QUALIこの記事の要点SUMMARY
- AI Actはリスクの高さでAIを4段階に分け、段階ごとに異なる義務を課す仕組み
- 2026年のデジタル・オムニバス合意で、ハイリスクAIの義務はAnnex IIIが2027年12月、Annex Iが2028年8月へ延期された
- 社内の品質検査に使うAIは多くの場合ハイリスクに当たらないが、機械の安全機能に組み込む場合は扱いが変わる
製造現場へのAIの導入は、外観検査、予知保全、需要予測と広がっています。一方で「EUにAIの規制ができた」というニュースを聞き、自社の取り組みが該当するのか気になっている方も多いはずです。この記事では、EU AI Act の仕組みと、製造業で使うAIがどこに位置づけられるのかを整理します。
基本の考え方 ― リスクで分ける
AI Actの骨格は明快で、AIをリスクの高さで分類し、高いものほど厳しく規制するという構造です。「AIだから規制」ではなく「どう使うか」で決まります。
| 区分 | 内容 | 扱い | 製造業での例 |
|---|---|---|---|
| 許容できないリスク | 人の権利を著しく侵害する用途 | 禁止 | （通常の製造業では想定しにくい） |
| ハイリスク | 安全や基本的権利に重大な影響を与える用途 | 厳しい要求（品質管理体制、データ管理、記録、人間による監督など） | 機械の安全機能に組み込むAI、採用選考、与信 |
| 限定的リスク | 人が相手だと分かる必要がある用途 | 透明性の要求（AIだと分かるようにする） | チャットボット、生成物の表示 |
| 最小リスク | それ以外の大多数 | 特段の義務なし | 社内の外観検査、予知保全、需要予測の多く |
最下行が重要です。製造業で使われているAIの多くは、最小リスクに分類されます。社内の品質検査に使うAIは、人の権利に影響するものではないからです。
では、いつハイリスクになるのか
製造業がハイリスクに触れる可能性があるのは、主に2つの経路です。
経路①：製品の安全部品としてAIを使う
**機械の安全機能をAIが担う場合**。機械規則など既存の製品安全法制と結びつく（Annex I）
経路②：人に対して使う
**採用選考、人事評価、労働者の監視**など。用途で列挙されている（Annex III）
それ以外
社内の品質検査、設備の異常検知、需要予測——多くは最小リスク
経路①は、機械規則（EU 2023/1230）と接続する部分です。AIが安全機能を担う機械をEUへ出す場合、機械側の要求とAI側の要求が重なります（「EU機械規則とは」）。
「検査AIが不良を見逃す」はハイリスクか
よくある疑問です。社内の品質検査で使うAIが不良を見逃せば品質問題になりますが、これは製品の安全機能そのものをAIが担っているのとは違います。一方、たとえば人の安全を守る機能（危険区域への進入検知など）をAIで実現しているなら、話は変わります。判断の軸は「品質か安全か」ではなく「安全機能を構成しているか」です。
スケジュール ― 大幅に延期された
ここが本記事でもっとも押さえてほしい部分です。AI Actは段階的に適用される設計でしたが、2026年のデジタル・オムニバス合意により、ハイリスクAIの義務が大きく延期されました。
| 対象 | 当初の予定 | **現在の見込み** |
|---|---|---|
| 禁止されるAI | 2025年2月 | 適用済み |
| 汎用AI（GPAI）の義務 | 2025年8月 | 適用済み |
| ハイリスクAI（Annex III：用途で列挙） | 2026年8月 | 2027年12月2日へ延期 |
| ハイリスクAI（Annex I：製品安全法制に組み込まれるもの） | 2027年8月 | 2028年8月2日へ延期 |
| 透明性の義務（第50条） | 2026年8月 | 延期されていない |
| 罰則 | 段階的 | 延期されていない |
延期の理由は、技術標準や監督体制の整備が間に合わなかったためとされています。ただしすべてが延期されたわけではありません。透明性の義務と罰則は据え置かれています。
延期は「やらなくていい」ではありません
ハイリスクAIの要求は、品質管理体制の構築、学習データの管理、記録の保持、人間による監督の仕組みなど、準備に時間がかかるものばかりです。延期された分だけ準備期間が延びた、と捉えるのが実務的です。また今後さらに変更される可能性もあるため、最新情報の確認が要ります。
ハイリスクに当たる場合、何が求められるのか
要求の中身を見ると、品質マネジメントの発想とよく似ていることに気づきます。
| 要求 | 内容 | 品質管理でいうと |
|---|---|---|
| リスク管理システム | AIのライフサイクル全体でリスクを管理 | ISO 9001のリスク及び機会に近い |
| データの品質管理 | 学習・検証・テストに使うデータの適切性 | 測定データの信頼性に近い |
| 技術文書 | 仕組み・性能・限界の文書化 | 設計文書、仕様書 |
| 記録（ログ） | 動作の記録を残す | 製造記録・トレーサビリティ |
| 透明性・情報提供 | 利用者が理解して使えるようにする | 取扱説明書 |
| 人間による監督 | 人が介入できる設計 | 最終判断を人が持つ |
| 正確性・堅牢性・セキュリティ | 性能と安定性 | 工程能力、信頼性 |
| 品質マネジメントシステム | 組織としての仕組み | QMSそのもの |
学習データの品質は、製造業にとって身近な論点です。現場のデータでAIを学習させる場合、そのデータがどう記録されたかが結果を左右します。後追いで入力された記録や、条件が曖昧なデータで学習すれば、AIの判断もそれに引きずられます（「生成AIと現場データの落とし穴」）。
規制以前の話 ― データが悪ければAIも悪くなる
AI Actの対象になるかどうかとは別に、製造現場でAIを使うときに必ずぶつかる問題があります。Garbage In, Garbage Out（ゴミを入れればゴミが出る）と呼ばれる、古くからある原則です。
AIの精度が上がらないとき、原因はモデルではなくデータ側にあることが少なくありません。現場のデータには、次のような癖がつきものです。
| データの癖 | 何が起きるか | 元の原因 |
|---|---|---|
| 記録の時刻が実際とずれている | 事象の前後関係が狂い、因果を学習できない | 終業前のまとめ入力 |
| 条件が記録されていない | 「なぜその日だけ不良が多いか」を説明できない | 材料ロット・気温・湿度が記録対象外 |
| 良品・不良の判定がばらつく | 教師データが揺れ、境界が学習できない | 検査員による判断の差 |
| 欠測が多い | 学習できる期間が限られる | 忙しい日ほど記録が抜ける |
| 正常データばかり | 異常を学習できない | 不良が少ないこと自体は良いが、データとしては偏る |
2行目は、製造業でとくに効きます。AIが「不良の予兆」を学ぼうとしても、そのとき使っていた材料ロットが記録されていなければ、材料の違いという要因を学習に含められません。結果として「原因不明のばらつき」として処理されます。
AI導入の前に、記録の粒度を確認する
AIを検討する段階で「どんなデータがあるか」を棚卸しすると、多くの現場で同じ結論に至ります——「集めているデータは多いが、結びついていない」。設備のデータ、検査のデータ、材料のデータがそれぞれ別に存在し、時刻やロットで突き合わせられない状態です。AIの性能を上げる作業の相当部分は、この結びつけです。
日本企業が対象になる場合
| 状況 | 対象になりうるか |
|---|---|
| EU市場にAIシステムを出す | 対象 |
| AIを組み込んだ機械・製品をEUへ輸出 | 対象になりうる |
| EU域内で自社のAIを使う（現地法人など） | 対象になりうる |
| AIの出力がEU域内で使われる | 状況により対象になりうる |
| 日本国内の工場で、社内向けにAI外観検査を使う | AI Actの直接の対象ではない |
最下行が、多くの読者に当てはまるはずです。国内工場の社内利用であれば、AI Actが直接かかるわけではありません。ただし、その製品がEUへ輸出される場合や、将来的に国内でルールが整備される可能性は考慮に値します。
よくある誤解
- 「AIを使うと規制対象」：用途とリスクで決まります。社内の品質検査の多くは最小リスクです
- 「2026年8月から全部始まる」：ハイリスクAIの義務は2027年12月・2028年8月へ延期されました
- 「延期されたので何もしなくてよい」：透明性の義務と罰則は延期されていません。また準備には時間がかかります
- 「不良を見逃すAIはハイリスク」：品質の問題と、製品の安全機能を担うことは別です
- 「日本の工場なら無関係」：直接の対象ではありませんが、製品がEUへ出るなら関わってきます
まとめ
- AI Actはリスクの高さでAIを4段階に分け、段階ごとに義務が変わる
- 製造業で使うAI（外観検査、予知保全、需要予測）の多くは最小リスクに分類される
- ハイリスクになりうるのは、機械の安全機能に組み込む場合と、人に対して使う場合
- 2026年のデジタル・オムニバス合意で、ハイリスクAIの義務は2027年12月・2028年8月へ延期された
- 透明性の義務と罰則は延期されていない。また要求の準備には時間がかかる
- 規制以前に、学習データの質がAIの性能を決める。材料ロットや条件が記録されていないと、その要因は学習に含められない
この記事とQUALIKEEPの関係について
率直にお伝えします。QUALIKEEP はAIシステムではなく、AI Actへの適合を支援するものでもありません。AIの開発、モデルの管理、学習データの管理、リスク分類の判定——いずれも対象外です。
関連するとすれば、記事中で触れた学習データの元になる現場記録という間接的な部分です。AIに学習させる現場データが、後追いで書かれた記録や条件の曖昧なデータであれば、そこから作られるモデルも同じ弱点を持ちます。ただしこれはAI Actへの対応ではなく、データの土台をどう作るかという一般的な話です。
| 領域 | 扱えるか | 補足 |
|---|---|---|
| AIの開発・運用 | できません | モデルの学習・推論・評価を行う機能はありません |
| リスク分類の判定 | できません | 自社のAIがハイリスクに当たるかの判断は行いません |
| AI Actへの適合 | 保証しません | 技術文書の作成、透明性義務への対応、適合の判定は対象外です |
| 学習データセットの管理 | できません | データセットの構築・アノテーション・版管理を行うツールではありません |
| 材料ロットの記録 | 扱えます | 「いつどのロットを使ったか」という、分析の材料になる記録の一部です |
ご注意
本記事は公開情報をもとにした一般的な解説です。AI Actは改正・延期が繰り返されている領域であり、適用日・対象範囲・要求内容は変わる可能性があります。実際の対応にあたっては、欧州委員会の最新情報および専門家にご確認ください。本記事は個別のAIシステムの分類を判定するものではありません。
参考・出典
※ 外部サイトの内容・URL は変更される場合があります。最新の情報は各機関の公式ページをご確認ください。