「AIエージェントで何ができるのか」は、製造業では業務に落とし込まないと分かりません。本記事は現場・品質・生産管理の実務に即して、任せられる業務と任せてはいけない領域を切り分けます。導入の前提は、現物と現場での検証です。
製造業の人手不足は、単純に人数が足りないという話にとどまらなくなってきています。ベテランの退職で暗黙知が失われ、若手が育つ前に現場が回らなくなる。生産管理は日々の段取り替えと突発の欠品対応に追われ、品質部門は不良の分析報告書を書く時間すら取れない。多能工化を進めても、一人あたりの間接業務（報告・記録・調整）はむしろ増えている——こうした構造的な負荷が、多くの現場で同時に起きていると考えられます。
経済産業省や厚生労働省の各種資料でも、製造業の担い手不足と技能継承の難しさは繰り返し指摘されています（具体的な数値・適用範囲は所管省庁の最新の公表資料でご確認ください）。ただ現場の実感として深刻なのは、人数よりも「判断できる人の時間」が枯渇していることではないでしょうか。段取りを決める、不良の原因を切り分ける、客先クレームに一次回答する——ここに人の時間が集中し、その手前の作業に忙殺されている状態です。
日報を転記し、Excelに実績を打ち込み、朝会の議事録を清書し、過去の不良報告書を探す。これらは価値を生まないわけではありませんが、必ずしも人が丸ごと担う必要がない「一次処理」です。AIエージェントの現実的な意義は、この一次処理を肩代わりし、人を判断に集中させることにあると考えます。まずAIに任せられる業務を業務単位で棚卸しすることが出発点になります。
AIエージェントの導入で最初につまずくのは、「何ができるか」ばかりを議論して「どこまで任せてよいか」を決めていないことだと考えられます。製造業では、同じ『不良の分析』でも、原因候補を並べる作業と、原因を確定して是正処置を打つ判断はまったく重みが違います。前者はAIに任せやすく、後者は品質責任者の領域です。この線引きを曖昧にしたまま導入すると、現場は「結局チェックし直すなら意味がない」と離れていきます。
整理の軸はシンプルで、「間違えたときに誰が責任を負い、被害がどこまで及ぶか」です。日報の要約が多少ずれても、人が読めば気づけて被害は小さい。しかし出荷可否や設備停止の判断をAIに委ねると、間違いが製品や安全に直結します。だからこそ、AIには根拠（該当ログ・過去事例・画像・数値）を提示させ、最終判断は人が行う設計が基本になると考えます。
多くの製造業務は、完全自動化でも完全手作業でもなく、「AIが下書きし、人が確定する」という中間地点に落ち着くのが現実的だと考えられます。報告書も手順書も是正処置案も、ゼロから書くより叩き台を直すほうが速い。この『下書き工程の外注先』としてAIエージェントを位置づけると、期待値の設定を誤りにくくなります。
抽象論では現場は動きません。ここでは製造業で比較的任せやすい5つの業務を、実務の手触りで具体化します。いずれも「AIが一次処理・人が確定」を前提とし、効果は現物・現場での検証が前提です。
不良が出たとき、発生日時・工程・ロット・現象・過去の類似事例を集めて報告書の骨子を作るのは手間のかかる作業です。AIエージェントに検査記録や不良履歴を参照させれば、「いつ・どの工程で・どんな不良が・どれくらいの頻度で」を一次集計し、想定される原因候補と過去の類似事例をひも付けた下書きまで作らせることが考えられます。原因の確定と是正処置は品質担当者が判断し、AIは材料を揃える役に徹する形です。
手書きや音声の日報、朝会の議事録を、決められたフォーマットに整理し、生産実績や停止理由の集計につなげる作業もAIが担いやすい領域です。「誰が・何を決めたか」「未決事項は何か」を議事録から抽出し、翌日の申し送りにまとめる。散在する記録を検索可能な形に蓄積していくと、それ自体が資産になります。社内ナレッジをAIの脳にという発想で、日々の記録を将来の検索・分析に効く形で溜めていく設計が効いてくると考えます。
温度・振動・電流・サイクルタイムといった設備データを常時監視し、平常値から外れた兆候を一次検知して担当者に通知する使い方も現実的です。ただしここで重要なのは、AIに設備を止めさせないことです。閾値超過や異常傾向を『気づき』として人に上げ、停止や保全の判断は保全担当が行う。誤検知を前提に、「見逃しを減らす一次アラート」として設計するのが安全だと考えられます。
「この不具合、前にもあった気がする」を、AIエージェントが過去の報告書・是正記録・クレーム履歴から探し出せると、技能継承の負荷が大きく下がる可能性があります。ベテランの頭の中にあった『似た事例の引き出し』を、検索可能な形で誰でも引けるようにする。キーワード検索では拾えない、現象の言い換えや類似性でたどれる点がAIの強みです。ただし出典（どの記録に基づくか）を必ず提示させ、鵜呑みにしない運用が前提です。
新製品の立ち上げや段取り替えのたびに手順書を作り直すのは負担です。既存の標準書・過去の類似品の手順・変更点を材料に、AIが手順書の下書きを生成すれば、作成者は差分の確認と現場での妥当性チェックに集中できます。生成された手順は必ず現場で実作業と照合し、安全項目は人が確認する——ここを省かないことが条件になると考えます。
製造業のAI活用というと外観検査（画像による良否判定）を思い浮かべる方も多いはずです。実はこの画像検査と、これまで挙げた社内AIエージェントの業務は地続きにできると考えられます。検査で出た不良画像・判定結果・発生ロットが、そのまま不良分析レポートの材料や過去事例検索のデータになるからです。
たとえば、VLM（画像と言語を扱うモデル）ベースの検査で「どこに・どんな欠陥が出たか」を捉え、その結果をAIエージェント側に渡して、不良の傾向分析や報告書の下書き、過去の類似不良との照合まで一気通貫でつなぐ、といった構図です。検査という『点』のデータを、分析・記録・継承という『線』の業務に流し込むイメージです。
ただし外観検査は、照明・カメラ・レンズ・撮像条件で結果が大きく変わる、極めて現場依存性の高い領域です。Nsightは元キーエンス画像処理事業部の現場知見を土台に、VLM・Jetsonなどのエッジ・産業用カメラ・現場ライティングを組み合わせて検討しますが、認識率や効果は必ず現物・現場での検証が前提であり、机上で断定できるものではありません。この点は正直にお伝えしています。
AIエージェントを製造現場に根づかせるうえで大切なのは、一度作って終わりの外注品にしないことだと考えます。現場のフォーマットも不良の種類も設備も変わり続けるため、AIに参照させるデータや指示（プロンプト）を現場側で少しずつ調整できる状態が望ましい。完全な内製化を最初から目指す必要はありませんが、「中身をブラックボックスにしない」設計が長持ちの条件になると考えられます。
そのためには、道具を導入するだけでなく、使いこなす人を社内に育てることがセットになります。生産管理や品質のリーダーが、AIに何をどう任せ、どこを人が確認するかを設計できるようになると、現場の変化に追随できます。この観点でAI研修を通じて、外部に丸投げしない体制を少しずつ作っていく進め方が現実的だと考えます。
製造業では『なぜそう言えるのか』が問われます。AIの出力には必ず根拠（参照した記録・数値・画像）を添えさせ、人が検証できる形にすることが信頼の前提です。根拠を出せない出力は採用しない、というルールを最初に決めておくと、現場の納得感が保ちやすくなると考えます。
やってみないと分からない部分は正直に多く、事前に想定しておくべき落とし穴もあります。代表的なものを挙げます。
これらは避けられる落とし穴です。逆に言えば、ここを織り込んで設計すれば、無理のない範囲で着実に業務を軽くしていける可能性があると考えます。
最初の一歩は、派手な内製化構想ではなく、社内に散らばる帳票・議事録・不良履歴・設備ログを客観的に把握することです。どんな記録が、どこに、どんな形で存在するかを棚卸しするだけで、任せられそうな業務の輪郭が見えてきます。全体の進め方はAIエージェント社内導入の全体像で整理していますので、あわせてご覧ください。
次に、前述の5例の中から、失敗しても被害が小さく効果を実感しやすい業務（多くの場合は日報整理や過去事例検索）を一つ選び、限られた範囲で試します。ここで大切なのは、感覚ではなく『どれくらい時間が減ったか・出力が使えたか』を記録し、根拠を持って次の一手を判断することです。
画像検査と組み合わせて品質業務まで広げる場合も、順番は同じです。まず現物・現場で撮像条件と判定を検証し、そこで得たデータをAIエージェント側の分析・記録につないでいく。急がず、検証で確かめながら範囲を広げていく進め方が、結局は最短だと考えます。まずは自社のどの業務から検証できそうか、相談するところから始めていただければと思います。
不良分析レポートの下書き、日報・議事録の整理と実績転記、設備データの一次監視、過去トラブル事例の検索、作業手順書の生成支援などが比較的任せやすいと考えられます。いずれもAIが一次処理を担い、原因確定や出荷可否などの最終判断は人が行う設計が前提です。効果は現物・現場での検証を経て確かめる必要があります。
最終的な良否判定・出荷可否・設備停止・安全に関わる判断は人が担う領域だと考えます。AIには根拠となる記録・数値・画像を提示させ、判断材料の整理までを任せるのが安全です。間違えたときの被害が製品や人身に及ぶ業務ほど、人の確認を残す設計が重要になると考えられます。
つなげられると考えられます。検査で得た不良画像・判定結果・発生ロットを、不良分析や過去事例検索の材料としてAIエージェント側に流す構図です。ただし外観検査は照明・カメラ・撮像条件への依存が大きく、認識率や効果は必ず現物・現場での検証が前提になります。机上で断定はできません。
日報・不良記録・議事録・設備ログなどが、AIが参照できる形で残っていることが前提になります。手書きや人ごとにバラバラな様式のままだと活用が難しいため、まず記録の様式と保管場所を整える棚卸しから始めるのが現実的だと考えます。完璧な整備を待つ必要はなく、対象業務を絞って小さく検証する進め方が有効です。
AI・IT導入に関する各種の支援制度が用意されている場合があります。ただし対象要件・補助率・申請期間は制度や年度で変わるため、最新の条件は所管省庁や事務局の公表資料でご確認ください。制度の存在を前提に計画を固める前に、自社の対象業務でまず小さく検証し、効果の見込みを持って判断することをおすすめします。
任せられる業務と人が確認すべき業務の線引きは、現場ごとに違います。まずは手元の帳票・不良履歴・議事録を客観的に把握し、失敗しても被害の小さい業務から小さく検証するのが近道だと考えます。画像検査と組み合わせる場合も、現物・現場での検証を起点にご一緒します。
製造業のAIエージェント活用について相談する