「データがない」を解決する、製造業のAIエージェント活用術
「うちにはAIに使えるデータがない」という製造業の悩みを、逆転の発想で解決します。AIエージェントを「データを作る」側に使い、ベテランの暗黙知を整理の基準に変える具体的な4ステップを解説します。
1. はじめに
「AIを使いたいけど、うちにはまともなデータがない」
「現場の情報は紙とExcelとベテランの頭の中。これじゃAIに食わせられない」
こう感じている方、多いのではないでしょうか？
実は、これ、私がお客様から一番よく聞く悩みなんです。生成AIの話になると、必ずこの壁にぶつかります。「データがそろっていないから、まだうちには早い」と。
でも、ちょっと待ってください。その順番、本当に正しいでしょうか。今回は、この「データがない問題」を真正面から解決する、少し逆転した発想をお話しします。
2. 「AI活用」がうまくいかない本当の理由
世の中で語られるAI活用は、ほとんどがこの形です。
「データがある → そのデータをAIで分析・活用する」
需要予測も、不良予測も、設備の異常検知も、すべて「きれいなデータが先にある」ことが前提です。AIエージェントの話も同じ。データベースに繋いで、そこから情報を引いて動く。
ところが、現場の実態はどうでしょうか。日報は手書き。検査記録はExcelに人が転記。段取りのコツや不良の見分け方は、ベテランの頭の中だけ。
正直に言うと、多くの製造現場では「分析する前のデータ」がそもそも存在しません。だから、いくら高性能なAIを用意しても、入れるものがない。ここが、AI活用が「PoC止まり」で終わる最大の理由なんです。
3. 発想の転換：AIで「データを作る」
そこで提案したいのが、発想の逆転です。
AIエージェントを「データを分析する」側ではなく、「データを作る」側に使う。
これがポイントなんですが、従来とは順番が真逆になります。データがそろうのを待つのではない。AIエージェントの力で、現場に埋もれた情報を「使えるデータ」に変えていくのです。
AIエージェントを「データを分析する」側ではなく「データを作る」側に使う
ちょっと想像してみてください。ベテランがレシートや図面、検査票を見て、頭の中で瞬時に整理していますよね。「これは品番、これは数量、ここは異常値」と。あの「整理する作業」そのものを、AIに任せる。すると、これまでデータ化できなかった現場の山が、一気に資産に変わります。
4. 熟練者の暗黙知を「整理の基準」に変える
ここで鍵になるのが、熟練者の持つ「暗黙知」です。
暗黙知とは、自転車の乗り方のように、言葉では説明しにくい知識のこと。「なんとなく分かる」「見れば判断できる」という、あの感覚です。これは知識経営の研究でも、組織の競争力の源泉とされてきました（野中郁次郎・竹内弘高『知識創造企業』1995）。
でも、ここで注目したいのは少し違う側面です。ベテランが本当にすごいのは、答えそのものよりも「どう情報を整理するかの基準」を持っていること。
どの数字を拾い、どれを捨てるか。どこを見れば異常と判断できるか。バラバラの帳票を、どんな単位でまとめれば意味が出るか。
この「整理の基準」こそ、データを作るための設計図なのです。
そこで使うのが、AIエージェントのSkills（スキル）という仕組みです。ひとことで言えば、AIに「うちのやり方」を覚えさせる手順書のようなもの。この手順書に「整理の基準」を書いておけば、AI-OCRで読み取った情報を、その基準どおりにデータへ整理してくれます。
5. 具体的な4ステップ
では、実際にどう進めるのか。私たちが支援しているイメージを、4つのステップでお話しします。
ステップ①：熟練者にヒアリングする
まず、ベテランに「どう整理しているか」を聞きます。ここで聞くのは答えではなく、判断の基準です。「この帳票のどこを見るか」「異常とみなすラインはどこか」。頭の中の「見えないチェックリスト」を、言葉にしていきます。
ステップ②：基準をSkillに落とし込む
ヒアリングした基準を、Skillとして明文化します。列の意味、まとめる単位、異常値の閾値、例外の扱い方。これをテキストで定義しておくだけ。専用システムの開発も、数百万円の投資も要りません。
ステップ③：AI-OCRで読み取り、Skillでデータに整理する
次に、紙やPDFの帳票をAI-OCRで読み取ります。ここでSkillが効きます。ただ文字を読むだけでなく、「うちの基準」で整理しながらデータ化する。バラバラだった手書き日報や検査票が、統一フォーマットのデータに変わります。
紙やPDFの帳票をAI-OCRで読み取り、「うちの基準」で構造化データに整理する
ステップ④：総合判定し、判断情報まで付与する
ここからが、この方法の本当の強みです。Skillは、整理したデータをただ並べるだけではありません。構造化した情報をもとに、総合的な判定まで行えます。
たとえば検査票なら、寸法も外観も基準内だった――だからこの製品は合格。図面なら、必要な公差や記載がそろっている――だからこの図面は承認可。こうした「判断の結果」と「その根拠」を、データに付け加えられるのです。
単なるデータ化で終わらない。「だから合格」という判断情報まで残る。
これは、ベテランから聞き取った「整理の基準」が、そのまま「判定の基準」にもなるから実現できます。
6. 導入のポイント
この進め方で押さえておきたいポイントを整理しました。
- 小さな帳票から始める：いきなり全社ではなく、一つの帳票・一つの工程から
- 基準は「ベテランと一緒に」言語化する：AI任せにせず、現場の納得感を大切に
- 完璧を目指さない：まず8割整理できれば十分。残りは人が補う
- セキュリティは設計で対応する：図面や原価は、権限管理と環境分離で守れる
特に大事なのは、最初の一歩を小さくすること。「データがそろってから」ではなく、「今ある紙の山」から始められるのが、この方法の強みです。
7. まとめ
本記事では、AIエージェントで「データそのものを作る」という発想をお話ししました。
ポイントをおさらいします。
- AI活用が止まる原因は「分析する前のデータがない」こと。多くの現場で起きている
- 発想を逆転し、AIを「データを作る」側に使う。データを待つのではなく、作り出す
- 熟練者の暗黙知は「整理の基準」。これをSkillに落とせば、現場情報が資産に変わる
- ヒアリング → Skill化 → AI-OCRで整理 → 総合判定、の4ステップで進められる
- Skillは整理だけで終わらない。「だから合格」という判断情報まで、データに付与できる
データがないから、AIは使えない。そう思っていた現場こそ、AIで「データを作る」発想が効きます。
「うちの帳票でも、データに変えられるかな？」そう思われた方は、ぜひお気軽にご相談ください。