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。

製造業のAI導入と適用可否の判断

製造業のAI導入では、モデルの選定より先に、対象業務、入力データ、正解の定義、評価指標、人の確認方法、例外処理、運用コストを決めます。シンシアはAIを単独のツールとしてではなく、既存の業務システムの一部として実装する前提で設計します。

このページで分かること

適用しやすい業務と、現時点で難しい業務
用途別（図面、文書、検査、保全、予測）の前提条件
AIを使わずに済む場合（検索・台帳整備・ルール処理）
PoCで決めておく評価指標と合格基準、続けるか止めるかの条件
本番運用で必要になる、人の確認とフォールバック

対象データを確認して、AI適用可否を診断する

要件が固まっていない段階の相談を想定しています。初回の相談で契約を迫ることはありません。

AI適用の可否を診断する

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。

AIを使わずに済む場合

「AIで何とかしたい」という相談の中には、AIより確実で安い手段で解決できるものがあります。先に次の3つを確認します。

困りごと	先に検討する手段	AIを検討するのは
文書や図面が見つからない	保管場所と命名規則の統一、全文検索、台帳（一覧表）の整備	言い回しが違う質問からも該当箇所を探したい場合
同じ判断を毎回手作業でしている	条件分岐のルール化（表にできる判断はルールで処理する）	条件を書き出せない、例外が多い判断の下書きを作る場合
入力・転記が多い	入力画面の改善、システム間の連携、所定フォーマットの配布	書式がばらつく書類から読み取る必要がある場合

技術文書のAI検索（RAG）を業務で使える形にする — 引用・権限・版・回答停止と、評価用の質問セット
図面AI・OCRで抽出できる項目と、読めないときの扱い — 入力形式ごとの前提と保留の動作

用途別の前提条件

用途	入力	前提・注意
図面解析	CAD出力、PDF、スキャン画像	表題欄など定型位置は精度を出しやすい。手書き注記と書式差に弱い
受注・見積文書の読み取り	注文書、見積依頼、メール本文	項目単位で自動化の可否を分ける。品番・数量は人の確認を残す
技術文書の検索（RAG）	仕様書、作業手順、過去トラブル記録	出典を提示できる構成にする。文書の版管理が前提
外観検査	検査画像	不良サンプルの数と、撮像条件の安定が成否を分ける。照明・治具の設計を含む
異常検知・予知保全	設備の稼働・センサーデータ	故障事例の記録が必要。誤検知時の運用を先に決める
需要予測	出荷実績、受注履歴、季節性	外部要因の影響が大きい場合、精度より「外れたときの運用」が重要

PoCで決めておくこと

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）
評価指標と合格基準（何をもって「使える」と判断するか）
評価に使うデータ（学習に使ったデータで評価しない）
誤り方の重み（見逃しと誤検知のどちらが業務上重いか）
人が確認する箇所と、確認にかかる時間
PoCで判断しないこと（長期の精度変化、繁忙期の負荷など）

判断	条件の例（着手前に数値を決める）
本番へ進む	合格基準を満たし、確認込みの作業時間が現状より短い
範囲を絞って続ける	一部の項目・文書では基準を満たすが、全体では満たさない
止める	基準に届かず、データや文書を整えても改善の見込みが立たない
AI以外に切り替える	ルール化・検索・入力改善で同じ効果が出ると分かった

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。