生成AIで社内規格の確認を5分から1分に、産業機械メーカーの製造現場

製造の現場では、未経験の作業や不明点のある作業に入る前に、必ず関連する規格を確認します。ところが規格は全社共通・工場別・部門別の三層で構成され、部門規格だけで50ページを超えることもあるため、確認作業には会社全体で年間推定1,044時間が費やされていました。塗装仕様書のレビューも、英文を読み解いたうえで自社設備で対応できるかを見極める必要があり、高度な経験と知識を持つ担当者に頼らざるを得ない業務になっていました。

編集部の見立てでは、ここでの本質的な困りごとは文書の量ではなく、「どの規格が目の前の作業に効くのか」「この指示は受けられるのか」を見分ける勘所が、個人の経験の中にしか残っていなかった点にあります。同社自身も、人財育成や技術継承の難しさを以前からの課題として挙げています。人手不足と技術者の高齢化が重なれば、その勘所は補充されないまま細っていく。検索の手間として見えていた負荷は、技術継承の詰まりが表面に出たものだったのではないでしょうか。

機密情報を扱えるかどうかを最初に片づけた構成が、この取り組みの出発点になっています。顧客向けの製品図面のように外へ出せないデータを扱う以上、一般的な生成AIサービスのままでは製造業務に持ち込めません。Azure OpenAI Serviceを使ってクローズドなクラウド上に稼働環境を用意し、情報が外部へ流れない前提を先に作ったことで、事務作業で止まっていた利用をコア業務へ動かす余地が生まれました。

回答に必ず引用元を明示する設計も効いています。生成AIがもっともらしい誤りを返す性質そのものは消せないため、正誤の最終判断は人の側に残し、確認にかかる手間だけを短くする。出力に根拠の在りかを添えるやり方は、その割り切りを機能の形にしたものと読めます。規格文書の所在に不慣れな新人でも、示された文書に自分で当たって確かめられるため、AIの答えを鵜呑みにする使い方から距離が置けます。

三つめは、現物の業務データを学習させ、精度が出るまで直し続ける進め方です。塗装仕様書のレビューでは、過去の仕様書と、それに対して実際に出された指摘事項が学習データとして使われ、テストとフィードバックとチューニングが繰り返されました。技術を先に立てるのではなく、どの業務に生成AIが効くのかを細かくヒアリングしてユースケースを組み立てる順序を取ったことが、現場の判断に噛み合う機能設計につながったと考えられます。翻訳では原文と翻訳文を1画面に並べて表示する専用インターフェースを用意しており、作業者が突き合わせながら読む実際の手順に画面を寄せた点も、使われ続ける条件を満たしています。

規格の確認支援では、1回あたり約5分を要していた検索が約1分に短縮できることが確認され、時間にして最大80%の短縮にあたります。回答精度は当初期待通りではなかったものの、継続的なチューニングによって60%以上まで改善しました。塗装仕様書のレビューAIは、翻訳機能で約80%、要チェック項目の抽出機能で約60%の精度に達し、レビュー1件あたりの平均作業時間は約30時間から約18時間へと、約40%の工数削減が確認されています。全社約1,900人に効果が波及した場合のインパクトは、現時点では期待として語られている段階です。