Blog

AIが学べる会社と学べない会社の違い。製造業が整えたい6つのこと

AI活用を検討する中小製造業へ。データ量だけでなく、業務の流れ、データの意味、判断理由、例外、人による評価を整え、一つの判断支援から始める方法を紹介します。

2026年8月3日DX

紙やExcelなどに分散した製造業の情報を整理し、AIが過去実績や判断事例から候補を示し、人が評価した結果を会社の知識へ戻しているイラスト

こんにちは。リナークのニシザワです。

「過去の見積を参考に、価格の候補を出してほしい」

「生産予定から、納期遅れの兆候を早く知らせてほしい」

「過去の不良事例から、原因の候補を探してほしい」

製造業でもこのようなAI活用を考える機会が増えました。

ところが、生成AIを導入して社内文書を読み込ませても、一般的な回答は返ってくるものの、自社の仕事には使いにくい。何を根拠にした回答か分からず、現場で判断できない。そのような場面もあります。

AIが活用しやすい会社には、次の6つがあります。

業務の流れが整理されている
データ項目とマスタの意味が統一されている
実績や文書を案件や品目などの対象ごとに結び付けられる
判断理由と例外対応が記録されている
AIの回答を確認する人と基準が決まっている
AIの結果と人の修正を次の仕事へ残せる

違いを生むのは、単純なデータ量ではありません。

仕事の流れと情報の意味が分かり、過去の判断と結果を結び付け、人がAIの回答を評価できることが重要です。

なお、この記事で使う「AIが学べる会社」とは、AIモデルが会社の情報を自動的に吸収し、勝手に賢くなる会社という意味ではありません。

AIが設定された範囲の情報を参照し、過去の実績や判断事例を検索・比較できること。そして、人が回答を評価した結果をデータ、業務、指示、検索方法の改善へ反映できる状態を指しています。

利用するAIや契約によって、入力した情報の保存、モデル改善への利用、管理機能は異なります。業務で使うときは、サービスごとの最新の契約条件と管理設定を確認する必要があります。

AIを導入しても、自社の仕事に合った答えが返ってこない

よくあるケースを考えてみます。

ある製造会社で、経営者が生成AIの活用を検討しました。

過去の見積から価格を提案し、生産予定から納期遅れを予測し、不良の原因を分析できないかと考えたのです。

そこで、社内にある情報を集めてみました。

ところが、見積書はPDF、Excel、メールに分かれています。同じ品目でも、営業部門と製造部門で名称やコードが異なります。

納期が変更された記録はあっても、材料不足だったのか、仕様変更だったのか、設備故障だったのかは残っていません。

不良内容は自由記述で、「キズ」「擦れ」「外観不良」など、担当者によって表現が違います。

在庫修正も、数量を直した記録だけです。数え間違い、入力漏れ、仕掛品の扱い、廃棄の未記録といった原因は分かりません。

ベテランが何を確認して見積や納期を判断しているのかも、口頭でしか共有されていません。

この状態でAIへ質問しても、AIが自社の事情に合った答えを出すのは難しくなります。

問題は、AIの性能だけではありません。

会社の中で、情報がどのような意味を持ち、どの仕事と結び付き、なぜその判断になったのかが分からないからです。

AIへ渡せる情報と仕事で使える情報は違う

会社には、PDF、Excel、メール、画像、議事録、手順書などが大量に保存されています。

これらは、AIへ渡せる情報です。

しかし、AIへ渡せることと、次の仕事で使えることは同じではありません。

例えば、過去の見積書が1万件あったとしても、次の条件が分からなければ比較は難しくなります。

どの顧客、品目、仕様の見積か
数量はいくつだったか
納期条件は何か
材料価格はいつのものか
通常品か、試作品か
特急対応や特殊工程があったか
最終的な原価や利益はどうだったか
なぜ値引きしたのか
受注したのか、失注したのか

見積金額という結果だけを並べても、条件が違えば比較できません。

情報があることと、その情報の意味が分かり、同じ条件で比較できることは違います。

AI活用のために、最初から大量の新しい情報を作る必要はありません。

まずは、AIで支援したい一つの判断について、現在残っている情報で何が分かり、何が分からないのかを確認することが出発点です。

業務の流れが分からなければ、AIの提案を使えない

AIが納期遅れの可能性を知らせたとしても、それだけで業務は改善しません。

誰が知らせを確認するのか
いつまでに対応するのか
生産予定、材料手配、外注予定のどこを変更するのか
顧客への連絡を誰が判断するのか
対応結果をどこへ残すのか

これらが決まっていなければ、AIの提案は画面に表示されるだけで終わります。

AIを導入する前に、業務フローのどこでAIを使い、誰へ何を渡すのかを考える必要があります。

例えば見積業務であれば、AIが価格を決定するのではなく、過去の類似案件や確認すべき条件を営業担当者へ提示する使い方が考えられます。

営業担当者が内容を確認し、必要に応じて原価担当者や製造責任者へ確認して、最終価格を決めます。

AIを業務のどこへ置くか整理するには、現在の仕事について、誰が何を受け取り、何を見て判断し、どこへ渡しているかを書き出します。

具体的な方法は、「製造業の業務フローを箱と矢印で書き出す10の手順」で紹介しています。

同じ言葉でも意味が違えば比較できない

AIが情報を比較するためには、データ項目や言葉の意味をそろえる必要があります。

例えば、社内で「納期」と呼ばれている日付には、次のようなものがあります。

顧客希望納期
営業が回答した納期
社内の製造完了予定日
出荷予定日
顧客への到着予定日
実際の出荷日
実際の到着日

営業担当者は顧客希望納期を思い浮かべ、製造担当者は製造完了予定日を思い浮かべているかもしれません。

「納期が遅れた案件を探して」とAIへ頼んでも、どの日付とどの日付を比較するのかが決まっていなければ、結果は安定しません。

在庫も同じです。

倉庫に実際にある数量
システム上の帳簿在庫
受注へ引き当て済みの数量
新しい注文に使用できる数量
発注済みだが未入荷の数量
工程内にある仕掛品

これらは、すべて意味が違います。

AIで在庫不足や発注数量を支援する場合でも、現物と記録、引当、仕掛品、例外処理の関係が整理されている必要があります。

在庫の記録が合わなくなる構造については、「製造業の在庫が合わない5つの原因と最初に見直す場所」で詳しく説明しています。

すべてのマスタや項目名を一度に完璧に統一する必要はありません。

まずは、「納期回答を支援する」「在庫不足を知らせる」など、AIを使いたい一つの業務に必要な範囲で、言葉の意味を決めます。

情報は、案件や品目ごとに結び付けて初めて使える

情報が保存されていても、互いに関連付けられなければ、比較や分析には使いにくくなります。

例えば、不良の原因を確認したい場合、必要になる情報は不良報告書だけではありません。

案件
顧客
品目
材料
設備
工程
作業日時
作業条件
不良内容
推定原因
実施した対策
再加工や廃棄の結果
その後の再発状況

これらが、必要な範囲で結び付いていることが重要です。

すべてのデータを一つの巨大なデータベースへ集めればよいわけではありません。

設備別の不良傾向を知りたいのか、材料ロット別に確認したいのか、類似品の過去対策を探したいのか。問いによって必要な関係は変わります。

先に確認したい問題を決め、その問いに答えるために、どの情報を結び付ける必要があるのかを考えます。

結果だけでなく、判断理由と例外を残す

製造現場では、予定どおりに進まないことがあります。

納期を延ばした
使用する設備を変更した
代替材料を使用した
在庫数量を修正した
不良品を再加工した
通常とは異なる価格で受注した

この結果だけが残っていても、次に同じ状況が起きたときの参考にはなりにくいものです。

必要なのは、その結果へ至るまでの情報です。

どのような状況だったか
何を確認したか
どの選択肢があったか
なぜその方法を選んだか
品質、納期、原価の何を優先したか
実施後の結果はどうだったか

特に現場で判断が必要になるのは、通常どおりに進まない例外時です。

急ぎの注文、材料不足、設備故障、仕様変更、外注先の遅れ、特別価格、少量試作などの情報が残っていれば、AIは過去の類似事例を探す支援ができます。

ただし、過去事例が見つかったからといって、AIが今回の対応を自動的に決められるわけではありません。

条件の違いを人が確認し、今回の状況に合うかを判断するための材料として使います。

ベテランの判断を状況、確認した情報、選択肢、理由、結果として残す方法は、「ベテランの判断を会社の知識として残す方法」で紹介しています。

文書を検索できるだけでは、業務上正しいとは限らない

生成AIと社内文書の検索を組み合わせると、手順書や過去資料をもとに回答を得られる場合があります。

これは有効な使い方ですが、検索できることと、業務上正しい回答になることは同じではありません。

例えば、次のような問題があります。

古い手順書と新しい手順書が混在している
承認前の資料が正式文書と一緒に保存されている
似た品目の情報を取り違える
個人のメモと会社の基準が区別されていない
一度だけ行った例外対応を標準的な手順として回答する
回答が、いつの文書を根拠にしているか分からない

AIが参照する文書には、少なくとも次の情報が分かることが望まれます。

正式版か、参考資料か
更新日
対象となる製品、工程、拠点
作成者または確認者
現在有効か、廃止済みか
元になった情報や記録

NISTの生成AI向けAIリスク管理資料でも、データの出所や版、人による監督の役割、参照元の確認、運用後の評価と監視が扱われています。

AIのためだけに管理項目を増やすのではなく、人が正式な情報を見分け、更新できる文書管理にすることが土台です。

AIの回答を、誰が何を見て評価するのか

AIの回答を業務へ使う場合は、誰が確認するのかを決めます。

見積支援であれば、営業担当者、原価担当者、製造責任者が、それぞれ違う観点を持っています。

営業担当者：顧客条件、数量、納期、過去の取引条件
原価担当者：材料費、加工時間、外注費、利益
製造責任者：設備負荷、工程、品質条件、実現可能性

在庫の発注提案であれば、在庫数量だけでなく、発注残、使用予定、納期、代替品、保管場所などを確認する必要があります。

すべてのAI利用について、人が一件ずつ詳細に確認しなければならないわけではありません。

業務への影響が小さい検索や要約と、価格、品質、安全、納期へ直接影響する提案では、必要な確認方法が違います。

誤りが起きた場合の影響
元へ戻せるか
顧客や品質へ影響するか
法令や契約に関係するか
自動化する範囲はどこまでか

これらを踏まえて、確認する人、最終判断する人、記録する人を決めます。

修正理由を残すと会社側のAI活用が育つ

AIの提案に対して、「採用した」「採用しなかった」という結果だけを残しても、次の改善には十分つながりません。

なぜ修正したのかを残すことが重要です。

例えば、次のような理由があります。

顧客との個別条件が反映されていなかった
最新の材料価格が参照されていなかった
設備の停止予定を見落としていた
類似案件ではあったが、品質条件が異なっていた
提案内容は正しかったが、根拠の説明が不足していた
正式な手順書ではなく、古い資料を参照していた

こうした修正理由を確認すると、AIの問題だけでなく、会社側の不足も見えてきます。

必要なデータを追加する
マスタの意味を修正する
AIへの指示を見直す
参照対象から古い文書を除外する
業務ルールを明確にする
担当者へ確認方法を共有する

この繰り返しによって、AIモデルそのものが自動的に学習するとは限りません。

しかし、AIを使う会社側の情報、業務、指示、確認方法は改善できます。

これが、この記事でいう「AIが学べる会社」の意味です。

AIが間違えたときに振り返れる状態をつくる

AIの回答が期待と違ったときは、原因を振り返れる必要があります。

業務上重要な利用については、次の内容を確認できる状態が望まれます。

どのような質問や条件を与えたか
どの情報を参照したか
どのような回答が出たか
人がどこを修正したか
最終的に何を実行したか
実行した結果はどうだったか

ただし、すべての会話や入力を無制限に保存すればよいわけではありません。

入力内容には、顧客情報、価格、図面、個人情報、契約条件、製造ノウハウなどが含まれる場合があります。

利用するサービスや業務の重要度に応じて、次の項目を決めます。

AIへ入力してよい情報
入力前に削除または匿名化する情報
利用できる担当者
保存する履歴の範囲
保存期間
閲覧権限
削除方法
外部サービスの契約条件やデータ利用条件

経済産業省の「AI事業者ガイドライン（第1.2版）」は、人間中心、安全性、プライバシー保護、セキュリティ、透明性、アカウンタビリティなどを、AIの利用者を含む関係者が継続して検討する考え方を示しています。

IPAの「AI利用者のためのセキュリティ豆知識」も、クラウドAIへ営業秘密を入力しないことや、社内情報を検索させる仕組みで情報を不用意に混ぜないことなど、利用者側の注意点を整理しています。

「このAIなら大丈夫」と一括りにせず、入力する情報と利用環境に合わせて確認します。

AIが活用しやすい会社と、しにくい会社の違い

AIが活用しにくい状態は、担当者や現場社員の努力不足で生まれるものではありません。

紙、Excel、メール、既存システムが、それぞれ必要な仕事を支えてきた結果、情報の意味や保管場所が分かれた状態です。

一つの業務から関係を整理すると、次の違いが見えてきます。

確認する点	AIが活用しにくい状態	AIが活用しやすい状態
業務の流れ	AIの回答を誰が使うか決まっていない	AIを使う場面、確認者、次の業務が分かる
データの意味	同じ言葉を部門ごとに違う意味で使う	対象業務に必要な用語が定義されている
正式な情報	PDF、Excel、メールのどれが正か不明	正式な記録場所と更新状態が分かる
情報の関係	見積、原価、実績を結び付けられない	案件、品目、顧客などを軸に比較できる
判断の記録	結果だけが残る	状況、選択肢、理由、結果が残る
例外対応	口頭や個人メモだけで処理される	通常との違い、対応、結果を確認できる
文書管理	古い文書と現行文書が混在する	正式版、更新日、対象範囲が分かる
人の役割	AIの回答を誰が確認するか不明	確認者、最終判断者、評価基準が決まる
改善	AIが間違えても原因を振り返れない	質問、参照情報、修正理由、結果を確認できる
進め方	AI導入そのものが目的になる	一つの判断支援から試し、不足を改善する

AIが活用しやすい会社とは、すべてのデータが完璧に整った会社ではありません。

一つの業務について、業務、データ、判断、結果、人の評価をつなぎ、改善の循環を回せる会社です。

最初に決めたい「誰の、どの判断を、どの情報で支援するか」

「会社全体へAIを導入する」と考えると、対象が広すぎて準備が進みません。

最初に、次の一つの問いを決めます。

誰の、どの判断を、どの情報で支援したいのか。

例えば、次のように具体化します。

営業担当者が見積を作る際に、過去の類似案件と確認条件を提示する
生産管理担当者が納期を回答する際に、設備負荷と材料入荷予定を確認する
品質担当者が不良対応を検討する際に、過去の類似不良と対策を探す
購買担当者が発注する際に、在庫、発注残、使用予定を確認する
若手担当者が例外対応を行う際に、過去の判断事例を参照する

ここまで絞ると、必要な情報と確認する人が見えてきます。

AIへすべてを任せるのではなく、最初は検索、要約、類似事例の提示、確認項目の候補出しなど、判断を支援する範囲から試します。

自社で使えるAI活用準備表

一つの業務を選び、次の表へ現在分かっていることを書き出します。

確認項目	記入内容
支援したい判断	AIで何を支援したいか
判断する人	誰が最終判断するか
判断する場面	いつ、どの業務で必要になるか
参照する情報	現在、何を見て判断しているか
正式な情報源	どのデータや文書を正とするか
用語・項目	意味が統一されているか
情報の結び付き	案件、品目、顧客などで関連付けられるか
過去事例	状況、理由、結果が残っているか
AIへ任せる範囲	検索、要約、候補提示、確認点の提示など
人が確認する内容	品質、納期、原価、安全、顧客条件など
修正の記録	何を直し、なぜ直したか
結果の確認	利用後に何を評価するか
機密情報	入力可否、権限、保存範囲、保存期間

例えば見積業務を選んだなら、顧客、品目、数量、納期の意味がそろっているか、過去の見積と実績原価を結び付けられるか、値引きや特急対応の理由が残っているかを確認します。

すべてが整うまで、AIを試してはいけないわけではありません。

影響の小さい案件や過去データを使った検証から始め、情報の不足や言葉の違いが見つかったら、その部分を直します。

一つの判断支援から始める10の手順

専用のシステムがなくても、会社側の準備は始められます。

1．AIで支援したい判断を一つ選ぶ

「AIを導入する」ではなく、「見積時に類似案件を探す」など、具体的な判断を選びます。

2．誰が、いつ判断しているか確認する

判断する担当者、確認者、最終責任者を整理します。

3．判断時に見ている情報を書き出す

システムだけでなく、Excel、紙、メール、口頭確認も含めます。

4．データや用語の意味を確認する

同じ項目名が、部門や担当者によって違う意味になっていないか確認します。

5．過去の判断理由と結果を確認する

結果だけでなく、条件、選択肢、理由、実施後の結果が残っているかを見ます。

6．AIに参照させる正式な情報を絞る

古い資料や個人メモをすべて渡さず、対象、版、更新日を確認します。

7．AIの回答を確認する人と基準を決める

品質、原価、納期、安全など、何を確認するのかを決めます。

8．小さな範囲で試す

過去案件や、誤りが起きても影響を限定できる業務から始めます。

9．人の修正理由と最終結果を残す

採用したかどうかだけでなく、どこを、なぜ直したかを記録します。

10．不足していた業務、データ、ルールを改善する

AIの回答だけでなく、会社側の情報や業務の不足も見直します。

AIを使うことで、会社の不足が見えてくる

AI活用は、情報が完全に整った会社だけが行うものではありません。

小さく試すことで、会社の不足が見えることがあります。

判断に必要な情報が記録されていない
部門ごとに同じ言葉の意味が違う
正式な判断基準が決まっていない
過去の見積と実績原価を結び付けられない
例外対応の理由が口頭でしか残っていない
改善後の結果を評価していない

AIの回答が使えなかったとき、「AIは役に立たない」で終わらせず、なぜ使えなかったのかを確認します。

すると、AI導入とは別に、これまで見えにくかった業務や情報の問題が見つかります。

AIを小さな実験として使い、会社の仕事を見直すきっかけにすることもできます。

ただし、最初は機密性が低く、誤りが起きても影響を限定できる範囲から始めます。

人とAIが使った結果から、会社が学び続ける

AIを活用するために必要なのは、会社の情報を一方的にAIへ渡すことだけではありません。

次の循環が重要です。

仕事を実行する
実績と判断理由が残る
AIが設定された範囲で情報を参照、比較する
AIが候補や確認点を提示する
人が内容を評価し、最終判断する
修正理由と実行結果を残す
業務、データ、判断基準、AIの使い方を見直す
次の仕事へ生かす

AIが会社を自動的に学習させるのではありません。

人がAIの提案を評価し、その結果から会社の情報や仕事の進め方を改善します。

この循環が続くことで、過去の実績、判断、例外、改善が次の仕事に生かされるようになります。

これは、「システムを作って終わらない。会社が学び続ける仕組みをつくる」でお伝えした考え方を、AI活用へつなげた姿です。

AIが活用しやすい会社とは、最初から完璧なデータを持つ会社ではありません。

一つの業務について、AIの提案を人が確認し、修正理由と結果を残し、不足している情報や業務を改善できる会社です。

まとめ

AIが活用しやすい会社と、活用しにくい会社の違いは、単純なデータ量ではありません。

重要なのは、次の6つです。

業務の流れが分かる
データの意味が統一されている
情報同士を結び付けられる
判断理由と例外が残っている
AIの回答を人が評価できる
評価と修正を次の仕事へ残せる

最初から会社全体を整える必要はありません。

まずは、AIで支援したい判断を一つ選んでください。

誰が判断し、何を見ていて、どの情報を正式なものとし、AIの回答を誰がどう評価するのかを書き出します。

AIを使うための準備は、AIのためだけの仕事ではありません。

自社の業務、データ、判断を整理し、これまで個人の中にあった知識を、次の仕事へ生かせる形にすることでもあります。

まずは自社で試してみてください

AIで支援したい判断を一つ選ぶ
誰が最終判断しているか確認する
判断時に見ている情報を並べる
データの意味と正式な情報源を確認する
判断理由と結果が残っているか確認する
AIの回答を誰がどう評価するか決める

この6つを書き出すと、AIを試す前に不足している情報と、最初に整える範囲が見えてきます。

AIをどこへ導入するか決める前に、現在の業務、データ、判断の流れを見ながら、どの業務から試すべきかを一緒に整理することもできます。利用するAIが決まっていない段階でも、業務整理やAI活用の準備から相談できます。

業務整理やAI活用の準備について相談する

次の記事では、今回の考え方を見積業務へ当てはめます。過去の見積書を集めるだけでは足りない理由と、類似案件、原価、納期条件、値引き理由、実績をどのように結び付ければ、AIが見積判断を支援しやすくなるのかを考える予定です。

よくある質問

データが整理されていなくてもAIを試せますか

試せます。ただし、顧客や品質へ直接影響する判断を、最初からAIへ任せることは避けます。過去案件を使った検証や、検索、要約、確認項目の提示など、影響の小さい範囲から始めます。

AIを試すことで、記録されていない情報や用語の違いを見つけることもできます。

AI活用には大量のデータが必要ですか

必ずしも大量である必要はありません。目的によって必要な量は異なります。

少数でも、条件、判断理由、結果が明確な事例のほうが、意味の分からない大量の文書より役立つ場合があります。まずは量よりも、何の情報か、どの条件と結び付いているかを確認します。

ExcelのデータでもAIに活用できますか

Excelであること自体は問題ではありません。

列の意味が明確で、最新版が分かり、案件や品目などの識別方法が統一されていれば、活用できる可能性があります。

反対に、同じ列に複数の意味が混在していたり、担当者ごとに表の形式が違ったりする場合は、AIで使いたい一つの業務に必要な範囲から整理します。

社内文書をAIへ読み込ませれば、業務を理解できますか

文書を検索し、回答の参考にすることはできます。

ただし、正式版と古い版、標準手順と例外対応、会社の基準と個人メモを区別できなければ、業務上正しい回答になるとは限りません。

更新日、対象範囲、確認者、現在有効かどうかを管理する必要があります。

AIの回答は誰が確認すべきですか

その業務で最終判断をしている人、または判断に必要な知識を持つ人です。

見積であれば、営業だけでなく、原価や製造条件の確認が必要になる場合があります。業務への影響と誤りのリスクに応じて、確認する役割を決めます。

AIへ機密情報を入力してもよいですか

利用するサービス、契約、管理設定、入力する情報の種類によって異なります。

顧客情報、図面、価格、個人情報、製造ノウハウなどを扱う場合は、サービス提供者のデータ利用条件、保存、アクセス制御、削除方法を、最新の公式情報で確認します。

入力前の匿名化や、支援に必要のない情報を渡さない方法も検討します。

AIの回答を改善するには、何を記録すべきですか

与えた質問や条件、参照した情報、AIの回答、人が修正した部分、修正理由、最終判断、実行後の結果が役立ちます。

すべてを無期限に保存するのではなく、業務上必要な範囲、保存期間、閲覧権限を決めます。

AIはベテランの代わりになれますか

ベテランが持つ経験、状況判断、責任を、そのまま置き換えられるとは限りません。

一方で、過去の判断事例や確認項目を探し、若手が判断案を考えるための材料をそろえる支援はできます。

AIへ置き換えることより、ベテランが何を見て、なぜ判断したかを会社へ残すことが先です。

参考にした外部情報

経済産業省「AI事業者ガイドライン（第1.2版）」 — AI利用者を含む関係者が、人間中心、安全性、プライバシー保護、セキュリティ、透明性、アカウンタビリティなどを継続的に検討する考え方の確認に使用しました。
IPA「AI利用者のためのセキュリティ豆知識」 — クラウドAIへ入力する営業秘密や、社内情報を検索させる仕組みを利用するときの注意点の確認に使用しました。
IPA「テキスト生成AIの導入・運用ガイドライン」 — 組織で生成AIを使う際の利用ルール、運用体制、リスク管理を整理する観点の確認に使用しました。
NIST「Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile」 — データの出所、人による監督、評価、履歴保持、フィードバック、運用後の監視に関する観点の確認に使用しました。