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

電子基板の少量多品種化が進み、SMTラインでは生産ロットの切り替えに伴う段取り作業が頻繁に発生するようになりました。東芝グループ内のラインでも日々複数回の基板種切り替えが行われ、製品ごとに条件設定や部材交換が変わるため、切り替え後に問題が起きれば、原因の特定から対応策の検討、改善策の立案までを短時間でこなす必要があります。加えて、複数メーカーの設備が混在するラインでは仕様やインターフェイスが異なり、データの一元管理そのものが難しい状態にありました。

編集部の見立てでは、ここでの困りごとの本質は「熟練者の人数が足りない」ことではなく、判断の手順が個人の頭の中にしか存在せず、切り替えの回数が増えるほど、その判断を待つ時間が生産全体の速度を決めてしまう点にあったのではないでしょうか。データを可視化するダッシュボードを整えてもなお改善業務が人手に残り続けた事実は、状態を見せることと、原因を絞り込んで手を打つことが、まったく別の能力であることを示しています。

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。

東芝の生産技術センターでの検証では、従来は状況によって数時間を要することもあった不良原因の特定と改善策の立案について、AIエージェントが数分以内に具体的な対処案を提示できることが確認されています。2025年7月の「製造業DX展」で試作版を展示した際には、回答の速さや、分析結果と改善策が分けて細かく記載される読みやすさに対して好意的な反応が集まりました。エージェント同士のやり取りを読むことが若手技術者にとって熟練者の思考を学ぶ機会になることも期待されており、東芝グループ内のモデル工程でのパイロット活用を検討しながら、2026年の商品化が計画されています。