東芝、複数のAIが対話して製造ラインの不良原因を数分で特定する試作システム

現場で使える形に落とすために、操作の入り口をダッシュボード上の1クリックに絞り込んだ設計が効いています。利用者は可視化されたKPI（工程の状態を測る指標）のうち異常が出ている箇所をマウスで指定するだけでよく、キーボードで質問文を組み立てる必要がありません。生成AIの活用でつまずきやすいのは、聞き方を工夫できる人とそうでない人で結果に差が開く点ですが、入力の自由度をあえて捨てることで、その差が生まれる余地を先に消しています。

AIを一つの賢いモデルとして扱わず、計画・分析・改善提案という役割に分けて配置した構成も、実務との相性を高めています。計画エージェントが分析の段取りを立てて分析エージェントに依頼し、原因が分かるまで計画と分析を往復するDeep Research（納得のいく答えに届くまで調査を繰り返す進め方）を経て、改善提案エージェントが対処策をまとめる流れです。このやり取りがチャット形式で表示されるため、利用者は結論だけでなく、そこへ至った道筋をたどれます。製造の現場では対策の根拠が必ず問われる以上、答えの中身と同じくらい「なぜそう言えるのか」を示せる構造が採用の条件になっていた、と読み取れます。

三つ目の柱は、東芝グループが保有する製造ナレッジをAIが扱える形に再構成し、そこからSMTに関する知見を抜き出して実装した点です。一般的な生成AIが一般論に流れやすいのに対して、現場でそのまま実行できる粒度の提案に届くかどうかは、この下ごしらえの精度に左右されます。ユーザー企業が独自に持つナレッジも後から組み込めるよう拡張性を確保した作りは、知見が積み上がるほど提案が育つ前提を用意したという点で示唆的。社内にマルチエージェントの実装事例が乏しかったため、Microsoft Unifiedを通じてマイクロソフトの技術者が開発プロジェクトに加わり、実装方法の選択肢を提示しながら二人三脚で進める体制を取ったことも、短期間で形にできた要因でしょう。