12の用途は「文書系・データ系・制御系」の3群に分かれる
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。
| 群 | 用途 | 主な入力 | 出力の確認者 |
|---|---|---|---|
| 文書系 | 1. 手順書・マニュアル検索（RAG） | 作業手順書、設備マニュアル | 利用者本人 |
| 文書系 | 2. 過去トラ・品質記録の検索 | 不具合報告、8D、クレーム記録 | 品質保証 |
| 文書系 | 3. 報告書の下書き（8D・FMEA） | 不具合の事実、過去事例 | 品質保証・設計 |
| 文書系 | 4. 作業手順書の下書き | CAD、BOM、既存SOP、動画 | 生産技術 |
| 文書系 | 5. 技術翻訳・多言語指示 | マニュアル、指示書 | 翻訳承認者 |
| 文書系 | 6. 調達文書の照合 | 見積書、購買規約 | 購買担当 |
| データ系 | 7. 稼働・品質データへの自然言語質問 | MES、ヒストリアン | 生産管理 |
| データ系 | 8. 設備故障の診断支援 | 保全記録、図面、稼働データ | 保全担当 |
| データ系 | 9. 日次の異常の要約と優先順位付け | 停止実績、サイクルタイム | 現場管理者 |
| データ系 | 10. 設計レビュー・検図の補助 | 3D CAD、設計基準、過去指摘 | 設計者 |
| 制御系 | 11. PLC・ラダーのコード生成 | 仕様書、既存コード | 制御設計者 |
| 制御系 | 12. ロボット・加工条件の生成 | 図面、作業指示 | 生産技術・オペレーター |
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）。公開事例の多くが文書系に集まっていることがわかります。
導入の順番：文書系から始め、MES接続で広げる
3群は、誤ったときの影響の大きさと、必要なデータ整備の量が違います。文書系は誤りを利用者が元文書で確かめられ、準備も文書の収集と整理で済みます。データ系はMESや設備データの意味づけ（どの品番・ロット・設備のデータか）が必要で、制御系は誤りが設備の動きや安全に直結します。
順番を守る理由は、文書系で作った仕組みがそのまま次の段階の土台になるからです。文書の版管理、機密区分、回答の評価方法、利用ログの管理は、データ系・制御系でも同じものを使います。最初から設備データにつなぐ計画は、データの意味づけで止まることが多く、成果が出る前に予算が尽きます。
データ系に進む前に整えるMES側の前提
データ系の用途で精度を決めるのは、LLMの性能よりMES側のデータです。生成AIが「A品番の先週の不良率は」に答えるには、品番マスタ、ロットと工程の紐づけ、不良コードの定義が揃っている必要があります。改番した品番が別物として扱われていたり、不良コードが「その他」に偏っていたりすると、AIはもっともらしい誤った集計を返します。
Siemensは2025年5月、オーケストレーターが専門エージェント群を配備する産業用AIエージェント構想を発表し、Insights Hubで分散データを洞察化するProduction Copilotを自社のBad Neustadt工場で運用しているとしています（同社発表、定量値なし）。こうした製品も、工場データがモデル化されていることを前提にしています。具体的な要件は生成AIを工場データにつなぐ前提条件で整理しています。
制御系は「生成」より「検証」に予算を置く
制御系の用途は注目度が高い一方、検証の仕組みがないと使えません。PLCコード生成の研究「LLM4PLC」（2024年1月公開）は、GPT-4などの汎用LLMはそのままでは有効なPLCプログラムを生成できないと報告し、コンパイラや形式検証を組み込んだ反復の仕組みで生成成功率を47%から72%に上げました。ファナックが2026年9月に発表した「AI溶接エージェント」も、生成した溶接条件と動作をオペレーターが確認・微調整して実行する設計です（同社発表）。
海外の調査では、Deloitteの「2025 Future of Manufacturing」で87%の製造業が生成AIのパイロットを少なくとも1件始めていました。一方でMcKinseyの「The state of AI in 2026」（2026年8月）では、AIでEBITへの効果を報告した企業は37%で横ばいです。パイロットの数と成果の間には距離があり、順番を決めて基盤を積み上げることがその距離を縮めます。予測AIとの役割分担は生成AIと従来の予測AIの違いを、用途の仕分け方は生成AIに向く製造業務・向かない業務を参照してください。
よくある質問
生成AIの導入はどの部門から始めるのがよいですか？
品質保証か保全から始める例が多くあります。過去トラや保全記録など、検索したい文書が多く、回答の正誤を担当者が判断できるためです。手順書検索は利用者が多い分、版管理を先に整える必要があります。
ChatGPTなどの汎用サービスをそのまま使うのではだめですか？
議事録や翻訳など社外情報で足りる業務には使えます。図面や不具合情報を入れる業務は、入力データが学習に使われない契約と環境を用意してから使います。社内文書を参照させる用途は、RAGなどの仕組みが別に必要です。
12の用途すべてに取り組む必要がありますか？
ありません。自社の課題（熟練者不足、品質問い合わせの多さ、制御設計の工数など）に合う用途を2〜3個選び、文書系から順に進めます。用途を増やすより、1つの用途を現場に定着させるほうが基盤づくりには効きます。
- 製造業DX事例分析 vol.01（パブリカ/PR TIMES, 2026年7月17日）
- Siemens introduces AI agents for industrial automation（Siemens, 2025年5月12日）
- LLM4PLC: Harnessing Large Language Models for Verifiable Programming of PLCs（arXiv, 2024年1月8日）
- AI溶接エージェント（ファナック, 2026年9月11日）
- Agentic AI adoption in manufacturing（Manufacturing Dive, 2026年6月22日）
- The state of AI（McKinsey, 2026年8月25日）
この記事に出てくる用語
製造業の生成AI、どこまで任せられるか
文書検索、手順書の生成、品質報告のドラフト。人が承認する範囲と任せてよい範囲の線引き 全91本
- 製造業の社内文書RAG入門：手順書・図面・品質記録を検索する5層構成
- Siemens Industrial Copilotの全体像：5系統の提供状況と狙い
- 生成AIの情報漏えい対策：製造業が決めるべき入力禁止情報とログ管理の7項目
- 生成AIに向く製造業務・向かない業務：5つの判定基準で仕分ける方法
この記事を書いた人
DELMIA Apriso を中核とした MES / 製造DX の導入・運用・人材育成と、製造業向けAIの調査・開発・教育を手がけるITコンサルティング企業。ISO 9001:2015 / ISO 27001:2022 認証取得。 日本・中国・米国で製造業のMES・データ基盤・AI導入を手がけた実務者が、欧米・中国の一次情報にあたって書いています。
