製造業のAI導入と適用可否の判断

適用しやすい業務

• 大量の文書・図面から該当箇所を探す（検索・要約の補助）
• 定型帳票からの項目抽出（人が最終確認する前提）
• 過去の類似案件・類似図面の提示（見積・設計の下書き）
• 自由記述の分類（不具合報告、問い合わせの振り分け）
• 明確な閾値では表現しにくい異常の検知（十分な記録がある場合）

共通するのは、「間違えても人が気づける」「間違えたときの損失が限定される」構造になっていることです。

適用が難しい業務

• 判断根拠の説明責任が重く、出力の理由を人に示せないと困る業務
• 正解データが社内に存在せず、作るのに現実的でない工数がかかる業務
• 不良・故障の事例が極端に少なく、学習も評価もできない対象
• 安全に直結し、誤りが即座に事故につながる判断
• 例外が毎回異なり、そもそも人でもルール化できていない業務

「AIでできないか」と相談を受けた業務の一部は、ルールベースの自動化や入力方法の変更で解決できます。当社は、AIを使わない解決策のほうが妥当な場合はそう伝えます。

用途別の前提条件

PoCで決めておくこと

1. 対象業務と、AIが担当する範囲（どこからどこまでを置き換えるか）
2. 評価指標と合格基準（何をもって「使える」と判断するか）
3. 評価に使うデータ（学習に使ったデータで評価しない）
4. 誤り方の重み（見逃しと誤検知のどちらが業務上重いか）
5. 人が確認する箇所と、確認にかかる時間
6. PoCで判断しないこと（長期の精度変化、繁忙期の負荷など）

合格基準を決めずに始めたPoCは、結果が出ても「使えるかどうか」を誰も判断できません。着手前に、基準と判断者を文書化します。

人の確認とフォールバック

• 確信度が低い場合に、自動処理せず人の確認に回す仕組みを持つ
• 人が修正した内容を記録し、精度の推移と改善に使う
• AIが停止・障害を起こしたときに、業務を止めない代替手順を用意する
• 出力の根拠（参照した文書、抽出元の位置）を提示する
• 誰が最終責任を持つかを、業務手順として明文化する

本番運用・コスト・ログ

• 処理件数に応じた実行コストの見積もり（PoCの規模で判断しない）
• 入力データの取り扱い（社外サービスへ送る範囲、社内での完結の要否）
• ログの保存（入力、出力、確信度、人の修正）と、その保存期間
• 精度の定点観測と、劣化したときの対応手順
• モデルやサービスの提供終了・仕様変更に備えた切り替え可能性

よくある質問

自社にはAI用のデータがありません。始められますか。

用途によります。文書検索のように既存の文書をそのまま使える用途は、追加のデータ整備なしで着手できることがあります。一方、外観検査や予知保全は、不良・故障のサンプルが必要です。まず「手元にあるデータで何が判断できるか」を確認する段階から相談を受けています。

PoCで良い結果が出れば、そのまま本番で使えますか。

使えません。本番では、例外処理、権限、ログ、監視、人の確認フロー、運用手順、コスト管理が追加で必要になります。PoCは適用可否を判断するための工程であり、本番実装の見積とは分けて考えてください。

社外のAIサービスに図面や仕様書を送っても大丈夫ですか。

社内の情報管理方針、顧客との契約条件、支給図面の取り扱い規定によります。送信するデータの種類を具体的に確認したうえで判断してください。社外に出せない場合は、社内に閉じた構成を選択肢として検討します。

生成AIを社内で使いたいが、何から始めるべきですか。

対象業務を1つに絞り、成果を測れる形にすることを勧めます。全社導入から始めると、使う人と使わない人に分かれて効果が測れません。最初の1業務では、現状の作業時間と、AIを使った後の作業時間・確認時間を比較できるようにしておきます。