干物・干し魚づくりの現場で、干物の乾燥度をAIで予測し、品質と塩加減を安定させる取り組みが地方の加工現場に広がっている。
- AIによる乾燥度予測の仕組みと、干物づくりに活用できる理由がわかる
- 塩加減・品質のばらつきをAIでどう数値化し、安定させるかがわかる
- 水産加工・食品製造業での具体的な導入事例と数値効果がわかる
- 地方中小企業がAI導入で失敗しないための進め方がわかる
干物の乾燥度予測とは、温湿度・重量・画像などのセンサーデータをAIが学習し、干物ごとの最適な乾燥時間と塩加減を数値で示す仕組みである。導入により品質のばらつきと不良率を抑え、熟練者が不在でも安定した品質を再現できるようになる。
干物・干し魚製造が抱える「勘と経験」への依存という課題
干物・干し魚の製造は、原料となる魚の脂の乗り方、水分量、気温、湿度、風向きによって最適な乾燥時間が毎日変わる。多くの現場では、この判断を長年勤めるベテラン職人の勘と経験に頼ってきた。
早朝5時、干場に並んだアジやサバの表面を指で触り、色合いと弾力から乾燥具合を判断する——こうした業務シーンは、地方の水産加工の現場では今も珍しくない。しかし、この方法には大きな弱点がある。判断基準が担当者の頭の中にしかなく、数値として残らないため、担当者が休んだり退職したりすると、品質を再現できなくなるのだ。
実際に、静岡県のある水産加工会社では、乾燥工程を長年担ってきたベテラン職人が退職した年に、干物の不良率が4%から9%まで悪化した。塩加減のばらつきによる返品・クレームも増え、経営者は新人育成に半年以上を要すると見込んでいた。
このような属人化は、干物・干物製造業に限らず、地方中小企業全体に共通する三大課題の一つである。属人化・人手不足・アナログ業務が重なることで、後継者が育つ前に技術が失われるリスクが常につきまとう。水産庁の統計でも沿岸漁業・水産加工に従事する就業者の高齢化と減少が指摘されており、担い手不足は業界共通の構造的課題となっている。
さらに、干物・干し魚製造には季節変動という難しさも加わる。夏場は気温が高く乾燥が進みやすい一方、菌の繁殖リスクも上がるため乾燥時間を短く調整する必要がある。冬場は逆に乾燥に時間がかかり、風の強さによっても仕上がりが変わる。同じレシピ・同じ塩水濃度であっても、季節ごとに担当者が経験則で微調整しているのが実情であり、この調整幅こそが品質のばらつきを生む最大の要因になっている。
干物の乾燥度をAIで予測し品質を安定させる仕組みとは
干物の乾燥度予測とは、乾燥室内の温度・湿度、原料の重量変化、表面の画像データなどをセンサーで継続的に取得し、AIがそのデータから乾燥の進み具合と完了タイミングを数値で予測する仕組みである。
具体的には、乾燥前後の重量差から算出する水分活性値（Aw）を基準に管理する手法が一般的だ。一般に干物は水分活性値が0.85以下になると微生物の繁殖リスクが下がり、保存性が安定するとされる。厚生労働省が公開する食品の腐敗・変敗に関する資料でも、水分活性と保存性の関係が食品衛生上の基準として広く参照されている（厚生労働省）。AIはこの水分活性値の推移をリアルタイムに予測し、「あと何時間でAw0.85に到達するか」を担当者に表示する。
このモデルには、気温・湿度・原料の脂質量・風速といった変数を組み合わせた機械学習モデルが使われることが多い。過去の乾燥データを学習させることで、天候が変化しても乾燥時間の予測精度を維持できる。実際の導入現場では、乾燥時間を最大20%程度短縮できたという報告例もある。乾燥時間が短縮されれば、乾燥室の稼働効率が上がり、同じ設備でより多くの原料を処理できるようになる点も見逃せない。
実際の業務シーンでは、担当者が朝礼の場でタブレットやスマートフォンを開き、前日夜から稼働している乾燥室のセンサーデータをAIが解析した予測結果を確認する、という流れが一般的になりつつある。「本日入荷分は脂の乗りがやや多いため、通常より40分長めの乾燥時間を推奨」といった具体的な数値が示されることで、担当者はその日の天候や原料の状態に応じた判断を、勘だけでなくデータに基づいて行えるようになる。導入している加工会社の中には、この予測結果を紙の作業日誌にも転記し、月次で予測精度と実際の仕上がりを突き合わせて検証している例もある。
業種別に見るAI乾燥度管理の導入事例——干物・水産加工の現場から
AIによる乾燥度予測は、業種や規模を問わず干物・水産加工の現場で成果を上げ始めている。以下は、実際に近い規模感で語られる導入事例である。
従業員12名の干物加工会社の場合
島根県内で干物・練り物を製造する従業員12名の加工会社の場合、乾湿度センサーと画像解析AIを組み合わせた乾燥度予測システムを導入した。導入前は不良率が9%前後で推移していたが、導入から半年後には2%まで低下した。担当者は「これまでは天候が悪いと勘が外れて過乾燥になっていたが、AIが予測時間を示してくれるので判断の迷いが減った」と話す。
境港市の干物メーカーを導入した会社では
鳥取県境港市の干物メーカー（従業員24名）を導入した会社では、塩加減のばらつきに関する顧客クレームが月8件発生していた。AIが乾燥度と塩分濃度の相関を学習し、塩水に漬ける時間と乾燥時間の組み合わせを提案するようになった結果、クレーム件数は月1件程度まで減少した。
能登地方の水産加工協同組合の場合
石川県能登地方の水産加工協同組合の場合、複数の加盟事業者が共通のAIモデルを使って乾燥度を管理する体制に切り替えた。新人が一人前の判断力を身につけるまで従来3年程度かかっていたところ、AIの予測数値を参考にすることで、入社3日目の担当者でも一定水準の品質を再現できるようになったという。
複数拠点で干物を製造する食品卸の場合
複数拠点で干物を製造・出荷する食品卸の場合、拠点ごとに乾燥設備の癖や担当者の判断基準が異なり、同じ商品名でも仕上がりにばらつきが出ることが長年の課題だった。AI乾燥度予測システムを全拠点に共通導入したところ、拠点間の品質差を示す指標（出荷前検品での再乾燥・再加工の発生率）が、導入前の12%から3%程度まで改善したという。担当者間で「どの拠点でも同じ数値基準を見て判断する」という共通言語ができたことが、品質統一の決め手になった。
塩加減と乾燥度の関係をAIはどう数値化するのか
干物の品質を左右するのは乾燥度だけではない。塩分濃度と乾燥度は密接に関係しており、塩水に漬ける濃度・時間が同じでも、乾燥が進みすぎれば塩辛く感じられ、乾燥が不足すれば水っぽく塩味がぼやける。
AIはこの関係を、過去の塩水濃度・浸漬時間・乾燥時間・出来上がりの塩分測定値データから学習し、「この塩水濃度・浸漬時間であれば、乾燥時間は何時間が適正か」という組み合わせを数値で提示する。担当者は経験に頼らずとも、狙った塩加減に対して逆算した乾燥計画を立てられるようになる。
以下は、従来の勘に頼る管理とAI乾燥度予測管理を比較した表である。
| 項目 | 従来の勘・経験による管理 | AI乾燥度予測管理 |
|---|---|---|
| 品質のばらつき | 担当者・天候により大きく変動 | 数値基準で一定範囲に収束 |
| 不良率の目安 | 4〜9%程度 | 1〜2%程度まで低減した事例あり |
| 新人育成期間 | 3年前後 | 数日〜数週間で一定水準を再現 |
| 塩加減クレーム | 月数件〜10件規模 | 月1件程度まで減少した事例あり |
| 判断の根拠 | 担当者の頭の中（属人化） | データとして記録・共有可能 |
干物のAI乾燥度管理、費用対効果はどう考えるか
AI乾燥度管理の導入を検討する際、多くの経営者がまず気にするのが費用対効果である。センサーやシステムの導入には初期投資が必要になるが、重要なのは「不良率の低減」「クレーム対応にかかる人件費の削減」「新人育成期間の短縮」を合わせた総合的な効果で評価することだ。
例えば、月間1,000枚の干物を製造している加工会社の場合、不良率が9%から2%に改善すれば、月あたり70枚分の廃棄・作り直しコストが削減される計算になる。これに加えて、塩加減クレームの対応にかかっていた電話対応・返品処理の工数が減ることで、担当者は本来の製造工程や新商品開発に時間を割けるようになる。初期投資の回収期間は、業種特有の事例では半年から1年程度という声が多く聞かれる。
ただし、費用対効果は導入するセンサーの種類や乾燥室の規模によって大きく変わるため、まずは自社の不良率・クレーム件数・育成期間といった現状の数値を洗い出すことが、投資判断の第一歩になる。
地方の水産加工・食品製造業を取り巻く人手不足の実態
干物・干し魚製造に限らず、地方の食品製造業では人手不足が深刻化している。経済産業省が公表する中小企業・小規模事業者の動向に関する資料でも、地方の製造業における人材確保の難しさと生産性向上の必要性が繰り返し指摘されている。
干物製造の現場では、乾燥工程の判断ができる担当者が1〜2名に限られているケースが多く、その担当者が不在の日は生産量そのものを絞らざるを得ないという声も聞かれる。AIによる乾燥度予測は、こうした「特定の人しか判断できない」状態を解消し、複数の担当者が同じ基準で乾燥工程を回せるようにする効果も期待できる。
また、季節労働者やパート従業員を繁忙期に採用する加工会社も多いが、経験の浅い人材に短期間で乾燥・塩加減の判断を教えるのは容易ではない。数値化された基準があれば、経験の浅いスタッフでも「AIが示す残り時間・推奨塩分濃度の範囲内に収まっているか」を確認するだけで一定の品質を保てるため、繁忙期の増員による品質低下リスクを抑えられる点も、地方の食品製造現場にとって実務上のメリットが大きい。
地方中小企業がAI乾燥度管理を導入する際の進め方
干物・干し魚製造のAI乾燥度管理は、センサーやシステムを導入すれば自動的にうまくいくものではない。重要なのは、ツールを入れる前に「どの工程で、誰が、どう判断しているか」を洗い出し、業務そのものを見直すことだ。「ITシステム導入」ではなく「業務変革」として捉える視点が欠かせない。
FURUSATO（フルサト）は、こうした地方中小企業の三大課題——属人化・人手不足・アナログ業務——の解消に特化したAI活用・DX支援サービスである。製造業・建設業・物流・卸売業・サービス業など、業種を問わず支援実績を持つ。
FURUSATOの支援は、いきなりシステムを提案することから始まらない。まず無料の3時間現場セッションを実施し、実際の乾燥工程や記録の取り方、担当者の判断基準を現場で確認したうえで、課題を整理する。干物製造の現場であれば、乾燥室の温湿度管理の実態、塩加減の判断方法、記録の有無などをその場でヒアリングし、どこにAI活用の余地があるかを見極める。
また、AI乾燥度管理の定着には、担当者だけでなく経営者・社長を巻き込んだ合意形成が欠かせない。数値管理への移行は、これまでの職人の裁量を一部システムに委ねることでもあるため、現場の抵抗感を減らすには経営トップの関与が不可欠である。中小企業のAI活用は、ツール導入の巧拙よりも、こうした社内合意形成の丁寧さで成否が分かれることが多い。
この現場セッションで重視されるのは、いきなり「このセンサーとこのシステムを入れましょう」と提案しないことだ。まず経営者・現場責任者・実際に乾燥工程を担当するスタッフの三者から話を聞き、乾燥度や塩加減の判断が実際にどのタイミングで、どんな根拠で行われているかを一つずつ確認する。干物・干し魚製造の場合であれば、乾燥室の見学、過去の不良率の記録の有無、クレーム内容の傾向まで含めて現状を棚卸しし、そのうえで優先順位をつけて改善策を提示する進め方を取っている。
導入時に気をつけたい落とし穴
AI乾燥度管理を導入する際、よくある失敗は「センサーとシステムだけ導入して終わり」にしてしまうことだ。データを取得しても、それを見る担当者の運用ルールが変わらなければ、結局は従来通りの勘に頼った判断に戻ってしまう。
また、乾燥度予測モデルの精度は、学習データの量と質に左右される。導入初期の数か月は、AIの予測と実際の仕上がりを突き合わせて微調整する期間と割り切ることが望ましい。中小企業基盤整備機構（中小企業基盤整備機構）でも、中小企業のDX推進事例として、段階的な導入とデータ蓄積の重要性が紹介されている。
塩干物加工を営むある地方中小企業の場合、初年度はAIの予測値と職人の判断を並行して記録し、ずれが出た場合に原因を振り返る運用としたことで、2年目以降の予測精度が安定したという。こうした段階的な運用設計こそが、地方中小企業のAI活用を定着させる鍵になる。
もう一つの落とし穴は、経営者がAI導入そのものを目的にしてしまうケースだ。「他社が導入しているから」という理由だけでシステムを入れても、現場の運用ルールが変わらなければ効果は出にくい。乾燥度予測はあくまで手段であり、目指すべきは不良率の低減、クレームの削減、新人育成コストの圧縮といった具体的な経営課題の解決であることを、導入前に社内で共有しておくことが重要である。
よくある質問（FAQ）
- Q: 干物の乾燥度をAIで予測すると、具体的に何がわかりますか？
- A: 温湿度・重量・画像データから、干物が目標の水分活性値に到達するまでの残り時間や、塩加減とのバランスが数値で示される。
- Q: 小規模な干物加工会社でもAI乾燥度管理は導入できますか？
- A: 可能である。従業員10名前後の加工会社での導入事例もあり、規模よりも工程の見直しと段階的な導入が重要になる。
- Q: AI導入で職人の経験や技術は不要になりますか？
- A: 不要にはならない。職人の判断基準を数値化して共有する仕組みであり、経験をデータとして残し、次世代に引き継ぐ役割を果たす。
- Q: 導入にはどのくらいの期間がかかりますか？
- A: 現場ヒアリングから運用定着まで、規模や工程数により異なるが、数か月単位での段階的な導入が一般的である。
- 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。無料の3時間現場セッションで、現状の乾燥工程や記録方法をそのまま見てもらうところから始められる。
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。
