2024年、ステランティスは、アンチロック・ブレーキ・システム（ABS）のソフトウェアに、電子式横滑り防止装置（ESC）が機能しなくなる可能性のある不具合を確認したことを受け、約123万台の「ラム1500」トラックをリコールした。
この事例が興味深いのは、単にソフトウェアが関わっていたからというだけではありません。現代の自動車の問題を正確に診断することが、いかに困難であるかという点にあります。症状はハードウェア、ソフトウェア、あるいはシステム間の相互作用のいずれかを示唆している可能性があり、誤った診断を下すと、根本的な原因が解明される前に不必要な修理を行ってしまうことになりかねません。
ここから得られるより大きな教訓は、この特定の欠陥そのものにあるわけではありません。それは、車両から得られた証拠を、確信を持って行動に移すまでに必要な時間についてです。
この話の興味深い点は、技術的な不具合そのものではありません。問題の最初の兆候が現れてから、組織が十分な理解を得て、全車両規模で対応策を講じられるようになるまでの期間なのです。
これを 「品質レイテンシ」と呼ぶことにしよう。
自動車がソフトウェア、電子機器、ネットワーク、およびコネクテッドサービスへの依存度を高めるにつれ、その遅延を低減することは、自動車メーカーが品質問題に先手を打つための最も重要な手段の一つとなる可能性があります。つまり、問題が数百万ドルのコストを伴う保証請求、サービスキャンペーン、リコールに発展する前に、早期に解決するということです。
問題はデータ不足ではない
現代の自動車は、膨大な量の情報を生成しています。テレマティクスデータや位置情報。診断トラブルコード（DTC）。マルチドメインECUの信号やログ。ソフトウェアおよび接続に関するデータ。ネットワークおよびバスレベルの統計情報。
エンジニアリング組織にも、仕様書、要件、課題追跡システム、過去の調査結果、故障木解析、サービス記録や保証請求、そして数十年にわたって蓄積された専門知識など、豊富な情報があります。
しかし、何か問題が発生すると、エンジニアは依然として、関連する証拠を見つけ出し、何が欠けているかを特定し、システム間の事象の関連性を突き止め、その現象の実際の原因を突き止めるために、かなりの時間を費やしている。
インフォテインメントディスプレイの不具合は、制御ユニット、ソフトウェアサービス、ネットワークとの連携、あるいはそれとは全く異なる場所に原因がある可能性があります。不具合が現れる場所が、必ずしもその原因が発生した場所とは限りません。
したがって、真に意味のある品質指標とは、OEMがどれだけのデータを収集できるかということだけではありません。それは 組織が適切な情報をいかに迅速に確実な行動へと転換できるか、であり、そのスピードが速ければ速いほど、問題解決にかかるコストは低くなります
レイテンシーは至る所に現れる
ステランティスのESCリコールは、 「推論の遅延」――つまり、問題を認識してからその根本原因を正しく理解するまでの時間を示しています。しかし、これはその一形態に過ぎません。
また、 スコープの遅延があります。これは、実際にどのVIN、構成、部品、またはソフトウェアバージョンが影響を受けているかを正確に特定するのにどれくらいの時間がかかるかを指します。
応答の 応答遅延があります。これは、既知の障害シグネチャが、他の場所での同様の状況を検出可能な監視情報や診断情報へと、どれほど迅速に転化できるかを指します。
そして、そこには 知識の遅延という問題があります。あるエンジニアリングチームが得た知見が、次のプログラムで活用できるようになるまでにどれくらいの時間がかかるか、あるいはそもそもその知見が引き継がれるかどうか、という問題です。
当社の新しいホワイトペーパーで取り上げた、最近の5件のリコール事例、 『継続的品質への移行』では、こうしたさまざまな形の「遅延」が示されています。メーカーも、システムも、技術的な原因もそれぞれ異なります。しかし、繰り返し発生する問題は同じです。 「行動に必要な情報が存在し始める時点」と「組織がそれに基づいて行動を起こせる時点」との間に生じるタイムラグです。
気づくのが遅ければ遅いほど、その問題の解決にはより多くの費用がかかる
レイテンシが重要となるのは、車両のライフサイクルを通じて、不具合に伴う経済的影響が劇的に変化するためである。
開発中に問題が見つかった場合、そのコストは主にエンジニアリング工数、テスト費用、そして場合によってはスケジュールへの影響となります。
何千台もの車両が出荷された後に同じ問題が見つかったとしても、技術的な修正自体はそれほど難しくないかもしれません。しかし、その時点で組織は、ディーラーへの対応、保証請求、交換部品の対応、顧客への連絡、物流、規制当局への報告、さらにはリコールの可能性にも対処しなければならなくなるのです。
その不具合の修正に、必ずしも費用がかさむようになったわけではない。 。修理費用が高くなったのは、その不具合を 原因を突き止め、対策を講じるのに時間がかかったから。
これは、車両の品質について考える上で、新たな視点を示唆しています。個々の調査を最適化するのではなく、以下の段階間の距離を体系的に縮めていくのです。 「検出」→「理解」→「解決・封じ込め」→「予防」→「学習」という各段階間の距離を体系的に縮めていくのです。
これが、 継続的品質という概念の根底にある考え方です。
上流へ進むと、経済状況は変わってくる
SOP後の遅延を短縮することで、現場調査のスピードアップと影響の軽減が可能になります。しかし、さらに大きなチャンスがあります。それは、同じ機能を上流工程に展開することです。
車両の検証中に、断続的に発生する不具合が一度だけ現れて、その後消えてしまうことがあります。その発生時にエンジニアが適切な信号やログを収集できていなかった場合、さらなる証拠を集めるために、その状況を再現しなければならない可能性があります。
もし、車両と故障状態がまだ確認できるうちに、調査内容を柔軟に変更できるとしたらどうでしょうか？
日産テクニカルセンター・ヨーロッパ（NTCE）では、Sonatus が、まさにその実現を支援するため、ターゲットを絞ったイベント駆動型の車両データ収集と、AI を活用した分析の試験運用を行っています。初期の結果によると、手動によるデータ集計は2～4時間から5分未満に、異常検出は4～8時間から10～15分に、根本原因の分析と報告は1～2日から1時間未満へと短縮されました。 このプログラムは、従来は最大2週間かかっていたエンドツーエンドの調査を、2日で完了させることを目標としています。これらの結果は暫定的なものですが、観測、コンテキストの取得、技術的な理解の間の時間が短縮され始めた際に何が起こるかを示しています。
そして、これが重要なのは、SOPの前にあらゆる問題を解消しておけば、下流工程で発生するコストのカテゴリー全体を回避できるからです。
さあ、この車にインテリジェンスを搭載しましょう
3つ目の手順があります。
エンジニアリング部門が故障の兆候、劣化パターン、あるいは診断手法の妥当性を検証した後は、その知見をなぜエンジニアリングシステム内に留めておく必要があるのでしょうか？ むしろ、それを車両内で動作するインテリジェンスとして活用できるはずです。
検証済みの異常シグネチャは、新たな監視機能として活用できます。性能低下のパターンは、早期警告検出器として機能します。異常が発生した場合、車両は、その調査に必要な正確な状況を把握するのに役立ちます。
今や情報は双方向に流れ、車両からエンジニアリングへ情報が伝わり、エンジニアリングによって車両は次の問題をより的確に認識できるようになっています。 車両はもはや単なる証拠の源ではありません。品質向上に能動的に関与する存在となったのです。
「継続的品質管理」は、Sonatus （Fastlane™ Platform ）を活用することで、車両ライフサイクルの3つの異なる段階で定着させることができます。量産開始（SOP）前には、このアプローチを車両のテストおよび検証に導入し、車両の出荷前に問題を発見・解決することができます。SOP後は、OEM各社は既存の生産データやワークフローを活用して、現場で発生した問題をより迅速に調査・封じ込めることができます。また、将来の車両プラットフォームにおいては、Fastlane Platform のインテリジェンスを車両に直接組み込むことで、車両が観測した情報と、エンジニアリング部門がそこから学び、対応する情報を結びつける「継続的学習システム」を構築することが可能です。
品質に先手を打つ
AI この移行において重要な役割を果たすでしょう。パターンを発見し、証拠を関連付け、工学のさまざまな分野にわたって推論を行い、不足している情報を特定し、その後の展開を調整するのに役立ちます。
AI がもたらす競争上の優位性は、 時間：問題に気づき、それを理解し、対応し、そしてそこから得た教訓を次回に活かすまでのプロセスを短縮することです。なぜなら、最高品質の問題とは、単に素早く解決できる問題のことではないからです。それは、再び解決する必要がないほど早い段階でそこから学びを得られる問題なのです。
Sonatus の新しいホワイトペーパー、 『継続的品質への移行』」をぜひご一読ください。本資料では、Frost & Sullivanによる調査・分析に基づき、継続的品質管理のフレームワーク、直近の5件のリコール事例から得られた教訓、NTCEによる初期運用実績、および車両ライフサイクルのより早い段階で品質インテリジェンスを導入することによる経済効果のモデル化について解説しています。