部品の寸法が一つ変わるだけで、後工程にある数十台の設備について、パラメーターや製造工程の計画をすべて調整しなければなりません。熟練したエンジニアは、どこを高速化でき、どこを変更してはいけないかを把握しています。しかし、新人の手元には数枚の表と、各所に散在する作業記録しかないことも珍しくありません。このような状況で企業が AI Agent を導入しても、ファイルを読み取ることはできても、どのルールに基づいて判断すべきかまでは分からない可能性があります。
企業はまず一つの業務を選び、実際の進め方を、担当者が理解でき、チームがテストでき、責任者が承認できるルールとして整理したうえで、どのステップを AI Agent に任せるかを決めることができます。プロセスとデータが完全に標準化されていなくても、プロジェクトを開始できないわけではありません。ただし、最初は対象範囲を絞る必要があります。頻繁に発生し、ルールが比較的明確な業務から着手し、熟練者の頭の中にある判断方法を明文化して、実際の案件で検証しながら段階的に拡大していきます。
まずは一つの業務プロセスを整理し、全社的な標準化の完了を待たない
『數位時代』が紹介した Siemens の産業 AI 事例によると、デジタルツイン（Digital Twin）には、寸法、材料、設備パラメーター、実際の生産データが取り込まれます。金属を工場で加工する前に、エンジニアは使用すべき工具の種類や、主軸回転数、テーブルの移動速度をどのように設定するかをシミュレーションできます。また、設計が工作機械の加工限界を超えている場合には、製造部門が設計変更時に問題をフィードバックできます。
この事例は、AI の導入を検討する企業に重要な示唆を与えています。AI を業務に参加させるには、現場で実際に使われているデータとルールを提供しなければなりません。PepsiCo も、仮想環境上で機械の配置、製造ラインの動線、設備構成をテストし、調整によって生産が滞らないかを確認したことがあります。こうしたシミュレーションが可能なのは、チームが設備データと生産データを、システムで利用できる形式に整理しているからです。
ただし、プロジェクトを始めるために、全社のプロセス整理が完了するまで待つ必要はありません。待っていると対象範囲が際限なく広がり、最終的には最初の一歩さえ踏み出せなくなりがちです。まずは、毎週繰り返し発生し、入力と出力を明確に説明しやすい業務を一つ選ぶことを推奨します。たとえば、営業見積もりに必要なデータの取りまとめ、購買部門による相見積もり結果の一次審査、品質管理上の異常の分類、カスタマーサービス案件の振り分けなどです。
第一段階では、次の四つを明確にします。担当者が受け取るデータ、判断に用いる条件、想定される例外、最終的に納品すべき形式です。この四つの問いに明確に答えられない場合は、モデルの選定を急がず、まず実務担当者へのヒアリングを行います。
熟練者の経験をテスト可能なルールとして明文化する
SOP には通常、作業手順は記載されていますが、なぜそのように判断するのかまでは明確に書かれていないことがあります。営業見積もりを例にすると、文書には「納期を確認した後、責任者の承認を得る」としか記載されていないかもしれません。しかし、熟練者はさらに、顧客の過去の支払状況、原材料価格の変動、最低受注数量、特殊仕様についてエンジニアへの確認が必要かどうかも確認しています。こうした条件が口頭でしか共有されていなければ、AI Agent が次に類似案件を処理する際にも、見落とす可能性があります。
こうした経験を整理する際は、実際の業務上の問題を使って熟練者に質問することを推奨します。「どのように対応しているか」だけでなく、「どのような状況で当初の判断を変えるのか」「データの項目が一つ欠けている場合はどう対応するのか」「必ず差し戻すべき案件はどれか」まで掘り下げて質問します。そのうえで、回答を入力データ、判断ルール、例外条件、出力形式に整理し、正しい結果、誤った結果、データ不足などのケースを含むテスト問題を用意します。
チームは、AI Agent が回答を出したかどうかだけを見るのではなく、どのルールを根拠として使用したかも確認する必要があります。また、データが不足している場合に、勝手に推測せず、処理を止めて確認を求めるかどうかも検証しなければなりません。
EgentWrX では、チームがこのような定型的な進め方を AI スキル（AI Skill）として整理し、AI Agent が同じ状況に直面するたびに、同一のルールを適用できるようにすることが可能です。担当者が自ら作成したスキルを全社に展開する場合は、事前に管理画面上での審査を受ける必要があります。プロセス責任者と熟練した実務担当者が共同でスキルの内容を確認し、まずは一つの部門で試験運用することを推奨します。そこで、まだ盛り込まれていない例外条件を記録し、その後でほかの部門にも提供するかどうかを判断します。
データの性質に応じて整理し、重要な操作は引き続き人が確認する
データの標準化とは、すべてのファイルを一つのフォルダーに詰め込むことではありません。規程、操作手順、Q&A コンテンツは、テーマごとに整理するのが適しています。大量の文書から類似する内容を探す必要がある場合は、セマンティック検索（semantic search）を利用できます。一方、品番、価格、日付、ステータスなどの項目は、後から絞り込みや照合を行いやすいように、元の表形式を維持すべきです。
データ群ごとに責任者を指定し、バージョン、適用部門、更新方法を明記する必要があります。そうしなければ、AI Agent が新旧両方の規程を同時に見つけても、どちらを使用すべきか判断できない可能性があります。
EgentWrX のナレッジベースは、Wiki、ベクトル（vector）、表という三つの形式に分類でき、データの利用範囲、類似度のしきい値、最小引用数も設定できます。システムが十分な根拠を見つけられなければ、回答を拒否します。導入チームは、実際の業務上の質問を使って検索結果をテストできます。たとえば、特定の品質検査上の異常について、どの規程を参照すべきかを質問し、回答が引用したバージョンと条文が正しいかを確認します。データが見つからない場合は、AI Agent に推測させるのではなく、まず情報源を補完するか、分類を整理し直します。
データとルールがすでに整理されていても、業務が製造工程のパラメーター、スケジュール、現場設備の変更に関係する場合は、指定されたエンジニアによる確認が必要です。企業は業務プロセスを、データ整理、案の提示、エンジニアリング検証、現場への展開に分けることができます。AI Agent は前半の作業を完了した時点でいったん停止し、エンジニアの承認を待たなければなりません。承認後に初めて、結果を次の段階へ引き渡します。
Siemens に関する記事でも、現在、一部の産業 AI では、AI が提案を行い、その後エンジニアがプログラムを修正して展開する運用が続いていると述べられています。また、AI Agent と製造実行システム（manufacturing execution system、MES）を組み合わせた動的スケジューリングについては、さらなる検証が必要です。そのため、最初のプロジェクトを受け入れ検証する際には、データを見つけられるか、ルールを繰り返し適用できるかだけでなく、例外が発生した際に処理を停止できるか、各ステップを誰が担当するかについても確認する必要があります。
よくある質問
プロセスがまだ標準化されていなくても、AI Agent のパイロット導入を始められますか？
はい。まずは、頻繁に発生し、ルールが比較的明確で、誤りが発生しても適時に食い止められる業務を一つ選びます。次に、実務担当者へのヒアリングを行い、入力データ、判断条件、例外条件、出力形式を洗い出したうえで、実際の問題を使ってテストします。全社のプロセス整理が完了するまで待つ必要はありません。
熟練者が答えを出せても、ルールをうまく説明できない場合は、どのように整理すればよいですか？
具体的な事例を使ったヒアリングに切り替えます。一見似ているものの、処理結果が異なる二つの案件を比較してもらい、どのデータによって判断を変えたのかを説明してもらいます。続いて、データに欠落がある場合、特殊な顧客への対応、設備異常が発生した場合の処理方法について掘り下げて質問し、最終的に回答をテスト可能なルールと例外条件として整理します。
紙の資料、Excel、文書を、先にすべて同じシステムへ移行する必要がありますか？
すべてのデータを先に移行する必要はありません。まずは、対象プロセスで実際に使用する情報を棚卸しします。規程や説明文書、セマンティック検索を必要とするデータ、固定項目を持つ表は、その性質に応じて分けて整理します。また、責任者、バージョン、適用範囲を指定し、実際の質問を使って正しい根拠を見つけられるかを確認します。
AI Agent に直接実行させるのが適切でないのは、どのようなステップですか？
製造工程のパラメーター、動的スケジューリング、設備操作、または社外への正式な確約に関係するステップは、すべて指定された担当者による事前承認が必要です。AI Agent はデータ整理や案の提示を支援できますが、業務プロセスがエンジニアリング検証や責任者の承認段階に達した時点で、いったん停止しなければなりません。内容に問題がないことを確認してから、現場への展開や社外への正式な送信を行います。
参考資料
- Siemens のデジタルツイン導入実績を分析：航空機用ポンプから PepsiCo まで仮想環境で試行錯誤が可能、ただし先に「3つの課題」を解決する必要がある — 『數位時代』がまとめた Siemens の産業 AI、デジタルツインの事例および導入条件。
