製造業のAI活用事例

OKIは自社EMS「まるごとEMS」のPCB実装ラインで、部品実装後のAOI(自動光学検査)がはんだ不良を過剰検出する「虚報」問題(不良流出を防ぐため検査閾値を厳しく設定した結果、良品まで不良判定される)を解決するため、独自の「目視判定AI技術」を開発。はんだ濡れ・位置ずれ・欠品・浮きの4項目をAIが判定するアルゴリズムをAOI装置の検査判定プログラムに搭載した。不良品サンプルが少ない(1日150ポイントのみ)ため、少量の良品データのみで学習する「良品のみ学習」方式を採用し、数万種類の部材・数千種類の機器を扱う変種変量生産に対応させた。2026年7月1日から顧客向け生産ラインへ導入。

「不良品は1日150ポイントしか出ないため意図的な不良品画像を作るのが難しい」という制約に対し、正例のみで学習する設計に振り切った点が実務的。誤検出(虚報)そのものより「良品判定漏れによる目視工数」をボトルネックと定義し直してAI適用範囲を絞った点が、AI導入の対象設定として参考になる。

ヤンマーエネルギーシステム エンジニアリング部（大阪支社）が、顧客設備への自社製品の採用提案（スペックイン）業務を対象に、キャディの製造業AIデータプラットフォームCADDiを使い約1ヶ月間の集中検証を実施。技術ニュースや標準図・機器図などのドキュメント群をCADDiにアップロードし、実案件を用いて類似案件の特定と技術資料参照の効果を検証した。

「アクセス時間」と「類似案件特定時間」を分けて計測し、後者を最大89%削減(45分→5分)という具体的なBefore/Afterで開示している点が珍しく、再現性の参考になる。導入前は新規案件のうち過去案件を流用できているのが約1割にとどまり、探索に1案件あたり45〜90分を要していたという定量的な課題設定も、他社が効果測定の設計を組む際の参考になる。

製造業で図面・仕様書・議事録を横断検索するRAG PoCを実施し、検索精度自体は十分な水準に達した。しかし「現場の誰が、1日何分使うのか」「その時間削減がどんな業務価値を持つのか」という運用KPIをPoC開始前に定義していなかったため、経営層がGo/No-Go判断を下せず投資見送りでプロジェクトは停止した。別の事例として、ある企業は生成AIツールを全社展開したが、全社員のおよそ3分の1が直近1カ月ログインした形跡がなく、未利用者は「使わなくても業務が回る」「何に使えばいいかわからない」と回答した。

検索精度など技術面で「成功」していても、誰が・どれだけの頻度で・どんな業務価値のために使うかというKPIを事前に定義していなければ投資判断ができず、PoCは技術的成否と無関係に中止される。失敗の本質はAIの性能限界ではなく、PoC着手前の「問いの設定」と予算配分の設計ミスにある。

全社員向け生成AIアシスタント「ConnectAI」を国内全社員約1.18万人に展開。2023年2月開始、月間ユニークユーザー率61%まで定着させ、2026年度からは業務システム連携のAIエージェント活用フェーズへ移行予定。

2025年度は前年度比で削減時間が2倍、利用回数が1.6倍に伸びており、単発導入でなく利用定着とともに削減効果が拡大している点が特徴。1回あたりの削減時間は33分、年間利用回数は361万回。

パナソニック コネクトが2026年2月19日発表。Snowflake社のデータクラウドプラットフォームとAI機能「Cortex AI」を活用した独自開発の「Manufacturing AIエージェント」を、設計・開発部門の図面/設計仕様照合業務に社内展開。複数のPDF図面からテキスト情報を自動抽出し、製品図面・部品図面・技術仕様書間の項目を自動照合する。

非構造化データ(PDF図面)の目視照合という属人的で見落としリスクの高い業務がAIエージェントで標準化された事例。Snowflake Cortex AIを基盤に自社開発した点が特徴。

プラスチック切削加工業の墨田加工が、円筒状プラスチック加工品（月約4,320個）の外観検査にAI検査機を導入。従来は従業員2名で3日間かけて目視検査していたが、製品をAI検査機にセットするだけでAIが自動判定。AI判断できない部分は目視検査で補完する組み合わせ運用により、検査時間を36%以上削減しつつ検査品質も向上させた。

AIが判断できない部分は目視で補完するハイブリッド運用により、完全自動化を目指さずとも検査時間36%削減を達成。中小製造業でも「AI単体」でなく「人とAIの分担」が現実的な導入形態であることを示す実例。

UACJの経理部門・人事部門・設備部門を対象に、「小さく始めて徐々に広げる」方針でタスクフォースチームを組成。生成AI活用のユースケース作成・プロンプト作成・社員への浸透を一体で推進し、全社共通の生成AI導入と部門別の業務課題解決を並行して実施した。

大手製造業の間接部門という「生成AI活用が後回しにされがちな領域」で、コンサルとタスクフォースが伴走しユースケース化まで一貫支援した結果、対象業務平均50%・一部70〜80%という高い工数削減率を実現した点が示唆的。全社一律導入でなく部門別ユースケースに絞り込んだクイックウィン戦略が効いている。

富士電機公式ストーリー記事(2023年11月29日付「AIを活用した需要予測と最適運転技術により脱炭素社会の実現に貢献」)をWebFetchで一次情報として取得し、method_summaryとの整合を確認。新さっぽろ駅周辺地区Ⅰ街区開発プロジェクト向けに次世代型CEMSを納入し、AIが電力・熱需要を予測して最適運転計画を自動立案する内容が本文に明記されていることを検証済み。

大手電機メーカーによる地域エネルギーマネジメントへのAI需要予測活用事例。単なるブラックボックスAIでなく予測根拠を可視化する「ホワイトボックス型」を差別化点として訴求している点が、AI導入事例として珍しい切り口(説明可能性AI/XAIの実務適用例)。

Siemens Senseye Predictive Maintenance + SIPLUS CMS1200振動センサー

Siemens公式プレスリリースで実在確認。乳製品工場(1日470万リットル処理)にSenseye Predictive Maintenance+SIPLUS CMS1200振動センサーを導入し、365日連続稼働と配管故障の早期検出によるコスト削減を実現。ただし「自然言語で過去事例を横断検索できる生成AI機能」という具体的記述は本文になく、"Maintenance Copilot Senseye"という名称の言及のみ(自然言語検索の詳細な機能描写なし)。この部分はmethod_summaryがやや先行しており、記録時は事実(振動監視・365日稼働・コスト削減)を中心に据え、生成AI機能は「Copilot機能への言及あり」程度に留めるべき。

WebFetchでURLを実際に取得し本文を確認。UST社(フィリピン発祥のグローバルITサービス企業)とAnthropicの提携内容、エンジニア研修規模(20,000人)、USTのiDECプラットフォームでの半導体検証サイクル短縮の記述を確認した。

method_summaryとの整合性を確認: UST-iDECプラットフォームへの統合、Claude Codeによる回帰テストスクリプト自動生成、4日→48時間の検証サイクル短縮という記述内容は一致。ただし展開人数は「2万人のエンジニアに展開」ではなく「2万人を訓練する目標」というニュアンスで、既に展開済みというより研修計画である点に注意。

AIモデルが工場から倉庫への日次出荷5,000件超を評価し物流計画を最適化。リアルタイムの製造パフォーマンスデータ活用で廃棄物削減も見込む

大企業のサプライチェーン最適化にAIモデルを組み込むと、日次数千件規模の出荷評価から継続的なコスト削減を積み上げられる。

プラグ株式会社提供の「パッケージデザインAI」(東京大学との共同研究、1,020万人の消費者調査データで学習)を用い、オタフクソースが「お好みソース大人の辛口」のパッケージリニューアルでAI生成・評価のデザイン案から「特徴がわかりやすい」スコアが既存比2.2倍の案を選出。その後公式SNSで人気投票を行い最終デザインを決定。

大手消費財メーカーが、パッケージデザインの意思決定にAI(生成+消費者評価学習モデル)を用い、感覚的なリニューアル判断を定量スコア(わかりやすさ2.2倍)で裏付けた事例。最終選定にSNS人気投票を組み合わせ、AI評価+ユーザー投票のハイブリッド意思決定を採用している点が特徴。

大みか事業所(茨城県日立市、社会インフラ向け制御システム開発拠点)の品質保証業務で、熟練者の情報探索・判断プロセスを分析し暗黙知を形式知化するAIエージェントを自社で先行導入・検証後、HMAX Industryのラインアップとして製造業向けに外販開始

大企業が自社の熟練者暗黙知(検索順序・判断プロセス)をAIエージェントで形式知化し、まず自社業務で実証してから外販商品化する「ドッグフーディング型」AI事業化の事例。効果は検索9割減・レポート作成8割減と定量的で説得力が高い。