設備トラブル検索の回答精度改善を他工場へ横展開｜製造業の生成AI・人工知能活用の実践記録

現場から出た小さな気づきをもとに、本社DX推進室で「設備トラブル検索の回答精度改善」を試しました。担当は佐藤美咲です。主な成果は「確認・検索時間を24％短縮」ですが、数字の裏側も含めて説明します。

取り組みの背景と進め方

主な結果は「確認・検索時間を24％短縮」です。確認漏れややり直しも導入前より20％減りました。一方で、繁忙日や経験の浅い担当者では効果が小さい場面もありました。数字が良くても別の工程へ負担を移しては意味がないため、品質、安全、使いやすさも一緒に確認しています。

取り組み前は、文章作成の品質が担当者ごとに異なり、レビューの手戻りが増えていました。そこで、直近の作業から71件を選び、作業時間、待ち時間、差し戻し、例外対応を記録しました。平均だけを見ると原因が隠れるため、特に時間が長かった例と、担当者が判断に迷った例を一件ずつ確認しました。

分かった効果と残った課題

試行中は、設備トラブル検索の回答精度改善に直接関わる担当者だけでなく、前後の工程にも週一回意見を聞きました。71件の記録には、数字だけでなく『何に迷ったか』『誰の助けが必要だったか』も一行で追加しています。この記録から、説明資料だけでは見えなかった小さな不便が分かり、操作や役割分担を早めに直すことができました。

実施したのは、回答に根拠文書名を必ず添えるプロンプトを作り、現場メンバー5名による二週間の試行を行いました。現場を止めないよう対象を限定し、毎週一度、利用者と管理者で結果を確認しました。質問が多かった部分は短い手順書に直し、正常時だけでなく、作業を止める条件と手作業へ戻す条件も決めました。

今回の確認ポイント

1. 現場の入力や確認を増やしすぎない
2. 成功例と失敗例を同じ様式で記録する
3. 週ごとに変更点を一つずつ試す

皆さんに聞きたいこと

皆さんの拠点では、生成AIの回答をどのような基準で評価し、誤回答をどこまで許容していますか。評価表や運用ルールの工夫があればコメントで教えてください。

※この投稿はデモンストレーション用のサンプルです。