕事」に変えるのか
ここからは、この研究を踏まえた私自身の考察です。
AIが異常を発見すると、これまで見えていなかった問題が見えるようになります。
これは間違いなく価値があります。
でも、発見された異常が、そのまま修理できる仕事になるわけではありません。
例えば、配電設備の場合を考えてみます。
- まず、どの異常を優先して直すのか。
- 放置した場合の故障リスクはどの程度か。
- 修理には停電が必要なのか。
- 必要なら、いつ停電させられるのか。
- 他の保全作業とまとめて実施できないか。
- 必要な技術者や部品は確保できるか。
こうした判断や調整が必要になります。
つまり、AIの異常検出から実際の是正完了までには、いくつもの工程があるということです。
異常検出 → 重要度評価 → 是正判断 → 停電・作業調整 → 要員・部品確保 → 是正作業 → 完了確認
今回の研究では、最後の完了確認までを点検アプリの仕組みに取り込んでいる点も重要です。
検出した異常は未是正案件として記録され、修理後に現場担当者が再び撮影した画像を使って、問題が解消されたかを確認します。
一部だけ改善された場合や、是正が不十分だった場合には、未解決の異常が残る仕組みです。
単に「AIで見つけました」で終わらせず、是正結果まで追跡しようとしている。
ここは、この研究の評価すべきところだと思います。
ただし、その仕組みがあっても、実際の修理を進めるための条件がそろわなければ、是正は完了しません。
一つの工程が進歩すると、次の制約が見えてくる
拙著『なぜ、現場は忙しいのに生産性が上がらないのか？』では、フィールドサービスの生産性を、個々の作業の効率ではなく、顧客依頼から解決完了までの「流れ」で捉えることが重要だと書きました。
特に第3章では、ボトルネックは一度見つけて解消すれば終わりではなく、改善が進むことで次の制約が現れることを説明しています。
今回の事例も、まさにそう考えられると思います。
AIによって点検・異常検出の能力が向上する。
すると、これまで十分に把握できていなかった異常が見えるようになる。
しかし、異常が分かったからといって、是正できる件数が同じように増えるわけではありません。
むしろ、異常を検出する能力が上がったことで、今度は是正を実行するための調整能力が制約として見えてくる。
これは、AI導入が失敗したという話ではありません。
改善によって、次に取り組むべき問題が明確になったと考えることもできます。
ただし、重要なのは、その変化に気づけるかどうかです。
異常検出の精度をさらに上げることだけに取り組み続けても、実際の修理を阻んでいる問題が別の場所にあるなら、サービス全体の成果は思ったほど変わらないかもしれません。
「適切なタイミング」は、技術者だけでは決まらない
拙著第2作の第5章では、フィールドサービスの生産性を、
Right Technician
Right Parts
Right Information
を、
Right Timing
でそろえる能力として捉えました。
今回の配電設備の事例では、このRight Timingがもう一段具体的に見えてきます。
- 技術者がいる。
- 必要な部品もある。
- 設備の異常箇所も分かっている。
それでも、修理のために設備を停止できる時間が確保できなければ、作業はできません。
つまり、解決に必要な条件には、設備を安全に停止できるタイミングも含まれるわけです。
これは電力会社に限った話ではありません。
例えば製造業でも、
- 生産設備に不具合の兆候が見つかった。
- 技術者も部品も準備できている。
- でも、その設備は生産計画の都合ですぐには止められない。
- 次の定期停止まで待つべきなのか。
- それとも、故障リスクを考えて生産を止めてでも修理すべきなのか。
そんな判断が必要になります。
AIが異常を見つけることと、実際に設備を止めて修理することの間には、現場の事情があります。
だからこそRight Timingは、単なる訪問スケジュールの問題ではありません。
顧客や設備の運用条件も含め、いつなら問題を解決できるのかを設計すること。
そこまで考える必要があります。
是正を遅らせているのは、誰なのか
ここで注意したいことがあります。
異常が見つかっているのに修理が進まないと、
「現場の対応が遅い」
「保全部門の処理能力が足りない」
という話になりがちです。
もちろん、実際に保全力（要員不足や作業能力不足）の問題がある場合もあるでしょう。
ただ、今回の事例では、修理に必要な停電・作業許可の調整が大きな制約になっていました。
- これは、現場の技術者だけで解決できる問題ではありません。
- 設備運用を管理する部門との調整が必要です。
- 他の作業との優先順位を決める必要もあります。
- 場合によっては、顧客への影響や設備停止のリスクも考慮しなければなりません。
つまり、実際に制約となっているのは、作業者の能力ではなく、
部門をまたいで是正作業を成立させる仕組みかもしれないわけです。
ここを見誤ると、
「もっと現場の作業件数を増やそう」
「技術者の稼働率を上げよう」
という改善に向かってしまいます。
でも、作業許可が下りないのであれば、技術者を増やしても修理は進みません。
人が足りないのか。それとも、仕事を実行できる条件がそろっていないのか。
この違いを見極めることが重要だと思います。
AIのKPIを「異常検出件数」だけで見てよいのか
今回の研究では、AIによる異常検出に加えて、是正状況の記録や修理後の確認まで行っています。
私は、この点を高く評価したいと思います。
なぜなら、AIの成果を「どれだけ多くの異常を見つけたか」だけで終わらせていないからです。
一方、この研究では、AI点検によって実際に停電が減ったという因果関係までは確認できなかったと明記されています。
研究期間中に是正できた異常が限られていたことに加え、停電件数は気象条件や設備故障など、さまざまな要因によって変動するためです。
ここも誠実に読む必要があります。
異常を発見できたことと、設備の信頼性が向上したことは、同じではありません。
では、AI点検の成果をどう評価すればよいのでしょうか。
検出精度や検出件数は、もちろん重要です。
でも、実際の保全成果へつなげるなら、
- 検出した異常のうち、どれだけが是正されたのか。
- 重要度の高い異常は優先的に対応できているか。
- 異常を発見してから是正するまで、どこに時間がかかっているのか。
- 停電・作業許可待ちの案件はどれくらいあるのか。
- 是正後に、同じ異常が再発していないか。
といった指標も必要になると思います。
さらに長期的には、設備故障や計画外停電が減ったかという成果まで確認する必要があります。
拙著第2作の第4章でも、KPIは単独で見るのではなく、業務全体への影響と組み合わせて見ることが重要だと書きました。
「何件見つけたか」は、活動の成果です。「何件解決し、設備の状態がどう改善したか」は、その先の成果です。
両方を区別して見る必要があります。
日本企業に置き換えると、どこが詰まるのか
今回の研究は、インドの配電会社における実証です。
もちろん、設備構成や作業ルール、停電調整の仕組みが、日本と同じとは限りません。
それでも、AIによって異常を見つけた後、実際の対応につなげるためにさまざまな調整が必要になるという構造は、日本の電力・ガス・通信・道路・上下水道などのインフラ事業でも考える価値があると思います。
例えば、
- AIを使った設備点検で異常が見つかる。
- でも、どの異常から対処するかを決める基準がない。
- 修理のための予算承認に時間がかかる。
- 設備停止の調整がつかない。
- 対応できる技術者や協力会社の予定が合わない。
こうした状況があれば、検出能力が高くても是正は進みません。
だからといって、AI点検の導入を待つべきだということではありません。
むしろ、AIによる点検の高度化と、その結果を是正へつなげる業務の見直しを一緒に考えるべきなのだと思います。
最初からすべてを自動化する必要はありません。
- まずは、検出した異常がどの段階で止まっているのかを見えるようにする。
- 次に、その理由を整理する。
- そして、本当に制約となっているところから改善する。
それだけでも、AIの価値を現場の成果につなげる大きな一歩になるはずです。
AIが見つけた「その後」まで設計する
AIによる設備点検は、これからさらに高度化していくでしょう。
より多くの設備を、より短時間で点検できるようになる。
これまで見落としていた異常も、早い段階で発見できるようになる。
それ自体は、非常に大きな価値です。
ただし、そこで終わらせてはいけません。
異常を見つけた後に、
- 誰が対応を判断するのか。
- 何を優先するのか。
- どの条件がそろえば修理できるのか。
- どこで承認や調整が必要になるのか。
- そして、修理が完了したことをどう確認するのか。
そこまでが、一つの業務の流れです。
今回のインドの事例は、AIの検出能力を高めることと、実際に是正を進めることの間に、重要な制約があると教えてくれました。
私がここから改めて感じたのは、
AIが何を見つけられるかだけではなく、見つけた後に組織として何ができるかを考える必要がある
ということです。
そして、そこに制約があるなら、次に改善すべきなのはAIの精度ではないかもしれません。
AIの仕事が終わったところから、人と組織の仕事が始まる。
そのつながりまで設計して初めて、AIは設備の信頼性向上やサービス全体の生産性改善に貢献できるのだと思います。
あなたの会社では、AIが見つけた異常を、実際の修理完了までつなげる仕組みができていますか？
もし途中で仕事が止まっているとしたら、原因は技術者の不足でしょうか。それとも、作業許可、設備停止、部品、関係部門との調整でしょうか。
YMG Advisoryでは、AIやIoTなどのテクノロジー導入そのものではなく、顧客課題の発見から解決完了までのFLOWを見ながら、どこに制約があるのか、その制約をどう外していくかという視点から、フィールドサービス・アフターサービス改革を考えています。
参考
Masabathula, S. B. et al. (2026), Smartphone-Based, Field-Deployed AI Inspection System for Power Distribution Infrastructure, arXiv:2610.17620, October 13, 2026.
本研究はarXivに公開されたプレプリントで、5つの配電系統における限定的な実証結果です。1,222件は検出された異常の件数、84件は研究期間中に是正完了が確認された件数です。AI点検による停電削減効果が実証されたものではありません。