メディア
AI エージェント

製造業の生成AI 導入の順番|設計・調達・生産・品質・保全で AI に任せる作業と人に残す判断

公開
執筆者: Offers AX 編集部・編集部

製造業で生成AIを入れる順番は、入力してよい情報の範囲を決めること、文書を探す・まとめる・下書きする作業から任せること、設計の確定・出荷の可否・安全に関わる判断を人に残すことの3つで決まります。設計・調達・生産・品質・保全のどの工程でも、最初に任せるのは図面や仕様書の検索と要約、不具合報告の整理、点検記録の下書きです。

図面や製造のノウハウは営業秘密として守る対象になりうるので、どの情報をどの環境の AI に入れてよいかは、使い始める前に決めておく必要があります。もう1つの前提は、画像検査や異常検知のような従来型の AI と、文書や問い合わせを扱う生成AIを分けて考えることです。集めるデータも精度の測り方も違うため、2つを別の計画にしたほうが、どこから手を付けるかを決めやすくなります。

経理・総務・法務で同じ考え方を整理した内容は、バックオフィス AI の始め方の記事にまとめています。

O
執筆者

編集部

Offers AX 編集部

株式会社overflow が運営する Offers AX の編集部です。全社の AI 導入(AX)を支援する現場の知見をもとに記事を制作しています。

この執筆者の詳細・記事一覧 →

製造業の AI 活用で詰まっているのは、技術よりノウハウと人材

製造業が AI・デジタル技術を使うときの課題は、ツールの性能より、知識やノウハウの取得と人材の確保に集まっています。AI・デジタル技術を活用するうえでの課題を製造業者に尋ねた結果は次のとおりです(経済産業省・厚生労働省・文部科学省「2026年版ものづくり白書 概要」n=1,338・2026年5月公表)。

課題 回答の割合
知識やノウハウの取得 57.2%
導入に必要な人材の確保 47.9%
データ連携・AI導入の効果やメリットが不明確 28.9%
データ連携・AI導入の費用や投資負担が大きい 27.4%
既存システムや業務との連携が難しい 26.0%
データ連携・AI活用のためのデータ不足 21.4%
自社データの品質や整備が不十分 20.8%
セキュリティやプライバシーに対する懸念 18.6%

上位の2つは、AI の仕組みそのものより、自社の業務のどこに使えるかを見極める知識と、それを形にする人が足りないことを示しています。3位以下には効果の見えにくさ、既存の業務との連携、データの不足や品質が並び、使い道とデータの準備が決まらないまま止まっている企業が多いと読めます。

同じ白書の概要で、経済産業省は製造現場の加工・稼働データを集め、AI モデルを実装した製造プラットフォームの開発を支援する「製造AX拠点」の整備を掲げました。設備や稼働のデータを使う AI は、国の支援も含めて整備が進んでいる領域です。文書を扱う生成AIとは集めるデータも担当する部署も違うので、社内の計画も分けて持つほうが進めやすくなります。

自社で同じ問いを立てるなら、AI を入れたい部署ごとに「知識が足りないのか」「人が足りないのか」「データが足りないのか」を分けて書き出してください。知識と人の不足は外部の支援で補えますが、データの不足は社内でしか埋められません。

画像検査などの従来型の AI と、文書を扱う生成AI は計画を分ける

従来型の AI と生成AIは、入力するデータ、出力の形、精度の確かめ方がそれぞれ違うため、同じ計画に混ぜないほうが進めやすくなります。違いを並べると次の表になります。

比べる点 従来型の AI(画像検査・異常検知・需要予測など) 生成AI(文書・問い合わせ・記録)
入力 製品の画像、センサーの値、生産や出荷の実績 図面の注記、仕様書、作業標準書、不具合報告、点検記録、問い合わせ
出力 良否の判定、異常の兆し、予測の数値 要約、回答案、記録の下書き、分類
精度の確かめ方 正解のラベルと照らし、見逃しと過検出の割合で測る 原本と照らし、人が直した件数と内容で測る
準備に時間がかかるもの 学習用の画像やデータを集め、良品と不良品のラベルを付ける 文書を集め、最新のものに絞り、閲覧できる人を決める
人の関わり方 判定の閾値を決め、境界の品を人が見る 出力を人が読み、直してから使う

従来型の AI は、1つの工程の1つの判定を、ラベルの付いたデータで繰り返し鍛える使い方が中心です。外観検査なら検査工程、予知保全なら対象の設備というように、効果を測る場所がはっきりしています。

生成AIは、設計の資料、購買の書類、現場の日報、品質の報告書と、部署をまたいで散らばった文書を扱います。製造業の文書の多くは、表に整っていない文章や図面の注記です。こうした表の形になっていない情報の扱い方は、非構造化データの用語解説にまとめています。

最近は図面の画像や写真も読み取れる AI が増えていますが、画像を読めることと、製品の良否を判定させてよいことは別の話です。文字と画像をまとめて扱う AI の考え方は、マルチモーダル AI の用語解説で確かめられます。良否の判定は、従来型の AI と同じく正解データでの検証を経た仕組みに任せ、生成AIには判定の結果を報告書にまとめる作業を任せる、という分け方が安全です。

設計・調達・生産・品質・保全で、任せる作業と人に残す判断を分ける

5つの工程のどれでも、生成AIに任せるのは「探す・まとめる・下書きする」作業で、確定・可否・安全の判断は人に残します。工程ごとに並べると次のとおりです。

工程 生成AIに任せる作業 人に残す判断 主に入力する資料
設計 過去の図面・仕様書・設計審査の記録の検索と要約、類似部品の設計変更の経緯の整理 設計の確定、材料や公差の決定、設計変更の承認 図面の注記、仕様書、設計審査の議事録
調達 購買仕様書と見積の項目の突き合わせ、取引先への問い合わせ文の下書き 取引先の選定、価格と納期の合意、代替品への切り替え 購買仕様書、見積書、取引先とのやり取り
生産 作業標準書の検索、作業手順の質問への回答案、日報や引き継ぎメモの要約 生産計画の確定、作業手順の変更の承認、ラインを止めるかの判断 作業標準書、日報、引き継ぎメモ
品質 不具合報告の分類と要約、過去の類似事例の検索、是正処置の報告書の下書き 出荷の可否、不具合の原因の確定、顧客への報告の内容 不具合報告、検査記録、是正処置の記録
保全 点検記録の下書き、故障履歴と設備の取扱説明書の検索、交換部品の候補の整理 設備を止めるか動かすか、修理の方法、安全に関わる作業の許可 点検表、故障履歴、取扱説明書

人に残す列に置いたのは、誤ったときに製品の品質、働く人の安全、取引先との約束のいずれかに直接響く判断です。AI が材料をそろえる精度が上がっても、その材料で何を決めるかは会社の責任として人が持ちます。

設計では、過去の図面や設計審査の記録を探す時間を減らす使い方から始めます。回答には必ず根拠の図面番号や文書名と改訂番号を添えさせ、設計者が原本を開いて確かめられるようにしておくことが前提です。生成AIはもっともらしい誤りを出すことがあり、その性質はハルシネーションの用語解説で確かめられます。

調達では、購買仕様書と見積の項目を突き合わせ、食い違う箇所を洗い出す作業から任せると進めやすくなります。取引先から受け取った資料には秘密保持契約の制約がかかっていることが多いので、入力する前に次の節の区分で扱いを決めてください。

生産では、作業者が作業標準書を引く代わりに、AI が該当する手順を探して回答案を示す使い方が中心になります。作業標準書に書かれていない質問は AI に答えさせず、班長や生産技術の担当へ引き継ぐ決まりを最初から入れておきましょう。社内の問い合わせに答える AI を作る前に決める項目(対象の問い合わせ・参照する資料・閲覧権限・回答の責任)は、社内 AI チャットボットの記事にまとめています。

品質では、件数の多い不具合報告を分類し、過去の類似事例を並べる作業から始めます。原因を確定し、出荷してよいかを決めるのは品質保証の担当です。画像検査の AI を使っている工程でも、判定の境界にある品を人が見る手順は残します。

保全では、点検した人の話した内容や手書きのメモから点検記録の下書きを作り、本人が確かめて登録する使い方が向いています。設備を止めるか動かすか、安全に関わる作業を許可するかは、誤ったときに人の安全に直結するため、AI の出力は判断の材料にとどめます。

図面と製造ノウハウは、入力してよい範囲を先に決める

図面や製造条件は営業秘密として守る対象になりうるので、生成AIを使い始める前に、情報の区分ごとに入力してよい環境を決めておきます。不正競争防止法第2条第6項は、営業秘密を「秘密として管理されている生産方法、販売方法その他の事業活動に有用な技術上又は営業上の情報であって、公然と知られていないもの」と定めています。

つまり、秘密として管理していること、事業に役立つこと、公に知られていないことの3つを満たす情報が、法律で守られる営業秘密です。秘密として管理していることが要件の1つなので、AI に入力するときの決まりも、その管理の一部として整えておくのが筋です。

経済産業省は2025年3月に営業秘密管理指針を改訂し、生成AIの利活用を想定した記載を加えています(営業秘密官民フォーラム「営業秘密のツボ」第115号・2026年1月21日公開)。自社の管理の仕方を見直すときは、指針の原文と照らしてください。

区分と入力してよい環境は、たとえば次のように決めます。

情報の区分 例 入力してよい環境
公開済みの情報 カタログ、公開している仕様、規格の名称 会社が利用を認めた生成AIサービス
社内の一般的な情報 社内規程、一般的な作業手順、社内の問い合わせ 入力した内容を学習に使わない契約・設定を確かめた社内向けの環境
営業秘密・技術情報 図面、製造条件、配合、不具合の原因分析 自社が管理する環境に限り、閲覧できる人を文書ごとに設定する
取引先から預かった情報 顧客の図面、支給品の仕様 秘密保持契約の範囲を確かめてから決める。確かめるまでは入力しない

取引先から預かった図面は、自社の営業秘密より扱いが難しい情報です。秘密保持契約で使ってよい目的や扱える人が決まっていることが多く、自社の判断だけで AI に入れてよいとは限りません。調達・設計・品質のどの部署が預かった資料かを洗い出し、法務と一緒に契約の条項を確かめておきましょう。

決めないまま使い始めると、現場の担当者が個人のアカウントで図面の一部を AI に貼り付けるような使い方が起きやすくなります。漏洩の経路ごとに禁止に頼らず仕組みで止める方法は、生成AIの情報漏洩を防ぐ順番の記事で扱いました。営業秘密を扱う AI を自社の管理する環境で動かすときの置き場所の選び方は、生成AIをオンプレミス・閉域・クラウドのどこで動かすかの記事にまとめています。

Offers AX は工程の分解から実装、社内への引き継ぎまで一体で進める

Offers AX は、どの工程のどの作業から AI に任せるかを決める課題調査から、動くものでの検証、本実装、社内への引き継ぎまでを一体で支援します。支援は3つの柱を案件の工程に合わせて組み合わせる形です。

  • コンサルティング: 課題調査とユースケースの選定、効果測定の設計
  • AI エージェント開発: 業務に固有の文脈を組み込んだ AI エージェントの設計と構築
  • 内製化支援: 引き継ぎドキュメントの整備、社内の運用体制の設計、エンジニア採用の要件定義

前の節で「自社が管理する環境に限る」とした情報も扱えるよう、構築は GCP・Azure・AWS のいずれにも対応し、お客様の環境に作ります。当社の環境に顧客データを持たず、契約が終わっても資産はお客様の環境に残る形です。クラウドの LLM を使えない高機密の案件では、貸与された PC の中で処理を完結させ、外部との通信を止める構成で対応した実績があり、図面のように社外に出せない情報を扱うときの選択肢になります。AI の出力は下書きや参考情報として扱い、判断は人が行う前提で設計しています。

支援の範囲と進め方は Offers AX のサービスページにまとめました。どの工程から始めるかが決まっていない時点でも相談できるので、無料相談を申し込むからご連絡ください。

進め方は、業務の現場に近い距離で戦略と実装を一体で進める FDE(Forward Deployed Engineer)型です。FDE という働き方の定義は Offers FDE の解説記事にあります。要件定義書を作り込む前に、数週間で動くプロトタイプを作って実際の業務で検証し、効果を確認してから本実装へ進みます。次の節で示す、1つの工程を過去の記録で試して測る取り組みを、動くものを使って短い期間で回せるのがこの進め方の利点です。

最初は1つの工程で、文書の検索と記録の下書きから始める

最初の取り組みは工程を広げず、1つの工程の文書の検索か記録の下書きに絞ると、効果と誤りの出方を測れます。進め方は次の5つのステップです。

  1. 図面と製造ノウハウの扱いを決めた区分表で、入力してよい情報と環境を決める
  2. 件数が多く、出力を人が原本で確かめられる作業を1つ選ぶ(品質の不具合報告の分類、保全の点検記録の下書きなど)
  3. 対象の文書を集め、最新のものに絞り、閲覧できる人と更新する人を決める
  4. 締めが済んだ過去の記録で AI を動かし、AI の出力と人が実際に付けた分類や記録を比べる
  5. 探す時間、人が直した件数、現場で使われた回数を見て、広げるか、直すか、やめるかを決める

3つ目の文書の準備は、思ったより時間がかかります。熟練者の判断が文書になっていない職場では、AI に渡す材料そのものが足りないからです。2026年版ものづくり白書の概要が引く労働政策研究・研修機構の調査(2026年5月・n=4,262)では、技能継承のために「継承すべき技能の見える化(テキスト化・マニュアル化・デジタル化)」に取り組む企業は31.2%で、従業員300人以上の企業では44.1%でした。

熟練者に聞き取った内容を AI で手順書の下書きにまとめ、本人が直して確定させる進め方なら、生成AIの準備と技能継承の両方に役立ちます。社内文書・閲覧権限・更新の持ち主を整える手順は、AI のデータ整備の進め方の記事で詳しく扱っています。

4つ目で過去の記録を使うのは、本番の判断に影響を出さずに誤りの出方を確かめるためです。どの項目をどう直したかを記録しておけば、全件の確認から抜き取りへ移すか、AI の使い方を変えるかを数字で決められます。試す期間で終わらせず本番へ進める決め方は、AI の PoC で止まらない進め方の記事にまとめました。

つまずきやすいのは、改訂前の文書・根拠の無い回答・使われない仕組みの3つ

製造業の生成AIで起きやすいつまずきは、改訂前の文書を引く、根拠を示さない回答をそのまま使う、現場で使われない、の3つです。どれも使い始める前の決まりで防げます。

1つ目は、改訂前の文書を引いてしまうことです。図面や作業標準書は改訂が多く、AI が参照する置き場に改訂前の文書が残っていると、古い寸法や手順が回答に混ざります。AI が参照する置き場には最新のものだけを置き、回答に文書名と改訂番号を添えさせると、読む人が気づけるようになります。

2つ目は、根拠を示さない回答をそのまま使うことです。根拠の文書が見つからない質問には「該当する文書が見つからない」と答えさせ、担当者へ引き継ぐ決まりにしておきましょう。答えられない質問の記録は、作業標準書に書き足すべき箇所の一覧としても使えます。

3つ目は、仕組みを作っても現場で使われないことです。点検や記録のたびに別の画面を開く手間が増えると、忙しい時間帯ほど使われなくなります。現場がふだん記録を付けている手順の中に組み込み、使われた回数と使われなかった理由を最初の数週間で聞き取ってください。

やめる判断も、試した成果の1つです。AI の出力を直す手間が、人が最初から書く手間を上回る作業もあります。その場合は元の手順に戻すか、決まった手順で処理するプログラムに任せるといった別の選び方に切り替えれば十分です。

次に取る行動は、この記事の5つの工程の表を自社の工程名と文書名で書き直し、入力してよい範囲の区分と並べてみることです。最初に試す作業が1つに絞れたら、記録の下書きから複数の手順をつなげて動く AI エージェントへ広げる道筋も見えてきます。業務に AI エージェントを入れる話題は、AI エージェントのカテゴリから順に読めます。

AI を全社の成果につなげる Offers AX

コンサルティング・AI エージェント開発・内製化支援の3本柱で、実装まで支援します。無料相談を受け付けています。

無料で相談する

Offers AX のサービスを見る

記事一覧へ