背景・概要

事実EverestLabsは米カリフォルニア州フリーモントに本社を置く企業で、リサイクル施設向けのAI画像認識ロボット選別機と、施設運用OS「RecycleOS」を提供してきた。豪Veolia ANZのパースMRFへの国際展開や、米ニューヨーク州MRFへの導入などが既に報じられている。

事実2026年8月24日、同社は新製品「Navigator」を発表した。プレスリリースでは「材料処理・回収・リサイクル施設向けとして初の、目的特化型マルチエージェントAIプラットフォーム」と説明され、プラスチック・古紙・金属を扱う施設の運転責任者に対して、リアルタイムの運転インテリジェンスを提供し、それに基づいて実際に動作するとされる。

事実R. Paul Singh CEOはリリースで「AIの次なる大きなフロンティアは、スクラップヤード、リサイクル、廃棄物ストリームの中にある」とコメントしている。

分析この発表を技術面から見るときの要点は、対象が「選別精度」ではなく「工場の運転判断」に移っていることである。従来のAI選別機は、ベルト上の対象物を識別し、ロボットアームやエアジェットで弾くという単一工程の自動化だった。Navigatorが標榜するのは、識別結果を材料フロー全体の文脈で解釈し、どの設備をどう調整すべきかまで踏み込む層である。タイル05の分類でいえば「AI選別」ではなく「工場運営AI・予知保全」に属する動きといえる。

技術的な詳細

事実一次情報によれば、Navigatorは「これまで材料経済の施設フロアで1つのシステムとして動作したことのない」3層のAIを統合するとされる。

第1層：エッジ視覚モデル ベルトコンベア上で材料をその場（エッジ側）で分類する。カメラ映像からの識別を現場の機器で処理する構成。
第2層：視覚言語モデル（VLM） 各ストリームを文脈込みで解釈する。単なる物体分類ではなく、状況として何が起きているかを言語的な表現に結び付けて扱う層。
第3層：推論・会話エージェント 解釈結果に基づいて推奨を出し、実際に動作（act）する。運転員との対話も担う。
応答速度 材料フローをミリ秒単位で処理すると説明
学習データ プレスリリースは「数十億のデータポイントで学習」と記載。公式サイトのNavigator紹介では視覚言語モデルを「1,000億超のオブジェクトで学習」と表記しており、両者の数え方の違いは非公表
保全関連の機能 公式サイトは機能として「設備設定の最適化」と「先手を打つ保全（proactive maintenance）」を掲げる。Recycling Insideは「停止時間の削減と設備故障の回避により数百万ドル規模の節減が可能」と紹介。ただし故障予知のアルゴリズムや対象部位は非公表
接続性 既存のプラント制御ネットワーク、および旧式のレガシー設備に直接接続。大規模な改修や生産停止を伴わずに導入できるとする
運転形態 継続的なクローズドループ監視
主張されている効果 処理量（スループット）を最大30%向上、能力を20〜30%増、現状は再利用されていない原料の93%回収を目標に掲げる
初期顧客 Caglia Environmental（米国）
連携パートナー Schneider Electric、Pellenc ST

分析構成として注目すべきは、エッジ視覚モデルとVLMを分けている点である。ベルト上の高速な物体識別は、遅延を許容できないためエッジ側で軽量なモデルを回す必要がある。一方、VLMは「このストリームは今日は汚れが多い」「この時間帯からフィルムの混入が増えている」といった、状況の記述と判断に向く。速度が要る層と、文脈理解が要る層を役割分担させる設計は、現在の実装技術から見て理にかなっている。第3層の推論エージェントが「推奨し、かつ実行する」と明記されている点も重要で、助言にとどまらず制御に踏み込むことを意図している。

分析もう一つの要点は「レガシー設備への接続」を前面に出していることである。リサイクル施設のAI導入における最大の障壁は、設備の入れ替えコストと停止期間である。既存の制御ネットワークに後付けできるなら、投資判断のハードルは大きく下がる。ただし、これは同時に技術的な難所でもある。旧式の設備は制御信号の規格も、取得できるセンサーデータの粒度もまちまちで、実際にどこまで「接続」できるのか——監視だけなのか、制御指令まで出せるのか——は施設ごとに大きく異なるはずである。

分析一方で、確認できた一次情報・二次情報の範囲では、性能主張の検証に必要な情報が公表されていない。「処理量最大30%向上」がどの施設・どのベースラインとの比較なのか、「93%回収」が何を分母とする数値なのか、学習データの規模もプレスリリースの「数十億のデータポイント」と公式サイトの「1,000億超のオブジェクト」で表記が食い違っており、何をどう数えたものなのかは示されていない。予知保全については、公式サイトが「先手を打つ保全（proactive maintenance）」を機能として掲げ、Recycling Insideは停止時間削減と設備故障の回避で数百万ドル規模の節減が可能と紹介しているが、どの部位のどの兆候をどう検知するのかという実装内容は非公表である。

開発段階・実証／導入状況

事実Navigatorは研究段階の技術ではなく、製品として市場に投入されたものである。プレスリリースでは初期顧客としてCaglia Environmentalの名が挙げられ、Schneider Electric、Pellenc STが業界パートナーとして記載されている。

事実Caglia Environmentalは、EverestLabsのAI選別ロボット3台を導入し、PET等を95%超の精度で分類しているとして既に事例が公表されている事業者である（本サイトのタイル05でも別記事として掲載）。すなわち今回のNavigatorは、まったくの新規顧客ではなく、既に同社のロボット選別機を運用している施設から展開が始まっている。

事実導入件数、稼働拠点数、料金体系については、確認できた情報の範囲では公表されていない。第三者による性能検証の結果も公表されていない。

分析開発段階は「新規発売」と判定した。根拠は、①2026年8月24日に製品として正式発表され、実証実験の告知ではなく商用製品の提供開始として告知されていること、②初期顧客が実名で示されており、実施設への適用が始まっていること、③一方で導入件数・稼働実績・第三者検証データがいずれも未公表で、「普及開始過程」と呼べる複数拠点での稼働実績が確認できないこと、の3点である。ロボット選別機という既存製品の顧客基盤の上に乗せる形での立ち上がりであるため、普及の速度は同社の既存導入拠点数に依存すると見られる。

この動きの位置づけと今後の注目点

分析なぜこの動きを取り上げるのか。リサイクル施設へのAI導入は、これまで「識別・選別」という単一工程の置き換えとして進んできた。今回の発表は、AIの適用対象を工程単位から工場の運転判断そのものへ広げようとする明確な事例である。近年の大規模言語モデル・視覚言語モデルの発展を、リサイクル施設という物理的な現場にどう持ち込むかという問いに対する、一つの実装解が示された点で技術的な意味がある。加えて「レガシー設備への後付け」という導入形態を前面に出していることは、AI導入のコスト構造を変え得る論点でもある。

分析技術の大きな流れの中での位置づけ。リサイクル施設のAIは、おおまかに「①NIR選別機による材質判別 → ②画像認識AIによる形状・用途判別 → ③ロボットアーム／エアジェットによる自動ピッキング → ④施設全体の運用データ基盤化（歩留まり・組成の可視化） → ⑤運転判断そのものの自動化」という順で進んできた。既に本サイトで扱ったSTADLERの「STADLERconnect」（9カ国40超プラントへ拡大）やEverestLabs自身の「RecycleOS」は④にあたる。Navigatorが標榜するのは⑤への一歩であり、可視化から意思決定・実行へと役割を引き上げようとするものである。ただし現時点では、それが「主張」の段階なのか「検証済みの実力」なのかを外部から区別する材料がない。業界標準化の一歩というより、有力ベンダーによる先行提案という段階と位置づけるのが妥当である。

分析今後ウォッチすべき点。第一に、初期顧客での実測値の公表である。処理量30%向上・回収率93%という主張が、実際の施設でどのベースラインからどう変化したかが示されるかどうか。第二に、エージェントが「実行」する範囲の明確化である。設定値の変更提案にとどまるのか、実際に機器へ制御指令を出すのか、その際の安全設計と責任分界はどうなるのかは、実装上も契約上も重要な論点になる。第三に、Schneider Electric・Pellenc STとの連携が具体的にどこまで踏み込むか。とくにPellenc STは光学選別機メーカーであり、選別機側の制御と統合されるのであれば影響は大きい。第四に、競合の動きである。TOMRA、STADLER、Greyparrotといった各社が同種の「エージェント型」機能を打ち出してくるかどうかで、これが業界の標準的な方向になるかが見えてくる。第五に、欧州・日本での適用可否。施設規模・扱う材料の組成・制御系の世代が異なるため、北米での成果がそのまま移植できるとは限らない。

実務への示唆

分析国内のリサイクル事業者にとって、この種の運用AI基盤を評価する際の要点は「何を測れるようになるか」に尽きる。歩留まり・組成・異物混入率といった指標が、これまで人手のサンプリングでしか把握できなかったものが連続的に取得できるようになるなら、それ自体が設備投資の判断材料や、再生材の品質保証の根拠として使える。逆に、既存の制御系から十分なデータが取れない設備構成では、AIを載せても出力の信頼度は上がらない。導入検討の際は、性能主張よりも先に「自社設備からどのデータが、どの粒度で取得できるか」を確認する順序が実務的である。

分析再生材を調達する側の立場では、こうした運用基盤の普及は中期的に「品質データ付きの再生材」が増える方向に働く可能性がある。組成や混入率の記録が施設側に蓄積されれば、ロットごとの性状説明が具体化する。ただし現時点では初期導入の段階であり、取引条件が変わる話ではない。当面は、供給元の施設がどこまで工程データを取得・提示できるかを、商談の中で確認していく程度の位置づけが妥当である。なお本記事に記載した性能値はいずれもメーカーの主張であり、第三者による検証結果ではない点に留意されたい。