せんべい・米菓製造のAI焼成管理｜焼き加減の自動判定と焼成ロス削減を徹底解説

せんべい・米菓製造の現場では、焼き加減の判定を熟練職人の勘に頼るあまり、焼成ロスがコスト圧迫の一因になっている。この課題をAIで解消する動きが広がっている。

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）

せんべい・米菓製造における「焼成」とは何か

焼成とは、生地や生地を乾燥させた「素干し」の状態から高温で焼き上げ、米菓特有の膨らみ・食感・焼き色を作り出す工程を指す。せんべい・米菓製造においては、この焼成の良し悪しが商品価値の大半を決めると言っても過言ではない。焼き時間がわずか数秒ずれるだけで、膨化不足による硬化や、逆に焼き過ぎによる焦げ・割れが発生し、そのまま廃棄ロスにつながる。

問題は、焼き加減の見極めが極めて属人的だという点にある。多くの製造現場では、長年焼成ラインに立ってきた職人が、焼き色・膨らみ具合・においを目と鼻で判断し、焼成炉の温度やコンベアの速度を微調整している。新潟県の老舗米菓メーカーA社では、「一人前の焼き師になるには最低でも10年かかる」と言われており、熟練職人が退職すると同じ品質を再現できなくなるリスクを常に抱えていた。実際にA社では、ベテラン職人の定年退職後、後任担当者による焼成で不良率が導入前の1.6倍に跳ね上がった時期があったという。

このように、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・データ化する仕組みがなければ、次の世代に技術を引き継ぐことが構造的に難しい。ここにAIによる焼成管理が求められる背景がある。

せんべい・米菓製造のAI焼成管理とは？焼き加減を自動判定する仕組み

せんべい・米菓製造のAI焼成管理とは、焼成炉内の温度分布・生地の水分量・表面の色調変化をセンサーとカメラで計測し、AIがリアルタイムで焼き加減を判定して焼成条件を自動調整する仕組みである。具体的には次の3つの要素で構成されることが多い。

• 画像センシング：焼成ライン上にカメラを設置し、生地の膨化状態・焼き色（褐変度）を数百ミリ秒単位で撮影する
• 温湿度・水分センサー：焼成炉内の温度ムラや生地の残留水分量を計測し、焼きムラの予兆を検知する
• AI判定モデル：過去の「合格品」「不良品」の画像・センサーデータを学習し、リアルタイム映像から焼き加減のスコアを算出、コンベア速度や炉内温度に自動でフィードバックする

老舗の煎餅工房を営む家族経営のB社（従業員8名）では、AIカメラを焼成ライン出口に設置し、色調データを0〜100の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「ちょっと焼き足りない気がする」といった感覚的な報告だった品質管理が、「焼成スコア72未満は再焼成ラインへ」という明確な基準に置き換わった。B社の担当者は「感覚でしか伝えられなかった焼き加減が、数字になったことで新人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。

焼成ロス削減の効果と数値データ

AI焼成管理の導入効果は、焼成ロス率という具体的な数値で語ることができる。米菓卸売と製造を兼業する地方の中堅メーカーC社（従業員45名）の事例では、AI焼成管理を導入する前、焼成工程での不良発生率（焦げ・割れ・膨化不足の合計）は平均7.8%だった。これは月間生産量のうち、焼成だけで約12トン分が廃棄・再加工の対象になっていた計算になる。

C社がAIによる焼成モニタリングとコンベア速度の自動制御を導入した結果、導入から45日後には不良発生率が3.4%まで低下し、焼成ロスは半分以下になった。廃棄原料コストに換算すると年間で約380万円の削減効果があったと試算されている。加えて、再焼成のためにラインを止めていた時間が月あたり平均9時間短縮され、稼働率の向上にもつながった。

食品製造業全体で見ても、原材料価格の高騰と人手不足が同時に進む中、焼成・加熱工程のロス削減は利益率に直結する経営課題になっている。経済産業省の資料でも中小製造業における生産性向上とデジタル活用の重要性が指摘されており（経済産業省）、米菓・せんべい業界も例外ではない。

地方中小企業が抱える「属人化・人手不足・アナログ業務」という三重課題

せんべい・米菓製造のAI焼成管理を語るうえで避けて通れないのが、地方中小企業に共通する三大課題である。

• 属人化：焼成の判断基準が特定のベテラン社員の頭の中にしかなく、マニュアル化・数値化されていない
• 人手不足：地方の製造業では若手の採用が難しく、熟練職人の技術継承が追いつかない
• アナログ業務：焼成温度やロット管理を紙の帳票や口頭伝達で行っており、データとして蓄積・分析できない

ある地方の米菓製造業では、焼成担当のベテラン社員が体調を崩して長期離脱した際、代わりの担当者が同じ焼き加減を再現できず、得意先からのクレームが一時的に急増したというケースがあった。これは特殊な事例ではなく、地方中小企業のAI活用が「攻めのDX」ではなく「事業継続のための守りの投資」として語られる典型例である。

中小企業庁も、人手不足が深刻化する中小企業においてデジタル技術による業務効率化・技術継承の重要性を繰り返し発信している（中小企業基盤整備機構）。せんべい・米菓製造のように「勘と経験」に依存する業種ほど、AIによる焼き加減の自動判定は、単なる品質改善ではなく事業承継・人材育成の課題解決策として機能する。

AI焼成管理の導入ステップ｜いきなりシステム導入をしないことが重要

AI焼成管理を導入する際、最も陥りやすい失敗は「とりあえず高性能なセンサーとAIシステムを一式導入する」という進め方である。実際には、焼成ラインごとに炉の構造も生地の配合も異なるため、まず現場の業務フローと不良発生のパターンを丁寧に洗い出すことが欠かせない。

FURUSATO（フルサト、https://furusato.co-nect.co.jp）は、製造業・建設業・物流・卸売業・サービス業など幅広い業種で、地方中小企業のAI活用・DX支援を行ってきた実績を持つ。FURUSATOが重視するのは、「ITシステム導入」ではなく「業務変革」という視点だ。焼成ラインにAIカメラを設置する前に、そもそも焼き加減の合否判定を誰がどう行っているか、不良品はどの工程で最も多く発生しているか、記録は紙かデジタルかといった業務の実態を、まず現場で洗い出す。

そのための入り口として用意されているのが、初回3時間の現場セッション（無料）である。いきなりシステムの提案から入るのではなく、製造現場を実際に見ながら、焼成ロスがどの工程・どの時間帯に集中しているか、担当者ごとの判断基準にどんな差があるかを整理するところから始める。米菓製造の現場では、経営者・社長自身が焼成工程の細部まで把握していないケースも多く、FURUSATOでは担当者だけでなく経営者を巻き込んだ議論を行うことで、現場改善と経営判断がずれないようにしている。

導入ステップの目安は次のとおりだ。

• ステップ1：無料の3時間現場セッションで、焼成ロスの発生箇所と現状の判断基準を可視化する
• ステップ2：焼成ラインの一部区画で小規模にAIカメラ・センサーを試験導入し、データを蓄積する
• ステップ3：蓄積データをもとに焼成スコアの基準値を設定し、現場の担当者と合意形成する
• ステップ4：本格導入し、焼成条件の自動制御と教育マニュアルへの反映を進める

この順序を踏むことで、「システムを入れたが現場で使われない」という地方中小企業にありがちな失敗を避けやすくなる。

従来の焼成管理とAI焼成管理を比較する

焼き加減の判断方法という観点で、従来型の焼成管理とAI焼成管理を整理すると次のようになる。

この比較からも分かるとおり、AI焼成管理の価値は「精度」だけでなく、属人化していた判断基準を組織の資産として残せる点にある。地方中小企業のAI活用は、単発の効率化ではなく、事業の継続性そのものを支える取り組みとして位置づけるべきだろう。

せんべい・あられ・おかきで異なる焼成AI活用のポイント

ひとくちに米菓製造といっても、せんべい（うるち米・生地を薄く延ばして焼く）、おかき・あられ（もち米・小さく切って焼く、または揚げる）では、焼成炉の構造も焼き加減の判定基準も異なる。AI焼成管理を導入する際は、この違いを踏まえた設計が欠かせない。

薄焼きせんべいを主力とする地方の製造業D社では、生地が薄い分だけ焼きムラが起きやすく、焼成炉内の温度分布そのものが不良の主因になっていた。そこでD社は焼成炉内に複数の温度センサーを配置し、炉内のどの位置で焼き色が濃くなりやすいかをAIでマッピングする方法を採用した。結果として、従来は「炉のクセ」として職人が経験的に避けていた焼成条件が数値として可視化され、コンベアの搬送速度を区画ごとに自動調整できるようになった。

一方、あられ・おかきを扱う製造業では、素材が小粒であるため一つひとつの焼き色を目視で確認することが難しく、むしろ色調のばらつきを統計的に処理する画像解析がAIの得意分野になる。ある地方のあられ製造業では、出荷ロット全体の色調分布をAIで分析し、「規格外」と判定される割合が導入前の11%から導入後4%まで下がった事例が報告されている。このように、同じ「米菓のAI焼成管理」でも、生地の厚み・粒の大きさ・焼成炉の構造によって着眼点が変わるため、汎用的なパッケージ製品をそのまま導入するのではなく、自社の焼成ラインに合わせた設計が求められる。

AI焼成管理の導入でよくある失敗と定着させるコツ

AI焼成管理は、機器を設置しただけでは効果が出ないケースが少なくない。地方中小企業の現場で実際に見られる失敗パターンには、次のようなものがある。

• 現場の合意なしにシステムだけ導入する：焼成担当のベテラン社員が「自分の判断を否定された」と感じ、AIの判定結果を無視して従来のやり方を続けてしまう
• データ蓄積期間を省略する：自社の良品・不良品データが十分に学習されないまま本稼働させ、判定精度が安定しない
• 経営者が現場任せにする：投資対効果の検証や運用ルールの見直しが行われず、システムが形骸化する

これらを避けるために有効なのが、焼成ラインの一部区画から小規模に試験導入し、ベテラン職人の判断とAIのスコアを一定期間並走させる方法である。実際に、家族経営の煎餅工房であるB社では、導入初期の1カ月間、AIの判定結果と職人の目視判断を毎日突き合わせる運用を行った。結果としてズレが生じた事例を洗い出し、AIの判定基準そのものを現場の感覚に近づける調整を重ねたことで、最終的には職人自身が「自分の勘が数字で裏付けられた」と受け止めるようになったという。AIを「監視の道具」ではなく「技術継承の道具」として現場に説明することが、定着の分かれ目になる。

AI焼成管理の投資回収はどのくらいで見込めるか

地方中小企業がAI焼成管理への投資を検討する際、最も気になるのが「いつ元が取れるのか」という点だろう。焼成ロス削減による効果は、原材料費・廃棄コスト・再焼成にかかる人件費と光熱費の3つに分けて試算するとイメージしやすい。

前述のC社の事例をもとに試算すると、焼成不良率が7.8%から3.4%に下がったことで、年間の原材料ロスコストが約380万円削減された。これに加えて、再焼成ラインの稼働時間が月9時間短縮されたことによる人件費・電力コストの削減効果も加味すると、初期投資額を1〜2年程度で回収できる水準だったという。もちろん焼成ラインの規模や生地の種類によって数字は変動するが、「焼成ロス率を1%改善すると原材料コストにどれだけ跳ね返るか」を自社の生産量ベースで試算してみることが、投資判断の第一歩になる。

ここで重要なのは、AI焼成管理を単なる設備投資として捉えるのではなく、人手不足が進む中で品質を維持し続けるための事業継続コストとして位置づける視点である。焼成担当の熟練職人が今後10年でどれだけ引退していくのか、後任の育成にどれだけの時間とコストがかかるのかを踏まえると、AI焼成管理への投資は「今すぐの利益改善」だけでなく「5年後・10年後も同じ品質で商品を届け続けられるか」という経営判断そのものだと言える。

よくある質問（FAQ）

Q: せんべい・米菓製造でAI焼成管理を導入するには、どのくらいの初期費用がかかりますか？

A: ライン規模やセンサー構成により幅があるが、小規模な試験導入であれば数十万円台から始め、効果を見ながら段階的に拡大する進め方が一般的である。

Q: 焼成ロスを削減するAIは、どのくらいの期間で効果が出ますか？

A: 事例では導入から45日程度で焼成不良率が半減したケースがある。データ蓄積期間を含めても、1〜3カ月で効果を実感しやすい。

Q: 熟練職人の勘をAIで完全に再現できますか？

A: 完全再現ではなく、焼き加減の判断基準を数値化し「一定水準以上の品質」を誰でも再現できるようにする位置づけが実態に近い。

Q: 小規模な家族経営の米菓店でもAI焼成管理は導入できますか？

A: 可能である。焼成ラインの一部区画にカメラを設置する小規模導入から始め、効果を検証しながら拡大する事例が実際にある。

Q: FURUSATOに相談する前に準備しておくことはありますか？

A: 特別な準備は不要である。初回の3時間現場セッションでは、現状の焼成工程や課題感をヒアリングしながら整理するところから始める。

関連記事

• 陶磁器タイル製造業のAI在庫管理｜焼成ロス予測・在庫最適化で歩留まり改善

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。