製造業のAIエージェント活用事例6選【結論：社内ナレッジから始める】

2026年9月30日

URLをコピーしました！

こんにちは。GMOプライム・ストラテジーの森岡です。

製造業でも、日立やトヨタのように、AIエージェントを業務に取り入れる企業が出てきました。ただ、2026年版ものづくり白書では、ベテランのノウハウの見える化が進まない理由として、68.6%が、知識や経験を文書などの形にするのが難しいことを挙げています（出典：MONOist）。AIエージェントを役立てられるか否かは、この「知識の壁」を越えられるか、だと思います。

今回は、以下のような疑問に答えます。

製造業のDX推進を任された人

社長から『うちもAIエージェントで何かできないか』と言われた。でも、製造業で何ができるんだろう。図面も製造条件も外に出せないし、何から始めればいいのか…。

本記事の内容

製造業のAIエージェントとは？生成AI・RPAとの違い
製造業のAIエージェント活用事例6選（すべて出典リンクつき）
失敗しにくい始め方4ステップ（注意点つき）

弊社はWordPressなどのCMSを高速、セキュアに動作させる実行環境「KUSANAGI」を開発している会社です。2026年6月からは、法人向けRAG「GMO AI RAG」も提供しています。有償オプションの「チューンドRAG」は、日本語の検索精度（F1スコア）で既存アルゴリズムの約1.4〜1.8倍を記録しました（出典：弊社プレスリリース、2026年6月30日）。

今回は、AIエージェントに社内の知識を渡す側の立場から、要点をまとめました。

GMOプライム・ストラテジー株式会社マーケティング部
森岡佑亮

フリーランスとして6年間、あらゆる業種のSEO・コンテンツマーケティングに従事。
内部SEO対策やデータドリブンな施策立案を得意とする。
現在はGMOプライム・ストラテジーにて、KUSANAGIの分析・集客・コンテンツ戦略を担当。

製造業のAIエージェントとは？【自分で調べて段取りまで進めるAI】

製造業のAIエージェントとは、「目的を伝えると社内の文書やシステムを自ら調べ、手順を組み立てて業務を進めるAIのこと」です。

例えば「3号機のエラーの原因を調べて」と頼むと、保全記録から原因と点検手順を探し、部品の在庫まで確かめてくれます。

仕組み：LLM（頭脳）・ツール連携（手足）・社内ナレッジ（知識）の3つで動く

AIエージェントは、次の3つで動きます。

頭脳：AIモデル（LLM：大規模言語モデル）
手足：MES（製造実行システム）や在庫システムなどとの連携
知識：作業手順書やトラブル履歴など、答えの根拠になる社内ナレッジ

汎用のAIには、自社の手順書やトラブル履歴といった「知識」がありません。なので、社内のことを聞いても的外れに答えがちです。

そこで使われるのが「RAG（検索拡張生成）」。ざっくり言うと「AIに社内資料をカンニングさせる仕組み」です。RAGを作っている立場から言うと、、、答えの質は頭脳の性能より「何を読めるか」で決まると感じています。

RAGの仕組みは、「社内データがそのまま回答になる『RAG』で、汎用AIを自社専用のプロに変える方法」で詳しく解説しています。

この「知識」を担うのが、弊社の「GMO AI RAG」です

GMO AI RAGは、社内文書をもとに、社員やAIエージェントの質問に答える法人向けソフトウェアです。MCPサーバー機能を標準搭載しているので、CopilotやClaudeなどのAIからも社内ナレッジを呼び出せます。AIエージェントを一から作らなくても、今のAIを「自社のことを知っているAI」にできるわけですね。

※MCPとは、AIと外部のツールやデータをつなぐ共通規格です。

生成AIとの違い：答えを返すだけでなく、次の作業まで進める

生成AIは質問に答えて終わりですが、AIエージェントは答えをもとに次の作業を判断し、ツールを使って実行まで進めます。

例えば「ポンプの点検手順は？」と聞くと、生成AIは手順を答えて終わり。AIエージェントなら、点検の依頼や報告書の下書きまで進めてくれます。

※最近はChatGPTなどにもエージェント機能が加わり、両者の境目は薄れつつあります。

RPAとの違い：決まった手順から外れた「例外」にも対応できる

RPAは決められた手順しか実行できませんが、AIエージェントは状況に応じて手順を組み替え、例外にも対応できます。

例えば、いつもと違う書式の注文書が届くと、RPAは処理が止まりがちです。AIエージェントなら中身を読み取り、必要な項目を拾えます。

表にまとめると、次のとおりです。

	RPA	生成AI（チャット型）	AIエージェント
得意なこと	決まった手順の繰り返し	質問への回答、文章の作成	目的に向けて調べ、段取りし、実行する
判断	しない（ルールどおりに動く）	答えるが、次の行動は人が決める	状況を見て、次の行動を選ぶ
製造業での例	受注データの転記	マニュアルの要約	異常の原因調査→点検手順の提示→部品在庫の確認

製造業のAIエージェント活用事例6選【始めやすい順に紹介】

いま製造現場で成果が出始めているAIエージェントは、社内の文書やデータを調べて人に提案する「助言型」が中心です。ただし、業務によって必要なデータと始めやすさは大きく違います。

事例	主に使うデータ	始めやすさ	エージェントの型
①トラブル対応	過去の対応記録、マニュアル	◎（文書が既にある）	助言型
②設計・技術相談	設計書、法規、不具合報告	◎（文書が既にある）	助言型
③安全・教育	作業マニュアル、過去の災害事例	◎（文書が既にある）	助言型
④生産計画	受注・在庫・設備の情報（ERP・MES）	○（システム連携が必要）	計画案を出す助言型
⑤予知保全・外観検査	センサー、画像、保全記録	△（機器とデータ集めが先）	助言型
⑥異常対応の連携	複数のシステムのデータ	△（連携と承認の設計が必要）	実行寄り（人の承認つき）

※始めやすさは、必要なデータとシステム連携の量から弊社で整理した目安です。助言型は「AIが調べて提案し、操作は人が行う型」、実行型は「人の承認を経て、AIがシステムの操作まで進める型」です。

迷ったら、「◎」の業務から選ぶのが近道かなと思います。社内の文書だけで、すぐに試せるからです。

事例①：トラブル対応｜過去の対応記録から原因と対処を示す（日立）

日立製作所は、大みか事業所の品質保証業務にAIエージェントを適用し、実証を通じて現場で使える精度まで高めました。熟練者が「どんな言葉で、どの順番で」過去の事例を探すかを、AIに再現させたのが特徴です。

実証では、トラブル事例を探す時間が約9割、初報レポートの作成時間が8割以上減りました。熟練者が不在でも、トラブル対応の初動を進められることが確認されています（出典：日立製作所ニュースリリース、2025年6月26日）。

事例②：設計・技術相談｜過去の設計書や法規を横断して答える（トヨタ）

トヨタ自動車は、パワートレーンの開発で「O-Beya」というAIエージェントの仕組みを使っています。振動や燃費など、9つの専門エージェントの回答を1つにまとめて返す「マルチエージェント」型です。

知識のもとは、過去の設計報告書や最新の法規制情報、ベテランの手書きの文書。2024年1月に運用が始まり、2024年11月時点で約800人のエンジニアに公開されています（出典：日本マイクロソフトニュースセンター、2024年11月20日）。

※O-Beyaは、社内の文書を検索して答えるRAGの仕組みで作られています（同記事）。

事例③：安全・教育｜危険予知（KY）資料や多言語の作業手順書を作る

三菱電機ビルソリューションズは、昇降機の作業現場向けに、危険予知（KY）アプリ「KY-Support」を作りました。作業マニュアルや過去の災害事例をもとに、予想される危険をAIが10分類で示します。

潜在的なリスクのうち、AIが洗い出せた割合（網羅率）は9割超。2026年4月から順次、全社へ導入すると発表されています（出典：三菱電機ビルソリューションズニュースリリース、2026年3月26日）。

※厳密には生成AIのアプリですが、社内の文書をもとに人へ提案する「助言型」の例として紹介しています。

なお、作業手順書を多言語に訳し、外国籍の作業者の教育に使うのも、生成AIの得意分野です。

事例④：生産計画｜受注・在庫・設備の状況から計画案を組み直す

日立製作所は、注文の変更や納期の調整が起きたときに、計画を組み直す技術を開発しました。営業・生産管理・調達などのAIエージェントが協調し、部材の在庫や設備、許容できる残業時間まで考えて計画案を作ります。

計画案はメリット・デメリットつきで示され、最終判断は人が行います。提供は2027年中の予定です（出典：日立製作所ニュースリリース、2026年8月27日）。

事例⑤：予知保全・外観検査｜異常の検知後、点検や保全の段取りを進める

ダイキン工業は日立製作所と組み、工場設備の故障診断を支えるAIエージェントの試験運用を2025年4月に始めました。設備の図面や保全記録をもとに、故障の原因と対策を保全担当者に示します。

事前の実証では、10秒以内に、90%以上の精度で原因と対策を答えられたとされています（出典：ダイキン工業ニュースリリース、2025年4月22日）。

※異常の「検知」は、センサーや外観検査の画像認識AIが担うのが一般的です。エージェントは、その後の「どう直すか」を受け持ちます。

事例⑥：異常対応の連携｜複数のシステムをまたいで部品手配まで進める

アクセンチュアとアバナードは、マイクロソフトと組んで「エージェント型工場」を開発しました。生産ラインの稼働率が想定を下回ると、AIエージェントが生産データなどを横断して分析し、原因の候補と対応策を示します。

保全チケットの発行や予備部品の発注準備まで手伝い、最終判断は現場の担当者が持つ設計です。本格提供は2026年後半の予定です（出典：アクセンチュアニュースリリース、2026年5月18日）。

こうした連携を進めやすくする共通規格として、AIとツールをつなぐ「MCP」や、AI同士をつなぐ「A2A」も登場しています。

製造業のAIエージェントの始め方4ステップ【社内ナレッジ活用から小さく】

手順書やトラブル履歴などの文書が既にある業務を1つ選び、人が最終判断する助言型で小さく試すのが近道です。流れは「業務を決める→文書を集める→助言型で試す→広げる」の4ステップ。

理由は、文書が既に社内にあり、センサーの設置のような準備がいらないから。また、白書によると、データを「取得」している企業が66.0%なのに対し、「効果」を得ている企業は43.9%にとどまります（出典：MONOist）。データ集めから入るより、効果が見えやすい業務から始めたほうが、社内の納得も得やすいはずです。

手順①：対象業務を1つ決め、機密データをどこで扱うかを決める

まずは、AIに任せる業務を1つに絞ります。例えば、品質保証への問い合わせの一次回答や、設備トラブルの切り分けなどです。効果を測る指標（回答までの時間、ベテランへの問い合わせ件数など）も決めておきましょう。

次に、図面や製造条件などの機密データをどこで扱うかを、社内のルールに照らして決めます。選択肢は、ざっくり次の3つです。

外部のAIサービスを使う：手軽だが、データは社外に送られる
自社のクラウド環境で動かす：データの置き場所や権限を管理しやすい
オンプレミスとローカルLLMで動かす：データを社外に出さずに運用できる

※ローカルLLMとは、自社の環境の中で動かすAIモデルのことです。

手順②：AIに読ませる社内文書を集め、部署ごとに参照範囲を分ける

作業手順書や設備マニュアル、トラブル報告書、品質記録など、AIに読ませる文書を集めます。

「うちの文書はバラバラで、紙も多い…」と感じる方もいるはずです。でも、大丈夫です。というのも、最初は手順①で決めた業務の文書だけで足りるから。

古い版や重複を外し、紙はデジタル化すればOKです。あわせて大切なのが、部署ごとに参照範囲を分けること。品質保証と設計では、見せてよい情報が違いますよね。

文書の整え方は、「RAG導入を成功に導くデータ整備と検索精度の極意」で詳しく解説しています。

手順③：回答の根拠を確かめながら、「助言型」で期間を区切って試す

いきなり全自動を目指したくなりますが、、、まずはAIが調べて人が判断する「助言型」で試しましょう。

回答には参照した文書を示し、ベテランが答え合わせをする期間を1〜3か月ほど設けるのがおすすめです。答えが見つからないときに「わからない」と返す設定にすれば、誤回答（ハルシネーション）も減らせます。

事例①の日立でも、熟練者と一緒に質問と模範解答のペアを100件以上作り、評価の基準にしています（出典：日立製作所ニュースリリース、2025年6月26日）。

手順④：効果が出たら、人の承認を挟んで実行型・他業務へ広げる

効果が数字で見えたら、MES・ERP・在庫システムなどとつなぎ、作業指示や発注の下書きまで任せる「実行型」へ広げます。ただし、設備を動かす、発注を確定するといった処理には、必ず人の承認を挟むこと。操作のログも残しておくと安心です。

うまくいったら、ほかの業務や工場へ広げればOKです。

GMO AI RAGなら、この4ステップをこう進められます

手順	つまずきやすい点	GMO AI RAGでの進め方
①業務と機密データの扱いを決める	図面や製造条件を社外に出せない	オンプレミスとローカルLLMで組めば、文書を社外に出さずに運用できる
②文書を集め、参照範囲を分ける	文書が散らばり、部署ごとに見せてよい範囲も違う	Windowsファイルサーバーと標準で連携（SharePoint・Google Driveとの連携は有償オプション、Boxは開発中）。部門ごとに情報や権限を分ける「情報コレクション」機能がある
③助言型で試す	回答の精度が心配で、現場が使わない	社内の文書をもとに回答。有償オプションの「チューンドRAG」で検索精度を高められる
④連携して広げる	今使っているAIに、社内の知識を渡せない	MCPサーバー機能を標準搭載。CopilotやClaudeなどから社内ナレッジを呼び出せる