経営層向け要約(2026年11月)
- 2025〜2026年のAI×生産は、画像検査などの「単機能AI」から、図面・保全記録・プロセスデータを読み解いて原因と対策を示す現場エージェントへ重心が移っています。ダイキン、三菱ケミカル、出光興産などが試験運用・共同検証を進めています。
- 成果が数字で公表されているのは、検査の目視工数(OKI:約8割削減)、品質トラブル対応の検索・報告書作成(日立大みか:検索60分→5分)、デジタルツインによる設備変更の事前検証(PepsiCo:スループット20%向上、ベンダー発表)など、範囲を絞ったユースケースです。
- 差がつくのはモデルではなくOTデータの構造化(図面のナレッジグラフ化など)、根拠の明示、MES/ERPとの連携、人が最終判断する設計です。まず1工場・1設備群で効果を測り、横展開の仕組みを先に用意することをお勧めします。
製造業では、熟練者の引退と人手不足を背景に、生産現場へのAI導入が「実証」から「現場で使い続ける段階」へ進みつつあります。2025年以降は生成AIとAIエージェントが加わり、保全員やオペレーターがタブレットで質問すると、設備図面や過去の保全記録をもとに原因と対策を返す、といった使い方が具体化しました。本記事では、2025〜2026年に公表された国内外の事例を用途別に整理し、成功要因と落とし穴、始め方のステップをまとめます。数値は各社・各媒体の公表値のみを記載し、ベンダー発表の数値はその旨を明記しています。
この記事でわかること
- 2025〜2026年にAI×生産で何が変わったか(用途マップ)
- 設備保全、プラント運転、外観検査、品質ナレッジ、計画・工程設計、デジタルツインの6領域・14事例の取り組みと成果
- OTデータ整備、MES/ERP連携、安全面で押さえるべき成功要因と落とし穴
- 製造業がAI活用を始めるための現実的なステップ
1. 全体動向
2025〜2026年の変化は、大きく3点に整理できます。
第一に、「答えるAI」から「現場の判断を支えるエージェント」への移行です。ダイキン工業と日立製作所は2025年4月、設備故障の原因と対策を提示するAIエージェントの試験運用を始め、日立は2026年2月にこれを「現場サポートAIナビ」として製品化しました。同年には三菱ケミカル、出光興産といったプロセス産業でも、運転・保全・安全など業務別のエージェントの検証や実装が報じられています。Siemensも2025年5月、Industrial Copilotの上に複数のAIエージェントを連携させる構想を打ち出し、顧客の生産性を最大50%高めることを目指すとしています(ベンダーの目標値です)。
第二に、RAG(文書検索+生成)だけでは足りないことが明確になりました。日立と三菱ケミカルの共同検証では、P&ID(配管計装図)や設備図面をナレッジグラフに変換し、保全記録などの「OTデータ」と故障原因分析の手順(「OTスキル」)を組み合わせる方式を採っています。トヨタ自動車も、人間向けに書かれた設計エビデンスを「AIが読める形」に整え直す必要性を語っています。
第三に、デジタルツインとフィジカルAIの実装が進みました。FoxconnはNVIDIA Omniverseを使って工場を仮想空間で組み立て、拠点間でラインを複製しています。PepsiCoはSiemensのDigital Twin Composerで設備変更を事前に検証しています。計画領域でも、日立が部門別AIエージェントを統括して日程調整を行う技術を発表し、ヤマザキマザックとABEJAが工程設計・生産スケジュールを支援するエージェントの共同開発を始めました。
| 用途 | 主なAI技術 | 主な事例(本記事) | 成熟度の目安 |
|---|---|---|---|
| 設備保全・故障診断 | 生成AI+ナレッジグラフ、AIエージェント | ダイキン×日立、三菱ケミカル×日立、Siemens エアランゲン工場 | 試験運用〜製品化 |
| プラント運転支援・自律制御 | 業務別AIエージェント、機械学習による自動運転 | 出光興産、日本触媒 | 実装中〜実証 |
| 外観検査・最終検査 | 画像AI(良品学習)、検査計画の自動生成 | ダイハツ、OKI、BMW | 本番導入〜パイロット |
| 品質ナレッジ・QMS | 生成AI検索、レポート自動作成 | 日立 大みか事業所、トヨタ自動車 | 先行導入〜トライアル |
| 計画・工程設計・制御設計 | 数理最適化+エージェント、コード生成 | 日立、ヤマザキマザック×ABEJA、thyssenkrupp | 技術発表〜展開 |
| デジタルツイン・フィジカルAI | Omniverse、物理シミュレーションAI | Foxconn、PepsiCo | 本番活用(ベンダー発表) |
2. 用途別の最新事例
2-1. 設備保全・故障診断エージェント
最も動きが速いのが保全領域です。自動化設備が増える一方で、保全員の育成が追いつかないという課題が各社に共通しています。
| 企業 | 取り組み | 成果・状況 |
|---|---|---|
| ダイキン工業(空調機器)×日立製作所 | 堺製作所臨海工場で「設備故障診断AIエージェント」の試験運用を開始。保全員が点検中にポンプやバルブの故障を見つけると、タブレット上で原因と対策を提示します。 | 事前検証で推定精度90%以上、10秒以内に回答。ダイキンの調査では故障対応時間の46%を要因診断が占めており、これを減らして対応時間の半減を目指します。国内全拠点への導入、米国・インド工場への展開を計画 |
| 日立製作所(ソリューション提供) | 上記の共創をもとに、設備故障診断AIエージェント「現場サポートAIナビ」を「HMAX Industry」の一つとして提供開始。設備図面をナレッジグラフ化し、保全記録(OTデータ)とSTAMPに基づく原因分析手順(OTスキル)を生成AIに学習させます。 | ディスクリート・プロセス両産業の動力設備や制御装置が対象。APIとパッケージの2形態で提供。大手製造業での試験運用・共同検証の実績があるとしています |
| 三菱ケミカル(化学)×日立製作所 | 東海事業所(三重県四日市市)で、同AIエージェントによるトラブルシューティング支援の共同検証を開始。P&IDや設備図面、分解点検履歴、プロセスデータ、カメラ映像などを関連づけて分析します。 | 高温・高圧や有害物質を扱う現場で、熟練技術者と同等以上の速さと正確さで原因特定と対策提示ができるかを検証中。将来は国内外拠点への展開や、運転・安全管理向けエージェントの構築を検討 |
| Siemens Electronics Factory エアランゲン(ドイツ、電子機器) | はんだ付け装置にIndustrial Copilot for Operationsを導入。エラーコードを自然言語に翻訳し、マニュアルや部品表、装置履歴をもとに対処法を提案します。 | 停止時間の短縮やシフト引き継ぎの効率化を狙うとしています(定量値は非公表)。2026年1月には、SiemensとNVIDIAが同工場をAI駆動の適応型工場の最初のモデルにすると発表 |
2-2. プラント運転支援・自律運転
プロセス産業では、既に高度な制御システムが動いているため、AIの上乗せ価値を現場に納得してもらうことが課題になります。
| 企業 | 取り組み | 成果・状況 |
|---|---|---|
| 出光興産(石油・化学) | ローコード型の産業AIエージェント開発基盤「Cognite Atlas AI」で、運転・品質・生産管理・安全の業務別エージェントを開発。例えば運転向けでは、トラブル時にP&ID、要領書、ヒヤリハット、過去事例を一覧化し、目的・手順・安全上の注意を要約します。生産管理向けでは得率の実績を回答します。 | 数値の根拠(計算式と参照データ)を必ず示す仕組みを実装。2023〜2025年度の平均稼働率86%(定期修繕除く)を90%以上に引き上げる目標の一環で、2030年に向けてエージェントによる異常検知と判断支援を目指します。現場定着のためデモで体感してもらう「場づくり」を重視 |
| 日本触媒(化学)×NTTコミュニケーションズ | 「AI Autopilot System」に、連続蒸留工程の運転データ・運転員の操作履歴・ノウハウを学習させたモデルを組み込み、状態が複雑に変化する工程の自動運転を実証。 | 理想液面との誤差が手動操作時の平均2.38%から2.06%に改善(熟練運転員比13.5%改善)。工場内の他プラントへの水平展開を予定 |
2-3. 外観検査・最終検査
画像AIによる検査は以前からある領域ですが、最近は「良品データだけで学習する」「車両ごとに検査項目を自動生成する」など、現場の制約に合わせた工夫が成果につながっています。
| 企業 | 取り組み | 成果・状況 |
|---|---|---|
| ダイハツ工業(自動車) | 滋賀(竜王)工場 第1地区のアルミ加工ラインで、トランスミッション部品の加工穴内部のキズをAIで検査するシステムを導入。スタートアップのVRAIN Solutionと共同開発し、特許を共同出願。 | 0.1mm程度の差が品質に影響する、作業者の感覚に依存していた検査を自動化し、精度の安定と負荷軽減を両立したとしています(定量値は非公表)。同構造のアルミ製品や他部品へ展開予定。現場従業員がAIを実装する現場主導DXの一環 |
| OKI(電子機器・EMS) | プリント基板のAOI(自動光学検査)で生じる「虚報」(良品を不良と判定)を減らす「目視判定AI技術」を開発。はんだ濡れ・位置ずれ・欠品・浮きの4観点で判定し、少量の良品データのみで学習します。 | AOI後の目視検査時間を約8割削減可能(同社発表)。1日約3000万ポイントを検査し、残る疑わしい箇所を6人が目視確認していた工程が対象。2026年7月から受託生産「まるごとEMS」のラインに導入 |
| BMW Group(自動車、ドイツ) | レーゲンスブルク工場のパイロット「GenAI4Q」で、車両データとリアルタイムの生産データから、1台ごとに最終検査の項目と順序をAIが生成しスマートフォンアプリで提示。音声入力による所見記録にも対応。ミュンヘンのDatagon AIと共同開発。 | 1日約1,400台、57秒に1台という多品種混流ラインで、車両ごとの検査カタログを生成(定量的な効果は非公表、パイロット段階) |
2-4. 品質ナレッジ・品質マネジメント
品質保証部門のトラブル対応や監査対応は、「間違えられない」業務です。そのため、回答の根拠となる文書を示せることが前提になります。
| 企業 | 取り組み | 成果・状況 |
|---|---|---|
| 日立製作所 大みか事業所(制御システム) | 過去のトラブル対応記録やマニュアルを自然言語で検索し、対応レポートの下書きを作るAIエージェント「品質ナレッジシステム」を自社工場に先行導入(「カスタマーゼロ」)。2026年4月から外販も開始。 | 自社実績として、トラブル事例の検索時間が1件60分→5分、対応レポート作成が120分→15分、不具合の原因分析が16時間→3時間(同社発表)。今後は設計・製造・保守への展開やOT連携を検討 |
| トヨタ自動車(自動車) | 品質管理AI「Qubee」を開発中。車両開発で積み上がる設計エビデンス(約40種類)を、AIが検索・分類できるようにし、どの文書が正しいプロセスで承認されたかをたどれるようにします。QMS(ISO 9001)対応を機に品質管理を再構築する取り組みの一部。 | 全社稼働前のトライアル段階で、主要なエビデンスの一部を対象にボデー設計領域で検証中。人間向けに書かれた文書はAIが文脈を理解しにくく、「AIフレンドリー」に整え直すことが第一歩だと説明 |
2-5. 生産計画・工程設計・制御設計
計画領域では、汎用LLMだけで計画を作るのではなく、数理最適化や既存の計画エンジンをエージェントが呼び出す構成が主流になりつつあります。
| 企業 | 取り組み | 成果・状況 |
|---|---|---|
| 日立製作所(技術発表) | 注文変更や納期調整が起きた際、営業AI・生産管理AIなど部門別エージェントを連携・統括して日程変更案を自動で作る「AIオーケストレーション技術」を開発。中核に数理最適化と機械学習を融合した「MLCP」を使い、設備・作業リソース・エネルギー制約を考慮します。 | 変更案をメリット・デメリットとともに示し、人が最終判断する設計。交渉ログや判断根拠を記録。ERPやMESと連携する階層型構成で、2027年内に提供予定 |
| ヤマザキマザック(工作機械)×ABEJA | 工具選定・加工順序・切削条件などの工程設計と、突発的な設備停止や材料欠品時の生産スケジュール調整を支援するAIエージェントを共同開発。ロボットの行動学習環境の構築も進めます。 | 2026年10月に共同開発開始を発表し、2028年度の市場投入を目指す段階。ユーザー自身が自社データでエージェントを育てられること、データとノウハウを守るセキュリティを重視 |
| thyssenkrupp Automation Engineering(専用機・設備メーカー、ドイツ) | EV向け電池検査装置の開発で、Siemens Industrial Copilot for Engineeringを導入。自然言語の指示からPLC向けSCLコードを生成し、TIA Portalへ組み込み、WinCC Unifiedの画面も作成します。 | 2025年以降、世界各拠点の装置設計で本格利用する計画と発表。繰り返し作業の削減を狙う(定量値は非公表) |
2-6. デジタルツイン・フィジカルAI
工場全体を仮想空間に再現し、設備変更やロボット導入を事前に検証する取り組みです。以下の数値はいずれもベンダー(NVIDIA、Siemens)の発表に基づきます。
| 企業 | 取り組み | 成果・状況 |
|---|---|---|
| Foxconn(電子機器受託製造、台湾) | NVIDIA Omniverseで工場のデジタルツインを構築し、標準化した3D資産で生産ラインを仮想的に組み立て、台湾からメキシコなど拠点間でレイアウトを複製。ロボットや自律移動ロボットを仮想空間で訓練します。米ヒューストンの新施設ではSiemensのデジタルツイン技術も活用。 | 物理AIモデル(PhysicsNeMo)で熱流体解析が最大150倍高速化し、数時間かかっていた解析が数分に(NVIDIA発表)。同社幹部は工場立ち上げ・計画の期間を約50%短縮できると見込んでいます(見通しとしての発言) |
| PepsiCo(食品・飲料、米国) | 米国の一部の製造・倉庫拠点を、SiemensのDigital Twin ComposerとNVIDIA Omniverseのライブラリ、コンピュータビジョンで高精度なデジタルツインに変換。AIエージェントが設備変更を仮想空間でシミュレーションし検証します。 | 物理的な改造前に潜在的な問題の最大90%を特定、初期導入でスループット20%向上、設備投資10〜15%削減(Siemens発表)。今後グローバル展開を計画 |
3. 事例から見える成功要因と落とし穴
成功要因1:OTデータを「AIが読める形」に構造化している
日立の設備故障診断エージェントは、図面やP&IDをナレッジグラフに変換し、設備の部位と部位の関係をAIが理解できるようにしています。トヨタのQubeeも、文書をAI向けに整え直すことから始めています。マニュアルや保全記録をそのまま検索させるだけでは、原因の取り違えが起きやすいという点は、多くの現場に共通する教訓です。最初に投資すべきは、設備マスタ、図面、保全履歴、アラーム履歴の整備と紐づけです。
成功要因2:根拠を示し、人が最終判断する
出光興産はエージェントの回答に計算式と参照データを必ず添える仕組みを入れ、「ブラックボックスでは現場は怖くて使えない」と説明しています。日立のAIオーケストレーション技術も、計画案をメリット・デメリットとともに提示し、人が確認して条件を加えると再提案する設計です。出典表示、判断ログ、承認フローを初期段階から仕様に含めることが、現場定着と監査対応の両面で効きます。
成功要因3:範囲を絞り、現場が測れるKPIで評価する
公表されている成果は、「AOI後の目視工数」「事例検索1件あたりの時間」「要因診断にかかる時間」など、対象業務と指標がはっきりしたものです。ダイキンは故障対応時間のうち要因診断が46%を占めるという分析から目標を立てています。現状の時間配分を先に測ることで、効果の説明と横展開の判断がしやすくなります。
成功要因4:MES/ERPと計画エンジンにつなぐ
エージェントが価値を出すには、作業指示、設備状態、在庫、受注といったデータに安全にアクセスできる必要があります。日立はERPやMESとエージェントを階層的に連携させる構成を示しています。SAP PPの製造指図やMESの実績データと、AIが提案する計画変更や保全指示を整合させる設計(どのシステムを正とするか、AIは提案までか登録までか)を早めに決めておくべきです。
落とし穴1:OTセキュリティと安全の扱いを後回しにする
高温・高圧や有害物質を扱う現場では、AIの誤った提案が事故につながりかねません。三菱ケミカルの検証が「熟練者と同等以上か」を確認するところから入っているのは、そのためです。Siemensがデータを工場外に出さないオンプレミス構成を用意しているように、制御ネットワークとの境界、データの持ち出し範囲、AIが制御系に書き込む権限は、IEC 62443などの枠組みに沿って設計する必要があります。
落とし穴2:「導入したのに使われない」
出光興産は、最新のエージェントを入れても現場ですぐには使われないと率直に述べ、デモでの体感、AIは完璧ではないという期待値の調整、現場とのユースケース出しを並行して進めています。ダイハツが現場従業員自身のAI実装スキルを育てているのも同じ文脈です。業務ごとに専門用語や判断基準が違うため、全社共通の1つのモデルで済ませようとしないことも重要です。
落とし穴3:ベンダー発表の数値をそのまま事業計画に使う
デジタルツインやエージェントの効果として公表される数値の多くは、ベンダーが特定の条件で示したものです。自社の基準値(ベースライン)で再測定する前提で、PoCの評価設計を組むことをお勧めします。
4. 製造業が始めるためのステップ
- 課題と時間配分の可視化(1〜2か月):故障対応、検査、計画立案、品質トラブル対応など候補業務の時間配分を測り、AIで縮めたい工程と指標を決めます。
- データ棚卸しと構造化(2〜4か月):設備マスタ、図面、保全履歴、検査画像、MES実績、ERPの指図・在庫データの所在と品質を確認し、必要に応じてナレッジグラフ化や項目の標準化を行います。
- 1工場・1設備群でのパイロット(3〜6か月):根拠表示、判断ログ、人の承認を組み込んだうえで、現場の保全員・オペレーターと一緒に評価します。安全とOTセキュリティの要件はこの段階で確定させます。
- システム連携と運用設計:MES/ERPやスケジューラとの連携範囲、AIの権限、モデルやナレッジの更新手順、問い合わせ窓口を決めます。
- 横展開とガバナンス:拠点ごとの差分(設備、言語、業務手順)を吸収できるテンプレートを作り、効果測定を継続します。EU向け製品や海外拠点がある場合は、EU AI法などの規制も確認します。
まとめ
2025〜2026年のAI×生産は、保全・運転・品質・計画の各領域で「現場の判断を支えるエージェント」が試験運用から製品化・実装へ進んだ時期でした。公表された成果を見ると、効果が出ているのはデータが整い、範囲と指標が明確で、根拠を示して人が判断する設計になっている取り組みです。逆に、データ整備と現場定着、OTセキュリティを後回しにすると、PoCで止まりがちです。まずは自社の工場で「どの業務に、どれだけ時間がかかっているか」を測るところから始めることをお勧めします。
AI活用のご相談
Paddy & Waterは、SAP PP・MES・OTデータの連携設計から、保全・品質・計画領域でのAIエージェントのPoC設計、効果測定、横展開までを支援しています。自社の工場でどこから始めるべきか整理したい場合は、お問い合わせからお気軽にご相談ください。