予測AI・識別AIの実力 — 生成AIでは解けない課題
この記事を読むと: 需要予測・成約予測・画像検査・異常検知など、ChatGPTでは対応できない課題に「予測AI」「識別AI」がどう活躍しているかがわかります。6つの企業事例と導入コストの目安を通じて、自社に合ったAI選定の判断材料が得られます。
ChatGPTに在庫量を聞いた企業の末路
ある中堅アパレル企業の話です。2024年、経営会議で「AIを導入してコスト削減する」と決まりました。担当者はChatGPTに過去の販売データを貼り付け、こう質問しました。
「来月の売上予測を出してください」
ChatGPTは丁寧に回答を返しました。もっともらしいグラフの説明と、「季節性を考慮すると前年同月比105%程度が見込まれます」という分析。担当者はそれを信じて発注量を決めました。
結果——在庫が3,200万円分余りました。
なぜか。ChatGPTが返したのは「一般的な小売業の季節パターン」に基づく推論であり、その企業固有の販売データを統計的に分析した結果ではなかったからです。生成AIは文章を生成する技術であり、数値を正確に予測する技術ではありません。
この企業が本当に必要だったのは「予測AI」でした。
前回の記事でご紹介したAI選定マトリクスでは、「構造化データ × 正解がある課題」に予測AI、「非構造化データ × 正解がある課題」に識別AIが最適だとお伝えしました。今回はその具体的な活用事例を深掘りします。
予測AIとは何か
予測AI（Predictive AI）は、過去のデータからパターンを学習し、未来の数値やカテゴリを推定する技術です。統計学と機械学習をベースにしており、生成AIとはまったく異なるアプローチで動作します。
仕組みの概要
予測AIの基本的な流れは3ステップです。
- 学習: 過去データ（売上、顧客行動、気温、曜日など）から「何が結果に影響するか」のパターンを見つける
- モデル化: そのパターンを数式（モデル）として固定する
- 推論: 新しいデータをモデルに入力し、未来の値を出力する
代表的な手法には、線形回帰、決定木、ランダムフォレスト、勾配ブースティング（XGBoost、LightGBM）、時系列分析（ARIMA、Prophet）などがあります。
生成AIとの決定的な違い
| 比較軸 | 予測AI | 生成AI |
|---|---|---|
| 入力 | 構造化データ（数値・カテゴリ） | テキスト・画像 |
| 出力 | 数値 or 確率 | 文章・画像・コード |
| 根拠 | 統計的に算出（説明可能） | 確率的に生成（根拠が曖昧） |
| 得意なこと | 「いくつ」「いつ」「どれくらい」 | 「どう書く」「何を言う」 |
| 精度検証 | 数値で測定可能（RMSE、MAE等） | 人間の主観評価が必要 |
ポイントは説明可能性です。予測AIは「この顧客が解約する確率は78%で、主な要因は利用頻度の低下（寄与度42%）」と根拠を示せます。生成AIが「解約しそうです」と言っても、なぜそう判断したかの定量的な説明はできません。
事例1: 小売の需要予測 — 「何を、いくつ、いつ仕入れるか」
Amazonの需要予測システム
Amazonは世界最大級の予測AIユーザーです。数億SKU（商品単位）の需要を、地域・倉庫・時間帯単位で予測しています。
Amazonの予測精度が高い理由は、特徴量の豊富さにあります。過去の販売データだけでなく、以下の変数を組み合わせています。
- 曜日・祝日・セールイベント
- 天気予報（雨の日は傘が売れる）
- 検索クエリの増減（トレンドの先行指標）
- レビュー件数・評価の変動
- 競合の価格変動
この仕組みにより、Amazonは**Anticipatory Shipping（予測出荷）**と呼ばれる特許技術で、顧客が注文する前に商品を近くの倉庫に移動させています。
ユニクロ（ファーストリテイリング）の事例
ユニクロはAI需要予測を導入し、週次の発注精度を約15%改善したと報じられています。特にヒートテックやエアリズムなどの機能性衣料は、気温と販売量の相関が強く、予測AIが威力を発揮します。
気温が1度下がるとヒートテックの売上が何%上がるかを、店舗ごとに学習させることで、「渋谷店は木曜にMサイズが足りなくなる」レベルの粒度で在庫を最適化しています。
なぜ生成AIではダメなのか
需要予測には再現性と定量的な精度が必要です。生成AIに「来週の渋谷店のヒートテック売上は？」と聞いても、毎回異なる回答が返ります（生成AIは確率的に文章を生成するため）。予測AIは同じ入力に対して常に同じ出力を返し、その精度をRMSE（平均二乗誤差の平方根）で厳密に測定・改善できます。
事例2: SaaS企業の成約予測 — 「この商談は受注できるか」
Salesforce Einsteinの成約予測
Salesforce社のAI機能「Einstein」は、CRM（顧客管理システム）に蓄積された商談データから、各案件の成約確率をスコアリングします。
学習に使われる特徴量の例を見てみましょう。
- 過去の商談の勝敗データ（数千〜数万件）
- 商談の進行速度（フェーズ遷移の日数）
- メールの往復回数
- 決裁者との接触有無
- 競合参入の有無
- 業界・企業規模
営業マネージャーはダッシュボードで「成約確率が70%以上の案件」を一覧し、リソースを集中投下する判断ができます。あるSaaS企業では、Einstein導入後に受注率が12%向上し、営業チームの工数を案件選別から実際の提案活動にシフトできたと報告されています。
日本のSFA活用事例
国内でも、Sansan（名刺管理SaaS）やHubSpotを活用した成約予測は広がっています。特にインサイドセールスの現場では、リードスコアリング（見込み客の優先順位付け）にXGBoostベースの予測モデルを組み込む企業が増えています。
なぜ生成AIではダメなのか
生成AIに「この商談は受注できますか？」と聞くと、それらしい分析文を返しますが、その確率に統計的根拠がありません。予測AIは過去数万件の商談データから「このパターンでは成約率73%」と算出します。営業の意思決定に使うには、感覚ではなく数字の裏付けが必要です。
事例3: サブスクリプションの離脱予測 — 「誰が来月やめるか」
Netflixの解約予測
Netflixは、ユーザーの視聴行動から解約リスクを日次で予測しています。注目すべきは、予測だけでなく「介入」まで自動化している点です。
解約リスクが高いと判定されたユーザーには、以下のような介入が自動実行されます。
- パーソナライズされた新作レコメンドのプッシュ通知
- トップページのコンテンツ配置の変更
- 「あなたにおすすめ」メールの頻度調整
これにより、Netflixは年間で数十億ドル規模の解約防止効果を上げていると推定されています。
国内SaaSの離脱予測
日本のSaaS企業でも離脱予測の導入は進んでいます。典型的な特徴量は以下の通りです。
- ログイン頻度の変化（過去30日 vs 過去90日）
- 主要機能の利用率
- サポート問い合わせの増減
- 契約更新日までの残日数
- NPS（顧客満足度）スコアの変動
あるBtoB SaaS企業では、LightGBMを使った離脱予測モデルを導入し、解約率を前年比で2.3ポイント改善しました。月額単価が高いBtoBでは、1社の解約防止が年間数百万円のインパクトになります。
なぜ生成AIではダメなのか
離脱予測のポイントは早期発見と定量的な優先順位付けです。「解約しそうな顧客リストを出して」とChatGPTに頼んでも、データベースにアクセスできません。仮にデータを渡しても、数万人の顧客を一人ずつスコアリングして毎日更新する処理は、生成AIの設計思想の外にあります。
識別AIとは何か
識別AI（Classification / Detection AI）は、画像・音声・センサーデータなどの非構造化データを入力し、「正常か異常か」「何が写っているか」を判定する技術です。
仕組みの概要
識別AIの中核は**CNN（畳み込みニューラルネットワーク）**です。2012年にAlexNetがImageNetコンペで圧勝して以来、画像認識の標準手法となりました。近年はVision Transformer（ViT）と呼ばれる、生成AIと同じTransformerアーキテクチャを画像に応用した手法も台頭しています。
識別AIの流れは以下の通りです。
- データ収集: 正常品・不良品の画像を数百〜数万枚用意する
- ラベリング: 各画像に「正常」「傷あり」「欠け」などのラベルを付ける
- 学習: CNNがラベル付き画像からパターンを学習する
- 推論: 新しい画像を入力すると「傷あり: 確率94%」と判定する
予測AIとの違い
予測AIが「構造化データ（数値テーブル）」を扱うのに対し、識別AIは「非構造化データ（画像・音声・信号）」を扱います。しかし、どちらも**「正解ラベルのあるデータから学習し、未知のデータに対して判定する」**という点では同じ教師あり学習の仲間です。
事例4: 製造ラインの外観検査 — 「人の目より速く、正確に」
キーエンスの画像検査AI
キーエンスの画像処理検査装置は、製造ラインに設置されたカメラで製品を撮影し、傷・汚れ・欠け・寸法ズレをリアルタイムで検出します。
従来の目視検査では、以下の課題がありました。
- 検査員の疲労による見逃し（特に夜勤の後半）
- 判定基準の個人差（「この傷はOKかNGか」の揺れ）
- 検査速度の限界（1個あたり3〜5秒）
AIによる外観検査は、1個あたり0.1秒以下で判定でき、24時間稼働しても精度が落ちません。自動車部品メーカーでは、AI検査導入後に不良品の流出率が90%以上低減した事例が複数報告されています。
食品業界の異物検出
食品工場では、製品に混入した異物（金属片、毛髪、虫）の検出にもAIが使われています。従来のX線検査装置では検出が難しかったプラスチック片のような低密度の異物も、画像AIなら色や形状の違いで検出可能です。
なぜ生成AIではダメなのか
外観検査に求められるのは、ミリ秒単位のリアルタイム処理と99.9%以上の検出率です。生成AIに画像を送って「傷はありますか？」と聞くことは技術的に可能ですが、1枚あたり数秒かかり、ラインスピードに追いつけません。また、生成AIの回答は確率的であり、「99.95%の精度を保証する」といった品質管理の要件を満たせません。
事例5: 医療画像診断 — 「見落としを減らす第二の目」
胸部X線の肺がん検出
Google Health（現Google DeepMind Health）は2020年、胸部X線画像からの肺がん検出において、6人の放射線科医の平均を上回る精度を達成したと発表しました（Nature誌掲載）。
医療画像AIの特徴は、「医師を置き換える」のではなく**「第二の目として見落としを防ぐ」**という位置付けです。放射線科医がまず読影し、AIが並行して解析。両者の判定が食い違った場合にアラートを出し、医師が再確認するワークフローが一般的です。
国内の導入状況
日本でも、エルピクセル（現LPIXEL）のAI医療画像診断支援ソフト「EIRL」が、2021年に薬事承認を取得しています。脳MRIでの動脈瘤検出や、胸部X線での肺結節検出に対応しており、見落とし率を約50%低減したとの臨床データが報告されています。
なぜ生成AIではダメなのか
医療画像診断では**薬事承認（PMDA）**が必要です。承認には、「特定のデータセットで感度○%、特異度○%」という定量的なエビデンスが求められます。生成AIは毎回異なる回答を返す可能性があり、この「再現性」の要件を満たせません。また、誤診時の責任の所在が曖昧になる問題もあります。
事例6: インフラの異常検知 — 「壊れる前に見つける」
予知保全（Predictive Maintenance）
工場の機械設備、発電所のタービン、鉄道の車輪——これらは突然壊れると数千万円〜数億円の損害が発生します。異常検知AIは、センサーデータ（振動、温度、音、電流値）を常時監視し、故障の兆候を数日〜数週間前に検出します。
GE（ゼネラル・エレクトリック）のPredixプラットフォームは、世界中の発電用タービンからセンサーデータを収集し、異常パターンを検出しています。ある発電所では、タービンのベアリング劣化を故障の11日前に検出し、計画的なメンテナンスに切り替えることで数億円の損害を回避しました。
橋梁・トンネルの劣化検知
日本では、老朽化するインフラの点検にもAIが活用されています。ドローンで撮影した橋梁の画像から、ひび割れの位置・長さ・幅を自動検出する技術が実用化されています。国土交通省の推進により、2026年現在、全国の主要橋梁の約30%でAI点検が導入されています。
なぜ生成AIではダメなのか
異常検知はリアルタイム性とパターン認識の正確性が命です。振動センサーから毎秒数千回のデータが流れてくる環境で、生成AIに「この波形は正常ですか？」と1件ずつ問い合わせるのは非現実的です。異常検知AIは、学習済みモデルがエッジデバイス（センサー付近の小型コンピュータ）上で直接推論を行い、ミリ秒単位で判定します。
予測AI × 生成AIの協業パターン
予測AIと生成AIは競合関係ではありません。それぞれの強みを組み合わせることで、単独では実現できない価値を生み出せます。
パターン1: 予測AI → 生成AIで「説明」を生成
予測AIが「この顧客の解約確率は82%」と算出した後、生成AIがその結果を営業担当者向けの自然文に変換します。
予測AIの出力:
解約確率: 82%
主要因子: ログイン頻度低下(寄与度38%)、サポート問い合わせ増加(寄与度27%)
生成AIの変換:
「田中様のアカウントは直近30日間でログイン頻度が60%低下しており、
同時にサポートへの問い合わせが3倍に増えています。
過去の傾向から、来月の解約リスクが非常に高い状態です。
まずはログイン頻度低下の原因をヒアリングすることを推奨します。」
数字の羅列ではなく、具体的なアクション提案を含む文章にすることで、現場担当者がすぐに動ける状態を作ります。
パターン2: 識別AI → 生成AIで「報告書」を生成
製造ラインの外観検査AIが不良品を検出した後、生成AIが品質管理報告書を自動生成します。
識別AIの出力:
判定: 不良（傷あり）
傷の位置: 右上 (x:340, y:120)
傷の長さ: 2.3mm
信頼度: 97.2%
生成AIの変換:
品質管理報告書
─────────────
日時: 2026-05-03 14:32
ロット: A-2026-0503-017
判定: 不合格
内容: 製品右上部に長さ2.3mmの線状傷を検出（信頼度97.2%）。
推定原因: 金型の摩耗による転写不良の可能性。
推奨対応: 金型C-14の表面状態を確認してください。
パターン3: 生成AI → 予測AIで「特徴量」を生成
これは比較的新しいパターンです。生成AIがテキストデータ（顧客レビュー、SNS投稿）を分析して感情スコアや要約を生成し、それを予測AIの入力特徴量として使います。
例えば、Amazonレビューの感情分析結果（ポジティブ/ネガティブの比率）を需要予測モデルの特徴量に追加することで、予測精度が3〜5%向上した事例が報告されています。
導入の現実 — コスト・期間・必要データ量
「うちでも導入したい」と思った方のために、現実的な数字をお伝えします。
予測AIの導入目安
| 項目 | PoC（実証実験） | 本番導入 |
|---|---|---|
| 期間 | 1〜3ヶ月 | 3〜6ヶ月 |
| コスト | 300〜800万円 | 1,000〜3,000万円 |
| 必要データ量 | 最低1,000件〜 | 1万件以上が望ましい |
| 必要な人材 | データサイエンティスト1名 | DS1名 + MLエンジニア1名 |
識別AIの導入目安
| 項目 | PoC（実証実験） | 本番導入 |
|---|---|---|
| 期間 | 2〜4ヶ月 | 4〜8ヶ月 |
| コスト | 500〜1,500万円 | 2,000〜5,000万円 |
| 必要画像数 | 最低500枚〜 | 5,000枚以上が望ましい |
| 追加設備 | カメラ、照明、エッジ端末 | 同左 + ライン改修費 |
コスト削減のポイント
識別AIはハードウェア（カメラ・照明・エッジ端末）の費用が加算されるため、予測AIより初期投資が大きくなりがちです。ただし、以下の方法でコストを抑えることが可能です。
- 転移学習: ImageNetなどで事前学習済みのモデルをベースに、自社データで微調整する。必要な画像数が10分の1程度に減る
- AutoML: Google Cloud AutoML、AWS SageMaker Autopilotなどのマネージドサービスを使い、モデル構築の工数を削減する
- 段階的導入: まず1ラインで効果を実証し、ROIが確認できてから全ラインに展開する
データがない場合はどうする？
「うちにはデータがない」という声をよく聞きます。しかし、多くの場合「データはあるが整理されていない」のが実態です。Excelに散在する売上データ、基幹システムのログ、メールの問い合わせ履歴——これらを1つのテーブルに統合するだけで、予測AIの学習データになります。
データ整備に3ヶ月、モデル構築に2ヶ月が一般的なスケジュールです。データ整備の段階でビジネスインサイト（「実はこの指標が売上に効いていた」等）が見つかることも多く、AI導入前の段階ですでに価値が生まれます。
まとめ
この記事のポイントを3つにまとめます。
-
予測AIは「いくつ・いつ・どれくらい」を数値で答える技術であり、需要予測・成約予測・離脱予測など「数字で判断する課題」に最適です。生成AIのように毎回異なる回答を返すことはなく、統計的根拠に基づいた再現性のある予測を提供します。
-
識別AIは「これは何か・正常か異常か」を判定する技術であり、外観検査・医療画像診断・異常検知など「人の目の代替」に威力を発揮します。リアルタイム処理と高精度の保証という、生成AIでは満たせない要件に対応します。
-
予測AI・識別AI・生成AIは競合ではなく協業関係です。予測AIが数字を出し、識別AIが判定し、生成AIがそれを人間にわかりやすく伝える。この組み合わせが、2026年のAI活用の最適解です。
AI導入を検討する際、「とりあえずChatGPT」ではなく、まず自社の課題がどの種類のAIに適しているかを見極めることが、成功への第一歩です。
次回予告: 第4回「2026年、生成AIの次に来るもの — 強化学習・Agentic AI」では、自ら試行錯誤して最適解を見つける強化学習AIと、複数のAIが連携して複雑なタスクを自律遂行するAgentic AIの最前線に迫ります。AlphaGoからロボティクス、そしてClaude CodeやDevin——AIが「考える」から「動く」へ進化する未来をお見せします。