Siemensは2025年5月12〜13日のAutomate 2025で、Industrial Copilotの背後にAIエージェントを導入する構想を発表しました。Q&A型を超えて多段の工程を実行するもので、オーケストレーター（全体の指揮役）が専門エージェント群を配備・統括する構成です。同時に、サードパーティ製を含む産業AIエージェントのマーケットプレイスをSiemens Xcelerator上に設ける計画も示しました。設計上の特徴として、Siemensは「ユーザーがどのタスクを委ねるかを選ぶ」としています。

続きをサイトで読む（生成AI・AIエージェント）

チャット型の生成AIは、回答が正しいかどうかで評価できます。AIエージェントは複数の手順を踏み、ツールを呼び、場合によってはシステムに書き込むため、1つの回答の正誤では評価できません。「任せた仕事が、人の手直しなしに、安全に、早く終わったか」を測る必要があります。

Gartnerは2025年6月、エージェント型AIプロジェクトの40%超が、コスト増、価値の不明確さ、リスク管理の不足で2027年末までに中止されると予測しました。価値とリスクを数字で示せないことが、中止の理由の中心にあります。

続きをサイトで読む（生成AI・AIエージェント）

工場でAIエージェントを動かすときの失敗は、次の6つに分けられます。前の3つはエージェントの動作、後の3つは運用の仕組みに関わる失敗です。

OWASPの「Top 10 for LLM Applications 2025」は、LLMアプリの主要リスクとして「Excessive Agency（過剰な権限・自律性）」を挙げています。工場での具体例は、保全記録を調べるためのエージェントに、CMMSの全権限を持つアカウントを使わせた結果、作業オーダーのクローズまでできてしまう状態です。

続きをサイトで読む（生成AI・AIエージェント）

SAPは2025年10月、製造・サプライチェーン向けのJoule Agentとして「Production Planning and Operations Agent」を発表しました。公表された機能は、製造指図をリリースする前に、資材・能力・日程の準備状況を確認し、指図のリリースを支援するというものです。

続きをサイトで読む（生成AI・AIエージェント）

Factory Operations Agentは、OT（設備・制御系）とIT（業務系）のデータを統合し、自然言語の質問に対して生産の洞察を返すMicrosoftのエージェントです。2024年のIgniteでAzure AI Foundryの一部としてパブリックプレビューになり、2025年3月のHannover Messe 2025にあわせて、Copilot Studio経由で使える版がパブリックプレビューとして公開されました。

続きをサイトで読む（生成AI・AIエージェント）

OWASPの「Top 10 for LLM Applications 2025」は、LLMアプリの主要リスクの1つに「Excessive Agency（過剰な権限・自律性）」を挙げています。エージェントに必要以上の機能、権限、自律性を与えると、誤った判断やプロンプトインジェクション（外部の文書に埋め込まれた指示でAIの動作を乗っ取る攻撃）によって、意図しない操作が実行されるという問題です。

製造業でこれが具体的に何を意味するかは、エージェントがつながる先で変わります。MESなら、誤ったロットのホールド解除や実績の二重計上。

続きをサイトで読む（生成AI・AIエージェント）

Gartnerは2025年6月25日、エージェント型AIプロジェクトの40%超が、コストの増大、価値の不明確さ、リスク管理の不足によって2027年末までに中止されるという予測を発表しました。同じ発表で、既存のAIアシスタント、RPA、チャットボットを「エージェント」と称して売る動きを「エージェント・ウォッシング」と呼び、真のエージェント型AIを提供するベンダーは数千社のうち約130社にとどまると推定しています。

続きをサイトで読む（生成AI・AIエージェント）

AIエージェントは、与えられた目標に対して手順を自分で組み立て、検索・データ照会・システム操作などのツールを呼び出しながら作業を進めるAIです。質問に答えて終わるチャットボットやCopilotとの違いは、複数のステップを自分で連ねる点と、外部システムに働きかける点にあります。

製造業の例で比べると違いがはっきりします。Copilotに「ライン3の昨日の停止理由は」と聞けば、データを引いて答えを返します。

続きをサイトで読む（生成AI・AIエージェント）

AVEVAは英国の産業ソフトウェア企業で、Schneider Electricの傘下にあります。旧OSIsoftのPI System（プラントのヒストリアン）を持つことから、プロセス産業を中心に多くの工場の時系列データを握っています。

同社は2025年4月のAVEVA World 2025（サンフランシスコ）で、クラウド基盤CONNECT上の「Industrial AI Assistant」を紹介しました。現場や技術者が自然言語で質問し、CONNECTに集めた運転データから洞察を得る対話型の機能です。

続きをサイトで読む（生成AI・AIエージェント）

Cognite Atlas AIは、ノルウェーのCogniteが2024年6月27日に発表した「産業エージェントのワークベンチ」です。同社の産業データ基盤Cognite Data Fusion（CDF）を拡張する位置づけで、発表時の構成は次のとおりです（同社発表、Automation.com掲載）。

作ったエージェントは、CDF上だけでなくMicrosoft Copilot、自社アプリ、サードパーティのアプリからも実行できるとされています。

Atlas AIの特徴は、LLMに渡す文脈を文書検索ではなくナレッジグラフから組み立てる点です。

続きをサイトで読む（生成AI・AIエージェント）

Virtual Companionsは、Dassault Systèmesが3DEXPERIENCEプラットフォーム上で提供するAIエージェント群です。汎用チャットボットではなく、PLMに蓄積された要件・設計・材料のデータを文脈として使う点が特徴で、同社は2026年2月11日の3DEXPERIENCE World 2026で次の3つを発表しました（同社発表）。

Auraの原型は、2025年2月にSOLIDWORKS向けとして発表された対話型アシスタントです。

続きをサイトで読む（生成AI・AIエージェント）

Fujitsu Kozuchiは、富士通が2023年4月20日に発表したAIプラットフォームです。先端AI技術をPoCで迅速に使えるようにすることが目的で、第1弾にはスマートファクトリー向けの「作業者分析」と「不良品検出」が含まれていました。作業者分析では、従来3カ月以上かかっていたPoCの構築を3日で完了した実績が紹介されています（富士通アイ・ネットワークシステムズ山梨工場で先行導入、クラウドWatch、2023年4月）。

続きをサイトで読む（生成AI・AIエージェント）

8D（Eight Disciplines）は、不具合の発生から再発防止までを8つのステップで記録する問題解決の手法で、自動車業界を中心に顧客への報告書の形式として広く使われています。8Dレポートの作成に時間がかかる理由は、調査そのものより、散らばった事実を集めて顧客が読める文章にまとめる作業にあることが多くあります。

生成AIが効くのはこの「集めてまとめる」部分です。一方で、真因が何か、対策が十分かを判定するのは、現物を調べ、再現試験を行った担当者の仕事です。生成AIの出力を判定の根拠にすると、もっともらしいが検証されていない原因が報告書に入り込みます。

続きをサイトで読む（生成AI・AIエージェント）

国内で公表されている製造業の生成AI利用率を並べると、最も低い数字と最も高い数字で2.7倍の差があります。

最後の12.2%は「製造工程へのAI導入」で、生成AIに限らず、従業員個人の利用でもありません。同じ「AI導入率」の見出しで引用されることがありますが、別の指標です。

食い違いの理由は、母集団・設問・時期の3つです。

調査の作り手側にも誤差があります。アルサーガパートナーズのリリースは、冒頭で有効回答331名、別の箇所で311名としており表記が一致していません。二次報道を引用する場合は、原典の設問文を確認するのが確実です。

続きをサイトで読む（生成AI・AIエージェント）

CAD・PLMの生成AIアシスタントは、発表資料の見出しだけを読むと「AIが設計する」ように見えます。しかし各社の公表内容を突き合わせると、2026年10月時点で実際に提供されている機能の中心は、製品データの検索と要約、ヘルプやベストプラクティスへの質問応答、拘束付与やBOM送付のような定型操作の自動化です。テキストから編集可能な3Dモデルを生成する機能は、Autodeskが「将来Fusionに提供予定」としている段階にとどまります。

設計部門が比較するときは、機能名ではなく次の3つの軸で見ると違いがはっきりします。

続きをサイトで読む（生成AI・AIエージェント）

生成AIの利用は、配っただけでは均等に広がりません。エクサウィザーズの利用実態調査（2026年10月公表）では、上位10%のユーザーがメッセージ量の約半分を占めていました。令和8年版労働経済白書では、AIと働くための研修を受けたAI利用者は日本で26.7%で、OECD平均の36.8%を約10ポイント下回っています（ITmedia エンタープライズ、2026年10月）。

使いこなす少数の人の知恵を、使っていない多数の人に移す仕組みが必要です。その仕組みが、部門ごとに推進役（アンバサダー、チャンピオンとも呼ばれる）を置く体制です。

続きをサイトで読む（生成AI・AIエージェント）

製造業で生成AIを使う費用は、次の4区分に分けると見積もりの漏れが減ります。

トークンとは、LLMが文章を処理する単位で、日本語ではおおむね1文字前後に相当します（モデルにより異なる）。API従量の費用は、質問の文字数だけでなく、RAGで一緒に渡す参照文書の量で決まります。

構築が終わった後に毎年かかる運用費は、見積もりから漏れやすい部分です。製造業では特に次の3つが重くなります。

これらは主に人件費で、クラウドの請求書には出てきません。そのため、PoCの段階では見えず、本番運用に入ってから予算不足になる原因になります。

続きをサイトで読む（生成AI・AIエージェント）

設計レビュー（DR、デザインレビュー）は、設計の各段階で関係部門が設計内容を確認し、問題を早期に見つける活動です。課題として多いのは、過去に同じ指摘を受けた内容が繰り返される、レビューアによって見る観点が違う、設計基準の改訂が設計者に伝わっていない、の3つです。

生成AIがこれらに効くのは、「過去の指摘・設計基準・過去トラと、今回の設計を照らし合わせ、該当しそうなものを挙げる」作業です。設計が妥当かどうかの判断は、レビューアと設計者が行います。生成AIを判断の代わりに使うと、AIが挙げなかった問題は検討されないという逆効果が生まれます。

続きをサイトで読む（生成AI・AIエージェント）

FMEAは、設計や工程で起こりうる故障モードを洗い出し、影響の大きさ（重要度）、起こりやすさ（発生度）、見つけやすさ（検出度）を評価して、対策の優先順位を決める手法です。設計FMEA（DFMEA）と工程FMEA（PFMEA）があり、自動車業界では顧客から提出を求められます。

現場でよく聞く課題は2つです。1つは、前の製品のFMEAをコピーして一部を書き換えるだけになり、新しい設計や工程の変化点が反映されない形骸化。もう1つは、過去に実際に起きた不具合がFMEAに反映されず、同じ故障モードが見落とされることです。

続きをサイトで読む（生成AI・AIエージェント）

製造業の生成AIの用途は、AIが何を読み、何を出力し、出力が現場の何に影響するかで3つの群に分けられます。文書系は社内文書を読んで文章を返すもの、データ系はMESや設備データを読んで集計や説明を返すもの、制御系はPLCのコードや設備の設定値など、設備の動きに直接つながるものを出力するものです。

パブリカ（ものづくり新聞）の事例DBでは、2026年6月末時点の製造業の生成AI関連事例756件のうち、最多は「経営・全社ナレッジ活用」の243件でした。生産現場130件、設計・開発83件、保全43件、品質検査33件が続きます（同社集計）。

続きをサイトで読む（生成AI・AIエージェント）