製造業のAI導入事例の読み方｜工程別の活用例と外部に依頼する作業

製造業のAI導入事例は、効果の数字より先に「どの工程の話か」と「導入前にどんなデータがそろっていたか」を読むと、自社で使えるかどうかを判断できます。外観検査や予知保全のように機器とデータを用意するところから始まる活用と、技術文書や見積もりのように生成AIで始められる活用では、依頼先も費用の決まり方も違います。

従業員数十人規模の製造業で、AI導入を外部に相談するか検討している経営者・役員の方に向けた記事です。読み終わる頃には、他社の事例から自社で試す工程を1つ選び、依頼先に確認する項目まで決められる状態を目指します。

最初に取り組む業務の選び方は製造業のAI導入の課題と最初の業務の選び方で解説しています。この記事では、工程別の活用例の一覧と、企業名と経緯が公表されている事例2件（外観検査と設備保全）を使った読み方、自社への当てはめ方、外部に依頼する作業を扱います。

Contents / 目次

1. 製造業のAI導入事例は「工程」と「前提のデータ」で読む
2. 他社のAI導入事例を自社に当てはめる4つのステップ
3. 外部に依頼する作業と社内に残る作業｜費用が変わる内訳
4. 事例どおりにいかない4つの条件と防ぎ方
5. 製造業のAI導入でよくある質問

製造業のAI導入事例は「工程」と「前提のデータ」で読む

事例を読むときは、どの工程で使われたAIかと、導入前にどんなデータがそろっていたかの2点を最初に確かめます。同じ「AI導入」でも、工程によって必要なデータ、機器、依頼先がまったく違うためです。

主な工程ごとの活用例と、事例の前提になりやすいものを表にしました。表の活用例は、各工程でよく使われる使い方をまとめたものです。企業名と経緯が公表されている事例は、表のあとで外観検査の1件、次の章のステップ1で設備保全の1件を取り上げます。

工程	AIの使い方の例	事例の前提になりやすいもの	主な依頼先
企画・設計	過去の図面や仕様書を探す、設計変更の影響の洗い出しの下書き	図面・仕様書が電子データで残っている	生成AIの導入支援、CAD・設計管理システムのベンダー
見積もり	過去の案件を参照した見積もりのたたき台	過去の見積書と実績の原価が1か所にある	生成AIの導入支援、販売管理システムのベンダー
製造（外観検査）	カメラの画像から傷・汚れ・欠けを判定	良品と不良品の画像、照明や位置を一定にできる設備	画像検査のベンダー、設備メーカー
設備保全	稼働データから故障の兆候を見る、故障時の対処を探す	センサーや稼働記録、保全記録	設備メーカー、IoT・AIのベンダー
生産管理	需要の予測、生産計画のたたき台	受注・出荷の実績データが数年分	生産管理システムのベンダー
品質・技術伝承	不具合報告や作業標準から答えを探す	報告書・手順書が文字で残っている	生成AIの導入支援
営業・事務	問い合わせへの返信、日報や議事録の下書き	定型の文書とひな形	生成AIの導入支援、AI研修

外観検査・設備保全・生産管理の事例は、カメラやセンサー、システムの導入から始まることが多く、期間と費用が大きくなりやすい活用です。設計・見積もり・技術伝承・事務の事例は、社内にある文書を材料に生成AIで始められるため、機器を新しく買わずに試せます。

外観検査で企業名と経緯が公表されている事例には、キユーピーの原料検査装置があります。キユーピーのある工場では、1日あたり4〜5トンの原料を全量検査していました。キユーピーは2016年10月にAIを使った原料検査装置の開発を表明し、ブレインパッド、Googleと組んで、GoogleのTensorFlowを使って開発を進めました（Google Cloudの導入事例。2017年9月公開）。

キユーピーの事例の前提のデータは「検査する原料の画像」、体制は「食品メーカーとデータ分析の会社・Googleの協業」です。読むときは、効果の数字より先に、自社の検査品でも画像を同じ条件で撮れるかを確かめます。

製造業のAI導入率は公的統計でどう読むか

製造業の導入状況を確かめる公的な資料には、経済産業省・厚生労働省・文部科学省が2026年5月29日に公表した2026年版ものづくり白書があります。製造事業者のAI・デジタル技術の活用状況は、第1部第4章第3節「革新的なAI・デジタル技術を活用した製造業の多角化」にまとめられています。この節が引く三菱UFJリサーチ＆コンサルティングの調査（2026年3月の報告書）では、何らかの目的でデータを取得している事業者は7割弱、取得したデータやデジタル技術を活用している事業者は約5割、活用によって効果が得られた事業者は約4割でした（図432-2）。また、デジタル技術の活用に向けた戦略を記載した事業計画について、中小企業では「策定しておらず、予定もない」と答えた事業者が半数を超えました（図431-2）。どちらもAIだけでなく、デジタル技術全体の数字です。

導入率の数字を読むときは、次の3点を確かめます。

• 何を数えているか：AIだけか、デジタル技術全体か。デジタル技術全体の割合は、AIの導入率とは別の数字です
• 誰に聞いたか：回答した企業の従業員規模。全体の割合と、自社と同じ規模の企業の割合は大きく違います
• いつ調べたか：調査の年度。生成AIは1年で使える機能が変わるため、古い調査の数字は今の状況と合いません

この章の結論。導入率が高いか低いかは、自社が導入するかどうかの判断材料になりません。事例と統計から読み取るのは、自社と同じ規模の会社がどの工程で取り組み、何でつまずいているかです。

他社のAI導入事例を自社に当てはめる4つのステップ

事例を「目的」「前提のデータ」「体制」「始め方」の4つの欄に分けて書き出し、自社の同じ欄と比べます。効果の数字は、前提がそろって初めて参考になります。

ステップ1. 事例を4つの欄に分けて書き出す

気になる事例を1つ選び、次の読み取りシートを埋めます。紙でも表計算ソフトでも構いません。

【事例の読み取りシート】
事例名・出典：
工程：（設計／見積もり／検査／保全／生産管理／技術伝承／事務）

1. 目的　　　：AIで何を減らしたかったか（時間／不良／属人化）
2. 前提のデータ：導入前に何がどれだけ残っていたか（画像／図面／記録）
3. 体制　　　：社内の誰が担当し、どこの会社と組んだか
4. 始め方　　：最初に試した使い方と、途中で変えたこと

自社の場合：
1. 目的　　　：
2. 前提のデータ：（電子か紙か・何年分か・誰が書いたか）
3. 体制　　　：（担当できる社員・相談できる会社）
4. 始め方　　：

ダイキン工業と日立製作所が2025年4月に発表した、設備故障診断のAIエージェントの事例で埋めると、読み方が分かります。ダイキンが蓄積した工場設備の図面を生成AIが読み取れる形（ナレッジグラフ）に変換し、保全記録などのデータと、日立の故障原因を分析する手順を組み合わせた仕組みです。試験運用は、ダイキンの堺製作所臨海工場（大阪府堺市）で2025年4月に始まりました（日立製作所のニュースリリース）。

シートに書き出すと、前提のデータは「保全記録と設備の図面」、体制は「大手メーカー同士の協業」、始め方は「1つの工場での試験運用」となります。自社に保全記録も図面の電子データも無ければ、同じ始め方はできません。一方で「保全記録だけでなく、設備の図面と故障原因を分析する手順もAIが使える形にした」という組み立て方は、規模に関係なく使える学びです。

ステップ2. 自社の記録を確かめ、足りないデータを書き出す

シートの「自社の場合」の2を埋めるために、試したい工程の記録を実際に開いて確かめます。

• 形式：電子データか、紙か、手書きの写真か
• 量：何年分、何件あるか。検査なら不良品の画像が何枚あるか
• 書き方：書いた人ごとに略語や書式がばらばらになっていないか
• 社外秘の度合い：取引先の図面や仕様が含まれていないか

ステップ3. 試す工程を1つに絞り、合格ラインを決める

PoC（本番の前に小さく試して、使えるかを確かめる検証）を始める前に、何がどうなれば合格かを数字で決めます。たとえば「見積もりのたたき台を作る時間が、今の半分以下になる」「故障時に、担当者が対処の候補を探す時間が、導入前に記録した平均の半分以下になる」のように、担当者の作業時間で書くと前後を比べられます。

ステップ4. 社外に出してよい情報を決めてから相談する

外部に相談するときは、図面・仕様書・検査画像のどれを社外に出してよいかを先に決めます。取引先との秘密保持契約で第三者への提供を禁じている情報は、AIの会社やベンダーに渡す前に契約の文面を確かめる必要があります。線引きの考え方はChatGPT業務利用での取引先情報とNDAの線引きで解説しています。

社員が個人のアカウントでAIを使い始めていて、図面や仕様書を入力してよいかがまだ決まっていない場合は、経営者と社員で考えるAI活用研修で、情報の扱いを先に決める進め方もあります。

この章の結論。事例から借りるのは効果の数字ではなく、前提のデータと途中のつまずきです。読み取りシートの「前提のデータ」が自社で埋まらない事例は、その工程から始めない判断材料になります。

外部に依頼する作業と社内に残る作業｜費用が変わる内訳

依頼先は工程とAIの種類で分かれますが、どの依頼先に任せても「何をAIに任せるか」と「結果の合否を決めること」は社内に残ります。ここを決めないまま依頼すると、見積もりの比べようがありません。

自社で行う作業と依頼する作業

作業	外部に依頼できる	社内に残る
試す工程の決定	候補の洗い出しと比較	どの工程から始めるかの決定
データの準備	紙の記録の電子化、画像の撮影条件の設計	どの記録を渡すかの判断、略語の意味の説明
AIの開発・設定	画像検査のモデル作成、生成AIの指示や入力フォームの作成	出力が業務で使えるかの確認
検証	精度の測定、報告書の作成	合格ラインの決定、本番に進むかの判断
運用	保守、再学習、手順書の作成	日々の使用、結果の最終確認

生成AIで技術文書や見積もり、問い合わせ対応を仕組みにする場合は、AI導入支援・DX支援で、AIに任せる処理と担当者が確認する内容を決めるところから、導入後の改善まで、ご相談いただけます。

画像検査や予知保全の機器とシステムの開発は、画像検査のベンダーや設備メーカーへの依頼になります。依頼先の種類ごとの違いはITベンダー・コンサル・研修会社の比較表にまとめています。

導入前の作業時間を1週間分記録しておけば、導入後に同じ記録を取るだけで効果を比べられます。

製造業のAI導入の費用が変わる6つの内訳

金額は工程と機器の有無で大きく変わるため、見積もりは内訳ごとに出してもらいます。

内訳	一回か継続か	膨らみやすい条件
データの準備	一回（追加あり）	記録が紙、不良品の画像が少ない
機器（カメラ・照明・センサー）	一回	ラインごとに設置が要る、古い設備から信号を取る
開発・設定	一回	既存の生産管理や販売管理のシステムとつなぐ
検証（PoC）	一回	合格ラインが決まっていない
運用（クラウド利用料・保守・再学習）	継続	製品や不良の種類が頻繁に変わる
社内の担当者の時間	継続	見積書に出ない。窓口の担当者が決まっていない

支援の費用の見方はAI導入の伴走支援の費用と見積もりの内訳でも解説しています。

契約前に確認する8つの質問

1. 渡したデータを、ほかの顧客向けのAIの学習に使いますか
2. データはどの国のサーバーに保存されますか
3. 精度はどう測り、合格ラインは誰がいつ決めますか
4. PoCのあと、本番の費用は別に見積もりを出してもらえますか
5. 製品や不良の種類が増えたときの再学習の費用はいくらですか
6. 検証の結果が合格ラインに届かないとき、どの時点で止められますか
7. 解約したとき、データと作った設定は返してもらえますか
8. 先方の担当者が替わったとき、引き継ぎの資料はありますか

この章の結論。見積もりを比べられるのは、任せる作業と社内に残る作業を表で分け、6つの内訳ごとに金額を出してもらったときです。8つの質問に答えられない依頼先は、本番の費用が後から膨らむ可能性があります。

事例どおりにいかない4つの条件と防ぎ方

事例の効果が自社で再現できないのは、事例の前提と自社の条件が違うときです。製造業のAI導入で起きやすい4つの条件と、防ぎ方を挙げます。

不良品が少ない工場で画像検査の事例を真似ると、学習用の画像が集まらない

品質が安定している工場ほど不良品の画像が少なく、不良品を見分ける学習に必要な枚数がそろいません。良品の画像を中心に学習して「いつもと違うもの」を拾う方式もあるため、自社の不良の種類で使えるかをベンダーに試してもらいます。照明とカメラの位置を先に固定し、導入初期は担当者の目視と併用する期間を決めておきます。

保全記録が略語だらけのまま技術伝承の事例を真似ると、AIが答えを探せない

書いた人ごとに略語や書式が違う記録は、AIが同じ故障の記録だと判断できません。前の章の事例でも、保全記録に加えて、設備の図面と故障原因を分析する手順をAIが使える形にしています。始める前に、次の3つを済ませます。

• 直近1年分の記録から書式をそろえる
• 略語の一覧を作る
• 熟練者がどの順で原因を考えるかを聞き取る

聞き取りの進め方はベテランのノウハウをAIに移す進め方で解説しています。

精度の合格ラインを用途で分けないと、検証が終わらない

用途によって、合格ラインの決め方が違います。

• 担当者の判断を補助する用途：故障時の対処の候補を出すような使い方は、早く現場で使って誤りを修正していくほうが進みます
• 出荷の判定に関わる外観検査：見逃しを許さない基準と、担当者の最終確認を残す手順が必要です

用途ごとに合格ラインを分けないと、どちらの基準でも決めきれず検証が続きます。本番に進めない原因はPoCが本番化しない理由と全社展開までの手順で詳しく扱っています。

工程をまたぐ事例を最初から狙うと、システムをつなぐ費用が膨らむ

設計から製造、出荷までデータをつなぐ事例は、工程ごとのシステムが別々の会社のものだと、つなぐ開発だけで費用がかかります。最初は1つの工程の中で完結する使い方から始め、工程をまたぐ連携は次の取り組みに回します。

この章の結論。4つの条件のうち自社に当てはまるものがあれば、その事例の始め方は使えません。当てはまる条件を依頼先に先に伝えると、提案と見積もりの前提が自社に合います。

製造業のAI導入でよくある質問

まずは、この記事の工程別の表のうち、記録が電子データで残っている工程に印を付けてみてください。印が付いた工程が、事例を当てはめやすい候補です。依頼先から提案書が届いたら、AI導入提案書を契約前に読み解く5つの視点で中身を確かめられます。

ここまで読んで、どの工程から始めるか、何を外部に任せるかを社内だけで決めるのは難しいと感じた方は、AI導入支援・DX支援をご覧ください。今の業務と実現したいことを伺い、優先するテーマと、AIに任せる処理・担当者が確認する内容を決めるところからお手伝いします。