Slate AI設備運用保守エージェント：1人で産業用予兆保全システムを構築し、年商24万ドル

💰 収入

① 中小製造業（主収入）：工場がデバイス数に応じた段階的サブスクリプションを利用し、1社あたり年間3万〜4万ドル×同時に6〜8社をサポート＝年間約24万ドル（月約2万ドル）、月間収入の約100%を占める（事例整理ベースの口径であり、独自再検証を経ていない推計値）；② オンプレミス展開の実施プロジェクト費用：工場がプロジェクトごとに1回限りの展開およびセンサーデータ接続費用を支払い、実施の見積もりは非公開であり、手がけたプロジェクト数も統計がなく、総収入に占める割合は不明；③ モデルの反復と作業指示書レビューのサブスクリプション：工場がモデルのチューニング、データクレンジング、作業指示書レビューのサービス費用を年払いで支払い、年間費用の基準は未公開であり、契約工場数も不明で、シェアは現在に至るまで数値化されていない；④ オポチュニティ項目——射出成型やCNCなどの垂直業界専用予測モデルのライセンス：デバイスの台数に応じてライセンス料を徴収し、1台あたりの徴収額および徴収可能な総額はいずれもデータなし。

💸 コスト

クラウドサーバーとデータベースの費用は月額約200〜400ドルであり、オープンソースモデルを自社サーバーに展開しているため追加のAPI呼び出し費用はかからない。マネージドクラウド時系列データベースを使用する場合、費用は月額500〜800ドルに上昇する可能性がある。

⏱ 時間投入

毎日約2〜3時間をかけて作業指示書の確認とモデルの最適化を行い、初期の構築段階では毎週約30時間を投入する。安定稼働後は、顧客とのコミュニケーションとモデルの反復に毎週約10〜15時間を費やす。

🔑 成功のカギ

• ✅ 故障予測の精度が十分に高くなくてはならず、そうでなければ工場は契約を更新せず、90%を下回ると信頼を失う
• ✅ 人間によるレビューのプロセスを省いてはならず、AIは初期スクリーニングのみを行い、誤報による工場のライン停止を防ぐ
• ✅ デバイス数に応じた段階的価格設定を採用し、中小工場が低ハードルで試用できるようにし、初年度は割引を提供する
• ✅ デバイスデータの接続を標準化し、センサープロトコルとクレンジングプロセスを統一することで、新しい工場への展開における限界費用を削減する

⚠️ 风险

• ⚠️ 単一の工場のデータソースが中断すると、エージェントのトレーニングや反復ができなくなる
• ⚠️ センサーデータの品質が低い、またはサンプリングレートが一致しないと、故障予測の精度が急激に低下する
• ⚠️ 中小製造業のデータセキュリティ意識が高く、データを工場外に出さないという要求があると、オンプレミス展開のコストが増加する