【トレンド】：農産物の選果、水産加工の選別、木材の流通といった一次産業と製造の接点に、画像AIや業界特化型AIが入り始めています。
【メリット】：熟練者の目視に頼っていた「選別・検品」を数値化し、人手不足の中でも品質と処理量を保てるようになります。
【重要性】：担い手の減少で目利きの技術継承が間に合わなくなりつつあり、データを蓄積できる今が導入準備の最後の好機です。
「繁忙期になると選果場にパートさんが集まらない」「この魚が1級か2級か、判断できるのはもうあの人だけ」――。農産物や水産物を扱う加工現場では、こうした声が年々切実になっています。
一次産業の加工工程は、工業製品の工場と違い、原料の形も大きさも一つとして同じものがありません。だからこそ「人の目」に頼るしかなかった領域に、いまAIが入り込みつつあります。
本記事では、2026年に発表された国内の事例をもとに、一次産業×AI×製造の現在地を整理します。そのうえで、プレスリリースには書かれない「導入でつまずくポイント」と「明日からできる準備」を、現場目線で解説します。
【Q】いま現場で起きている「一次産業×AI×製造」の変化とは？
一言でいえば、**「熟練者の目と勘に頼ってきた選別・判定工程を、画像AIなどで数値化・自動化する動き」**です。背景には、深刻な担い手不足があります。
農業：選果工程が最大のボトルネック
IPA（情報処理推進機構）の未踏事業の成果資料によると、基幹的農業就業人口は2010年の205万人から2020年には122万人まで減少しており、栽培から出荷までの流れの中でも特に省人化を阻んでいるのが選果工程だと指摘されています。同資料では、国内の人手による選果に年間約1,500億円が費やされ、これは日本の農業市場全体の5%に相当するとされています。 ipaipa
機械化の動きも具体化しています。光学選別機の世界大手であるトムラフードジャパンは、2026年3月のFOODEX JAPANに初出展し、AI機能を搭載したブルーベリー・ミニトマト用の選果ラインを日本市場向けに紹介しました。皮が柔らかく傷つきやすい果実を、鮮度を保ちながら大量・高速に処理することが狙いです。 impressimpress
漁業：水産加工場が「フィジカルAI」の実験場に
札幌のIoT企業エコモットは2026年3月、北海道白糠町の藤山水産加工の全株式を取得して子会社化しました。同社は水産加工現場をフィジカルAIの実証・開発拠点と位置づけ、画像解析による自動選別、設備・環境の最適制御、ロボットによる部分自動化を段階的に進める方針です。加工工程はデータ蓄積と自動化の余地が大きい一方で、人手不足や夜間稼働の制約が課題とされています。 www.logi-today.com +2
林業：「情報の分断」をAIでつなぐ
林業では、加工よりも流通の課題が先に来ています。森未来は木材データベースを活用した「木材特化型AI β版」の限定提供を開始しました。背景には、設計側は木材の相談先がわからず、森林所有者や木材事業者は需要動向をつかめないという、川上と川下の情報の分断があります。 koubokoubo
用語メモ：フィジカルAI
画面の中で完結するAIではなく、カメラ・センサー・ロボットなどと組み合わせて、現実の「モノ」を見て判断し、動かすAIのことです。製造現場では、人手不足（作業の代替）と品質管理（判定のばらつき解消）の両方に直結する技術です。
【Q】導入すると現場はどう変わる？（具体的なメリット）
機能の説明ではなく、現場の「困りごと」がどう変わるかで整理します。
① 繁忙期の人集めに追われなくなる
選果・選別は収穫期・漁期に作業が集中します。AI選別機が一次選別を担えば、パートさんの役割は「全数を見る」から「AIが迷ったものだけを見る」に変わります。必要な人数を減らせるだけでなく、未経験の人でも戦力になりやすくなります。
② 「なぜ2級品が出たか」を追えるようになる
これは見落とされがちですが、大きなメリットです。過去の水産加工の実証では、多くの生産現場で工程の「見える化」がされていないため、1級品と2級品が生まれる原因をつかめず、歩留まり改善が進まないことが課題として挙げられていました。AIが判定結果を記録し続けることで、「どの時間帯・どの原料ロットで格落ちが増えるか」が数字で見えるようになります。 tohoku
③ 目利きの基準が「人」から「仕組み」に移る
エコモットのリリースでも、職人の目利きだけに頼らない安定した品質の維持と、現場の省力化を同時に実現することを掲げています。ベテランが引退しても、その人が「良し」とした基準をAIの学習データとして残せます。 prtimes
④ 夜間・早朝の稼働を見直せる
水揚げや収穫の時間に合わせた深夜・早朝の作業は、採用の大きな壁です。判定をAIに任せられれば、少人数のシフトでも稼働を維持しやすくなります。
【独自考察】よくある失敗と「つまずきポイント」
ここからは、編集部が製造・一次産業の現場を見てきた立場からの考察です。プレスリリースでは語られない落とし穴を5つ挙げます。
つまずき① 「良品の基準」が言葉になっていない
最も多い失敗です。前述のIPA資料でも、外観選果機が普及しない理由として選果基準が数値化されていないこと、品種・地域・経営体ごとに基準がばらつくこと、顧客ごとにオーダーメイドが必要なことが挙げられています。実際の現場では、ベテラン同士でも判定が割れることは珍しくありません。AIに教える前に、人間同士で基準をそろえる作業が必要です。 ipa
つまずき② 学習データが「1年に1回」しか取れない
工業製品なら毎日データが取れますが、農産物や水産物は旬があります。「今年の収穫期を逃すと次は1年後」ということが普通に起こります。導入を決めてから準備を始めると、実運用は2シーズン目になりがちです。
つまずき③ 判定はできても「掴めない」
AIが不良品を見つけても、それを傷つけずに取り除く仕組みが別に必要です。柔らかい果実や滑る魚は、ハンドリング（搬送・排出）の方が難題になることもあります。「判定AI」と「物を動かす機構」は別の投資だと考えておくべきです。
つまずき④ 現場の環境がAIの目を曇らせる
水しぶき、霜、湯気、照明のちらつき、原料に付いた泥や氷。実験室では高精度だったAIが、現場で精度を落とす原因の多くはここにあります。カメラ周りの防水・照明の固定は、地味ですが成否を分けます。
つまずき⑤ 「グレーゾーン品」の出口を決めていない
AIは「良品」「不良品」の他に「判断に迷うもの」を必ず出します。これを誰が見るのか、加工用・訳あり品として販路があるのかを決めておかないと、結局は人が全部見直すことになります。
参考・関連リンク
- 企業名：トムラフードジャパン株式会社
タイトル：トムラフードジャパン、FOODEX JAPAN 2026に初出展～果物の選果にAIソリューションを提案～
URL：https://pc.watch.impress.co.jp/docs/release/atpress/2091655.html - 企業名：エコモット株式会社
タイトル：エコモット、水産加工業を子会社化しAI実証拠点に（LOGISTICS TODAY）
URL：https://www.logi-today.com/918159 - 企業名：エコモット株式会社
タイトル：藤山水産加工の商品展開と取り組みに関するプレスリリース（PR TIMES）
URL：https://prtimes.jp/main/html/rd/p/000000027.000103222.html - 企業名：株式会社森未来
タイトル：木材特化型AI β版の限定提供開始に関するリリース（Koubo掲載）
URL：https://koubo.jp/article/74325 - 機関名：独立行政法人情報処理推進機構（IPA）
タイトル：農家ごとに学習可能な農作物選別システムの開発（未踏アドバンスト事業 成果資料）
URL：https://www.ipa.go.jp/jinzai/mitou/advanced/2024/nl10bi000000dlwu-att/seikashosai-hn-2.pdf