「生成AIで何かできないか」——ここ1、2年、お客様との最初の打ち合わせは、ほとんどこの一言から始まります。そして話題の中心は決まって、文章の要約やチャットボットといったテキストのAIです。ところが、私たちAMELAのAI導入支援チームが手掛けてきた案件を振り返ると、投資対効果がとりわけ大きかったのは、映像や画像を扱うプロジェクトでした。授業映像から受講生の集中度を可視化した教育事業者様、テキスト・画像・動画を横断して違法広告を検知したプラットフォーム運営事業者様、施術後のイメージをわずか5秒で生成した美容クリニック様。本記事では、この3つの実プロジェクトを軸に、映像解析AI・画像認識AIの企業活用の実際と、現場でつまずきやすいポイントを正直にお話しします。
テキストの生成AIだけが、AIではない
生成AIブームの中心にいるのは、間違いなくテキストです。導入のハードルが低く、汎用ツールも豊富にあるため、まず着手しやすい領域であることは確かです。一方で、テキストの活用は他社も同じように進めており、それだけでは差がつきにくくなってきているのも事実です。
私たちが「企業のAI活用の本命は画像・映像にある」と考える理由は単純で、そこに眠っているデータが、その会社にしかないものだからです。店舗や現場のカメラ映像、授業や会議の録画、商品写真、広告クリエイティブ。これらは日々大量に生まれているのに、多くの企業で「保存されているだけ」の状態になっています。
技術面でも転機が来ています。従来のコンピュータビジョン（画像認識AI）は用途ごとに専用モデルを作り込む必要がありましたが、VLM（Vision Language Model。画像・映像と言語を同時に扱える大規模AIモデル）の登場で、「映像を見て、言葉で説明・評価する」タスクの敷居が大きく下がりました。実際、私たちの企業向けAI開発サービスへのご相談でも、映像・画像系の比率は明らかに増えています。
本記事では、性質の異なる3つの実例——映像を「理解する」教育事例、コンテンツを「監視する」検知事例、画像を「生成する」美容事例——を順に見ていきます。
実際のプロジェクトで起きたこと——授業映像から「集中の代理指標」を測る
最初にご紹介するのは、学生・社会人向けにオンライン講座を提供する教育事業者様のVLM・LLMによる映像解析プラットフォームの導入事例です。受講生と講座数が急増する一方で、運営側がすべての授業をモニタリングすることは物理的に不可能になっていました。講師ごとの品質のばらつきは把握できず、出席管理や講師評価はスタッフの目視とアンケート集計が頼り。「システムは動いているのに、その中で実際に何が起きているのか定量的に見えない」というのが、お客様の率直な悩みでした。
私たちが構築したのは、録画された授業映像をVLMで解析するプラットフォームです。受講生の視線方向、頭部姿勢（Head Pose）、表情の変化を時系列データとして抽出し、「画面から視線が外れた時間」などの観測可能な指標に変換します。ここで測っているのは本人の内心ではなく、集中状態を検討するための代理指標です。さらにLLMを使い、講師の活動量（ジェスチャーや発話テンポなど）と受講生側のデータを紐付けて、事前に定義したKPIに基づく授業評価スコアをダッシュボードへ自動生成する仕組みとしました。開発期間は6ヶ月、規模は50人月。ベトナムのエンジニアチームによるラボ型開発で進めています。
結果として、出席・受講管理の手作業は90%削減され、授業エンゲージメントは25%向上しました。講師が自分の客観的なスコアを確認できるようになったことで授業改善のサイクルが速くなり、AIが検知した「集中の代理指標が変化したポイント」をもとに受講生ごとの学習経路を提示できるようになったことも、大きな変化です。
ただし、ここに至るまでの道のりは平坦ではありませんでした。次のセクションで、このプロジェクト最大のつまずきをお話しします。
「集中度をAIで測る」には限界がある——KPIを客観化する設計
このプロジェクトで最初に直面したのは、技術の問題ではなく「集中度とは何か」という定義の問題でした。お客様自身も着手前から「人間の集中度をAIが本当に正確に判定できるのか」という強い不安を口にされていましたし、正直に言えば、その不安は的を射ていました。AIは人の内心を読めるわけではありません。「集中度」という言葉のまま要件定義を進めた当初は、スコアの根拠を誰も説明できず、議論が何度も空転しました。根拠を説明できないスコアでは、評価される講師側の納得も得られません。
そこで私たちは、「感情や意欲そのものを測る」ことを早い段階で諦め、KPIを観測可能な事実に分解する方針へ切り替えました。視線がどこを向いているか、頭部姿勢がどう変化したか、表情がどう動いたか——測っているのはあくまで外形的なふるまいであり、それを集中の代理指標として扱う。この整理をお客様と合意したうえで、プロトタイプによる検証を繰り返し、指標と現場感覚のずれを一つずつ潰していきました。導入前の不安が確信に変わったのは、派手な技術ではなく、この地道な検証の積み重ねによるものです。
映像解析AIで人のふるまいを評価したいというご相談は増えていますが、私たちの経験上、成否を分けるのはモデルの精度以前に「何を測ったことにするか」の設計です。ここを曖昧にしたまま開発を始めると、精度が出ても現場に受け入れられないシステムになります。
テキスト・画像・動画を横断する監視——違法広告検知の現場
2つ目は、性質のまったく異なる「監視」の事例です。政府規制の強化を背景に、あるプラットフォーム運営事業者様では、オンライン上の違法賭博広告を監視・排除するコンテンツ監視の負担が急増していました。厄介なのは、違法なメッセージがテキストの隠語だけでなく、画像や動画の中に巧妙に仕込まれることです。しかも広告は自社サイトと複数のSNSにまたがって現れるため、人手のパトロールでは追いつかず、見落としのリスクが常につきまとっていました。
私たちは、複数プラットフォームからテキスト・画像・動画を自動収集するクローリング基盤と、画像認識AI（Computer Vision）と自然言語処理（NLP）を統合したハイブリッド解析モデルを組み合わせ、違反の疑いがあるコンテンツを自動検知・分類するシステムを構築しました。詳細は画像認識AIと自然言語処理を活用した違法賭博広告の自動検知システムの導入事例でご紹介しています。
このケースでの設計上の分かれ目は、「全自動にしない」と決めたことでした。違法かどうかの最終判断は法的リスクに直結するため、AIの役割は一次分類までとし、「違反の疑いあり」とフラグが付いたものだけを人間が最終確認する運用フローにしています。結果として目視監視の工数は大幅に削減され、スタッフは最終判断に集中できるようになりました。テキスト・画像・動画のすべてを網羅的にチェックできる体制が整ったことで、コンプライアンス管理の水準も上がっています。AIに任せる範囲と人が握る範囲の線引きは、監視系の案件では精度と同じくらい重要な設計要素です。
「見せるAI」も企業の武器になる——GANによる5秒シミュレーション
3つ目は、解析ではなく「生成」の事例です。東京都内で新規開業した美容クリニック様では、二重整形や鼻修正のカウンセリングにおいて、施術後の仕上がりを口頭説明と一般的な参考画像で伝えていました。患者様が自分の仕上がりをイメージできないため不安が解消されず、説明は長時間化し、成約率も伸び悩んでいました。
私たちはGAN（生成対向ネットワーク。実在しそうな画像を生成するAI技術）とAdaptive Learningを活用し、患者様ご自身の顔写真から施術後のイメージをわずか5秒で生成するWebアプリを開発しました。開発期間は4ヶ月・4人月と、映像・画像系のプロジェクトとしてはかなり小さく始めた部類です。それでもカウンセリング成約率は35%向上し、1件あたりの対応時間は平均60分から約36分へと40%短縮、顧客満足度も50%向上しました。詳しくはGANを活用した美容クリニック向けシミュレーションアプリの導入事例をご覧ください。
この案件で最も神経を使ったのはプライバシーです。顔写真は個人を識別し得る情報であり、漏えいすれば事業の信頼を根本から損ないます。写真データは暗号化したうえでセキュアな環境で処理し、利用目的、本人への説明・同意、アクセスできる担当者、保持期間、削除方法を要件として定義しました。映像・画像のAIは「人そのもの」を扱うことが多く、暗号化だけでなく運用ルールまで含めた設計が欠かせません。国内での検討では、個人情報保護委員会が公開するカメラ・顔識別関連資料も一次情報として確認してください。リスク管理の考え方は生成AIのリスク管理・ガバナンス実務でも詳しく扱っています。
映像案件は「インフラコスト」が本体——最初に処理コスト設計をやる
3つの事例を紹介してきましたが、映像解析AIの見積もりや計画の段階で、私たちが必ず最初にやることがあります。処理コストの試算です。
テキストのAIと違い、映像は1本あたりのデータ量が桁違いに大きく、保存・転送・解析のコストが利用量に比例して積み上がります。精度検証には熱心でも、コスト設計を後回しにしたまま進めると、PoCでは問題がなくても本番の映像量では費用が見合わなくなり、そこで案件が止まる——映像案件が本番化しない理由として、私たちが最もよく目にするパターンです。この構造はAI PoCが本番に進まない理由と越え方でも掘り下げています。
先ほどの教育事業者様のプロジェクトでも、膨大な授業映像を扱うためのインフラコストと処理速度の最適化は、当初からの明確な要件でした。私たちはHEVC（High Efficiency Video Coding／高効率ビデオ符号化）による動画圧縮を導入し、高画質を維持したまま容量を大幅に圧縮することで、解析速度の向上とAWSインフラ費用の削減を両立させています。解析の頻度、解像度、映像の保存期間をどう設計するかで、ランニングコストは大きく変わります。具体的な金額は案件によって幅がありますが、「モデルの精度」と「映像1本あたりの処理コスト」を最初から同じテーブルで検討することが、映像案件を本番まで運ぶ最短ルートだと考えています。
よくある質問
映像解析AIの導入には、どれくらいの期間と規模が必要ですか？
案件によって幅がありますが、本記事の実例では、GANによる美容シミュレーションが4ヶ月・4人月、授業映像の解析プラットフォームが6ヶ月・50人月でした。対象とする映像の範囲と評価指標を絞れば、小さく始めることは十分可能です。最初から全社展開を狙わず、効果を確認しながら広げる進め方をおすすめしています。
特別なカメラや撮影環境を用意する必要はありますか？
まずは手元にあるデータで始められるケースが多いです。教育事業者様の事例でも、既存の録画授業映像をそのまま解析対象にしています。新しい撮影環境への投資を検討する前に、いま蓄積されている映像・画像から何が読み取れるかを検証するほうが、投資判断を誤りにくいというのが私たちの実感です。
従業員や顧客が映る映像を扱ううえで、何に気をつけるべきですか？
利用目的の明確化、本人への説明・同意、アクセス権限、保持期間と削除方法、そして「何を測るか」の設計です。暗号化などの技術的対策に加え、内心そのものではなく観測可能な行動を代理指標にすること、評価される側がスコアの根拠と異議申立ての方法を理解できる状態をつくることが、運用を定着させる条件だと考えています。
まとめ
テキストの生成AIが注目を集める一方で、企業にしかないデータ——映像と画像——を活用するAIは、すでに具体的な数字を出し始めています。授業映像の解析では出席管理の手作業を90%削減し、エンゲージメントを25%向上。違法広告の検知では複数プラットフォームの監視を自動化し、GANによるシミュレーションでは成約率を35%高めました。そして映像案件を成功させる鍵は、モデルの精度だけではありません。処理コストを最初に設計すること、KPIを観測可能な事実に落とすこと、プライバシーに正面から向き合うこと。この3点が、私たちが現場で学んできた勘所です。
AMELAは、VLMによる映像解析から画像認識・画像生成まで、企画から本番運用までを一貫して支援しています。自社の映像・画像データで何ができるかを検討したい方は、お問い合わせよりお気軽にご相談ください。
関連事例:
