製造業の生成AI・人工知能活用｜不良原因分析の仮説出しで確認・検索時間を32％短縮した実践レポート

生産技術センターの山口智子です。今回は「不良原因分析の仮説出し」について、現場で実際に試した内容を共有します。生成AI活用を単なるツール導入で終わらせず、同じ条件で効果を測り、別の担当者でも続けられる状態にすることを目的にしました。対象は日常業務の中で繰り返し発生する作業で、まず99件の記録を集めて現状を整理しました。

取り組みのきっかけは、熟練者への質問が集中し、同じ問い合わせに何度も回答する状態になっていました。担当者への聞き取りだけでは感覚的な議論になったため、処理時間、発生件数、手戻り、待ち時間を一週間単位で記録しました。特に例外が起きた場面と、その際に誰へ確認したかを残したことで、表面上の作業時間だけでなく、判断待ちや情報探索のロスも見えるようになりました。

実施にあたっては、機密情報を入力しないルールを先に定め、良い回答例と悪い回答例を20件ずつ用意して評価しました。最初から全工程を変えず、影響範囲の小さい一工程で3週間試行しました。週に一度、利用者と管理者で結果を確認し、操作に迷った箇所、判断が分かれた条件、想定外の処理を一覧化しています。手順書には正常時だけでなく、停止・差し戻し・手作業へ戻す条件も追記しました。

現時点の結果は「確認・検索時間を32％短縮」です。加えて、確認漏れや再作業も導入前より19％減りました。数字だけでなく、担当者からは問い合わせの往復が減り、本来の改善活動に時間を使いやすくなったという声が出ています。一方、対象件数が少ない期間もあるため、品種、生産量、繁忙度などの条件をそろえた追加確認を続けています。

残っている課題は、略語や設備固有名詞の揺れで精度が下がるため、用語集の更新が次の課題です。今回うまくいった設定や手順をそのまま他拠点へ持ち込むのではなく、前提条件と適用できないケースもセットで残すことが重要だと感じました。次の一か月は、担当者が不在でも運用できるか、例外対応に何分かかるか、改善後に新しい負担が生まれていないかを確認します。

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。人物や企業、内容は架空のものです。