カステラ・焼き菓子製造の現場では、焼き色の判定を職人の目視に頼ることが多く、微妙なばらつきが焼成ロスに直結している。この課題をAIで解消する取り組みが地方の菓子メーカーで広がりつつある。
- カステラ・焼き菓子製造における「焼成」工程の特殊性と焼き色判定が難しい理由
- AIが焼き色を自動判定する仕組みと必要なセンサー・カメラ構成
- 焼成ロス分析で見えてくる廃棄コスト・歩留まりの実態と数値
- 目視判定とAI判定の違いを比較表で整理
- 地方中小企業がAI焼成管理を導入する具体的な進め方とFURUSATOの無料現場セッション活用法
カステラ・焼き菓子製造のAI焼成管理とは、焼成炉内の温度分布と生地表面の色調変化をカメラ・センサーで計測し、AIが焼き色を自動判定して焼成条件を調整する仕組みである。導入後1〜2カ月で焼成ロス率が3割前後改善した事例もあり、地方中小企業の技術継承にも有効だ。
カステラ・焼き菓子製造における「焼成」とは何か
焼成とは、卵・小麦粉・砂糖・水飴などを合わせた生地を高温の炉で焼き上げ、カステラ・焼き菓子特有のしっとりとした食感と焼き色を作り出す工程を指す。カステラの場合、下火と上火の温度差を数十分かけて緩やかに調整しながら、生地の中心部まで均一に熱を通す必要があり、この焼成工程の巧拙が商品の等級・単価を大きく左右する。
焼き色の判定が難しいのは、カステラ特有の「三段階の色変化」があるためだ。表面のカラメル化による焦げ茶色、その下の黄金色の焼き目、さらに内部のきめ細かい黄色い断面——この3層のバランスが崩れると、表面だけ焦げて中が生焼けになったり、逆に焼き色が薄く商品価値が下がったりする。長崎県の老舗カステラ製造業C社では、「一人前の焼き師になるには最低でも8〜10年の経験が必要」とされており、熟練職人の勘に頼った焼成管理が長年続いてきた。
実際にC社では、ベテラン職人が体調不良で数週間現場を離れた際、後任担当者による焼成で表面の焼き色ムラによる規格外品が導入前の約1.7倍に増加した時期があったという。焼成という工程は「勘と経験」に強く依存する一方、その勘を数値化する仕組みがなければ、次世代への技術継承が構造的に難しい。ここにAIによる焼成管理が求められる背景がある。
カステラ・焼き菓子製造のAI焼成管理とは？焼き色を自動判定する仕組み
カステラ・焼き菓子製造のAI焼成管理とは、焼成炉内のカメラで生地表面の褐変度（焼き色の濃淡）を数値化し、AIがリアルタイムで焼き加減を判定して炉内温度・焼成時間を自動調整する仕組みである。具体的には次の3要素で構成されることが多い。
- 画像センシング：焼成炉内または出口にカメラを設置し、生地表面の色調（RGB値・褐変度スコア）を数百ミリ秒単位で撮影する
- 温度・中心温度センサー：炉内の上火・下火の温度ムラや生地の中心温度を計測し、生焼け・焦げの予兆を検知する
- AI判定モデル：過去の「合格品」「規格外品」の画像・温度データを学習し、リアルタイム映像から焼き色スコアを算出、上下火の火力や焼成時間へ自動でフィードバックする
家族経営で焼き菓子を製造するD社（従業員6名）では、焼成炉の出口にAIカメラを設置し、焼き色データを0〜100の褐変度スコアで数値化する仕組みを導入した。これにより、これまで「もう少し色が濃い方がいい気がする」といった感覚的な報告だった品質管理が、「褐変度スコア65未満は再焼成対象」という明確な基準に置き換わった。D社の担当者は「感覚でしか伝えられなかった焼き色の判断が数字になり、パート従業員にもその場で指導できるようになった」と話す。
重要なのは、AI焼成管理は熟練職人を置き換えるものではなく、職人の勘をデータとして可視化し、誰でも一定水準の判断ができるようにする「技術の翻訳装置」だという点だ。地方中小企業のAI活用においては、この「属人技術のデータ化」こそが最初に取り組むべきテーマになりやすい。
焼成ロス分析でわかること
焼成ロス分析とは、焼成工程で発生する規格外品・廃棄品の発生タイミングと原因をデータとして可視化し、削減余地を数値で把握する取り組みを指す。多くのカステラ・焼き菓子製造の現場では、焼成ロスは「仕方がないコスト」として片付けられがちだが、実際にデータを取ってみると原因の多くが特定の時間帯・特定の炉・特定の担当者に偏っていることが多い。
愛知県の焼き菓子メーカーE社が焼成ラインにAIカメラとロス記録システムを導入したところ、焼成ロスの約42%が始業直後1時間に集中していることが判明した。炉の予熱が安定するまでの立ち上がり時間帯に、担当者が経験の浅い早番スタッフに偏っていたことが主因だった。この結果を踏まえてE社は始業直後の焼成条件をAIが自動で厳しめに補正する運用に切り替え、導入から2カ月でロス率が34%から21%まで改善した。
また別の業務シーンとして、繁忙期の大量生産では、複数の炉を1人の担当者が同時に見る必要があり、焼き色の見落としが発生しやすい。焼成ロス分析ツールを使えば、炉ごとの焼き色スコアを一元的にモニター表示できるため、担当者は「異常値が出た炉だけ」に集中して確認すればよくなる。これにより、E社では繁忙期の焼成担当者の負担が体感で大きく軽減されたという。
焼成ロス分析は、単に廃棄数を集計するだけの取り組みではない。原材料費・電気代・人件費を含めたロス1個あたりのコストを算出し、「年間でどれだけの損失が焼成工程だけで発生しているか」を経営数値として示すことで、経営者の意思決定を後押しする効果もある。E社では焼成ロス分析の結果を月次の経営会議で報告する運用に切り替えたところ、設備投資の優先順位づけがしやすくなったと担当者は振り返る。
目視判定とAI判定の違い
カステラ・焼き菓子製造における焼き色判定は、従来の目視判定とAI判定とで精度・再現性・コストに明確な差が出る。以下の比較表に整理する。
| 比較項目 | 目視判定（従来） | AI焼き色判定 |
|---|---|---|
| 判定基準 | 担当者の経験・感覚に依存 | 褐変度スコアなど数値基準で統一 |
| 再現性 | 担当者・体調・照明で変動 | 同一条件で常に同じ基準を適用 |
| 技術継承 | OJTのみ、8〜10年規模の育成期間 | 基準がデータ化され新人でも短期間で運用可能 |
| 焼成ロス率 | 属人化により変動が大きい | 導入後1〜3カ月で数割改善する事例あり |
| 異常検知 | 担当者が気づいた時点で対応 | リアルタイムで焼き色の逸脱を検知しアラート |
この比較からわかるとおり、AI判定の最大の価値は「精度そのもの」よりも再現性と技術継承のしやすさにある。地方中小企業のAI活用は、最先端技術の導入自体が目的ではなく、属人化した判断基準を組織の資産として残すための手段だと捉えると、導入の優先順位が見えやすくなる。
地方中小企業の三大課題とカステラ・焼き菓子製造の関係
地方中小企業が共通して抱える課題は、属人化・人手不足・アナログ業務の三つに集約されることが多い。カステラ・焼き菓子製造の現場は、この三大課題がそのまま焼成工程に凝縮されている業種の一つだ。
属人化については、前述のとおり焼き色判定が熟練職人の経験に大きく依存している。人手不足については、地方の菓子製造業では若手の採用自体が難しく、8〜10年かかる焼き師の育成期間を待てないまま熟練者が退職していくケースが増えている。厚生労働省の調査でも、地方の中小製造業では技能継承の遅れが人手不足と並ぶ経営課題として挙げられており、菓子製造業も例外ではない。
アナログ業務については、焼成ロスの記録が紙の帳票や担当者の記憶に頼っている現場が今なお多い。「今日は何個廃棄が出たか」「どの時間帯にロスが集中したか」といったデータが蓄積されず、改善のPDCAが回らない構造になっている。経済産業省もDX推進ガイドラインの中で、中小企業の生産性向上には現場データの可視化が不可欠だと指摘している（経済産業省）。カステラ・焼き菓子製造のAI焼成管理は、この三大課題を同時に解消できる数少ない打ち手だといえる。
AI焼成管理を導入する具体的な進め方
AI焼成管理の導入は、いきなり高額なシステムを入れることから始めるべきではない。まず必要なのは、現場の焼成工程を丁寧に棚卸しし、「どこで、なぜ、焼成ロスが発生しているか」を関係者全員で言語化する作業だ。
FURUSATOでは、この最初のステップとして無料の3時間現場セッションを実施している。いきなりシステム提案をするのではなく、まず現場に入り、焼成ラインの動きや担当者の判断基準をヒアリングしながら課題を整理することから着手する。カステラ・焼き菓子製造の場合であれば、「焼き色のばらつきがどの工程・どの時間帯に起きているか」「どのデータなら現場の負担なく取得できるか」を現場の担当者・経営者双方と一緒に確認していく。
ここで重要なのは、担当者だけでなく経営者・社長を巻き込んだ変革として進める点だ。焼成ロスの削減は現場改善にとどまらず、原材料費・人件費・廃棄コストという経営指標に直結するテーマであり、経営判断としての投資対効果を経営者自身が理解していなければ、導入後の運用が定着しにくい。FURUSATOは「ITシステム導入」ではなく「業務変革」として、ツールを入れる前に業務の仕組み自体を見直すことを重視している。
実際の進め方としては、①無料3時間セッションでの課題整理、②焼成データの取得方法の設計（カメラ・センサーの試験導入）、③小規模な実証運用でのロス率検証、④効果が確認できた範囲での本格導入、という順序を踏むことが多い。中小企業基盤整備機構(中小企業基盤整備機構)なども中小企業の生産性向上支援策を提供しており、こうした公的支援策と組み合わせて導入コストを抑える選択肢も検討に値する。
AI焼成管理を導入した会社ではどう変わったか
ここまで紹介した事例に加え、導入前後の変化をもう少し具体的に見ていく。関東の中堅焼き菓子メーカーF社を導入した会社では、焼成担当者3名のうち2名が入社2年未満のパート従業員だった。従来はベテラン1名がすべての炉を巡回して焼き色を確認していたが、AI焼成管理を導入したことでモニター上に炉ごとの焼き色スコアが一覧表示されるようになり、経験の浅い担当者でも「どの炉に異常が出ているか」を即座に把握できるようになった。
導入から3カ月後、F社では焼成ロス率が導入前比で28%改善し、ベテラン担当者が休暇を取得しやすくなったという副次効果も生まれた。これまで「あの人がいないと現場が回らない」状態だったのが、AIが基準を担保することで属人化リスクが下がった形だ。
また、九州のカステラ専門店G社の場合、観光需要の繁忙期に生産量を急拡大させる必要があったが、熟練職人の増員が間に合わなかった。そこでAI焼成管理を先行導入し、新人スタッフでも一定基準の焼き色判定ができる体制を整えたことで、繁忙期の増産を人員増なしで乗り切ることができた。地方中小企業のAI活用は、こうした急な需要変動への対応力を高める効果も持つ。
AI焼成管理導入でよくある失敗と注意点
AI焼成管理は正しく導入すれば大きな効果を生む一方、進め方を誤ると「高い投資をしたのに現場で使われない」という結果になりかねない。地方中小企業のAI活用でよく見られる失敗パターンを押さえておくことが重要だ。
最も多い失敗は、現場のヒアリングを飛ばしてシステムから決めてしまうケースだ。関西の高級和菓子メーカーH社では、以前に別のベンダーから高機能なAIカメラシステムを導入したものの、現場の焼成担当者が普段どのようにコンベア速度や炉内温度を調整しているかを十分に把握しないまま設計されたため、実際の判断基準とAIのアラート基準がずれてしまい、担当者が警告を無視する運用が定着してしまった。結果として、システム自体は稼働していても焼成ロスの削減にはほとんどつながらなかったという。
もう一つの落とし穴は、データを取ることが目的化してしまうことだ。焼き色スコアや温度データを大量に取得しても、それを「誰が」「どのタイミングで」見て次のアクションにつなげるかが決まっていなければ、ダッシュボードが放置されるだけになる。焼成ロス分析は、数値を見た担当者や経営者が実際に焼成条件を調整する運用とセットで初めて効果を発揮する。
こうした失敗を避けるためには、システム導入の前に「誰が」「どの数値を見て」「どう動くか」という業務フローそのものを設計し直す必要がある。FURUSATOが「ITシステム導入」ではなく「業務変革」を重視するのは、ツールを入れる前にこの仕組みづくりを済ませておかないと、どれだけ高性能なAIでも現場に根付かないためだ。実際の導入前には、無料の3時間現場セッションを通じて、経営者・現場担当者の双方が納得できる運用設計を先に固めることが、失敗を防ぐ最も確実な方法だといえる。
よくある質問（FAQ）
- Q: カステラ・焼き菓子製造のAI焼成管理は小規模な工場でも導入できますか。
- A: 可能である。従業員数名規模の家族経営でも、焼成ライン1本分のカメラとセンサーから小さく試す導入が一般的で、初期投資を抑えた実証運用から始められる。
- Q: 焼き色の自動判定AIはどのくらいの期間で運用に乗りますか。
- A: 過去の合格品・規格外品データを学習させる期間を含め、多くの現場では導入から1〜3カ月ほどで一定の運用基準が固まる事例が多い。
- Q: 焼成ロス率はどの程度改善する見込みがありますか。
- A: 記事内の事例では導入後1〜3カ月で焼成ロス率が2〜3割程度改善したケースが複数見られるが、原因の偏りにより幅がある。
- Q: 熟練職人がいなくなった場合の技術継承にも使えますか。
- A: 使える。焼き色判定の基準を数値データ化することで、経験の浅い担当者でも同じ基準で判断できるようになり、技術継承のリスクを下げられる。
- Q: FURUSATOに相談する場合、最初に何をすればいいですか。
- A: まず無料の3時間現場セッションを申し込み、焼成ロスの発生状況や現場の判断基準を一緒に整理するところから始めるとよい。
関連記事
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。
