LASSIC Media らしくメディア

LASSIC IT事業部｜プライムベンダーとしてシステム保守・運用を受託

電力会社がAI開発を外部委託する3つの背景

電力会社がAI開発を外部委託する背景は、単なる人手不足ではなく、再エネ拡大・設備高経年化・規制強化が同時並行で進む構造変化にある。関西電力は2018年からDXの取り組みを開始し、2024年度時点で累計PoC610件・実用化473件・単年DX効果270億円を達成している。2030年頃に「AI産業革命」が到来するという想定のもとDX戦略を再構築している^*1。一電力会社の取り組みが、これだけ大規模かつ長期戦になっている事実そのものが、内製のみで全領域をカバーすることが困難である現実を示している。

背景1：再エネ拡大による需給オペレーションの複雑化

太陽光・風力の出力は気象条件で大きく変動する。中部電力グループは、再エネ増加によって従来の整定値算出方法では対応しきれない電圧変動問題に直面し、長野方面ISCシステムへのAI機能搭載を世界で初めて実現した。AI方式により「機器動作回数の低減」と「維持・取替コストの削減」を同時に達成し、電気学会 第79回電気学術振興賞 進歩賞を受賞している^*4。需給運用の高度化は、もはや一部の選択肢ではなく、再エネ比率の上昇に応じて全電力会社が直面する共通課題となっている。

背景2：設備の高経年化と保全人材の減少

送配電設備・発電設備の多くは高度経済成長期に整備された資産が中心であり、目視中心の保全運用では今後の維持が難しい。東京電力パワーグリッドはテクノスデータサイエンス・エンジニアリング（TDSE）と共同で、架空送電線のAI診断システムを開発した。ヘリコプターで撮影した点検映像をディープラーニングで自動診断する仕組みを構築している。同社はこの取り組みにより、従来の保守点検作業時間を50%以上削減したと公表している^*5。設備保全の効率化は、業務量を吸収するための「待ったなしの投資」になっている。

背景3：規制対応と説明責任の高度化

2025年6月3日、経済産業省は「電力制御システムに関するサプライチェーン・セキュリティ対策の手引き」を公表した^*3。AI導入を伴うシステム改修・新規開発でも、サプライチェーン全体での脅威評価・対策実装が前提となる。さらに事故時の説明責任を果たすには、AIの出力根拠を追跡できる設計と監査ログの整備が欠かせない。IT技術だけで判断するのではなく、電力業界特有の規制と運用慣行を理解した開発体制が必要となる。

委託対象となる代表的な3領域と公開事例

電力会社が外部委託しているAI開発は、用途別に大きく3領域に整理できる。各領域で公表されている事例を踏まえ、委託前に押さえるべき論点を整理する。

領域1：需給予測・系統制御AI

気象データ・過去実績・経済指標を組み合わせ、時間別・エリア別の電力需要や系統状態を予測するAIである。再エネ比率の上昇に伴い、太陽光・風力の出力変動を加味した高精度の予測・制御が必要となり、従来の統計手法では対応が難しい局面が増えている。中部電力グループの長野方面ISCシステムは、従来は技術者が手で算出していた整定値をAIによりオンラインで最適化する仕組みである。夏季重負荷時など最も厳しい状況下を想定した設計である。この取り組みは、世界で初めて電圧制御にAIを用いた事例として電気学術振興賞を受賞している^*4。委託では、予測対象の時間粒度・許容誤差・運用上の整合点を要件定義段階で合意することが鍵となる。

領域2：設備保全AI

変電・送電・配電設備のセンサーデータや、巡視点検で得られた画像データをAIで解析し、故障予兆を検知するAIである。東京電力パワーグリッドの架空送電線AI診断システムは、ヘリコプターによる点検映像をディープラーニングで自動診断する。異常箇所と判定された部分のみ人が目視確認する運用としている。これにより従来の保守点検作業時間を50%以上削減し、将来的には80%以上の削減を目指す方針が示されている^*5。委託前には、劣化・損傷事例の画像データがラベル付きでどれだけ蓄積されているかが工期・予算を左右する。データが不足する場合、学習データ整備が独立した開発工程として必要になる。

領域3：業務高度化・生成AI

設備マニュアル・過去事故事例・社内規程など、社内に蓄積されたテキスト情報を生成AIで検索・要約・引用できる仕組みを構築する。技術伝承や対応業務の効率化につなげる領域である。東京電力パワーグリッドは送配電事業者として、新旧混在する設備のメンテナンスや技術伝承を課題としていた。PwCコンサルティングを開発パートナーに選んだ生成AIプロジェクトでPoC9割を本番導入に進めた^*2。関西電力はOpenAIと戦略的連携を結び、ChatGPT Enterpriseを社内のDX推進人財を中心に大規模導入した。火力発電のO&M（運転・保全）への生成AI適用、営業業務の高度化、AIエージェントによる経営判断支援を進めている^*1。委託では、業務範囲の限定とハルシネーション対策、引用元の明示などの運用フロー設計が、技術選定以上に重要となる。

委託先選定で見るべき4つの評価軸

電力会社のAI開発委託では、AIの技術力単体ではなく、規制・運用・データ整備を含めた総合力で委託先を評価する必要がある。実務上、以下の4つの評価軸が成否を分ける。

評価軸1：IT/OT双方の理解度

電力制御や保安システムは、情報系のITネットワークとは独立した運用制御系（OT）ネットワーク上で動作している。AI開発委託では、ITとOTの接点（データ収集・通信プロトコル・セキュリティ境界）を設計できる委託先であるかが成果を左右する。クラウド上のモデル精度のみを競う委託先では、本番投入時の接続設計で追加工数が発生しやすく、当初見積もりを超過するリスクがある。

評価軸2：規制・ガイドライン対応の実績

電気事業法・電気設備技術基準への対応実績も確認が必要である。2025年6月公表の「電力制御システムに関するサプライチェーン・セキュリティ対策の手引き」など、対応すべきガイドラインは多岐にわたる^*3。委託先選定の段階で、こうしたガイドラインへの対応経験と、監督官庁報告用のドキュメント整備・ログ設計の実務経験を確認することが、後戻りのリスクを下げる。

評価軸3：データ整備力

需要予測・設備保全のいずれでも、時系列データの粒度・欠損・形式の不揃いが原因でモデル精度が目標水準に届かない事例が多い。委託前にデータプロファイリングを実施し、欠損率・サンプリング周期・単位系を定量で把握できる委託先であれば、開発中盤で工程が破綻するリスクを抑えられる。データ整備工数を独立タスクとして切り出し、要件定義工程で整備計画を合意する運用が望ましい。

評価軸4：PoCから本番展開までの伴走力

東京電力パワーグリッドの生成AIプロジェクトでPoC成功率9割を達成できた背景には、開発パートナーの伴走力がある。PwCコンサルティングは「技術的な部分で背伸びをせず、シンプルかつ効果が大きい案件に取り組んだこと」が要因と分析している。また「各業務部門と丁寧に対話を重ねて行った課題抽出」を挙げている^*2。PoCの合否基準を精度・応答速度・説明性・運用定着の4軸で事前に数値化し、本番開発に進める条件を明確化できる委託先かどうかが、投資対効果を決める。

失敗パターンと回避策

電力会社のAI開発委託では、以下の3つの失敗パターンが特に多く見られる。それぞれの原因と回避策を整理する。

失敗パターン1：データ粒度・形式の不整備を見落とす

需要予測・設備保全のいずれにおいても、複数の業務系システムからデータを収集・結合する工程で問題が生じやすい。タイムゾーン・サンプリング周期・単位系の差異が前処理工程で露呈し、開発中盤でデータ整備に多大な工数が費やされる状況になる。回避策は、委託前にデータプロファイリングを実施し、データ整備工数を開発工程の独立タスクとして切り出すことである。要件定義工程で委託先と共同で整備計画を合意することが、後工程の工期遅延を防ぐ実務上の前提となる。

失敗パターン2：規制・保安要件への対応漏れ

電力業界には電気事業法・電気設備技術基準・サイバーセキュリティ関連ガイドラインなど、多数の業法・規制が存在する。これらの要件を開発後半で認識した結果、認可申請に必要な設計ドキュメント・セキュリティ監査対応・監督官庁報告用のログ設計などが後付けで追加されるケースがある。経済産業省は2025年6月に「電力制御システムに関するサプライチェーン・セキュリティ対策の手引き」を公表した。^*3、サプライチェーン全体での脅威評価が前提となる時代に入っている。回避策は、委託先の選定段階で電力業界の規制・ガイドライン対応経験を確認し、要件定義時点で規制適合チェックリストを作成することである。

失敗パターン3：現場オペレーターの巻き込み不足

AIモデルの精度が目標を満たしていても、現場業務に組み込まれなければ投資対効果は得られない。「AI判定の根拠が分からないから採用できない」「現状の運用手順と整合しない」という理由で、運用開始後に活用されずに終わる事例がある。回避策は、要件定義の初期段階から現場オペレーター・保全技術者を巻き込み、AI出力の表示方法・運用手順への組み込み設計をユーザ中心設計の観点で進めることである。AIを運用に定着させる難度は、モデルを学習させる難度と同等かそれ以上であるという認識を委託先と共有することが、成果につながる。

委託検討から本番展開までの5ステップ

電力会社がAI開発委託を成功させるための実践ステップは、以下の5段階で構成できる。この5段階を内製のみで完結させる場合、AIエンジニア・データエンジニア・OT領域の技術者・セキュリティエンジニアが必要となる。複数領域を横断する人材を組織として確保する必要がある。採用と育成に1年以上を要するケースが多く、要する。専門パートナーを活用することで、この期間を短縮でき、リスクの低減にもつながる。

ステップ1：解決すべき業務課題の特定と優先順位付け

需給予測精度・保全コスト・業務工数・安全性・顧客対応品質など、AI活用で改善したい指標を定量で整理する。AIで対応すべき課題と、業務プロセス改善・設備更新で対応すべき課題を切り分ける。投資回収期間・影響範囲・規制リスクを合わせて評価し、経営層の承認を得やすい案件から着手する運用が効果的である。東京電力パワーグリッドのPoC成功事例でも「シンプルかつ効果が大きい案件から取り組む」運びが、9割という高い本番導入率につながったと整理されている^*2。

ステップ2：データ資産の棚卸しと整備計画

需要実績・気象データ・設備点検記録・監視データ・顧客対応ログなどを対象に、収集状況・粒度・品質・連携可否を調査する。データが集まっていない場合や粒度が粗い場合は、データ収集基盤の改修工数を計画に織り込む。整備計画には、データラベリング・匿名化・保管方針の決定も含めて落とし込む。

ステップ3：委託先の選定と評価

候補の委託先にRFPを提示する。電力業界でのAI開発実績・IT/OTの横断経験・セキュリティ対応実績・規制ガイドライン対応実績を評価する。この段階で、電力業界専門人材を内製で採用・育成した場合の費用・期間との比較を数値で行い、外部委託の優位性を確認することが重要である。即戦力体制を提供できる委託先の活用は、開発スピードの観点で有利になるケースが多い。

ステップ4：PoC実施と合格基準での評価

需給予測であれば予測誤差率・応答時間、設備保全であれば故障検知リードタイム・誤報率を合格基準とする。生成AIであれば回答精度・引用元の明示率を、事前に定めた合格基準で評価する。合格基準を満たさないPoCは本番開発へ進めない意思決定フローを確立することで、成果が不確かなまま大規模投資へ進むリスクを回避できる。関西電力では2018〜2024年度に610件のPoCを実施し473件を実用化している。PoC段階での仕分けを徹底することで投資効率を高めていることが公表されている^*1。

ステップ5：本番展開・運用定着と継続改善

本番展開時は、影響範囲の小さいエリア・業務から段階的に展開する。現場オペレーターのフィードバックを収集しながら全社展開へ移行する。本番稼働後は、気象・需要パターンの変化・設備更新・規制改定に応じてモデルを再学習するスケジュールを委託先と合意し、継続的な精度維持体制を整える。運用KPIのモニタリング体制とモデル劣化の検知プロセスを組み込むことで、長期的な投資対効果を高められる。

LASSICが提供するエネルギー領域のシステム開発支援

LASSICのIT事業部は、業種横断のシステム開発・保守支援においてプライムベンダーとして要件定義から開発・運用保守までを一貫体制で支援している。AI関連プロジェクトでは、データ整備・モデル開発・業務アプリケーション連携を同一チームで推進する体制を整えており、PoCから本番展開までの伴走を提供できる。

電力会社のAI開発委託では、AIの技術力と同等かそれ以上に、規制産業としての信頼性設計・IT/OT横断の理解・運用定着の支援力が成否を左右する。内製のみで専門人材を同時に確保するには採用コストと長い準備期間が必要となり、外部委託との比較の中で合理的な選択肢を検討することが重要である。

ご不明な点はお問い合わせフォームからもご連絡いただけます。

1. *1　出典：関西電力株式会社「ＯｐｅｎＡＩとの連携による生成ＡＩをフル活用したＤＸの加速」（2025年6月17日）
2. *2　出典：PwC Japanグループ「生成AIは万能ではない。だからこそ早く試す意味がある――東京電力パワーグリッドの生成AIプロジェクトがPoC成功率9割を達成できた理由」（2025年）
3. *3　出典：経済産業省「「電力制御システムに関するサプライチェーン・セキュリティ対策の手引き」を公表しました」（2025年6月3日）
4. *4　出典：中部電力株式会社「増える再エネに対応 AIが電圧をコントロール（長野方面ISCシステム）」
5. *5　出典：東京電力パワーグリッド株式会社「架空送電線画像AI診断システムの導入」、および同社プレスリリース「架空送電線診断システムの相互利用契約の締結について」（2020年）

Tweet