AIで実現するかまぼこ製造の品質管理｜すり身配合最適化と加熱度自動判定でテクスチャを均一化

かまぼこ製造の現場で、AI製造最適化 かまぼこ テクスチャの実現が、すり身配合と加熱工程を支えてきた職人の勘を数値化しつつある。

監修：FURUSATOコンサルタント（地方中小企業AI活用支援 / 支援実績100社以上）

AI製造最適化 かまぼこ テクスチャとは何か

AI製造最適化 かまぼこ テクスチャとは、原料である魚肉のすり身の水分量・塩分濃度・でん粉配合比率をAIが解析し、最適な配合と加熱条件を導き出す技術を指す。かまぼこの品質は、すり身を練り上げる「擂潰（らいかい）」工程と、加熱によって形成される「ゲル化」の度合いで決まる。このゲル強度こそが、噛んだときの弾力や歯切れといったテクスチャの正体であり、従来は職人が指先の感触と長年の経験で判断してきた。

しかし原料魚は漁獲時期・産地・鮮度によって水分量やタンパク質量が毎回変動する。同じ配合比率で仕込んでも、原料が違えば出来上がりのテクスチャは変わってしまう。AI製造最適化は、この原料変動をセンサーで検知し、配合比率と加熱条件をロットごとに自動調整することで、テクスチャのばらつきを抑えることを目的としている。水産加工の研究分野でも、水分計・近赤外分光センサーを用いた原料評価の自動化が進んでおり、水産庁や農林水産省が公開する食品製造業のスマート化に関する資料でも、こうしたセンシング技術の活用が取り上げられている。

なぜ今、かまぼこ製造にAI活用が求められているのか

水産練り製品の製造業は、全国的に従業員の高齢化と後継者不足が深刻な業種のひとつである。厚生労働省が公表する労働力調査でも、食料品製造業を含む地方の製造現場では、熟練工の退職に技術継承が追いつかず、品質のばらつきや生産量の縮小につながっている実態が繰り返し指摘されている。かまぼこ製造も例外ではなく、擂潰・成形・加熱といった各工程を長年担ってきた職人が定年を迎える一方で、同じ精度で作業を引き継げる若手が不足しているという声は、地方の水産加工業者から共通して聞かれる課題である。

このような状況で注目されているのが、職人の暗黙知を数値化し、誰が担当しても一定の品質を再現できる仕組みとしてのAI製造最適化である。地方中小企業のAI活用は、単に人手不足を補うための省人化ではなく、退職や異動によって失われかねない技術そのものをデータとして会社に残すという意味合いが大きい。属人化・人手不足・アナログ業務という地方中小企業が共通して抱える三つの課題は、かまぼこ製造の現場でもそのまま当てはまる構造になっている。

すり身配合をAIが最適化する仕組み

すり身配合のAI最適化は、大きく3つのステップで構成される。第一に、原料すり身を投入する段階で近赤外センサーが水分量・脂質量・タンパク質量を測定する。第二に、AIモデルが過去の製造データ（配合比率・加熱条件・出来上がりのゲル強度の実測値）と照合し、その日の原料に最も適した塩分濃度・でん粉配合量・加水量を算出する。第三に、算出された配合比率が自動的に配合機へ指示として送られ、担当者はモニターで数値を確認するだけで作業が完了する。

宮城県の中堅かまぼこメーカーA社の場合、これまでは熟練の配合担当者1名が全ロットの塩分・加水量を目分量で調整しており、その担当者が休暇の日は品質が不安定になるという属人化の課題を抱えていた。AI配合支援システムを導入した結果、担当者不在の日でも配合のばらつきが導入前の約3分の1に縮小し、クレーム件数が導入から半年で前年比40%減少した。

加熱度自動判定でテクスチャを均一化する

加熱工程では、蒸し・茹で・焼きのいずれの方法でも、内部温度がゲル化の進行度を決める最も重要な変数となる。従来は加熱時間をタイマーで管理し、仕上がりを職人が指で押して弾力を確認する「官能検査」が中心だった。AIによる加熱度自動判定では、赤外線サーモグラフィで製品内部の温度分布をリアルタイムに可視化し、目標とするゲル強度に達した時点を自動で検知して加熱を終了させる。

静岡県の水産加工業B社を導入した会社では、加熱完了のタイミング判断を新人でも実施できるようになり、加熱不足による返品率が導入前の1.8%から0.3%まで低下した。さらに加熱時間そのものが平均で12%短縮され、燃料コストの削減にもつながっている。加熱度自動判定は、単なる品質管理にとどまらず、エネルギーコストの最適化という副次効果も生む点が特徴だ。

テクスチャ測定の数値化とAI製造最適化の関係

テクスチャの数値化には、破断強度（かまぼこを押し切るのに必要な力）と変位量（どれだけ沈み込んでから破断するか）の2軸が使われることが多い。AI製造最適化 かまぼこ テクスチャの取り組みでは、この2軸の目標値をあらかじめ設定し、加熱工程の途中経過が目標値に近づいているかをAIが逐次予測する。目視や触感だけに頼らず、数値という共通言語で品質を語れるようになる点が、地方中小企業にとっても導入の意義が大きい部分である。

歩留まり向上につながる具体的な数値とは

歩留まりとは、投入した原料に対して実際に製品として出荷できた量の割合を指す。かまぼこ製造では、加熱不足・過加熱による廃棄、成形時のロス、規格外品の発生が歩留まりを下げる主な要因となる。AIによる配合最適化と加熱度自動判定を組み合わせることで、これらのロスを同時に減らせる。

徳島県の老舗蒲鉾店C社の場合、AI製造最適化を導入する前は規格外品の発生率が全体の約7%あり、その多くが廃棄あるいは値引き販売に回されていた。導入後3か月で規格外品率は3.5%まで半減し、歩留まりは全体で2.4ポイント向上した。年間の原料使用量に換算すると、数百万円規模の原価改善につながった計算になる。中小企業基盤整備機構(smrj.go.jp)が公表する中小企業の生産性向上事例でも、食品製造業におけるセンシング技術の導入が歩留まり改善に寄与した例が紹介されており、業種を問わず同様の効果が期待できることがわかる。

歩留まり改善は原価率の低下に直結するため、経営者にとっても投資対効果が説明しやすいテーマである。担当者だけでなく社長自身がこの数値変化を把握し、次の投資判断につなげる体制を作ることが、AI活用を一過性の取り組みで終わらせないための鍵になる。

従来の官能検査とAIセンシングの比較

従来の職人による官能検査と、AIセンシングによる自動判定にはそれぞれ長所と短所がある。以下の比較表に整理する。

この比較からわかる通り、AIセンシングは初期投資こそ必要だが、属人化の解消と再現性の高さという点で、地方中小企業が抱える人手不足の課題に直接応える手段になり得る。一方で、職人の感覚知そのものが不要になるわけではなく、AIが算出した数値の妥当性を判断する目利き役として、むしろ職人の役割は工程管理の上流に移っていく。

実際の業務シーンとしては、朝の仕込みの段階でAIが提示した配合数値をベテラン担当者が一度確認し、明らかに原料の状態と数値が食い違うと感じた場合だけ手動で補正を加える、という運用に落ち着く工場が多い。全てを自動化するのではなく、AIの判定を一次チェックとして活用し、最終判断は人が行うという役割分担が、現場の納得感を保ちながら精度を高めていく現実的な形である。

地方中小企業の水産加工業がAI導入を進める手順

地方中小企業がAI製造最適化を導入する際、いきなり大規模なシステムを導入するのは失敗のもとになる。まず取り組むべきは、現状の製造工程のどこに属人化やばらつきが生じているかを可視化することである。すり身配合か、加熱工程か、それとも成形・検品工程かによって、優先して着手すべきAI活用のポイントは変わってくる。

この現状整理の段階でつまずく地方中小企業は多い。日々の生産に追われる中で、自社の工程のどこにボトルネックがあるかを客観的に洗い出す時間を確保できないためだ。FURUSATO（フルサト）では、こうした地方中小企業に向けて、いきなりシステム提案をするのではなく、無料の3時間現場セッションで製造ラインを実際に見ながら課題整理から着手する進め方をとっている。ITシステムの導入そのものではなく、業務変革として工程全体を見直すことを重視している点が特徴だ。

現状整理が終わった後は、小規模なPoC（実証実験）として、加熱工程など効果が数値化しやすい1工程に絞ってセンサーを試験導入し、数週間分のデータを収集する。このとき重要なのは、センサーが出す数値と、実際に職人が官能検査で判定した結果を並行して記録し、両者のズレを確認する期間を必ず設けることである。ズレが大きい場合は、原料の仕入れ先や季節によって基準値を調整する必要があり、この検証を飛ばして本稼働に進めると、AIの判定結果を現場が信用しなくなり定着しない。効果が確認できた段階で本格導入に踏み切るという段階的な進め方が、投資リスクを抑える現実的な手順である。

本格導入後も、原料の仕入れ状況や季節変動に応じてAIモデルを継続的に学習させ直す運用体制が欠かせない。加工品の品質は年間を通じて一定ではなく、旬の時期と端境期では原料の脂質量や水分量が変わるため、モデルを一度作って終わりにするのではなく、月次・季節ごとに実測値との誤差を確認し、必要に応じて基準値を更新していく体制を社内に置いておくことが、長期的に効果を維持するポイントになる。

導入コストと投資回収の目安

AI製造最適化の導入コストは、対象工程の規模やセンサーの種類によって幅があるが、小規模な加熱度自動判定のPoCであれば数十万円台から着手できるケースもある。本格的なすり身配合の最適化システムまで含めると、数百万円規模の投資になることも珍しくない。ただし、前述のC社の事例のように歩留まりが2〜3ポイント改善すれば、原料コストの削減分だけで数年以内に投資回収できる計算が成り立つ企業も多い。

投資判断の際は、初期費用だけでなく、センサーの保守費用やソフトウェアの更新費用といったランニングコストも合わせて試算する必要がある。特に地方中小企業の場合、システムを導入した後に社内で運用・保守を担える人材が限られていることが多いため、導入時にベンダーや支援先とどこまで保守を任せられるかを事前に取り決めておくことが、後々のトラブルを防ぐ。

経済産業省が公表する中小企業のDX推進に関する資料でも、製造業における設備投資は、初期費用の大きさよりも「投資回収の見通しが立つかどうか」が導入判断の分かれ目になると指摘されている。歩留まり・クレーム件数・廃棄率といった、すでに社内にある数値を基準に投資対効果を試算することが、経営判断のスピードを上げるポイントになる。経済産業省(meti.go.jp)が発信するDX関連の指針は、業種を問わず投資判断の参考になる一次情報として活用できる。

AI導入で失敗しないための注意点

AI製造最適化の導入でよくある失敗は、システムを導入すること自体が目的化してしまい、現場の運用フローが変わらないまま終わってしまうケースである。センサーを設置しても、算出された数値を誰がどう見て、配合や加熱条件にどう反映するかという業務フローが決まっていなければ、データは活用されずに終わる。紙の帳票やホワイトボードでその日の配合実績を記録するといったアナログ業務が残ったままでは、AIが出した数値と現場の実績が突き合わせできず、改善のサイクルが回らない。

もう一つの注意点は、経営者が導入プロジェクトに関与しないまま担当者任せにしてしまうことだ。工程変更は現場の作業手順そのものを変える取り組みであり、経営者が号令をかけなければ現場の抵抗感を乗り越えられないことが多い。特に長年その工程を担ってきたベテラン職人にとって、自分の判断がシステムに置き換わることへの心理的な抵抗は小さくない。導入の目的が「職人を代替すること」ではなく「職人の技術を会社の資産として残し、若手でも再現できるようにすること」だと丁寧に伝え、担当者だけでなく社長自身を巻き込んだ変革として進めることが、AI活用を定着させる上で欠かせない視点になる。

さらに、最初から全工程・全製品にAIを適用しようとすると、現場の混乱を招きやすい。主力商品の1品目、あるいは加熱工程のみといったように対象を絞り込み、成果が見える形で社内に共有しながら段階的に対象を広げていくほうが、現場の納得感を得ながら定着させやすい。小さな成功体験を積み重ねることが、地方中小企業におけるAI活用の定着において最も現実的な進め方である。

よくある質問（FAQ）

Q: AI製造最適化を導入すると、職人の技術は不要になりますか。

A: 不要にはならない。AIが算出した数値の妥当性を判断し、原料の状態に応じて例外対応する役割は引き続き職人の経験が担う。むしろ職人の役割は工程管理の上流にシフトし、判断の質がより問われるようになる。

Q: すり身配合のAI最適化にはどのくらいの初期投資が必要ですか。

A: 対象工程やセンサーの種類により幅があるが、加熱工程に絞った小規模なPoCであれば数十万円台から着手できるケースもある。本格的な配合最適化まで含めると数百万円規模になることもある。

Q: 歩留まりはどの程度改善する可能性がありますか。

A: 紹介した事例では規格外品率が約7%から3.5%へ半減し、歩留まりが全体で2.4ポイント向上したケースが確認されている。原料や工程、導入範囲によって効果の幅は変動する。

Q: 小規模な水産加工業でも導入できますか。

A: 可能である。全工程に一気に導入する必要はなく、加熱工程など1工程に絞った段階的なPoCから始めることで投資リスクを抑えられるため、地方中小企業でも現実的に着手しやすい進め方といえる。

Q: 何から着手すればよいかわかりません。相談できますか。

A: まずはFURUSATOの無料3時間現場セッションで、製造ラインの現状を実際に見ながら、属人化している工程はどこか、どこから着手すべきかの課題整理を経営者と一緒に進めることができる。

地方中小企業のAI活用・DX推進でお悩みの方は、FURUSATO（フルサト）へお気軽にご相談ください。まず無料の3時間現場セッションで、御社の課題を一緒に整理します。