Column
コラム
衛星運用へのAI活用｜軌道保持・異常検知・計画立案【2026年】
記事の要約 衛星運用とは、打ち上げた衛星の状態を地上から見守り、計画を立てて指令を送る日々の仕事です。AIは撮影の計画案づくりや異常の兆しの検知、軌道を直す噴射の比較などを支えます。 本記事の4事例のうち実運用と確認できたのは、Starlinkが数値の基準で自動判定する衝突回避（AIとは呼ばれていない）で、ほかは研究・実証・試験の段階です。 静止衛星は少しずつずれるため定期的な噴射で位置を保ちます。燃料は補給を前提にできず噴射は取り消せないため、AIが案と予測を出し、人が採否を決める分担が現実的です。 宇宙ビジネスの資料で「衛星運用」という言葉を見かけても、打ち上げた後の衛星に地上で何をしているのかは、思い浮かべにくいものです。 実際には、地上の運用者が毎日、衛星の状態を確かめて指令を送っています。軌道上の衛星が急増したいま、この仕事のどこにAIを入れ、どこまで任せられるかが国内外で試されています。 本記事では、運用者の仕事を7つの工程に分けたうえで、国内外の事例と、軌道保持（＝噴射でずれを直し、決めた位置を保つこと）でのAIの使い方、導入の課題を解説します。東京大学松尾研発のAIスタートアップとして、軌道保持でAIの概念実証（PoC）を手がけた弊社の視点も交えます。 読み終える頃には、衛星運用のどの工程からAIを試すべきかを判断できるはずです。 人工衛星の運用とは？7つの工程とAIが入る場所 人工衛星の運用（衛星管制）とは、打ち上げた衛星が役目を果たし続けられるよう、地上から状態を見守り、指令を送って動かす仕事です。衛星は、打ち上げた後に自分だけで仕事を続けているわけではありません。どこを撮影するか、いつデータを地上に送るか、ずれた軌道をいつ直すかは、運用者が決めて送り込んでいます。 仕事の基本は、計画を立てて指令（コマンド）を送り、衛星から届いた状態データを評価して、次の計画に戻す循環です。この状態データをテレメトリ（＝機器の電圧や温度などの記録）と呼びます。JAXA筑波宇宙センターの衛星管制も、計画・運用・評価の3つの業務をこの順に回しています。 この流れに沿って、地球観測衛星の運用者の1日を追ってみましょう。まず、利用者から届いた「いつ・どこを撮りたいか」という要求を突き合わせて調整し、通信に使う地上局のアンテナを確保します。送る指令は前もってまとめ、食い違いがないか（例えば、撮影の予定と同じ時間帯に軌道を直す噴射が入っていないか）を確かめておきます。 低い軌道を回る衛星が地上局と直接通信できるのは、上空を横切る1回あたり数分から十数分だけです。運用者はこの短い時間に指令を送り、届いたテレメトリを監視します。 通信が終わると、機器が予定どおりに動いたかを確かめ、季節による変化も含めた長い期間の傾向を追います。いつもと違う動きがあれば状況を調べ、次の計画に反映します。 軌道を保つ作業も欠かせません。低軌道の衛星は、宇宙にわずかに残る大気の抵抗で少しずつ高度が下がるため、位置を測って軌道を直す制御を定期的に行います。静止衛星は地上局から常に見えるため監視が途切れなく続き、ずれていく位置を噴射で直す軌道保持が定期的に入ります。 この循環を工程に分けると、次の7つです。 工程主な作業人手が苦しくなる理由AIの余地1. 運用計画の立案撮影などの要求の調整、地上局の確保要求と制約の組み合わせが膨大になる計画案の作成2. コマンド送信通信できる時間に指令を送る送信前に確かめる時間が短い矛盾のチェック3. 状態データ（テレメトリ）の監視機器の電圧や温度などの監視項目が機数に比例して増える多数項目の同時監視4. 評価・異常検知動作確認、異常時の状況把握項目どうしの関係の崩れは目で追いにくい異常の兆候の検知5. 軌道決定・軌道制御軌道を求め、位置を保つ噴射を計画候補の比較に経験が要る噴射の候補案と予測6. 衝突回避接近の評価と回避の計画接近の組み合わせが急増する判定と計画の自動化7. 運用終了軌道から外すか、安全な軌道へ移す故障の見通しで時期が変わる終了時期の見積もり このうち人手が先に限界を迎えるのは、監視と衝突回避です。2025年には4,000基を超える衛星などが軌道に入り、打ち上げは1日あたり約10基のペースで続いています。 監視するデータは自社の衛星の数に比例して増えますが、接近を調べる組み合わせは、自社の衛星の数と、周りを飛ぶ衛星や宇宙ごみ（デブリ）の数の掛け算で増えます。周りにも年4,000基超の衛星などが加わるため、衝突回避の判定は監視より速く膨らみ、人が1件ずつ確かめる運用では追いつきません。 ここに自動化の出番がありますが、AIに任せる範囲は工程ごとに決めるのが出発点です。例えば、接近の判定は衝突確率などの数値で線を引けますが、軌道保持の噴射は範囲・観測の予定・燃料の兼ね合いで決まり、1つの数値で線を引けないため、同じ任せ方はできません。 参照元：宇宙技術開発株式会社「衛星運用者における取り組み」（総務省の検討会資料、2022年2月）／JAXA「データ中継技術衛星『こだま』」（パンフレット）／NEC「人工衛星の軌道制御」（2025年1月）／ESA「ESA Space Environment Report 2026」（2026年9月） 衛星運用AIの事例4選｜実証・試験と実運用を分けて見る 衛星運用AIの事例は、実証・試験の段階か、実運用かで読み方を変える必要があります。実証の成果は「できる見込み」で、日々の運用で使われている証拠ではないためです。ここでは、異常の検知、計画の立案、衝突の回避という3つの場面から、国内外の4件を見ていきます。 1. JAXA・JR西日本・スカパーJSAT：鉄道の故障予測AIで衛星の異常兆候を検知（実証段階） JAXAとJR西日本は2022年10月から、鉄道の故障予測AIを衛星の状態データに応用してきました。2024年5月には累計30機以上の運用実績を持つスカパーJSATが加わり、実運用中の衛星への適用を目指す実証実験の開始を発表しています。 従来の監視は、電圧や温度といった項目ごとに上限と下限を決め、値がその外に出たら警報を出す方式です。この方式では、どの値も範囲内に収まっている間は、項目どうしの関係が崩れ始めていても警報は鳴りません。 そこで共同の取り組みでは、複数の状態データの相互関係を可視化し、故障や異常の兆候を検知するAIモデルを複数作りました。例えば、太陽の当たり方に応じて太陽電池の電流と機器の温度がそろって上下する衛星で、電流はいつもどおりなのに温度だけが少し高い日が続いたとします。 どちらの値も範囲内ですが、普段の関係からは外れています。仕組みの一例は、平常時のデータから「この電流ならこの温度」という対応をAIに学ばせ、実測の温度が予想から大きく外れたら知らせるものです。こうした「いつもと違う」を早めに示せれば、運用者は故障に至る前に原因を調べ、予備の機器への切り替えなどを検討できます。 2. NEC：熟練者の判断を学ぶ意図学習で観測要求の作成を自動化（研究・試験段階） NECは小型レーダ衛星「ASNARO-2」を題材に、「いつ・どの地点を撮影するか」をまとめる観測要求の作成の自動化を研究しました。観測要求は、膨大な撮影候補の中から、衛星の設計上の制約と利用者どうしの依頼の競合を総合的に判断して作る難しい作業で、こなせる運用者は限られていました。関心のある地域は情勢や災害で変わるため、撮影地点を素早く選び直す必要もあります。 そこでNECは、膨大な撮影候補から観測要求に入れる候補を選ぶ作業を、条件を満たす中で最も良い組み合わせを探す問題（組み合わせ最適化）として式にしました。何を「良い」とするかの指標は、候補の特徴ごとに重みを掛けて足し合わせた値で表し、その重みを、熟練運用者の作成記録から意図学習で学ばせています。 その結果、熟練の運用者の意図（候補を選ぶときの判断）を再現する精度は94％となり、観測要求の作成は、熟練の運用者で120分かかっていたものが、非熟練者でも20分になりました。計画立案は人の経験に頼る工程の代表で、作業の記録が残っているほどこの型のAIに向きます。 組み合わせを式にして解く手法は「数理最適化の事例8選｜ビジネスでの使い方とAIとの組み合わせ」で解説しています。 3. ESA：衝突リスクの評価と回避計画を自動化する「CREAM」（地上試験段階） 衛星どうしの接近は、観測網による宇宙状況把握（SSA）で予測し、警報を出します。2019年時点で、低軌道の一般的な衛星には毎週数百件の警報が届いていました。 ESA（欧州宇宙機関）の低軌道の衛星では、1機あたり週2件ほどが分析担当者の詳しい確認を要しました。担当者は、位置の予測に含まれる誤差まで考えて衝突の確率を数時間かけて見積もり、およそ1万分の1を超えれば回避の噴射を準備します。その噴射で別の物体に近づかないかも確かめます。 この手間を減らすため、ESAはCREAM（Collision Risk Estimation and Automated Mitigation＝衝突リスクの見積もりと回避の自動化）で、接近の評価から回避計画の作成、意思決定の支援までの自動化を進めています。2025年8月時点では地上で試験運用中で、警報の発出と回避計画の作成はすでにでき、軌道上の実証を準備しています。 なお、ESAは2019年に機械学習を使う準備を進めていると発表していましたが、2025年8月の紹介記事はCREAMをAIや機械学習とは書いていません。次のStarlinkと同じく、AIと明記されていない自動化です。 4. SpaceX（Starlink）：衛星搭載の衝突回避システムで半年に約20万回の回避（実運用） Starlinkは、衝突確率が1,000万分の3を超えたら回避する基準に、最接近距離による基準も加えて運用されています。確率の基準は業界標準とされる1万分の1より300倍以上厳しく、2025年12月から半年間の回避噴射は約20万7,000回、1日あたり約1,100回に上ります。 基準を厳しくするほど回避は増え、人が1件ずつ承認できる規模を超えます。基準が数値なら機械が毎回同じ判定を下せるため、衛星の搭載システムが回避の噴射まで実行できます。報告はこの仕組みをAIとは呼んでいません。 4件のうち実運用と確認できたのは、基準を数値で決められ、件数が膨大な衝突回避でした。何を異常とみなすかを数値で決めにくい異常検知は、AIの判定を人が確かめ続けるため、実運用へ移るまで時間がかかりやすくなります。 では、自社はどの工程から試せばよいのでしょうか。出発点は、判断の回数が多く、過去の計画と結果の記録が残っている工程です。記録があればAIの出力を人の判断と比べて採点でき、回数が多いほど比べる機会も増えます。最初はAIに材料を出させて人が判断し、食い違いの記録を重ねながら、基準を数値にできた部分から自動化へ移すのが安全です。 進め方は「自立型AIとは？仕組み・生成AIとの違い・導入4ステップを解説」で解説しています。 参照元：JAXA「鉄道の故障予測AI技術を宇宙機へ活用するため事業共同実証活動を開始」（2024年5月）／NEC「人工衛星運用における自動化・省力化技術」（NEC技報 2021年8月）／ESA「Automating collision avoidance」（2019年10月）、「CREAM: avoiding collisions in space through automation」（2025年8月）／SpaceX「SpaceX Gen 1 and Gen 2 Semi-Annual Reports」（米連邦通信委員会提出、2026年7月） 衛星軌道の保持とAI｜計画案を出し、人が判断する理由 軌道保持とは、少しずつずれていく衛星の位置を、小型エンジン（スラスター）の噴射で定期的に直し、決められた範囲にとどめておく作業です。静止軌道の衛星では、この噴射の計画づくりでAIが計画案と結果の予測を出し、運用者が採否を決める分担が現実的です。現状では燃料の補給を前提にできず、誤った噴射を取り消せないためです。 定期的な噴射と燃料の制約が、判断を人に残す 静止衛星は、赤道の上空約3万6,000kmを地球の自転と同じ周期で回るため、空の一点に止まって見えます。家庭の衛星放送のアンテナが向きを固定したまま受信できるのも、この性質のおかげです。ところが実際には、太陽と月の引力や地球が完全な球でないことなどで少しずつずれ、放っておくと止まって見えなくなります。 ずれには東西と南北の2方向があります。南北のずれは、軌道の面が赤道からわずかに傾くことで生じます。傾いた軌道を回る衛星は、1日のうちに赤道の北側と南側を行き来するため、地上からは南北に揺れて見えるのです。 気象庁の資料では、ひまわり8号・9号の位置を、東西は経度のずれ±0.05度以内（静止軌道上の距離で約37km）、南北は軌道の傾き±0.1度以内に保つとしています。この範囲に収めるため、南北の軌道制御は隔週の月曜、東西は隔週の木・金曜に予定され、そのたびに地球全体の観測を1回休みます。 制御に使う燃料は衛星に積んだ分しかなく、尽きれば機器が正常でも位置を保てません。噴射のたびに、観測時間と衛星の残り寿命を使っています。 では、1回の軌道制御はどのように進むのでしょうか。まず、地上局からの距離の測定などをもとに、いまの軌道を求めます（軌道決定）。次に、このまま進むといつ範囲を外れるかを予測し、噴射の時刻・向き・量を変えた候補をいくつも作ります。 候補ごとに噴射後の軌道を計算し、次の制御まで範囲内に収まるか、観測や通信の予定とぶつからないか、燃料をどれだけ使うかを比べて1つに決めます。噴射の結果は計算どおりにぴったりとはならないため、噴射の後は軌道を測り直し、予測とのずれを次の計画に反映します。 AIが力を発揮しやすいのは、候補を多く作って比べる段階と、過去の計画と実績のずれから補正を提案する段階です。噴射後に軌道がどう変わるかは、物理法則に基づいて予測します。そのうえで、どの候補を出し、前回の実績をどう次に生かすかの判断材料を、過去の運用データや知見から示すのがAIの役割です。 一方で、軌道保持の失敗の記録は少なく、AIに危ない案を見分けさせる学習はほとんどできません。そのため、案の前提と予測が示され、運用者が確かめられなければ承認できません。向きを誤った噴射で範囲を外れれば、戻すためにさらに燃料を使い、その分だけ寿命が縮みます。採否を人に残すのは、誤りの代償が燃料と寿命で払われるからです。 スカパーJSATとの概念実証で確かめたこと 弊社はスカパーJSATと共同で、静止軌道衛星の軌道保持を対象にAIの概念実証を行いました。同社では、エンジニアが軌道制御のパラメータを調整しながら複数の候補から最適な噴射計画を選んでおり、候補案の生成から実績を踏まえた次回計画への反映まで、経験と知識が求められます。 検証したのは、先ほどの流れのうち、AIが噴射の候補案と、実績を踏まえた補正案を示せるかです。エンジニアを置き換えるのではなく、AIの出力をエンジニアがレビューする前提で、妥当性・一貫性・説明可能性（＝案の根拠を示せること）・再現性・運用負荷を評価の観点としました。 とくに重視したのは、候補案の根拠や前提条件、運用上の制約との整合性を、エンジニアが確かめられることです。現場に導入するには、過去のデータの分析に加えて、物理法則に基づく軌道変化の予測と、その妥当性を担当者が適切に評価できる仕組みが欠かせないためです。 その結果、AIの情報提示と人の判断を組み合わせた運用支援の可能性と、実運用への適用に向けた課題を確認しました。とくに、AIの出力をエンジニアが確認し、既存の業務プロセスの中でどう活用できるかについて、検証すべき論点が明確になってきています。現時点は、本格的な運用適用を判断する段階にはありません。 参照元：気象庁「静止地球環境観測衛星（ひまわり８号及び９号）の概要等」、気象衛星センター「衛星保守に伴う観測休止」（いずれも2026年10月閲覧）／株式会社EQUES「【スカパーＪＳＡＴ】静止軌道衛星の軌道保持業務にAIを。」（2026年10月）、「スカパーＪＳＡＴとの共同PoC実施のお知らせ」（2026年10月） 衛星運用AIの課題4つと、怠ると起きること 衛星運用AIの課題は、精度より「誤ったときに取り返せるか」に集まります。打ち上げた衛星は手元で直せず、判断の誤りが燃料や機体の損失に直結するためです。 課題怠ると起きること先に決めておくこと説明責任運用者が採否を決められず、手で計算し直す計画案に前提と予測結果を添える検証データの少なさ学習時に無かった異常を見逃す過去の異常記録と模擬データで評価する誤った操作の影響不要な噴射で燃料を失い、寿命が縮む実行は人が承認し、範囲を段階的に広げるセキュリティ改ざんされた入力が誤った指令につながるAIの出力を承認なしで衛星への指令に流さない 1つ目の説明責任は、軌道保持の節で見たとおり、AIの案の前提と予測を運用者が確かめられるかどうかです。確かめられなければ手で計算し直すことになり、作業は減りません。 2つ目は検証データの少なさです。異常はめったに起きないため、学習や評価に使える異常の記録はわずかです。平常時のデータだけで精度を測っても、異常時の性能は確かめられません。過去の異常記録に加え、模擬的に作った異常のデータも評価に使います。 3つ目の誤った操作の影響には、実行を人が承認し、任せる範囲を段階的に広げることで備えます。国内でも2025年2月に内閣府が衝突防止の方策の一例を示すガイドラインを定め、宇宙活動法の許可（人工衛星の管理）の対象で、軌道を変える能力を持つ衛星の運用者に、衝突リスクの把握や回避の運用体制の提示を求めています。AIを組み込むなら、どの入力で判断し、誰が承認するかまで体制に書き込めるかが問われるでしょう。 4つ目のセキュリティで守るべきなのは、AIへの入力です。入力データの質がそのまま判断の質になるため、改ざんに限らず、不正確さや遅れも判断を狂わせます。Starlinkでも半年間に回避で狙いどおりに危険を下げられなかった22件はすべて、相手物体の軌道予測の不正確さや遅れ（19件）か、接近警報の配信の遅れ（3件）が原因でした。 相手の予測が不正確なら回避しても危険は下がらず、届くのが遅れれば判定自体が間に合いません。判定をどれほど自動化しても、入力の出どころと遅れを監視していなければ、誤りや改ざんに気づけません。 こうした課題を本番の前に確かめられるよう、弊社はAI PoCサービス「ココロミ」（スリムプラン月々99万円〜・スタンダードプラン月々250万円〜、2026年10月時点）を提供しています。 前述の概念実証も、噴射計画の立案という一工程にココロミを当てはめ、役立つかを確かめる取り組みです。一工程に絞ったPoCのほか、提携や共同研究のご相談もお問い合わせからお寄せください。 検証の進め方は「PoC検証とは？目的と3つの観点・進め方・成功事例を解説」で解説しています。 参照元：SpaceX「SpaceX Gen 1 and Gen 2 Semi-Annual Reports」（2026年7月）／内閣府「人工衛星等との衝突防止に係るガイドラインの制定について」（2025年3月） ココロミ の詳細はこちら 衛星運用AIに関するよくある質問 Q. 他の業界のAI技術を、衛星運用に使えますか？ 使える場合があります。事例1では、鉄道の故障予測AIが衛星の状態データに応用されています（実証段階）。ただし衛星は手元で直せず、異常の記録は少なく、噴射も取り消せないため、こうした条件に合わせて評価をやり直す必要があります。 Q. 宇宙ごみ（デブリ）対策とはどう関係しますか？ 衝突回避に加え、運用終了でも関係します。制御できるうちに軌道から外せるかが、デブリを増やさない条件だからです。SpaceXは故障を待たず、長期の信頼性予測に基づいて衛星を軌道から外す方針です。 Q. 衛星運用AIはどこから始めればよいですか？ 判断の回数が多く、過去の記録が残っている工程が近道です。軌道保持なら過去の噴射計画と結果が、AIの出力を採点する物差しになります。異常検知は異常の記録が少ないため、平常時の記録に模擬的な異常を加えて評価します。少人数で多数の衛星を回す小型衛星の事業者なら、監視と通信時間の割り振りも候補です。 参照元：SpaceX「SpaceX Gen 1 and Gen 2 Semi-Annual Reports」（2026年7月） まとめ 件数が多く基準を数値にできる工程は自動化へ、取り返しのつかない判断は人の承認を残した支援へと分けるのが、現実的な線引きです。 衛星運用は計画・指令・評価を回し続ける仕事で、衛星の増加で監視と衝突回避の負担が先に膨らむ 本記事の事例で実運用と確認できたのはStarlinkの衝突回避で、ほかは研究・実証・試験の段階 静止軌道の軌道保持では、AIが計画案と予測を出し、人が採否を決める分担が現実的 どの工程から試すべきか迷われている段階でも、お気軽にご相談ください。最後までお読みいただき、ありがとうございました。 執筆：株式会社EQUES（東京大学松尾研発のAIスタートアップ。製薬・製造業のAI開発と、AI PoC「ココロミ」・AI相談「AI×DX寺子屋」を提供） 衛星運用の一工程から、AIを試しませんか AI PoCサービス「ココロミ」が、現状分析から検証・評価、アクションプランの策定まで伴走します。まずは無料相談からどうぞ。 無料で相談する ココロミを見る
フィジカルAIの製造業事例7選｜工場・物流の使いどころと進め方
記事の要約 フィジカルAIとは、カメラなどで対象をとらえ、つかむ位置や動きをAIがその場で判断してロボットを動かす技術で、従来の自動化が苦手なばらつきの大きい作業に向きます。 製造業の事例7件は、形の違う部品や混載の通い箱、形が毎回変わるワイヤーハーネスなどをその場の判断で扱う取り組みで、本番で稼働する2件はその場で測って計算する型です。 最初のPoC（＝本番導入の前に小さく行う技術検証）は、ばらつきが大きく止まっても波及しにくい工程を1つ選び、AIに任せる動作と合否を決める指標を先に定めます。 「部品の形がそろわず、ロボット化できない」「形の違う箱の荷下ろしが、今も人手頼み」 フィジカルAIの製造業事例は、2025年以降、工場の工程と物流の両方で公表が続いています。ただ、自社のどの工程に当てはまるかを見極めるには、成果の数字だけでなく、ロボットが現場で何をしていて、従来のロボットでは何が難しかったのかまで知る必要があります。 本記事では、公式発表で確かめた製造業の事例7件をこの観点で掘り下げて紹介し、工程の選び方とPoCの範囲の決め方を示します。製造業のAI開発や廃炉向けフィジカルAIロボットの共同開発に取り組む、東京大学松尾研発のAIスタートアップとして弊社が解説します。 読み終えるころには、自社に近い事例と、PoCで確かめる範囲が見えるはずです。 フィジカルAIと従来の工場の自動化の違い フィジカルAIとは、カメラや力のセンサーで周囲をとらえ、AIが次の動きを判断して、ロボットなどの機械を動かす技術のことです。従来の工場の自動化との違いは、動き方を人が教えるか、ロボットがその場で決めるかにあります。 従来の産業用ロボットは、人が教えた（ティーチングした）位置と動きを正確に繰り返します。その動きが通用するように、治具やコンベヤで部品の位置と向きをそろえてきました。カメラで位置を測って動きを補正するロボットも、登録した部品と決まった手順が前提です。 そのため、部品の形が品目ごとに違う、届く箱の大きさや積み方がそろわないといった工程では、ロボットが止まるか、人が手で直すことになります。変化のたびに設備を作り直したり教え直したりするのは割に合わず、ばらつきの大きい工程ほど人の作業が残ってきました。段取り替えや、形のそろわない箱の荷下ろしが典型です。 フィジカルAIが新しいのは、登録していない形や、毎回変わる形の物も扱える点です。対象をその場で見て、どこをつかみ、どう腕を動かすかをそのたびに決めます。このやり方には、大きく2つの型があります。 1つ目は、カメラで対象の形をその場で測り、つかむ位置と腕の動く経路を計算する型です。後で紹介する事例5・6のMujinのロボットがこれにあたります。 2つ目は、人の操作やロボットの動作のデータを集めてAIモデルに学ばせ、見えた状態からつかみ方を判断させる型で、事例1・2・4がこれにあたります。 7件では、本番で稼働している2件（事例5・6）がどちらも1つ目の型で、2つ目の型の事例はまだ実証や訓練の段階です。形を測れば扱える箱や部品の作業なら1つ目の型で本番に近づけやすく、柔らかい物の扱いや手順の判断まで任せたい作業は、2つ目の型を実証から始めることになります。 事例を読むときは、ロボットの種類より、どのばらつきをAIが引き受けたかに注目すると、自社の工程に当てはめやすくなります。定義や生成AIとの違い、仕組みは「フィジカルAIとは？仕組み・生成AIとの違い・日本の動向2026」で解説しています。 フィジカルAIの製造業事例7選｜製造工程と工場内の物流 ここでは製造業の事例を、製造工程、メーカーの工場内の物流の順に紹介します。各事例では、どんな作業か、従来は何が難しかったか、何ができるようになったか、どの段階かを順に見ていきます。 7件は導入の段階もさまざまです。本番で稼働しているのは三五と松田電機工業所の2件で、BMWは量産ラインでの試験導入を、ソフトバンクと安川電機、Siemensは実証を終えています。日立製作所とファナックは実証を始める段階、現代自動車グループの工場はロボットの訓練の段階です。 1. 日立製作所×ファナック：自社工場で部品のピッキングと段取り替えを実証へ 日立製作所とファナックは2026年9月、フィジカルAIの共同事業化で提携し、日立の茨城地区の工場で形状の異なる部品のピッキングや、生産する品目を変えるときの段取り替えを実証します。どちらも、品目によって部品の形や扱い方が変わる作業です。 両社は、従来の設備が決まった条件で同じ作業を繰り返すことを前提にしていると説明しています。条件や部品の違いに合わせた判断が要るピッキングや段取り替えはその前提に収まらず、今も人の手に大きく頼っています。 そこで両社は、日立のAIとファナックの産業用ロボットを組み合わせ、AIが多様なデータからその現場ならではのルールを学び続ける形をとります。実証では認識精度、ロボットの動作、タクトタイム、品質面の効果を確かめながら改善し、2027年度からの顧客展開を目指します。段取り替えでロボットが具体的に何を担うかは、まだ公表されていません。 2. ソフトバンク×安川電機：形が毎回変わるワイヤーハーネスの収納を実証 ソフトバンクと安川電機は2026年7月、製造現場を想定した技術実証（実施場所は非公表）で、形と配置が毎回変わるワイヤーハーネスを箱に収納する作業をロボットに行わせました。 ひもや布のように柔らかい物は、たわみや絡まり、折れ曲がりが起き、つかむべき位置も毎回ずれます。形と置き場所が前もって決まっていることを前提にした従来のロボット制御では、安定して扱えませんでした。 そこで両社は、ロボットの動作データやセンサー情報をクラウドに集めてAIモデルを学習させ、ハーネスの状態の見分けやつかむ位置の判断に使いました。従来の制御で安定して動かせる動作はそのまま残し、AIを一つの機能として既存のロボットシステムに組み込む構成で、柔らかい物を安定して扱えることを確かめています。 3. BMW×Figure：人型ロボットが10か月で3万台超のX3の生産を支援 BMWグループの米国工場では、人型ロボット「Figure 02」が、溶接工程に向けて板金部品を差し込む作業を担いました。量産ラインでのパイロット（試験導入）として同じ作業を続け、10か月で3万台超のX3の生産を支えました（BMW、2026年6月発表）。 作業の中身は、棚や箱から板金部品を取り出して溶接用の治具に置くもので、置いた部品は6軸の産業用ロボットが溶接してメインラインへ送ります。Figure社の発表では、1サイクルで3つの部品を置き、その時間は37秒以内が要件でした。位置の誤差は5ミリ以内に収める必要があり、1シフトあたりの成功率は99%超を目標にしていました。 なぜ人型を選んだのかは、BMWもFigure社も明らかにしていません。後継機「Figure 03」は、物流の工程で部品を拾い上げ、組立の順に台車へ並べる作業を始める予定です（時期は未公表）。 BMWは、Figure 03が稼働率を高めるためのワイヤレス充電を備えると説明しています。電池で動く人型ロボットでは、充電のために止まる時間が、そのまま稼働率に響くためです。 4. 現代自動車グループ×Boston Dynamics：人型ロボットに工場で部品の順立てを訓練 Boston Dynamicsは2026年9月、現代自動車グループの米国工場に、人型ロボット「Atlas」の訓練拠点を開設しました。実際の工場環境で、自動車部品の工場内物流と、組立の順に並べる順立てを訓練しており、2030年までに部品の組立へ用途を広げる計画です。 順立てとは、組立ラインを流れてくる車の順番に合わせて、使う部品をあらかじめ並べておく作業です。形も大きさも入れ物も違う部品を、人が取り出す前提で置かれた棚から1つずつ取り出すため、部品ごとにつかみ方や腕の差し入れ方を変える必要があり、ロボットには難しい動作です。 発表では、トレーナーがAtlasを遠隔操作する様子が紹介されており、2027年にはデータ収集の規模を広げて訓練を続けるため、既存の顧客とも協議しています。 5. 三五×Mujin：工場内に製品倉庫を新設し、荷役作業の工数を67％削減 自動車部品メーカーの三五は、完成品をいったん工場の外の倉庫で保管し、出荷のときに工場へ運び戻していたため、トラックの往復と、通い箱の積み下ろしに手間がかかっていました。ただ、通い箱は種類が多く形も複雑で、決めた位置をつかむ教え込み型のロボットでは自動化が極めて難しかったと、Mujinは説明しています。 三五は福田工場に製品倉庫を新設し、Mujinの知能ロボットとAGVで搬送からピッキングまでを自動化しました（2025年6月公表）。通い箱を降ろすロボット2台は、3Dビジョン（＝物の形を立体的に測るカメラ）で箱をとらえるため、箱ごとに動きを教え込む必要がありません。ハンドもつかみ方を自動で調整する独自のもので、50種類以上の通い箱に対応します。 このロボットとAGV18台を倉庫制御システムでまとめて動かし、物流全体を見直した結果、荷役作業の工数は67％減りました。ただし、ロボットによる分の内訳は公表されていません。外部倉庫と工場を結ぶトラックが年間2,080便減ったのは、保管場所を工場の中に移した効果です。 6. 松田電機工業所×Mujin：通い箱の荷下ろしを自動化し、担当を3人から0人に 自動車用スイッチを主に作る松田電機工業所は、Mujinのロボット2台で、入荷と完成品の入庫で行う通い箱の荷下ろしを自動化しました（2026年9月公表）。パレットに積まれた通い箱を、1箱ずつ降ろす作業です。 通い箱は大きさも形も積み方もそろわない混載で、使い込んで変形した箱も混じります。つかめる縁も限られ、箱ごとにつかむ位置と動きを決める必要があるため、従来のティーチング方式では自動化が難しく、重い箱を人が降ろしていました。 導入したロボットは、上部の3Dビジョンでパレットを測り、箱の位置と形、つかめる縁を見分けたうえで、つかむ位置と腕の動きをその都度決めます。ハンドは箱の大きさに合わせて爪の幅を自動で変えるため、付け替えずに複数の規格の箱を扱えます。その結果、対象工程の作業人員は3人から0人になりました。 7. Siemens×Humanoid：2週間の現地試験で、人型ロボットが通い箱搬送の目標値を達成 Siemensのエルランゲンの電子機器工場では、Humanoid社の車輪で動く人型ロボット「HMND 01」が、積み重ねた通い箱をコンベヤへ移す作業を現地で2週間試しました（2026年1月公表）。保管用に積まれた通い箱を自律的に1つずつ取り、コンベヤまで運んで、作業者が受け取る所定の位置に置く作業です。 この現地試験は、繰り返しの多い物流作業を人型ロボットが担えるかを確かめるPoCの第2段階で、第1段階ではHumanoid社の社内で開発と実演を済ませていました。 目標値は、毎時60回の搬送、2種類の大きさの箱への対応、30分を超える連続した自律稼働、8時間を超える稼働時間で、両社はこの4つの目標値をすべて達成しました。あわせて評価した、つかんで置く動作の成功率も、全体と自律の両方で90%を超えています。目標値を数字で並べておけば、2週間という短い試験でも、次に進むかを判断する材料がそろいます。 参照元：日立製作所・ファナック「日立とファナック、フィジカルAI実装の共同事業化に向けた戦略的パートナーシップを締結」（2026年9月）／ソフトバンク「ソフトバンクと安川電機、フィジカルAIの開発基盤として『AIデータセンターGPUクラウド』を活用し、柔軟物体ハンドリングシステムを実証」（2026年7月）／BMW Group「BMW Group advances the use of Physical AI in production with Figure 03 project in Spartanburg」（2026年6月）／Figure「F.02 Contributed to the Production of 30,000 Cars at BMW」（2025年11月）／Boston Dynamics「Boston Dynamics Opens Robotics Metaplant Application Center to Train Humanoid Robots for Manufacturing Tasks」（2026年9月）／Mujin「Mujin、次世代知能ロボット群とデジタルツイン技術で株式会社 三五様の工場物流をDXし、物流コスト削減に貢献」（2025年6月）／Mujin「中小製造業で初となる混載通い箱の仕分け工程を自動化」（2026年9月）／Humanoid「Humanoid and Siemens completed a proof of concept to test humanoid robots in industrial logistics」（2026年1月） 工程別に見るフィジカルAIの使いどころ｜工場・物流の対応表 最初のPoCは、ばらつきが大きく人手に頼る工程のうち、止まっても前後に波及しにくい工程から選ぶのが堅実です。理由は、ばらつきとラインの中の位置という2つの軸にあります。 1つ目の軸である「ばらつき」は、効果の大きさと失敗のしやすさを同時に決めます。部品の形や箱の積み方がそろわない工程ほど人の作業が残っており、置き換えの効果は大きくなります。その一方で、AIが見分けや判断を誤る場面も増えます。 2つ目の軸である「ラインの中の位置」は、止まったときの波及を決めます。組立ラインの途中でAIが失敗するとタクトタイムが崩れ、ライン全体が止まるおそれがあります。仕掛品の置き場を挟む工程間搬送や出荷前のピッキングなら、ロボットが止まっても置き場の在庫でしのぎながら人が代われます。本番で稼働している事例5・6も、入荷・入庫や保管・出荷といった組立ラインの外側の工程です。 工程事例で使われた型向いている条件準備すること該当する事例部品のピッキング・段取り替え認識AI付きの産業用ロボット部品の形状が多い／品目の切り替えが多い現場の作業データを集め続ける仕組み日立製作所×ファナック収納（柔軟物）既存ロボットに足すAIの機能形が毎回変わる物を扱う動作データの収集と学習用の計算環境ソフトバンク×安川電機溶接前の部品投入人型ロボット決まった部品を高い精度で置く置く位置の精度と時間の要件BMW×Figure工程間搬送・順立て人型ロボット人と同じ通路や棚を使う人と同じ通路での安全確認／稼働時間の目標値現代自動車グループ×Boston Dynamics、Siemens×Humanoid入荷・入庫の荷下ろし3Dビジョン付きのロボット箱の大きさ・形・積み方が混在する扱う箱の種類と規格の洗い出し松田電機工業所×Mujin完成品の保管・出荷ロボットとAGVの統合制御通い箱の種類が多い／保管を工場内に集約できる倉庫の配置と全体の制御三五×Mujin外観検査（事例なし）固定カメラの画像AIを先に検討物を動かさずに済む検査良品と不良品の画像該当なし フィジカルAI導入の進め方｜PoCの範囲を決める5ステップ フィジカルAIのPoCは、対象の工程、AIに任せる動作、合否の条件を先に決めるほど、結果を本番の判断に使えます。 第1に、対象の工程を1つ選び、現状を測ります。作業時間、人数、品目の種類、例外が起きる頻度を記録し、PoCの結果と比べる基準にします。例外を種類ごとに数えておくと、AIが苦手な場面も予想できます。 第2に、AIに任せる動作を切り分けます。ソフトバンクと安川電機の実証のように、AIは判断が要る部分に使い、従来の制御で足りる動作は残します。作り直す必要のない動作まで検証に入れると、期間が膨らむためです。 第3に、本番のばらつきを含む条件で試します。日立製作所が自社工場を実証の場に選んだように、実際の品目や置き方で試験します。整えた部品だけで合格しても、本番の例外で止まってしまうからです。 本番の条件で試すことは、仮想空間で動作を学習させる場合にも欠かせません。仮想空間では、摩擦や物の変形、照明やセンサーのノイズなどを再現しきれず、実機では成功率が落ちることがあります（Sim-to-Realギャップ）。この壁と打ち手は「フィジカルAI導入の課題5つと解決策｜学習データ・安全性の壁」で解説しています。 第4に、合格と撤退の条件を現場の指標で決めます。成功率、1個あたりの作業時間、人の介入回数、停止時間などです。目標値は、第1で測った現状をもとに、本番でその工程の人員計画が成り立つ水準から逆算して決めます。Siemensの試験のように数字で置けば、終わったときに「動いた」以上の判断ができます。 第5に、例外時の引き継ぎと本番の費用を設計します。扱えない物を人に渡す受け皿を決め、保守などの運用費も見積もります。これがないと例外のたびに作業が止まり、良い結果が出ても本番への投資を判断できません。 検証の観点は「PoC検証とは？目的と3つの観点・進め方・成功事例を解説」、自動化の費用や補助金は「製造業の自動化を成功に導く！AI導入のメリットと費用・補助金まで徹底解説」で解説しています。 製造業以外の過酷環境での開発例｜廃炉向けのフィジカルAI 人が立ち入れない環境でもフィジカルAIの開発が進んでいます。弊社が参加する、高線量環境下での調査や作業の支援に向けた共同事業も、経済産業省の「廃炉・汚染水・処理水対策事業費補助金」に採択されました。 高線量の現場では、遠隔操作にも高度な技術と事前の準備が要ります。この事業では、周りを認識・判断して自律的に動くロボットで、熟練者の作業を支援・代替できるかを確かめます。ロボットシステムの統合開発と現場実証は、株式会社クフウシヤが担います。 弊社が担うのは、高線量の現場で調査や作業を安全かつ確実に進めるための、安全性と監査性を両立したデータ処理基盤です。監査性とは、ロボットが何を見て、どう判断し、どう動いたかを後から確かめられることで、人が近づけない現場ではこの記録がなければ作業結果を信頼できません。工場のPoCでも認識と動作の記録を残すと、停止や不良の原因を追えます。 こうした検証を工程1つから始めたい場合は、弊社のAI PoCサービス「ココロミ」が対象を絞った概念実証を支援します。 参照元：株式会社EQUES「経済産業省『廃炉・汚染水・処理水対策事業費補助金』に採択」（2026年7月） ココロミ の詳細はこちら フィジカルAIの製造業事例に関するよくある質問 Q. 中小規模の工場でもフィジカルAIは導入できますか？ 対象を1工程に絞れば検討できます。事例6の松田電機工業所は中小製造業で、既存の物流の動線を大きく変えずに、通い箱の荷下ろしだけを自動化しました。既存のロボットにAIの機能を足す構成なら、投資を抑えて試せる場合もあります。 Q. 協働ロボットとフィジカルAIは何が違いますか？ 協働ロボットは、人に触れたら止まるなどの安全機能を備え、人と同じ空間で作業できるロボットです。フィジカルAIは、見て判断し動きを決める、ロボットの頭脳にあたる技術で、両者は組み合わせて使えます。 Q. 人型ロボットは必要ですか？ 必須ではありません。本番で稼働している事例5・6も、通い箱を降ろす専用のロボットです。人型は、人の作業場所や台車、棚をそのまま使いたい工程に向き、決まった場所での作業ならアーム型のほうが速度や費用で有利な場合があります。 まとめ フィジカルAIの製造業事例からは、ばらつきの大きい工程を1つ選び、AIに任せる動作を絞って確かめる進め方が見えてきます。 本番で稼働している2件はその場で測って計算する型で、動作のデータから学ぶ型はまだ実証や訓練の段階にある 最初の工程は、効果が見込める一方で、止まっても前後に波及しにくい工程から選ぶ PoCでは、AIに任せる動作、本番のばらつきを含む試験条件、現場の指標による合否、例外時の引き継ぎを先に決める 自社のどの工程から試すべきか迷われている段階でも、お気軽にご相談ください。最後までお読みいただき、ありがとうございました。 執筆：株式会社EQUES（東京大学松尾研発のAIスタートアップ。製薬・製造業のAI開発と、AI PoC「ココロミ」・AI相談「AI×DX寺子屋」を提供） 自社工程でフィジカルAIを小さく試しませんか AI PoCサービス「ココロミ」が、現状分析から検証・評価、アクションプランの策定まで伴走します。まずは無料相談からどうぞ。 無料で相談する ココロミを見る
フィジカルAI導入の課題5つと解決策｜学習データ・安全性の壁
記事の要約 フィジカルAI導入の課題とは、AIが現実の機械を動かすときに生じる壁のことで、学習データ・シミュレーション・安全性・コスト・人材の5つに分けると打ち手を選べます。 ロボットの動作データは人が手本を見せて1回ずつ記録するため集めにくく、まず1つの作業に絞って失敗まで残します。シミュレーションで学んだ動きの合否は実機で決めます。 安全面では、柵などの措置の義務は導入企業にあり、柵なしの協働はリスクアセスメントに基づく措置やISO 10218適合で可能になります。AIの判断と安全機能は分けて設計します。 「デモでは動いたロボットが、自社のラインでは部品をつかみ損ねる」「柵を外して人の隣で動かせるのか、誰も判断できない」。 フィジカルAIの導入を検討し始めた製造・物流の現場で、よく聞く声です。「データが要る」「安全が大事」とは分かっていても、学習データがなぜ集めにくいのか、安全のルールが具体的に何を求めるのかが見えなければ、次の一手を決められません。 本記事では、フィジカルAIロボットの共同開発に参加する東京大学松尾研発のAIスタートアップとして、フィジカルAI導入の課題を5つに分け、壁になる仕組みと打ち手を、安全規制などの一次情報をもとに解説します。読み終えたときには、自社の壁と、最初に確かめることが見えているはずです。 フィジカルAI導入の課題が生成AIと違う理由 フィジカルAI導入の課題が生成AIと違うのは、AIの出力が文章ではなく、機械の動作になるからです。フィジカルAIとは、カメラやセンサーで周りの状況をとらえ、AIが次の動きを判断して、ロボットなどの機械を実際に動かすAIのことです。 生成AIの文章は、人が読んでから使うため、誤りがあっても使う前に直せます。一方、フィジカルAIの動作は人が確かめる前に実行され、つかみ損ねた部品は床に落ち、ぶつかった腕は設備や人を傷つけます。起きた動作は取り消せません。 このため、確かめる対象は「答えの正しさ」から「動作の安全と再現性」に広がります。何回に1回失敗し、そのとき何が起きるかまで調べることになり、生産技術や安全管理の担当者も加わります。確かめる項目と関係者が増えるぶん、本番に必要な費用と体制を説明しにくくなります。 実際、製造・物流などのCxO200人への調査では、回答した企業のうち本番稼働に至ったのは7.5%にとどまり、71.5%はまだ着手していません（ローランド・ベルガー）。理由にはROIが見通せないことや人材・ノウハウの不足が挙がっており、どちらもAIの性能を上げるだけでは解決しない問題です。 そこで導入は、どのモデルを選ぶかより先に、失敗したら誰が直すか、年間いくらかかるかといった運用の設計から進めるのが要点です。性能比べから入ると、PoC（＝本番前に小さく試す検証）で動いても、稟議でこの2つを問われて答えられず、止まりやすいためです。 フィジカルAIの定義や仕組みは「フィジカルAIとは？仕組み・生成AIとの違い・日本の動向2026」で解説しています。 参照元：ローランド・ベルガー「日本企業がフィジカルAIをPoCで終わらせない4つの条件」（2026年8月） フィジカルAI導入でつまずく5つの課題と解決策 フィジカルAI導入の課題は、次の5つに分けると打ち手を選べます。壁ごとに原因も、手を打つ担当者も違うためです。 学習データ：デモでは動くのに、自社の部品だと失敗する シミュレーション：仮想空間での成功率が実機で再現しない 安全性：柵を外せるのか、誰も判断できない コスト：本番の見積もりが出せない 人材：AI・機械・現場をつなぐ人がいない 5つの壁は互いにつながっています。学習データが足りないほどシミュレーションに頼り、仮想と現実の差が残るほど安全の評価と例外対応がかさみ、その手間が費用の見通しを立てにくくします。データの取り方や安全の条件を決めるには、AI・機械・現場をまたいで判断できる人も要ります。 1. 学習データの不足 ロボットの動きを学ぶデータは、文章や画像のようにWebから大量には集められません。学習には主に、カメラに映った様子と、そのときロボットがどう動いたかを対にした記録を使います。AIはそこから「こう見えたら、こう動く」を覚えますが、こうした記録は、誰かが作業をやって見せない限り生まれません。 代表的には、人がロボットを遠隔操作して手本を見せ、1回ずつ記録します。人が手持ちのつかみ具で作業して手本を集める方法も研究されていますが（UMI）、どちらも人が作業する時間がかかります。AIロボット協会（AIRoA）は44台のロボットを遠隔操作し、「物をつかむ」「棚に置く」といった短い動作を積み重ねて約5,025時間分を集めるのに、10か月ほどかけました。 では、公開データで足りるでしょうか。他の場所、他のロボットで集めたデータには、自社の部品の形や材質、治具、照明の条件が入っていません。AIは記録にない条件では動きを再現しにくいため、デモで迷いなく部品をつかんだロボットが、自社のラインでは光沢のある金属部品をつかみ損ねる、といったことが起きます。 そこで、データを使い分けます。AIRoAの約5,025時間は、さまざまな作業をこなすロボット基盤モデル（＝多くの作業の土台になるモデル）を育てるための量で、1社の現場では、こうした土台のモデルに自社の作業の少量のデータで追加学習させます。1つの作業なら必要な量はずっと少なく、研究室の条件ながら、10分ぶんの手本で電池の差し込みなどの細かい作業を80〜90%の成功率でこなした例もあります（ACT）。 打ち手は、全工程ではなく1つの作業に絞り、失敗の記録まで残すことです。AIRoAの公開版は成功した動作だけを収めており、自社の現場で失敗する条件は、自社で試して記録しない限り分かりません。失敗の記録は、AIの弱点を測る材料になるうえ、つかめたかどうかを見分けてやり直させる仕組みづくりにも使えます。 記録には照明や部品のロット、置き方も添えておくと、失敗が偏る条件が分かり、次に集めるデータを絞れます。最初は10分ぶん程度の手本で学習させて成功率を測り、届かなければ、失敗が残る条件に絞って手本を足していきます。 参照元：一般社団法人AIロボット協会「AIRoA MoMa 5k」（2026年7月）／AIロボティクスに関する関係府省連絡会議「AIロボティクス戦略」（2026年3月決定・5月一部変更）／Tony Z. Zhao ほか「Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware」（2023年4月）／Cheng Chi ほか「Universal Manipulation Interface」（2024年2月） 2. シミュレーションと現実の差 シミュレーションで学んだ動作は、現実でそのまま再現しないことがあります。シミュレーションとは、工場とロボットをコンピューターの中に再現し、仮想のロボットに作業を試させる方法です。実機を壊す心配がなく、同じ作業を何千回でも試せるため、集めにくい学習データを補う手段として使われています。 仮想でうまくいった動きが現実で崩れるのは、仮想空間の物理や見え方が現実の近似だからです。指先と部品の間の摩擦、袋やケーブルのように形が変わる物の動き、照明の当たり方、センサーの雑音は、いずれも現実より単純化されています。AIはこの単純化された世界の癖まで覚えてしまうため、仮想で成功したつかみ方が実機では滑る、といった差が生まれます。この差を、Sim2Realギャップと呼びます。 打ち手は、シミュレーションを、実機で試す前に失敗を重ねておく場として使い、合否は実機で決めることです。仮想空間では、照明や色、部品の置き方、摩擦をわざと大きくばらつかせて学ばせます。さまざまな条件で成功する動きを覚えさせておけば、現実の条件もそのばらつきの一つとして扱いやすくなるためです。 そのうえで、同じ作業を仮想と実機の両方で試し、成功率の差を測ります。差が小さければ仮想での試行を増やしてよく、大きければ実機の記録から崩れる条件を突き止め、摩擦や部品の重さなどを実測して仮想側に入れ直すか、実機のデータを足します。 3. 安全性の確保と責任の所在 人の近くでロボットを動かせるかは、国内では労働安全衛生規則が基準です。駆動用モーターの定格出力が80Wを超える産業用ロボットは（80W以下は告示で対象外）、人が接触して危険が生じるおそれがあれば、柵や囲いなどの措置が要ります（第150条の4）。工場のロボットが柵に囲まれているのは、この規定があるためです。 柵を外して人と同じ空間でロボットを動かす協働作業については、2013年12月の通達が、可能になる場合を2つ明確にしました。リスクアセスメントに基づく措置で危険のおそれが無くなったと評価できる場合と、国際安全規格ISO 10218に沿って設計・製造・設置された場合です。 リスクアセスメントで進める場合は、腕が当たったときの力と勢い、腕と周りの設備の間に人が挟まれて動けなくなるおそれ、腕の突起や鋭い部分に特に注意して、けがの重さと起こりやすさを見積もります。評価の結果は記録して保管します。 見積もりには目安もあります。挟まれについては、腕と周りの構造物の間隔を500mm以上とるか、挟まれても動力なしに人の力で外せるなら、危険のおそれが無いと判断できる一例です。力と勢いについては、ISOの技術仕様書TS 15066で人に危害を加えないとされる数値以下に、制御に頼らず構造の上で収まることが担保される場合が一例になります。 ISO 10218に沿う場合は、設計者・製造者・設置者が技術ファイル（＝設計図や試験結果、リスクアセスメントの手順などをまとめた記録）と適合宣言書を作ることが条件です。通達が基準に挙げるのは2011年版で、2025年2月の改訂版だけで宣言された製品の扱いは書かれていません。調達時は宣言書の版を確かめ、2011年版に当たらなければ、リスクアセスメントに基づく措置で評価できるかを検討します。 責任の所在では、柵などの措置の義務は、契約にかかわらず事業者（導入企業）にあります。契約で決めるのは、技術ファイルと適合宣言書の作成分担です。設置者は設置の安全条件に責任を持つ者を指し、導入企業・設置業者・メーカーのいずれもなり得るため、分担は発注前に決めておきます。 AIで動くロボットに特有なのは、安全の評価の前提が変わり得ることです。教えた動きを繰り返す従来のロボットと違い、学習データやモデルを更新すると同じ場面での動き方が変わり得るため、導入時の評価が更新後も有効とは限りません。更新したときに誰が再評価するかも、発注時の契約で決めておきます。 打ち手は、AIの判断と、速度・力・作業範囲を制限する安全機能を分けて設計することです。どの部品をどう取りに行くかはAIが決めても、人が近づいたら減速し、決めた力や範囲を超えたら止める上限は、ロボットコントローラーの安全機能や人の接近を検知する安全レーザースキャナなど、AIとは別の仕組みが受け持ちます。AIの判断が変わっても上限は変わらないため、更新のたびに評価を作り直す範囲を減らせます。 制度面では、政府の「AIロボティクス戦略」（2026年）が、AIロボットの安全性認証制度の整備を掲げ、認証への対応を要件とするなど、導入支援策と連動させる方針を示しました。補助を使う導入では、この動きを追う必要があります。 参照元：厚生労働省「産業用ロボットと人との協働作業が可能となる安全基準を明確化しました」（2013年12月、掲載ページ）／労働省「労働安全衛生規則第三十六条第三十一号の規定に基づく厚生労働大臣が定める機械」（1983年6月告示第51号）／ISO「ISO 10218-1:2025」「ISO 10218-2:2025」（2025年2月）／AIロボティクスに関する関係府省連絡会議「AIロボティクス戦略」（2026年3月決定・5月一部変更） 4. 費用対効果の見えにくさ フィジカルAIの費用は、ロボット本体より、現場への組み込みと運用で膨らみやすいのが特徴です。据え付けや治具、安全対策、データ収集、保守と、本体以外の費用が重なるうえ、AIが失敗したときに人が直しに行く手間は、運用に入るまで見えないためです。 介入の手間が隠れるのは、PoCでは技術者が付き添って、つかみ損ねや停止をその場で直してしまい、本番で作業者が対応する頻度が数として残りにくいからです。例えば、成功率98%と聞くと十分に見えますが、1日に1,000回つかむ作業で失敗のたびに人が直すなら、対応は1日20回です。仮に1回3分かかるとすれば、毎日1時間を人が受け持つ計算になります。 打ち手の1つ目は、比較の単位を1作業あたりの費用と人の介入回数にそろえることです。PoCの段階から介入の回数と1回あたりの対応時間を記録しておけば、稟議で問われる本番の人の手間を、いまの手作業の人件費と同じ物差しで比べられます。 2つ目は、横展開で下がる費用と下がらない費用を分けて試算することです。モデルやデータは2拠点目以降にも使い回せる部分がありますが、据え付けと安全の評価は設置場所ごとにかかるため、拠点を増やしても単純には安くなりません。 計算式の型は「AI導入の費用対効果の計算式・試算例｜稟議を通す3つの要点」で解説しています。 5. AI・機械・現場をつなぐ人材の不足 フィジカルAIの導入には、AI、機械と制御、現場の工程という3つの領域の知識が同時に要ります。AIの担当はデータの集め方とモデルの評価を、機械と制御の担当はロボットや安全機能の設定を、現場の担当は作業の手順や良品の基準、起こりがちな例外を知っています。 3つを1人で兼ねる人はまれなため、判断は領域の境目で止まりがちです。例えば、AIの担当が「どんな失敗が起きやすいか」を知りたくても答えられるのは現場だけで、現場が「どこまで速く動かせるか」を知りたくても答えられるのは制御の担当です。その間に、データの取り方や安全の条件が決まらないまま時間が過ぎます。 社内で探そうにも、DXに取り組む企業の88.8%が推進人材の「質」の不足を感じており、現場の知見と基礎的なAI知識をあわせ持つ人材についても、回答企業の69.6%が「不足している」と答えています（IPA）。2つの領域を兼ねる人でさえ足りない以上、3つを兼ねる人はさらに見つけにくくなります。 打ち手は、3領域を兼ねる人を探すより、役割を分けて組むことです。現場の工程知識、安全の最終判断、データと受入基準（＝本番に進む合格条件）は自社に残し、モデル開発やロボットの組み込みは外部と組みます。 そのうえで、境目の判断を受け持つ窓口役を自社に置きます。窓口役は3領域すべてに詳しくなくてよく、受入基準を共通の物差しにして、「この失敗の頻度なら許容できるか」「この速度で合格条件を満たせるか」を、現場や制御の担当、外部と突き合わせて決めます。判断の拠り所が決まっていれば、境目の問いが宙に浮かなくなります。 データと受入基準を手放さないのは、フィジカルAIの価値が、現場のばらつきや例外をどれだけ学習の材料にできるかにかかっているからです。ここを外部任せにすると、導入しても競争優位は自社に残りません（ローランド・ベルガー）。 AI人材の確保策は「AI人材とは？不足の実態と確保する3つの選択肢【2026年】」で整理しています。 参照元：独立行政法人情報処理推進機構「DX動向2026」（2026年7月） フィジカルAI導入をPoCから限定運用・横展開へ進める3ステップ 導入は、PoC・限定運用・横展開の3段階に分けて進めます。動くか、業務として回るか、場所が変わっても再現するかと、段階ごとに確かめる問いが違うためです。 最初の対象は、環境が安定し、失敗しても損害が小さい作業から選びます。環境が変わる作業ほど、集めるデータも起こりうる例外も増え、検証の手間と費用が膨らむためです。例えば、照明の変わらない屋内で、落としても壊れない部品を箱から取り出す作業は向いており、日差しで明るさが変わる搬入口や割れ物を扱う作業は後に回します。 工場や物流での使いどころと他社の事例は「フィジカルAIの製造業事例7選｜工場・物流の使いどころと進め方」で紹介しています。 ココロミ の詳細はこちら 1. PoC：1作業での成立条件の確認 PoCでは1つの作業について、成功率、作業時間、人の介入回数、安全機能の作動回数を記録します。合格条件と撤退条件を数値で先に決めておくと、結果の良し悪しにかかわらず、次に進むかを判断できます。 合格ラインは、いまの手作業の手間から逆算します。例えば、人が1日8時間かけている作業で、投資を回収するには人の手間を7時間減らす必要があるなら、残せる人の対応は1日1時間です。1回の対応に3分かかるなら介入は1日20回までで、1日1,000回つかむ作業なら成功率98%以上が合格ラインになります（数字はいずれも仮の例）。 撤退条件も、「〇週間で合格ラインに届かなければ撤退する」のように書いておきます。条件を決めずに始めると、どんな結果にも「もう少し続ければ」と続ける理由が見つかり、PoCが延び続けるためです。 PoCを飛ばして設備投資を決めると、自社の環境でどこまで動くか分からないまま、ラインの改造に費用をかけることになります。PoC全般の失敗の型は「PoC失敗の事例5選｜本番に進まない原因と防ぎ方【2026年】」で整理しています。 2. 限定運用：例外と保守の手間の把握 限定運用では、1ラインや1シフトに範囲を区切って実際の業務に組み込み、PoCでは見えない例外対応、段取り替え、保守の手間を数えます。部品のロットが替わって表面の色が変わった、夜勤で照明の当たり方が違った、といった例外は日々の業務で初めて表れ、その記録が次の学習データになります。 運用に入ったら、止まった回数、人が介入した回数、センサーの値が欠けた回数、復旧までの時間を記録し続けます。モデルを更新する前には、以前できた作業が崩れていないかを確かめる回帰試験の項目と、元のモデルに戻す条件を決めておきます。試す項目が決まっていて、安全機能がAIと分けてあれば、更新のたびに安全の評価を一からやり直さずに済みます。 限定運用を飛ばして全面導入すると、例外のたびにラインが止まり、現場がAIを信頼しなくなります。信頼を失うと性能を改善しても使われにくいため、範囲を絞って例外の頻度を先に把握します。 3. 横展開：拠点ごとの差分の検証 Listerが集めた国内のロボット・AI導入・実証事例595件（2026年7月時点）のうち、実運用に入った308件を見ても、複数拠点や全社規模に広がったのは35件と約1割です。1拠点で成果が出ても、広げる段階にもう一つの壁があることがうかがえます。 横展開では、2拠点目以降の照明や部品、レイアウトの違いを洗い出し、学習データと動作の試験は、差分に当たる部分だけ追加します。安全のリスクアセスメントは拠点ごとに行いますが、AIの検証を一からやり直さずに済むぶん費用を抑えられ、成功率が落ちそうな箇所も本稼働の前に見つけられます。 差分の確認を飛ばして1拠点の成果をそのまま当てはめると、1拠点目の条件で覚えた動きが2拠点目では通用せず、成功率が下がって投資計画の前提が崩れることがあります。 参照元：株式会社Lister「フィジカルAI導入・実証トレンドレポート2026を公開」（2026年7月） フィジカルAI導入に関するよくある質問 Q. 学習データが少ない会社は、何から始めればよいですか？ まず、設備の稼働ログや検査画像、作業動画など既存の記録を棚卸しします。動作の学習に使えなくても、評価や失敗傾向の把握に使えます。公開データは用途を研究開発に限る規約もあるため、商用利用の可否を確かめます。 Q. 協働ロボットを選べば、柵なしで使えますか？ 協働作業向けの製品でも、それだけで柵なしで使えるとは限りません。腕の先に付ける工具や運ぶ物、動く速さ、周りの設備との間隔まで含めた使い方全体で、危険のおそれが無くなったと評価できるかが問われるためです。ISO 10218に沿う場合も、設置まで規格どおりであることが条件です。 Q. フィジカルAI導入が失敗する理由は何ですか？ つまずきやすいのは、シミュレーションだけで合否を決める、合格と撤退の条件を先に決めない、人の介入の手間をPoCで数えない、の3つです。いずれもPoCの間は問題が見えにくく、費用をかけた後で表に出るため、PoCの段階で防ぎます。 まとめ フィジカルAI導入の課題は、5つに分けると自社の壁と打ち手が見えてきます。要点は次のとおりです。 学習データは1つの作業に絞って失敗まで記録し、シミュレーションは実機の前に失敗を重ねる場として使って、合否は実機で決める 安全の措置義務は導入企業にあるため、AIの判断と安全機能を分けて設計し、規格の版と書類の分担を発注前に確かめる PoC・限定運用・横展開の3段階で進め、費用は1作業あたりの費用と人の介入回数で測る 弊社は、フィジカルAI導入の壁の切り分けと検証を支援するAI PoCサービス「ココロミ」と、チャットで気軽に相談できる「AI×DX寺子屋」を提供しています。また、経済産業省の補助事業に採択された過酷環境向けフィジカルAIロボットの共同開発では、安全性と監査性を両立したデータ処理基盤を担当しています。 どの壁が自社の制約か見極めたい段階でも、お気軽にご相談ください。最後までお読みいただき、ありがとうございました。 執筆：株式会社EQUES（東京大学松尾研発のAIスタートアップ。製薬・製造業のAI開発と、AI PoC「ココロミ」・AI相談「AI×DX寺子屋」を提供） フィジカルAIのPoCを、合格条件から設計しませんか AI PoCサービス「ココロミ」が、現状分析から検証・評価、アクションプランの策定まで伴走します。まずは無料相談からどうぞ。 無料で相談する ココロミを見る
数理最適化の事例8選｜ビジネスでの使い方とAIとの組み合わせ
記事の要約 数理最適化とは、目的・制約・変数を数式で表し、条件をすべて守るなかで最もよい計画を計算で探す方法です。予測AIの見込みを受けて「どうするか」を決めます。 配送・勤務・在庫・価格・生産の計画で最適化やAIの事例があり、日本製鉄は君津地区の製鋼工程の週次計画で計画時間を70％削減しました。 AIと組むなら予測→最適化→人の判断の3段が基本で、成否は計算手法よりも、目的・制約・データが現場の実態と合うかで決まります。 「配送ルートや勤務表を、毎回ベテランが何時間もかけて組んでいる」「需要予測AIを入れたのに、発注量は結局人が決めている」。どちらも、条件をすべて守りながら一番よい計画を「決める」作業が、人の手に残っている状態です。 この「決める」作業を計算で引き受けるのが数理最適化です。2026年は物流や電力、交通で導入の発表が続いています。本記事では、その仕組みを小さな例で説明し、機械学習（予測）との違い、事例8選、AIとの組み合わせ方、導入の5ステップを解説します。 東京大学松尾研発のAIスタートアップとして、需要予測と数理最適化を組み合わせた開発を手がける弊社がまとめました。読み終える頃には、自社のどの計画から最適化を試し、何を準備すべきかが見えているはずです。 数理最適化とは？機械学習（予測）との違いと、答えを計算で探す仕組み 数理最適化とは、「何をよくしたいか（目的）」「何を守るか（制約）」「何を決めたいか（変数）」を数式で表し、制約をすべて守る答えのなかから、目的が最もよくなるものを計算で探す方法です。図の配送ルートなら、総走行距離が目的、車の台数や顧客ごとの時間指定が制約、どの車がどの顧客をどの順に回るかが変数にあたります。 担当者がExcelで配送表や勤務表を組むときも、頭の中では同じ3つを扱いながら、条件を確かめて表を埋めています。数理最適化は、この判断を式として書き出し、条件を守る案どうしの比較をコンピュータに任せる点が違います。 機械学習（予測）との違いは答える問いにあり、予測は「何が起きるか」、最適化は「どうするのが一番よいか」に答えます。予測が過去のデータから「来週の土曜は来店客が多そうだ」と見込むと、最適化はその見込みに合わせて「土曜の早番は3人以上」と制約の数字を変え、そのうえで誰をどの番に入れるかを決めます。両者は置き換え合うものではなく、つないで使うものです。 機械学習（予測）数理最適化答える問い何が起きるかどうするのが一番よいか出力見込みの値計画・割り当て必要なもの学習に使う過去のデータ目的・制約・変数の式と、距離や人数などの数字 目的・制約・変数で「よい計画」を数式にする 「よい計画」を数式にするとは、計画表に書き込む中身を変数に置き、守る条件と目指す値をその変数の式で書くことです。例として、5人で1週間分の早番と遅番を組む勤務表を考えてみましょう。変数は表のマス目そのもので、「Aさんが月曜の早番に入るなら1、入らないなら0」という値をマスごとに置きます。 制約は、このマス目の足し算で書けます。「毎日、早番は2人以上、遅番は1人以上」は「その日の早番のマスの合計が2以上、遅番のマスの合計が1以上」、「同じ日に早番と遅番の両方には入らない」は「その人のその日の2マスの合計が1以下」、「1人の勤務は週5日まで」は「その人のマスの合計が5以下」、「遅番の翌日に早番は入れない」は「その人の、ある日の遅番と翌日の早番のマスの合計が1以下」という具合です。 目的も同じマス目の合計で表せます。例えば休み希望を出した日のマスを合計すると「希望を断った回数」になり、これを最小にします。この式をソルバー（＝最適化の計算を行うソフトウェア）に渡すと、0と1の入れ方を探り、制約を1つでも破る案は外して、残った案のなかで休み希望を断る回数が最も少ない表を返します（規模が大きい場合は、決めた時間内で見つかった最もよい表）。 目的を変えれば、返ってくる表も変わります。例えば「勤務日数の差を最も小さくする」を目的にすれば、特定の人に勤務が偏らない表が選ばれます。何をもって「よい計画」とするかを決めるのは人で、計算はその定義どおりに答えを探します。 人の計画を上回る理由と、外れる3つの原因 最適化が人の計画を上回りやすいのは、組み合わせが多すぎて、人は一部しか比べられないからです。先ほどの勤務表でも、70個（5人×7日×2つの番）のマスへの0と1の入れ方は10の21乗通りを超えます。配送では、1台で回る顧客が10件なら順番は約363万通り、15件なら約1.3兆通りに跳ね上がります。 人が組む場合は、経験則で候補を絞り、条件を満たす案が1つ見つかった時点で手を止めるのが現実的です。ソルバーも全通りは試しませんが、条件を満たす案が見つかったあとも探し続けます。 その際、途中まで組んだ段階で「この先どう組んでも手元の最良の案に勝てない」と分かった候補は、その先まで調べずにまとめて外します。例えば途中までで希望を3回断っている表は、残りをどう埋めても3回を下回らないため、手元に2回の案があればその先は調べません。こうして無駄な探索を省くので、限られた時間でもよりよい案にたどり着きやすくなります。 一方で、最適化は書かれた式に忠実なため、外れ方にも型があります。第1は目的の決め方の誤りです。配送では車を1台増やすと拠点との行き来がその分増え、距離の合計が増えやすいため、距離だけを最小にすると少ない台数に配送先が集まり、残業の多い計画が「最適」として返ってくることがあります。 第2は制約の書き漏れです。勤務表で「新人だけの番は作らない」という決まりを式に入れていなければ、新人2人だけの早番が組まれることがあります。担当者には当たり前の条件ほど式から漏れやすく、計算上は最適でも実行できない計画が出ます。 第3はデータのずれです。標準作業時間や在庫数が実態と合っていなければ、式が正しくても答えは外れます。そのため導入では計算手法より先に、目的・制約・データが現場と合っているかを確かめます。 数理最適化のビジネス事例8選｜配送・勤務・在庫・価格・生産 数理最適化やAIが計画づくりや判断を支えている事例を、企業や自治体の公式発表をもとに8件紹介します。導入予定や技術確立の段階の事例も含むため、段階は事例ごとに書き添えています。このうちローソンとトライアルの2件は、発表で手法を数理最適化と明示していませんが、値引きや発注という同じ「決める」問題をAIで支える例として載せています。 サントリーロジスティクス：判断基準とデータ連携を整えて自動配車を導入 サントリーロジスティクスは2026年10月から2支店で、オプティマインドの自動配車システム「Loogia」を順次導入します。配車は車両の積載条件や届け先ごとの受け入れ条件、契約形態といった多くの制約を同時に満たす必要があり、受注を車両に合わせて分け直す作業は熟練担当者の経験に支えられてきました。 発表は、自動配車では計算そのものより、計算に必要なデータを整えることに多くの労力がかかると説明しています。同社は受注データなどを計算に使える形へ変える仕組みを整え、現場で積み重ねられてきた条件を一つずつ整理してシステムに反映しました。 参照元：サントリーロジスティクス・オプティマインド「配車業務の効率化と、持続可能な物流の実現に向け 自動配車システムを導入」（2026年10月） 四国電力：石炭配船計画を自動で作り、数億円規模の燃料調達コスト削減を見込む 四国電力とALGO ARTISは2026年10月、「OPTIUM」で石炭の配船計画（＝どの船でいつ石炭を運ぶかの計画）を立てる本格運用を始めました。経験頼みだった配船と調達の時期・数量を、発電所の在庫状況や船の運航状況、契約条件などを踏まえて最適化し、従来の計画と比べ数億円規模の燃料調達コスト削減を見込みます。 参照元：四国電力・ALGO ARTIS「石炭配船計画策定業務におけるAI最適化ソリューションの本格運用の開始について」（2026年10月） 神戸市交通局：バスのダイヤと仕業をAIで作り、残業時間45％減を試算 神戸市交通局は2026年10月、バスのダイヤと運転士の仕業（＝1日の乗務の割り当て）づくりに「OPTIUM」を使い始めました。どちらも休憩や連続運転時間といった勤務条件を守って組む必要があり、従来は1案の作成に約5か月かかって、複数案の比較も困難でした。 AIはダイヤと仕業の組み合わせを一体的に最適化し、条件を変えて計算を繰り返せば複数の案も作れます。AIの計画案では回送距離（＝客を乗せずに走る距離）22％と運転士の年間残業時間45％の削減が試算され、最終判断は担当者が案を比べて行います。 参照元：ALGO ARTIS「神戸市バスの持続可能な運行をAIで支援、ALGO ARTISの計画DXソリューションを10月より活用開始」（2026年10月） トライアルカンパニー：AIの発注最適化を264店舗に導入し、実証で在庫20％削減 トライアルカンパニーは2026年2月までに、AIで発注量を決める仕組みを264店舗に導入し終えました。棚に収まる量を条件に加えて過剰な発注を抑える仕組みで、同社は補充業務を約10％軽減し、在庫を20％削減する成果が実証されたとしています。 参照元：トライアルホールディングス「トライアル、スーパーセンターへのAI発注最適化ソリューション「CIX-自動発注」導入完了」（2026年2月） ローソン：経験頼みだった値引き額をAIが推奨し、全国の店舗で運用 ローソンは2021年6月、天候や販売、在庫のデータからAIが弁当などの値引き推奨額を示す実験を始めました。値引きの時間や額は店舗の経験に頼る部分が大きかったものの、いまは発注システム「AI.CO」を通じて全国の店舗でAIが推奨しています（AIの算出方法は公表されていません）。 参照元：ローソン「ＡＩを活用した値引き販売の推奨の実験 東北地区の一部店舗から実施」（2021年6月）、「食品ロス削減プログラム「FOOD GOOD SMILE」寄付施策第３弾開始」（2026年6月） 日本製鉄：製鋼工程の週次計画を数秒から数分で作り、計画時間を70％削減 日本製鉄と日鉄ソリューションズは2023年10月、数理最適化による製鋼工程の生産計画システムの本格運用を君津地区で始めたと発表しました。週次計画は単純計算で10の300乗通りの選択肢から選ぶ問題で、熟練者が数時間かけて立案していました。 システムは熟練者と同等以上の案を数秒から数分で出し、計画時間を70％削減しました。前提条件を変えた複数の案も作れるようになり、担当者は案の評価や修正、最終的な確定といった判断に時間を充てています。 参照元：日本製鉄「数理最適化技術を応用した業務改革を実現する生産計画システムの開発について」（2023年10月） YOKU MOKU CREA：菓子の生産計画の初期案づくりを2〜3週間から1日に短縮 ヨックモックグループの製造子会社YOKU MOKU CREAは、少数の熟練者に頼っていた約150品目・32ラインの生産計画を、ソルバー「Gurobi」で作った専用システムに移しました。鍵は目的と制約を明確に定義することで、初期計画の作成は2〜3週間から1日になり、工場ごとの年間作業時間も約600時間減りました。 参照元：Gurobi「Optimizing Daily Production: How YOKU MOKU CREA CO., LTD. Transformed Operations with Gurobi」（2026年10月確認） 豊田自動織機・シャープ：自動倉庫の出庫計画の計算時間を約5分の1に短縮 豊田自動織機とシャープは2026年9月、量子アニーリング（＝膨大な組み合わせからよい答えを探す計算方式の一つ）を一般的なコンピュータで再現し、自動倉庫の出庫計画に使う基盤技術を確立しました。出荷期限や搬送経路が絡む計画で、物流センターでの検証では計算時間が従来の約5分の1になり、今後は実運用環境で検証します。 参照元：豊田自動織機「疑似量子アニーリング技術を活用した自動倉庫における出庫計画算出の基盤技術を共同で確立」（2026年9月） 8件を踏まえると、最初に取り組むなら条件が多い計画、少数の熟練者に作成が集中している計画、くり返し作る計画が向きます。条件が多いほど組み合わせが増えて人の計画との差が開きやすく、熟練者に集中している計画ほど作成時間の短縮と属人化の解消が同時に効き、くり返し作る計画ほど一度作った式を使い回せるためです。 最適化のAI活用は「予測→最適化→人の判断」の3段で組む 数理最適化をAIと組み合わせる基本形は、予測→最適化→人の判断の3段です。予測AIが需要や所要時間の見込みを出し、最適化がその見込みを入力に計画を計算し、最後に人が式にない事情を見て確定します。 総菜の発注で考えてみましょう。予測AIが品目ごとに「明日はコロッケが120個ほど売れる」と見込みを出すと、最適化の式では、この120個を「これを超えて発注した分は売れ残る」という前提に使って、品目ごとの利益を計算します。 ただ、すべてを見込みどおりに発注すると、揚げる作業の時間や売場の棚が足りない日があります。そこで揚げる時間と棚の広さを制約として、どの品目を何個減らせば利益の減りが最も小さいかを計算します。数は最後に担当者が、近くの催しのような式にない事情を見て確定します。 予測がなければ計画は過去の平均頼みで需要の波に遅れ、最適化がなければ予測値を見て人が決める手間が残ります。冒頭の「需要予測AIを入れたのに、発注量は人が決めている」状態は、最適化の段が欠けている症状です。 人の判断は、最後に目を通すだけの段ではありません。急な欠勤や設備の不調など式にない事情に合わせて案を直し、理由を記録して、足りない条件を式に戻すところまでが役目です。この段が仕組みとして用意されていないと、現場は計算の案を毎回同じように手で直し続け、やがて計画を信用しなくなります。 では、ChatGPTのような生成AIに計画を作らせればよいのでしょうか。生成AIは学習した大量の文章の傾向からもっともらしい続きを作る仕組みで、勤務表を直接書かせた場合は、それらしい表は返ってきても、すべての条件を守っているか、もっとよい表がないかを確かめながら作ってはいません。 そのため生成AIを使うなら、条件を文章で渡してソルバー用のコードの下書きを書かせ、計算はソルバー、式と結果の確認は人と分けるのが安全です。式づくりに生成AIを使う例も出ています。 AGCは専門人材の不足を受け、数理最適化の社内基盤を2025年6月から運用しています。課題を生成AIで整理して最適化の計算に適した形へ変え、合う計算手法を自動で選んで実行する仕組みで、課題発見から解決策の提案までの期間を従来の半分以下にしました。 参照元：AGC「AGC、AIを活用した数理最適化プラットフォームの社内運用を開始」（2025年12月） 予測と最適化をつなぐ例では、弊社も首都圏の大手スーパーで、値引き率まで含めた販売計画を予測と最適化で出す仕組みを作り、1か月の実証で売上と利益が10％増えました。詳細は「需要予測AIの仕組みと活用事例5選｜導入が失敗する3つの壁」で紹介しています。 参照元：株式会社EQUES「ココロミ」（2026年10月閲覧） 判断を支える例では、スカパーＪＳＡＴと弊社が、静止軌道衛星の位置を保つ軌道制御（マヌーバ）の計画づくりで、AIが候補案や実績に合わせた補正案を出す手助けができるかを検証しています。AIの出力はエンジニアが確認する前提です。 参照元：株式会社EQUES「【スカパーＪＳＡＴ】静止軌道衛星の軌道保持業務にAIを。「マヌーバ計画立案」の判断支援に挑む概念実証」（2026年10月） ココロミ の詳細はこちら 数理最適化の導入の進め方5ステップ｜飛ばすと起きること 数理最適化の導入は次の5ステップで進め、前半の3つで計算の前の準備を固めます。 ステップ1：自動化する判断を1つに絞る。対象の計画を1つ決め、いまの作成時間やコストを測っておきます。計画ごとに目的も制約も違うため、まとめて始めると式も評価もぼやけるからです。飛ばすと比べる基準がなく、効果の評価が印象論で終わります。 ステップ2：目的と制約を書き出す。目指す値と守るべき条件を、計画の担当者と一緒に言葉にします。暗黙の条件は具体的な案を見て初めて口に出ることがあるため、過去の計画表や手作業の試算を見せて「この計画ではだめな理由」を挙げてもらうのが近道です。飛ばすと検証の途中で条件の追加が続き、結論が出ません。 ステップ3：入力データを点検する。距離や標準作業時間、在庫数といった計算に使う数字を実態と照らし、誰がいつ更新するかを決めます。飛ばすと、答えが外れたときに原因が式かデータか切り分けられません。外れた案が出たら、先に入力を実測と照らし、合っていれば式を疑います。 ステップ4：熟練者の計画と並べて検証する。同じ条件で熟練者の案と比べ、差が出た理由を確かめます。差の典型は、熟練者だけが知る暗黙の制約か、目的の重み付け（＝残業1時間を距離何km分と数えるかを決めること）の違いで、「この案は使えない」が続くならステップ2に戻って制約を書き足します。飛ばすと、採用の根拠を社内に説明できません。 ステップ5：人が確定する運用に移す。前述の「人の判断」の段を業務の手順に組み込み、担当者が案を直したときはその理由を記録します。飛ばすと例外への対応が止まり、式を直す材料も残りません。 このように、成否は計算の前の準備で分かれます。弊社は大規模開発の前に、AIの成立性を確かめるPoCサービス「ココロミ」を提供しています。 数理最適化に関するよくある質問 Q. 数理最適化はAIの一種ですか？ 数理最適化は、データから傾向を学ぶ機械学習とは別に発展してきた、式と計算で答えを探す技術です。ただ、製品や発表では最適化を含む仕組みも「AI」と呼ばれ、本記事の事例にも「AI最適化ソリューション」（四国電力）があります。名前より、何を予測し何を最適化で決めるのかを確かめると比べやすくなります。 Q. 身近な例はありますか？ 乗り換え案内が身近な例です。指定した出発時刻などの条件のもとで、到着が最も早い経路や運賃が最も安い経路を選ぶ問題を解いています。 Q. Excelのソルバーで足りますか？ 小さな問題ならExcelのソルバーで試算でき、本文の5人・1週間の勤務表（変数70個）も収まります。ただし標準版で扱える変数（変更するセル）は200個までで、10人・1か月分の早番と遅番なら600個になるため、Pythonなどから使う専用のソルバーが向きます。 参照元：Frontline Systems「Standard Excel Solver - Messages for the Solver Parameters Dialog」（2026年10月確認） まとめ 数理最適化の成否は、計算手法より目的・制約・データが現場と合うかで決まります。 数理最適化は条件を守るなかで最もよい計画を計算で探す技術で、AIと組むなら予測→最適化→人の判断の3段が基本 事例では、計画時間の70％削減や数億円規模のコスト削減見込みなどが示されている 導入は判断を1つに絞り、目的と制約の書き出し、データ点検、検証、人が確定する運用の順に進める どの判断から最適化すべきか迷われている段階でも、お気軽にご相談ください。最後までお読みいただき、ありがとうございました。 執筆：株式会社EQUES（東京大学松尾研発のAIスタートアップ。製薬・製造業のAI開発と、AI PoC「ココロミ」・AI相談「AI×DX寺子屋」を提供） 予測の次の「判断」を、PoCで自動化してみませんか AI PoCサービス「ココロミ」が、現状分析から検証・評価、アクションプランの策定まで伴走します。まずは無料相談からどうぞ。 無料で相談する ココロミを見る
AIチャットボットとは？違いと無料の選択肢・主要8選を解説
記事の要約 AIチャットボットとは、利用者が自分の言葉で書いた質問の意図をAIがくみ取り、登録した回答や自社の文書をもとに答えるチャットボットのことです。 従来型は登録した言い回しから外れると答えられません。AI型は聞き方の違いに強く、文書から答える生成型はFAQにない質問にも対応できる代わりに、文書にない内容を答えることがあります。 無料で試せるのは汎用AIの無料プランと業務用ツールの試用・無料枠で、自社サイトや社内に置けるのは後者です。無料のまま本番運用を続けられるものは限られます。 問い合わせ対応に人手を取られている。チャットボットを入れたものの「その質問にはお答えできません」ばかりで、使われなくなった。そんな悩みはありませんか。 AIチャットボットを調べてみても、従来型と何が違うのかは見えにくいものです。「無料で使える」という情報と月額数万円の料金表が混在し、判断にも迷いがちです。 本記事では、AIチャットボットが質問の意図をくみ取って答える仕組みを従来型との動きの違いから解説し、「無料」が指す2つの意味と、業務用の主要8サービスの無料で試せる範囲や料金の見方を整理します。東京大学松尾研発のAIスタートアップとしてAI導入を支援してきた弊社の視点で、選び方と進め方の判断軸もお伝えします。 読み終える頃には、まず何から試すべきかが決まっているはずです。 AIチャットボットとは？仕組みを簡単に整理 AIチャットボットとは、利用者が自分の言葉で書いた質問から、何を知りたいのかをAIがくみ取って答えを返すチャットボットのことです。ChatGPTに話しかけるときと同じように、決まった言い方や選択肢に合わせなくても会話が成り立ちます。 では、AIはどのように意図をくみ取っているのでしょうか。質問を受け取ったAIは、まず自然言語処理（＝人の言葉の意味をコンピューターが解析する技術のこと）を使って、文章を「意味を表す数値の並び」に置き換えます。 AIは大量の文章から言葉の使われ方を学んでいるため、意味の近い文章ほど数値の並びも近くなります。そのため「返品したいのですが」と「買ったものを返せますか」のように、共通する単語がなくても同じ意図だと判断できます。 ただし、意図をくみ取れるだけでは、自社に合った答えは返せません。ChatGPTのような汎用のAIは、自社の返品条件や社内規程を正確に知っているわけではないからです。 そこで業務用のAIチャットボットでよく使われるのが、回答を作る前に自社のFAQやマニュアルから質問に関係する箇所を探し出す仕組みで、RAG（検索拡張生成）と呼ばれます。探すときにも同じ仕組みを使い、FAQや文書の段落をあらかじめ数値の並びにしておいて、質問と数値が近い段落を取り出します。 例えば「返品するときの送料は誰が負担しますか」と質問されると、まず返品規程から送料について書かれた段落が探し出されます。次に、ChatGPTの中核にもある大規模言語モデル（LLM）が、その段落の内容を使って回答文を組み立てます。回答の中身が自社の文書から来るため、答えの正確さは、読ませる文書の正確さに大きく左右されます。 AIチャットボットと従来型チャットボットの違い 両者の違いは、質問を言い方や選択肢で受け取るか、意図で受け取るかにあります。AIチャットボットのうち、回答文もその場で作る生成型は、図のように用意した回答の外にも出られます。製品は、次の3つの型に分けると整理できます。 シナリオ型・キーワード型（従来型）：利用者が選んだ選択肢や、入力に含まれるキーワードに沿って、用意した回答を返す 意図で選んで返す型：AIが質問の意図をくみ取り、登録したFAQから最も近い回答を選んで返す 文書から生成する型：AIが質問の意図をくみ取り、FAQやマニュアルの該当箇所をもとに回答文をその場で作る（前の節のRAG） 違いは、同じ問い合わせへの応じ方に表れます。通販サイトのチャット窓口にFAQ「お届け日の変更方法」を登録してあるとき、「お届け日を変更したい」という質問なら、どの型もこのFAQにたどり着きます。ただし選択肢をたどるシナリオ型では、「配送について」の下に自分の用件が並んでいないと、その先に進めません。 差が出るのは、聞き方が変わったときです。「来週まで留守なので、届くのを遅らせてほしい」には「お届け日」も「変更」も含まれず、キーワード型は「その質問にはお答えできません」と返します。類義語を登録すれば拾える言い回しは増えますが、利用者の聞き方を前もって洗い出しきるのは現実的ではありません。意図で受け取る2つの型なら、お届け日の変更方法を案内できます。 もう一つの差は、FAQにない質問への対応です。「配送先を実家に変えられますか」と聞かれても、FAQに配送先の変更がなければ、従来型も選んで返す型も正しくは答えられません。生成型は、配送規程などに配送先の変更が書かれていれば、その箇所を探し出して答えられます。 問題は、どの文書にも答えが書かれていないときです。生成型が使うLLMは、事実を確かめて答えるのではなく、質問や探し出した文章に続くもっともらしい言葉をつなげていくため、根拠がなくても「マイページから変更できます」のようなそれらしい回答を作ってしまうことがあります。 これをハルシネーション（＝AIが事実と異なる内容を生成すること）と呼びます。従来型は答えられなければ「お答えできません」で止まるため、正確さでは従来型のほうが安心です。 比較項目従来型チャットボットAIチャットボット（生成型）回答の仕組みシナリオやキーワードに沿った定型回答質問の意図を解釈して回答を生成想定外の質問対応できないある程度対応できる表現の揺れ言い回しが変わると認識しにくい異なる表現でも同じ意図として扱える回答の正確性用意した回答以外は返さない誤った内容を生成する可能性がある準備の負担シナリオの作り込みに時間がかかる参照させる文書の整備が中心運用の手間質問追加のたびにシナリオを修正元の文書を更新すれば反映できる 生成型が力を発揮するのは、答えは文書に書いてあるのに、聞き方が人によってばらばらな問い合わせです。選んで返す型は、選び間違いはあってもFAQにない内容を作り出さないため、言い回しは多様でも回答内容を自社で管理したい問い合わせに向きます。料金や契約条件のように誤りが許されない情報は、決まった回答文を返す従来型が確実です。 AIチャットボットのメリットとデメリット AIチャットボットの利点と注意点は、どちらも「意図をくみ取り、文書から答える」仕組みから生まれます。導入後に「思ったより使われない」状態を避けるには、両方を設計の前提に入れておくことが大切です。 導入で得られる3つのメリット 1つ目は、問い合わせ対応の負荷が下がることです。言い回しの違いを吸収できる分、営業時間外も含めて、従来型なら有人対応に回っていた質問がチャットで完結しやすくなり、担当者は判断が必要な案件に集中できます。 2つ目は、シナリオの作り込みが大幅に減ることです。分岐や言い回しを一つずつ設計する代わりに、文書を読ませて答えさせるためです。ただし、どの文書を読ませるか、答えられないときにどこへ引き継ぐかといった設定は残ります。 3つ目は、対応内容がデータとして残ることです。利用者が自分の言葉で書いた質問が蓄積されるため、どの質問が多いかが分かります。答えがないときに「分かりません」と返す設定にしておけば、答えられなかった質問も拾えます。それが文書に足りない情報の目印になり、FAQの追記や、問い合わせ自体が発生しない導線づくりにつなげられます。 導入前に押さえておきたい注意点 最も注意すべきは、前述したハルシネーションです。誤りをゼロにはできないため、回答に根拠の文書を添えて原文で確かめられるようにし、答えがないときは推測せず担当者へ引き継ぐ設計で備えます。 推測で答えさせない方法としては、質問との近さが基準に届く段落が見つからなければ回答を作らずに引き継ぐ設定や、文書に書かれていないことは答えないようAIに指示しておくやり方があります。対策の考え方は「ハルシネーション対策とは？原因と安全なAI活用法を徹底解説」で解説しています。 次に、社内データの取り扱いです。入力内容が学習に使われるかはサービスと契約形態で異なるため、「生成AIで機密情報を扱うリスクとは？漏洩事例と安全な導入対策を徹底解説」も参考に、社内文書を扱う前に規約と設定を確認してください。 閲覧権限の扱いにも注意が要ります。閲覧できる人が限られた文書を読ませると、チャットボットに質問するだけで誰でも内容を引き出せるおそれがあるためです。社外向けなら公開してよい文書だけを読ませ、社内向けなら利用者の権限に応じて検索する範囲を絞れるかを確かめます。 さらに、参照させる文書の整備が欠かせません。AIは質問に近い箇所を文書から探して答えるため、旧版の料金表が残っていれば古い料金で答え、規程とFAQの記載が食い違っていれば、どちらを拾うかで回答が変わります。文書になっていないルールは書き起こす必要もあり、導入前の文書整備は、時間のかかりやすい工程です。 無料で使えるAIチャットボットはある？主要サービス8選 AIチャットボットは無料で試せますが、自社サイトで顧客対応を無料のまま続けられるものは限られます。「無料」には、担当者個人が使う汎用AIの無料プランと、自社サイトや社内に設置する業務用ツールの試用・無料枠という、2つの異なるものがあります。 汎用AIサービスの無料プランを使う ChatGPT、Gemini、Claude、Microsoft Copilotは、2026年10月時点でいずれも無料プランを用意しています。公開済みのFAQを貼り付けて言い回しを変えた質問をすれば、AIが意図をどこまでくみ取れるかを手元で確かめられます。 ただし、これらは担当者が個別に使うツールで、自社サイトに設置して顧客対応をさせるものではありません。無料プランには、利用回数や使えるモデルの制限もあります。 入力内容の扱いも、個人向けと法人向けで異なります。たとえばClaudeは、個人向けプランでは学習への利用を拒否できる「オプトアウト」方式をとり、Team・Enterpriseプランでは既定で学習に使いません（2026年10月時点）。社内の情報は、法人向けの契約で扱うのが安全です。 業務用AIチャットボット8選と無料で試せる範囲 自社サイトや社内窓口に置けるのは業務用ツールです。8サービスは、成り立ちで3つに分かれます。ChatPlus、PKSHA ChatAgent、KARAKURI chatbot、ユーザーローカルのサポートチャットボットは問い合わせ対応の専用ツール、ZendeskとHubSpotは顧客対応の基盤に組み込むもの、Copilot StudioとDifyは自社でチャットボットを組み立てる開発基盤です。 すでにZendeskやHubSpotで問い合わせや顧客情報を管理しているなら、その中の機能から検討すると、新たなツールとつなぐ手間が省けます。設計や運用を自社で担える人がいなければ専用ツール、回答の作り方や社内システムとの連携を細かく決めたいなら開発基盤が候補です。 あわせて、先に見た3つの型を用途に当てはめます。誤りが許されない社外向けなら、選んで返す型か従来型との併用、文書の多い社内窓口なら、文書を検索して回答を作る生成型が軸になります。表の特徴欄で、回答を候補から選ぶのか、文書から作るのか、分岐で設計するのかを確かめてください。 サービス（提供会社）公式サイトが述べる特徴無料の範囲と料金（2026年10月時点）ChatPlus（チャットプラス）自社データと生成AIで回答し、独自AIでハルシネーションを制御10日間の無料トライアル。月額1,500円から（税抜・年契約）。AIライト（月額5万円）は自動キーワード・類義語辞書によるフリーワード応対で、生成AIで回答するAI Agent Plus（旧AIチャットボット）は月額の掲載なしZendesk（Zendesk）AIエージェントによる問い合わせの自動解決（Suiteの各プランに含まれる）。担当者を支援するAI（Copilot）はProfessional以上の有料アドオン14日間の無料トライアル。Suite Teamは1担当者あたり月55ドル（年払い）HubSpot チャットボット作成ツール（HubSpot）顧客管理システム（CRM）と連携するチャットボットを、コード不要の分岐設計で作成分岐型のボットは無料・カード登録不要（AIで回答を作る機能の無料範囲は記載なし）Microsoft Copilot Studio（Microsoft）Webサイトなど社外向けと、社内向けのエージェントを構築無料試用版あり。25,000クレジットで月額29,985円Dify（LangGenius）チャットボットを含む生成AIアプリを自分で構築する基盤クラウド版の無料プランに200メッセージクレジット。オープンソース版も公開PKSHA ChatAgent（PKSHA Technology）生成AIと独自アルゴリズムで回答候補から最適解を選び、曖昧な質問には聞き返す無料プランの記載なし。料金は資料で案内KARAKURI chatbot（KARAKURI）カスタマーサポート特化。FAQの一元管理や有人チャット連携に対応無料デモあり。料金の記載なしサポートチャットボット（ユーザーローカル）生成AIの文書検索（RAG）などで、顧客と社員の問い合わせに対応無料プランの記載なし。料金は資料で案内 業務用の「無料」は、期間を区切った試用（ChatPlus、Zendesk、Copilot Studio）、機能を絞った無料枠（HubSpot、Dify）、デモの体験（KARAKURI chatbot）の3種類です。試用は期間が終われば有料になり、無料枠には回数や機能の上限があるため、無料で進められるのは検証までと考えるのが現実的です。 無料枠は、何が無料なのかにも注意が要ります。HubSpotで無料なのは分岐型のボットで、本記事でいう従来型にあたります。 Difyのオープンソース版も、ソフトウェアは無料ですが、設置するサーバーの運用と、外部のAIモデルを使う場合の利用料は自社の負担になります。ライセンスには、Difyの画面やアプリに表示されるロゴや著作権表示を消したり変えたりできないといった、独自の条件も付いています。 料金の決まり方も一様ではありません。月額固定のほか、Copilot Studioはクレジット制で、生成回答は1件2クレジットのため、25,000クレジットは生成回答だけなら約12,500件分です。ZendeskはAIだけで解決できた件数に応じた課金を組み合わせており、Suite Teamでは担当者1人あたり月5件までが料金に含まれ、超える分は追加購入か従量課金になります。 どちらも総額はAIが処理・解決する件数で変わります。表の金額だけで判断せず、AIで回答する機能がどのプランに含まれるかを確かめ、月間の件数を見積もってから比べるのが確実です。 試用では、機能の多さではなく、自社のよくある質問に正しく答えられるかで評価してください。実際の問い合わせ履歴から30件ほど選び、言い回しを変えた質問や文書に答えがない質問も混ぜて投げれば、意図をくみ取れるかと、答えがないときに推測せず引き継げるかを一度に確かめられます。この検証を省くと、導入後に「現場の質問に答えられない」結果になりがちです。 参照元：各サービスの公式製品・料金ページ（本文・表内のリンク先。2026年10月確認） AIチャットボットの選び方と導入の進め方 自社に合う形は、用途から順に決めると判断がぶれません。次の5段階で検討します。 用途を決める：社外の顧客対応か、社内のヘルプデスクか。社外向けは誤回答がそのまま顧客に届くため、回答範囲の制御が重要です 扱う情報の機密度を確認する：社内規程や顧客情報を参照させるなら、データの保管場所と学習利用の可否を確かめます 参照させる文書を棚卸しする：FAQ、マニュアル、規程の所在と形式を一覧にします。ここが整理できていないと、どのツールを選んでも成果は出にくくなります 既製サービスで足りるか判断する：一般的な問い合わせ対応なら既製サービスで十分です。「注文番号から配送状況を答える」のように既存システムとの連携や独自の業務ロジックが要るときに、開発を検討します 小さく試して効果を測る：対象を1部門や1カテゴリに絞り、解決率（チャットだけで完結した割合）と有人対応への引き継ぎ率を測ります。解決率だけでは、もっともらしい誤答も「完結」に数えてしまうため、会話ログを抜き出して回答が正しかったかも確かめます。範囲を絞るほど、うまく答えられない原因を特定しやすくなります 小さく試す工程の組み立て方は、「PoCの進め方｜5つのステップとチェックリスト・成功事例4選」で解説しています。 既製サービスで要件を満たせない場合は、開発や進め方を専門家に相談する方法もあります。弊社は、AIやDXの困りごとにメンバーがチャットで回答するAI×DX寺子屋と、大規模開発の前に概念実証を行うココロミを提供しています。 補助金申請支援を主力とするEssencimo社は、生成AIの業務活用を全社的に進めるためAI×DX寺子屋を導入しました。従業員から寄せられた具体的な質問に弊社がテキストで回答し、同社からは「AI活用のハードルが下がった」との声をいただいています。 参照元：株式会社EQUES「Essencimoが語る、生成AI活用の第一歩と『AI DX寺子屋』導入の実感」 ココロミ の詳細はこちら AIチャットボットに関するよくある質問 Q. いま使っている従来型のチャットボットは、作り直す必要がありますか？ すぐに作り直す必要はありません。回答を固定したい料金や手続きの案内は従来型に残し、言い回しが多様な質問だけをAIに任せる組み合わせも考えられます。従来型で答えられなかった質問の記録は、AIに読ませる文書に何が足りないかを洗い出す材料になります。 Q. AIチャットボットとAIエージェントの違いは何ですか？ AIチャットボットは質問への回答が中心で、AIエージェントは目的に向けて手順を自ら組み立て、社内システムと連携して予約変更などの手続きまで実行するAIを指します。ただし製品名では、回答が中心のものも「AIエージェント」と呼ぶことがあるため、名称より、何を実行できるかで見分けるのが確実です。 Q. 誤った回答をした場合の責任はどうなりますか？ ツールの提供元と自社の責任分担は利用規約によって異なりますが、利用者に回答しているのは自社なので、誤りの責任を自社が問われる可能性があります。2024年2月には、カナダ・ブリティッシュコロンビア州の民事紛争解決審判所が、エア・カナダのチャットボットによる忌引き割引運賃の誤案内について同社の責任を認め、「正しい情報は別のページにあった」という反論も退けました。誤りが許されない情報は回答範囲から外す設計が現実的です。 参照元：McCarthy Tétrault「Moffatt v. Air Canada: A Misrepresentation by an AI Chatbot」（2024年2月）、Daily Hive「Air Canada ordered to pay customer after airline's chatbot misguided him about fares」（2024年2月） まとめ：AIチャットボットは用途とデータから選ぶ AIチャットボットは、質問の意図をくみ取り、登録した回答や自社の文書をもとに答える仕組みです。聞き方の違いに強く、文書から回答を作る生成型はFAQにない質問にも答えられる反面、答えの正確さは読ませる文書に左右され、文書にない内容まで答えてしまうこともあります。 違い：聞き方の違いに強い反面、誤りが許されない情報は従来型の決まった回答に任せるのが安全です 無料：汎用AIの無料プランは個人用で、自社サイトに置くなら業務用ツールの試用・無料枠を使います 選び方：用途と扱う情報を決め、文書を整えてから、自社のよくある質問で小さく試します 弊社は、AI導入の相談から概念実証、開発までを伴走型で支援しています。AIチャットボットの導入や、自社に合う進め方でお困りの際は、お問い合わせよりお気軽にご相談ください。最後までお読みいただき、ありがとうございました。 執筆：株式会社EQUES（東京大学松尾研発のAIスタートアップ。製薬・製造業のAI開発と、AI PoC「ココロミ」・AI相談「AI×DX寺子屋」を提供） AIチャットボットの効果を、PoCで確かめませんか AI PoCサービス「ココロミ」が、現状分析から検証・評価、アクションプランの策定まで伴走します。まずは無料相談からどうぞ。 無料で相談する ココロミを見る
PoCの進め方｜5つのステップとチェックリスト・成功事例4選
記事の要約 PoC（概念実証）とは、本格的な開発の前に、必要な部分だけを動かす試作品を使い、自社の業務で使えるか、効果が費用に見合うかを小さく確かめる工程です。 進め方は、目的・仮説の設定から評価と意思決定までの5ステップで、Go／Pivot／Stopを分ける数値を検証の前に決め、判断する人と合意しておくことが要点です。 本記事で紹介する事例では、効果や品質、安全性を実証実験で確かめてから導入を決めており、範囲を限った実運用を挟んだ例もあります。 上司から「まずはPoCで試してみて」と言われたものの、何を作り、どこまで確かめれば終わりなのかが分からない。検証はひととおり終えたのに、本番に進んでよいのかを誰も判断できない。 PoCは小さく試せる便利な方法ですが、始める前に「何を確かめ、どの結果なら次に進むか」を決めておかないと、検証を終えても次の一手が決まりません。 本記事では、PoCと本開発の違いから、5つのステップで何を決め、何を作るのかを、問い合わせ対応にAIを使う架空の例に沿って解説します。着手前のチェックリストと本格導入に進んだ事例4選に加え、東京大学松尾研発のAIスタートアップとしてPoCを伴走支援してきた弊社の視点もお伝えします。 読み終えるころには、自社のPoCをどの順序で設計し、どの数字をもって本番化を判断すればよいかが見えているはずです。 PoCの進め方を学ぶ前に押さえる基本 PoC（Proof of Concept／概念実証）とは、新しい技術やアイデアを本格的に開発・導入する前に、「自社の業務で本当に使えるか」を小さな規模で試す工程です。作るのは本番のシステムではなく、確かめたい部分だけが動く試作品で、その結果をもとに本格的な開発へ進むかどうかを決めます。 本開発との違いは、何を作り込むかにあります。本開発では、毎日の業務で誰もが使えるように、既存のシステムとつなぎ、利用者ごとの権限を設け、想定外の入力や障害にも備えます。PoCはこれらをあえて省き、「この技術で、この業務の課題を解けるか」という一点に絞って、少ない費用と短い期間で答えを出します。 例えば問い合わせメールへの返信をAIに手伝わせたいなら、PoCでは過去の問い合わせ数百件で、AIの回答案が実際の返信に使える水準かを確かめます。問い合わせ管理システムとつなぐのは、進むと決めてからの本開発の仕事です。 似た言葉に「実証実験」があります。どちらも本格導入の前に小さく確かめる段階を指して使われ、使い分けは組織によって異なります。本記事の事例にも「PoC（実証実験）」と併記した発表があるため、本記事では両者をほぼ同じ意味で扱います。 PoCで確かめたいのは、技術が動くかどうかだけではありません。生成AIが回答文を書けること自体は、試す前から分かっています。知りたいのは、自社のデータと業務の中で必要な水準の回答が出るか（技術）、対応時間が減って本番の費用に見合うか（効果）、担当者がその使い方を続けられるか（運用）の3点です。この3点に数字で答えられたとき、PoCは次に進むかどうかを判断する材料になります。 ところが、検証を繰り返すばかりで本番に進めない「PoC死」は珍しくありません。Gartnerは2024年7月、生成AIプロジェクトの少なくとも30％が、2025年末までにPoCの後に放棄されると予測していました。 2025年末を過ぎて同社が公開した記事では、同年末までに放棄された割合を50％以上としています。挙げられた要因は、データ品質の低さ、不十分なリスク管理、コストの増大、ビジネス価値の不明確さで、計画段階で点検できる項目です。 国内でも、試しに使う段階の企業が、業務に組み込んだ企業を大きく上回っています。IPAの調査（2025年度調査）では、生成AIを導入・試験利用・検討している企業のうち、「個人や部署で試験利用している」が44.8％ある一方、部署の業務プロセスに組み込んでいるのは11.9％、全社のサービスに組み込んでいるのは18.6％にとどまります。 試しに使う段階から先へ進みにくい背景には、試す段階と本番で条件が違うことがあると考えられます。PoCのような試す段階では、担当者が選んだデータを使い、少数のメンバーがうまくいかない部分を手作業で補いながら進めます。本番では、整っていない入力もすべて処理し、その手作業も誰かが日々担わなければなりません。 こうした差を検証の段階で見積もっていないと、PoCがうまくいっても本番化の稟議に必要な費用と効果の数字がそろわず、「もう少し試してから」と検証が延びていきます。PoCは実施そのものが目的ではなく、次の投資判断のための手段です。IPAの「DX実践手引書」も、何を証明するのかを明確にし、PoCのための無駄なPoCを行わないよう求めています。 検証の観点は関連記事「PoC検証とは？目的と3つの観点・進め方・成功事例を解説」で、本番に進まなかったPoCの失敗パターンは「PoC失敗の事例5選｜本番に進まない原因と防ぎ方【2026年】」で詳しく解説しています。 参照元：Gartner（2024年7月29日）／Gartner「Why Half of GenAI Projects Fail」（2026年10月閲覧）／IPA「DX動向2026」（2026年7月）／IPA「DX実践手引書 ITシステム構築編」（2024年3月） PoCの進め方｜成功するための5つのステップ PoCは、次の5つのステップで進めます。要点は、検証を始める前に「何をもって成功とするか」を決めておくことです。 ステップ決めること作るもの1. 目的・仮説の設定対象の業務と課題、確かめる仮説目的・仮説の定義書2. 評価基準の合意指標・目標値・Go／Pivot／Stopの線成功基準（KPI）の表3. 検証計画の策定範囲・期間・体制・使うデータPoC計画書と試作品4. 検証の実施記録する項目（結果・時間・手作業）検証結果の記録5. 評価と意思決定本番化・方向転換・中止のいずれか判断の根拠と本番化の試算 ここからは、あるメーカーのサポート部門が問い合わせメールの回答案をAIに作らせるPoCを架空の例として、各ステップで決めることと作るものを見ていきます。 ステップ1：目的・仮説の設定 最初に、「どの業務の、どの課題を、何で解決するか」を、結果が出たときに当たり外れを判定できる仮説として1文で書きます。例の場合は「製品の使い方に関する問い合わせは、AIがマニュアルと過去の回答をもとに回答案を作れば、担当者が1件にかける時間を減らせる」です。「AIで問い合わせ対応を効率化する」という目標のままでは、どんな結果なら達成なのかが決まらず、検証の物差しになりません。 あわせて、今の状態を数字で測っておきます。仮に直近3か月の記録から、使い方の問い合わせが月に約600件あり、1件に平均15分かかっていると分かれば、この15分が結果を比べる基準になります。仮説と対象範囲（苦情や返金は対象外、など）、今の数字を1〜2枚にまとめたものが、このステップの成果物です。 ステップ2：評価基準の合意 次に、結果を判定する成功の基準（KPI）を数値で決めます。指標は先に挙げた技術・効果・運用の面から選びます。例の場合なら、技術は「使える回答案の割合」（そのまま送れたものと、軽い手直しで送れたものの合計）、効果は「1件あたりの対応時間」、運用は「担当者が今後も使いたいと答えた割合」などが考えられます。 目標値は、AIがどこまでできそうかではなく、本番の費用に見合う水準から逆算して決めます。本番の費用は、この段階ではベンダーから幅を持たせた概算をもらって見積もります。 仮に本番の費用（開発費と利用料など）が年180万円、担当者の人件費が1時間3,000円なら、費用を回収するには月15万円分、つまり月50時間の削減が要ります。月600件で割ると1件あたり5分なので、15分を10分以下にすることが効果の目標値になります。 そのうえで、Go（本番化）・Pivot（方向転換：対象や手段を変えて再検証）・Stop（中止）を分ける線を、どの結果もいずれかに入るように引きます。例えば、使える回答案が7割以上かつ対応時間が10分以下ならGo、使える回答案が4割未満ならStop、それ以外（4割以上7割未満、または7割以上でも10分を超える場合）はPivotです。 指標・目標値・判断の線は1枚の表にまとめ、結果を見て予算を判断する人に、始める前に承認してもらいます。これが、このステップで作るものです。 ステップ3：検証計画の策定 検証の範囲・期間・体制・使うデータを決め、PoC計画書にまとめます。範囲は、効果が見えやすい1つの業務に絞ります。複数の業務を同時に試すと、どの業務のどの条件が結果を左右したのかを切り分けられないからです。 例の場合なら、対象は使い方の問い合わせだけ、参加する担当者は2名、期間は4週間とし、終了日の判断会議の日程まで先に押さえます。終了日がないと、「あと少しデータを集めれば」と検証が延び、判断が先送りされやすくなります。体制には、現場と技術の担当者に加えて、結果を見て予算を判断する人も入れます。 試作品の中身と作り手も、この段階で決めます。例の試作品は、マニュアルと過去の回答を読み込ませた生成AIに問い合わせ文を貼り付けると、回答案が返ってくる程度のもので、問い合わせ管理システムにはつなぎません。生成AIを業務データと組み合わせて扱える人が社内にいれば社内で作り、いなければ外部に頼みます。 使うデータが本番と同じ質で手に入るかも、この段階で確かめます。担当者が選んだ読みやすい問い合わせだけで試すと、回答案の質は高く出ても、誤字や複数の質問が混じる実際のメールでは同じ結果にならないことがあります。氏名や連絡先を含む問い合わせをAIに読ませてよいかも、社内の情報管理のルールに照らして確認しておきます。 ステップ4：検証の実施 計画どおりに小さく試し、結果を記録します。例の場合なら、問い合わせ1件ごとに、回答案が「そのまま送れた」「軽い手直しで送れた」「使えなかった」のどれだったかと、対応にかかった時間を残します。担当者が手作業で補った作業も書き留めます。回答案に足りなかった旧型製品の仕様を、マニュアル以外の資料で調べて書き足した、といった作業です。 PoCでは人が裏で補った部分が見えにくく、記録がないと本番の運用にかかる手間や費用を少なく見積もってしまいます。また、期間の中ほどに一度レビューを置けば、例えば回答案の誤りの多くがマニュアルの古さから来ていると分かった時点で、先にマニュアルを直すといった軌道修正もできます。 ステップ5：評価と意思決定 終了日には、結果をステップ2で決めた線と照らし合わせて判断します。例えば、使える回答案が75％、対応時間が平均9分なら、Goの条件を満たしています。1件あたり6分の短縮に月600件を掛けると、月に約60時間（人件費にして月18万円）の削減です。この効果と、本番の開発費やAIの利用料、ステップ4で記録した手作業を本番で担う人の費用とを並べたものが、本番化の稟議の材料になります。 中止と決めた場合も、PoCは失敗ではありません。本番の開発に投資する前に「この方法では効果が出ない」と分かったことで、投資の失敗を小さく抑えられたからです。何が足りなかったのか（データの量や質、対象の選び方など）を残しておけば、次のテーマ選びに生かせます。 Goと判断した場合でも、いきなり全社に広げず、範囲を限った実運用を挟むと、本番の条件で効果を確かめられます。後述するマルイの一部店舗での実運用が、この段階にあたります。 PoC成功のためのチェックリスト｜見落としがちなポイント 着手前に、次の項目にすべて「はい」と答えられるかを確かめます。「いいえ」が1つでもあれば、対応するステップに戻ってから始めます。 □ 目的と検証範囲が文章として明確に定義されているか □ 成功基準（KPI）とGo／Pivot／Stopの線が数値で決まっているか □ 関係者と判断基準について事前に合意できているか □ 検証の期間と終了日、終了後の判断の場を先に決めているか □ 使うデータの質と、個人情報などをAIに読ませてよいかを確かめたか □ 本番化した場合の運用・保守体制まで見通せているか 成否をとくに左右しやすいのは、成功基準の数値化と関係者との事前合意です。同じ結果でも立場によって読み方が変わり、「使える回答案が6割」を現場は「十分に助かる」、予算を持つ人は「本番には足りない」と受け取るかもしれないからです。基準が空欄のままだと、この食い違いを埋めるために追加の検証が繰り返されます。 この2つは「試さないと分からないから、基準は結果を見て決めよう」と後回しにされがちですが、結果を見てから決めた基準は、結果に合わせて動かせてしまいます。目標値は本番の費用に見合う水準から決めるものなので、試す前に決められます。 6つ目の運用・保守体制も見落とされがちです。PoCの間はメンバーが回答案の確認やマニュアルの手直しを引き受けていますが、本番でそれを誰の業務にするかを決めておかないと、効果が確認できても導入に進めません。その検討には、ステップ4で記録した手作業の一覧が役立ちます。 PoCの成功事例4選｜実証実験から本格導入に進んだ企業・自治体 実証実験を経て本格導入に進んだと公式に発表された事例を紹介します。業種は異なりますが、導入の判断に必要な効果や品質を、実証実験で確かめている点が共通しています。 スーパーマーケットのマルイは、段階を踏んで全店導入を決めました。日本IBMのAI需要予測を、賞味期限が短く、それまで需要予測ができていなかった日配品（豆腐や牛乳など）に絞り、5店舗で4か月間検証しています。 実証実験で1か月の客数予測の精度が店舗平均で90％を超えることを確かめ、続く一部店舗での実運用で1店舗あたりの発注時間の50％削減を確認したうえで、2024年9月から全店舗に導入すると決めました。予測の精度という技術の指標と、発注時間という効果の指標を、段階を分けて確かめた例です。 横須賀市は、費用対効果が見込めたため本格導入に切り替えました。2023年4月に全庁で生成AIを使う実証実験を始め、6月には本格実装へ移っています。利用人数と1件あたりの削減効果から年間22,700時間の改善を見込む示し方は、ステップ5の例と同じく効果を時間に直したもので、上層部への説明にも使えます。 三菱UFJ銀行は、品質と安全性を検証の軸に置いて本格導入に進みました。約60名が参加したPoCでは、Sales MarkerのAIエージェント（＝作業を自律的に進めるAI）が提案書として成立する成果物を安定して作れるかという技術の面と、銀行業務に求められる信頼性・安全性に配慮して運用できるかという運用の面を確かめています。検証で有用性が認められ、発表時点（2026年4月）では27部署で活用が進んでいます。 SUBARUと富士通は、実証実験と並行して量産工程での運用実証を行い、本格稼働に進みました。AIモデルでエンジン部品の加工品質を保証する取り組みで、実証実験は2019年12月、運用実証は2020年8月に始め、2022年1月末に量産ラインで稼働させています。AIの判定の誤りが製品の品質に直結する領域では、検証に年単位をかける判断も合理的です。 参照元：日本IBM（2024年9月17日）／総務省「先行団体における生成AI導入事例集」（2024年7月）／Sales Marker（2026年4月13日）／富士通（2022年2月9日） 弊社が支援した例も1件紹介します。デジタルエンジニアリングで日本のものづくりを支えるSOLIZE PARTNERS様は、熟練技術者の頭の中にある情報をどうシステムにするかという課題から、弊社のPoCサービス「ココロミ」で2つのテーマを検証しました。 1つ目は、形状データから特徴を抽出して設計ナレッジを自動で提案するAIです。こちらは、開発現場で直接活用できるレベルの設計知識をAIが提示できることを確認しています。2つ目は、自然言語の指示から3D CADデータを生成するAIで、単純な形状なら生成できる一方、複雑な形状には部品のデータを事前に整備する必要があると分かりました。 2つ目のように「先に整えるべき条件」が分かることも、PoCの成果です。この事例でも、部品データの整備という今後の改善の方向性が見え、SOLIZE PARTNERS様は次の取り組みへの意欲を示しています。検証で分かった条件が、次の計画を考える材料になった例です。 参照元：EQUES「SOLIZE PARTNERSが語る、製造業のDXにおけるAI活用のはじめの一歩」（2025年10月） PoCの進め方に不安があるなら支援サービスの活用も選択肢 自社だけで進めにくい場合は、設計段階から外部パートナーと組む方法があります。とくに助けになるのは、自社のデータでどの程度の精度が出そうか、本番にどれくらいの費用がかかりそうかの見当がつかず、成功基準を決めきれないときです。依頼する際は、試作品づくりだけでなく、基準づくり（ステップ1・2）から判断材料づくり（ステップ5）までを一緒に進めると、結果を本番化の判断につなげやすくなります。 PoC支援サービスの選び方は「PoC支援とは？失敗を防ぐPoC支援サービスの選び方と導入事例」で、AIに特化した進め方は「AI PoCの進め方とは？期間や失敗しない秘訣を事例と共に解説」で解説しています。 外部パートナーの一つとして、東京大学松尾研発のAIスタートアップである弊社も、PoC支援サービス「ココロミ」を提供しています。大規模開発の前に、現状分析による課題の明確化から、検証・評価、アクションプランの策定まで対応します。 ココロミ の詳細はこちら PoCの進め方に関するよくある質問 Q. PoCの期間はどのくらいが目安ですか？ 決まった基準はなく、本記事の事例でも横須賀市の約2か月から、製造現場の品質保証の1年以上まで幅があります。期間は、判断に必要な件数が集まる日数から見積もります。目安の試算（95％の幅）では、「使える回答案が7割以上か」を見るなら100件でも結果が±9ポイントほどぶれますが、本記事の例の4週間で2名が約300件を受け持てば、ぶれは±5ポイントほどに縮みます。 Q. PoCの費用はどのくらいかかりますか？ 検証の規模や内容によって異なります。本記事の例の規模なら、内訳は社内の人の時間（2名が4週間記録をつける手間と、データの準備・評価の時間）、生成AIの利用料（使った量に応じた額）、試作品を外部に頼む場合の委託費の3つです。依頼する場合は、目的と検証範囲を伝えて複数社から見積もりを取り、データの準備や評価レポートが含まれるかを比べてください。 Q. PoCで作った試作品は、そのまま本番で使えますか？ そのまま使える前提で計画しないほうが安全です。PoCの試作品は、既存システムとの連携や権限の管理、障害への備えを省いて作るため、本番ではこれらを作り込む必要があります。一方、検証に使ったデータや評価の方法、手作業の記録は本番の設計に生かせるため、整理して残しておきます。 Q. PoCを実施せずに本番開発へ進んでもよいケースはありますか？ あります。IPAの「DX実践手引書」も、計画がしっかりしていれば必ずしもPoCを行わなくてもよいとし、MVP（＝利用者に必要最小限の機能を提供できる製品）を作る進め方にも触れています。PoCを省きやすいのは、例えば社内の別部署で効果と使い方がすでに確かめられたツールを、同じ業務に広げる場合です。ただし、何を証明したいのかが言葉にできないなら、先に目的の整理が必要です。 まとめ PoCの成否は、何をもって成功とするかを始める前に決めておけるかに大きく左右されます。本記事の要点は次のとおりです。 PoCは本開発と違い、必要な部分だけを動かす試作品で、技術・効果・運用の3点を数字で確かめる 5つのステップで進め、Go／Pivot／Stopを分ける線は検証の前に決めて、予算を判断する人と合意する 本格導入に進んだ事例は、効果や品質を実証実験で確かめてから導入を決め、範囲を限った実運用を挟んだ例もある 進め方に迷ったときは、お気軽にご相談ください。最後までお読みいただき、ありがとうございました。 執筆：株式会社EQUES（東京大学松尾研発のAIスタートアップ。製薬・製造業のAI開発と、AI PoC「ココロミ」・AI相談「AI×DX寺子屋」を提供） PoCの設計から評価まで、伴走で進めませんか AI PoCサービス「ココロミ」が、現状分析から検証・評価、アクションプランの策定まで伴走します。まずは無料相談からどうぞ。 無料で相談する ココロミを見る
AI開発企業20選｜失敗しない選び方5つのポイント【2026年】
記事の要約 AI開発企業とは、AIを使ったシステムの企画・開発・運用を支援する会社のことで、精度を自社のデータで確かめながら段階的に進める点が一般的なシステム開発と異なります。 選ぶときは実績の数より課題との相性を見ます。課題をAIのタスクにできるか、データの整備や本番運用まで見通しているかなど5点を、最初の打ち合わせで質問して確かめます。 候補は、最新技術への追随が速い傾向のあるAI専業・研究開発型と、既存システムとの接続に強い大手SIer・ITベンダー・コンサルティング会社に分けると、段階に応じて絞り込めます。 AIで業務を変えたいと相談先を探し始めたものの、候補が多すぎて、どこに声をかければよいか決められない。 国内のAI開発企業は得意な技術も頼み方もさまざまで、違いを知らないまま問い合わせると、提案の良し悪しを判断できません。 本記事では、AI開発の進め方の特徴から、3つの提供形態の選び方、打ち合わせで確かめたい5つのポイント、国内の20社と最新事例を紹介します。東京大学松尾研発のAIスタートアップとして開発を支援してきた弊社の視点で、一次情報をもとに解説します。 読み終える頃には、自社の状況に合う相談先のタイプと、最初の打ち合わせで聞くべきことが分かります。 AI開発企業とは？依頼できる業務と3つの提供形態 AI開発企業とは、AIを使ったシステムの企画・開発・運用を支援する会社のことです。一般的なシステム開発との違いは、AIが業務で使える精度で働くかを、自社のデータで確かめる工程がある点です。 業務システムは「この条件ならこう処理する」という規則を人が書くので、仕様が決まれば動きも決まります。AIは自社のデータで学習させて作るほか、ChatGPTのような生成AIに、学習させずに社内文書を参照させて作る方法もあります。ただ後者でも、例えば参照させた資料にない新製品の質問にはうまく答えられません。どちらの作り方でも、自社の事例で業務に使える正しさかを確かめる工程は同じです。 手元のデータや資料で目標の精度に届くかは、実際に試してみるまで分かりません。そこでAI開発は、小さく試して見込みを確かめてから本格的に作る段階を踏みます。依頼できる業務も、この段階に沿って次の4つに分かれます。 構想・コンサルティング：どの業務にAIを使い、成果を何で測るかを決める PoC（＝概念実証）：実際のデータで目標の精度に届くかを、小さく試して確かめる 開発・実装：既存のシステムや業務の流れにつなぎ、使える形にする 運用・内製化支援：使い始めた後の精度を見守り、自社で回せるよう知識を移す 頼み方（提供形態）は、どこまで一緒に考えてもらい、どこまで自社向けに作り込むかで、次の3つに分かれます。 提供形態特徴向いているケース伴走型（共同開発）課題整理から一緒に進め、内製化まで見据える。進めながら対象や方法を変えられるAI化の対象が未定、社内に専門人材が少ない受託開発型決まった要件に沿ってモデル・システムを開発する課題と要件が固まっているSaaS型（既製サービス）完成したサービスを契約してすぐ利用できる。低コスト・短期間汎用的な用途で、まず手早く試したい SaaS型を選ぶかどうかは、段階ではなく用途で決まります。議事録の作成のように多くの会社に共通する用途なら、既製のサービスで手早く試せます。自社の業務に合わせて作る場合は、自社がいまどの段階にいるか、つまりAIに任せる業務が決まっているか、手元のデータで目標の精度が出ると確かめたかで、伴走型か受託開発型かが決まります。 どちらもまだで、社内にAIの知見も少ないなら伴走型が向きます。要件を決めきれないまま受託開発で発注すると、仕様の解釈が食い違い、作り直しや追加費用が生じがちです。伴走型は要件を一緒に決め、検証の結果を見て次の工程を決めるため、この食い違いが起きにくくなります。業務は決まっていて精度が未確認ならまずPoCだけを頼み、両方が固まっていれば受託開発型が費用と期間を見通しやすくなります。 AI開発企業を取り巻く市場動向｜市場は拡大し、活用方針を持つ企業は約7割に 国内のAIシステム市場は、2024年に前年比56.5％増の1兆3,412億円まで拡大しました。IDC Japanは、2029年に約3.1倍の4兆1,873億円に達すると予測しています（2025年5月）。 生成AIを「積極的に活用する方針」または「領域を限定して活用する方針」と答えた日本企業も68.9％と、前年度調査の49.7％から大きく上昇しました。方針を持つ企業が増えたいま、次の課題は、どこに相談し、どう現場に定着させるかです。「使う」と決めても、どの業務にどう組み込むかは、会社ごとに考える必要があるためです。 相談先選びで押さえたい新しい動きが、AIエージェント（＝目標に向けて手順を組み立て、システムを操作して業務を進めるAI）です。2026年はその実ビジネス適用の元年になる、とIDCは予測しています。 チャット型の生成AIなら、人が答えを読んで使う段階で誤りに気づけます。AIエージェントは受注の登録やメールの送信まで自ら行うため、判断の誤りがそのまま業務に流れます。どのシステムにどこまでの権限でつなぎ、どの操作の前に人の承認を挟むかまで設計を任せられるかも、相談先選びの基準になります。 参照元：IDC Japan「国内AIシステム市場予測を発表」（2025年5月）／IDC「国内AI市場は今後4年で約3倍に成長：2029年の国内AI市場支出額は7兆円に迫る」（2026年3月）／総務省「令和8年版 情報通信白書」（2026年7月） AI開発企業の選び方｜発注・相談前に確認したい5つのポイント AI開発企業は、実績の数より自社の課題との相性で選びます。実績の数は経験の広さを示すにとどまり、自社の課題を解けるかは、同じ種類のデータの経験や、課題を一緒に形にする力で決まるためです。次の5点を、最初の打ち合わせで質問して確かめましょう。 1. 課題をAIのタスクに翻訳する力 AIが扱えるのは、「何を入力して、何を出力するか」が決まったタスクです。「問い合わせ対応を楽にしたい」という課題も、問い合わせを担当部署に振り分けるのか、過去の回答から返信の下書きを作るのかで、必要なデータも精度の測り方も変わります。どちらが役立つかは、担当者の時間がどの作業に取られているかで決まります。 この翻訳が曖昧なまま進むと、精度は高くても現場で使われないAIができます。打ち合わせでは「この業務なら、AIに何を入力して何を出させる形が考えられますか」と聞いてみましょう。今の業務の流れや手間のかかる作業を質問し返してくる会社は、課題の側から考えようとしています。 2. 自社の業界・用途での実績 AIの難しさは、扱うデータの性質と業界の事情で変わります。例えば製造業の外観検査では、不良品の画像が良品に比べて少ないため、すべてを良品と答えるAIでも全体の正解率は高く出ます。現場では不良品の見逃しが重く扱われることが多く、正解率より見逃しの少なさで評価する必要があります。 同じ種類のデータの経験がない会社では、こうした評価の見誤りが起こり得ます。打ち合わせでは「同じ種類のデータを扱った事例はありますか。そのとき何が難しかったですか」と聞きましょう。難しかった点を具体的に語れるかで、経験の深さが分かります。 3. データの準備・整備への支援 学習に使うデータを整える作業は、見落とされやすい工程です。現場のデータは部署ごとのシステムや表計算のファイルに散らばり、書式や記録の細かさがそろっていないことがよくあります。検査画像に「不良」「良品」の正解を付ける、アノテーションと呼ばれる作業が要る場合もあります。 見積もりがAIの開発だけを対象にしていると、整備の手間が後から自社の負担や追加費用として現れ、日程も延びます。打ち合わせでは「データの収集・整理・正解付けは見積もりに含まれますか。こちらで用意する作業は何ですか」と確かめましょう。手元のデータを早く見たがる会社は、整備の手間を見積もりに織り込もうとしています。 4. PoCから本番運用までの設計 PoCは、整えたデータと限られた範囲で試すため、本番とは条件が違います。本番では書き方の揺れや新しい製品のデータが混じって精度が下がりやすく、既存システムとの接続や、AIが判断に迷った案件を誰が引き取るかも決めなければなりません。これらを決めないままでは、PoCで精度が出ても使われずに止まります。 また、精度は試すまで分からないため、PoCで相手が目標の精度まで約束するのは難しいのが実情です。そこで、契約も段階ごとに分けます。経済産業省の「AI・データの利用に関する契約ガイドライン」は、アセスメント（＝実現できそうかの事前検討）、PoC、開発、追加学習の段階ごとに、次へ進むかを確かめながら開発する「探索的段階型」の進め方を示しています。 段階を区切るからこそ、提案書で合格基準（どのデータで、どの指標がどこまで届けば次へ進むか）と、届かなかった場合の扱い、本番に進む場合の費用と期間の見通しを示せるかを確かめましょう。 小さく検証する進め方は、PoCの進め方｜5つのステップとチェックリスト・成功事例4選で解説しています。 5. セキュリティ・規制への対応力 AI開発では、顧客情報や設計データなどの機密を相手に預けます。情報システム部門としてまず確かめたいのは、相手のセキュリティ対策の水準です。具体的には、外部認証の取得状況やアクセスの管理方法、預けたデータの保持期間と終了後の削除、事故の報告や監査に応じてもらえるか、個人データを第三者や海外に渡すことがあるか、といった点です。 契約の面では、預けたデータを相手が自らの技術開発や別のAIの学習にも使えるのか、学習させたAIを含む成果物の権利がどちらに残るのかを確かめます。経済産業省の「AIの利用・開発に関する契約チェックリスト」（2025年2月）も、預けたデータの扱いや生成物・成果物の権利の帰属を、契約前に確かめたい論点に挙げています。 確かめずに契約すると、依頼先を替えるときに学習させたAIを引き継げない、データが想定外の目的に使われる、といった問題が起こり得ます。打ち合わせでは「学習させたAIは成果物として受け取れますか」とも聞いておきましょう。業界の規制がある場合（例：製薬のGMP＝医薬品の製造管理・品質管理の基準）は、規制に沿った記録の残し方まで設計に含められるかも確かめます。 参照元：経済産業省「AI・データの利用に関する契約ガイドライン 1.1版」（2019年12月）／経済産業省「AIの利用・開発に関する契約チェックリスト」（2025年2月） 国内のAI開発企業20選｜AI専業10社と大手10社 国内でAI開発・導入支援を手がける20社を、本業がAIか、総合的なITサービスかで2つに分けて紹介します。説明は2026年10月時点の各社公式サイトに基づく概要で、掲載順は優劣を示しません。 最初の章で見た3つの頼み方と重ねると、課題を一緒に形にする伴走型や特定の技術での受託開発はAI専業の会社に、既存システムとつなぐ大きな受託開発や全社展開は大手に頼みやすい、という見取り図になります。SaaS型の製品は、どちらのグループにもあります。 AI専業・研究開発型の企業10社 AIを本業とし、自社でモデルや基盤を開発する会社が多いグループです。新しい手法を自ら試しているぶん最新技術への追随が速い傾向があり、既製品では解けない課題や、特定の技術を深く掘り下げたい場合の候補になります。 企業名事業・特徴Preferred NetworksAI半導体から生成AI基盤モデル（PLaMo）、AIプロダクトまで自社で開発松尾研究所東京大学の松尾・岩澤研究室とビジョンを共有し、深層学習の社会実装と人材育成を進めるLaboro.AIオーダーメイド型AI「カスタムAI」の開発と導入コンサルティングRidge-i衛星データやドローン画像のAI解析。変化の検出など難易度の高い案件に実績PKSHA Technology自然言語処理・画像認識などのアルゴリズムを、ソリューションやSaaSで提供ABEJAABEJA Platform、大規模言語モデル（LLM）の実装支援、AIガバナンス支援などブレインパッド専門人材と自社プロダクトでデータ活用を支援。2025年12月に富士通グループへエクサウィザーズAIサービスを開発。2026年7月設立のグループ会社がAIエージェント基盤なども構築AVILEN戦略立案からAI導入・人材育成まで一気通貫で支援ELYZA2020年に独自のLLMを開発。主に大手企業のLLM活用を支援 同じタイプでも、モデルから自社で作る会社、オーダーメイドで作る会社、製品として届ける会社と関わり方が分かれるため、自社の課題に近い領域を持つ会社から当たると、初回の打ち合わせが具体的になります。 大手SIer・ITベンダー・コンサルティング会社10社 SIer（＝企業の情報システムの構築・運用を請け負う会社）やITベンダーには基幹システムを作り、動かしてきた会社が多く、コンサルティング会社は業務改革の構想づくりから入ります。 企業名事業・特徴NTTデータグループグローバルで2,000件以上の生成AI事例。NTTグループ横断のR&D体制を持つ富士通判断の根拠を示せ、大企業の管理・安全の要件に合わせたAINEC自社開発のAIコア技術「cotomi」を軸に、コンサルティングから運用・教育まで支援日立製作所1,000件以上の生成AI活用のユースケースをもとに、AIエージェントの開発・適用を推進日本IBM機械学習・最適化・生成AIを統合したAI開発スタジオ「watsonx.ai」アクセンチュア「生成AIで企業を再創造する」を掲げ、安全で責任あるAIの活用を支援野村総合研究所AI・データ活用のコンサルティングから基盤構築、実行支援までワンストップで支援伊藤忠テクノソリューションズAI・セキュリティ・データ分析・クラウドを組み合わせ、コンサルティングから運用・保守まで支援TISI生成AIの導入を企画から運用まで支援。2026年7月にTISとインテックが合併SCSKデータ統合・AI基盤やAIエージェント環境の構築サービスで、AI導入を支援 大手は既存システムとの接続やセキュリティ要件に強い反面、案件が大きくなりやすく、小さく試す段階では費用や期間が見合わないことがあります。AI化の対象が未定なら、AI専業や伴走型で方向を固めてから大手で実装する組み合わせも現実的です。 各社の最新事例（2025〜2026年） 20社のうち3社が2025〜2026年に公表した事例です。どこで詰まり何を変えたかに注目し、検証段階の数字は本番の成果と分けて読みましょう。 松尾研究所は、イトーキと行動データから生産性を推定するモデルを構築しました。サーベイでは何を変えれば改善するかが分からないというイトーキの課題に対し、本社854名の2025年12月の行動データ70種類から因果関係を推定しています。会議などに中断されず60分以上集中できた日は翌日の心のコンディションが良くなる、という関係が全職種を通じて従業員の88％に見られました。 NTTデータはテプコカスタマーサービスと、営業への生成AI活用をPoCで検証しました。建物情報の調査の自動化では月120時間程度の作業削減が見込める一方、AIエージェントによる電話営業は、AIからの電話に対する信頼性の担保が実用に向けた検討事項に残りました。ただし、資料請求のフォローアップや契約更新のように信頼性の懸念が低い用途では、実現の可能性が高いとの回答もありました。 野村不動産HDは、PKSHA Technologyの製品で全社依頼の配信と進捗管理を自動化しました。個別連絡による抜け漏れと担当者の負荷が課題で、一部部門の先行検証では依頼1回あたりの管理者の工数が平均約62％減りました。 参照元：松尾研究所「松尾研究所とイトーキ、854名の行動データをAIで分析し、「データ駆動型生産性推定モデル」を構築」（2026年10月）／NTTデータ「生成AIを活用した営業生産性向上PoCをテプコカスタマーサービスと実施」（2025年5月）／PKSHA Technology「野村不動産HD、約10,000名への全社依頼を「PKSHA AIバックオフィス」で自動配信・進捗管理」（2026年9月） AI開発の相談先としての弊社EQUES 何をAI化するかが決まらない段階では、伴走型の相談先が候補です。弊社EQUESは東京大学松尾研発のスタートアップで、製薬・製造業を中心に課題整理から運用まで伴走しています。 相談の窓口として、AIやDXの困りごとにチャットで答える「AI×DX寺子屋」と、本格開発の前に小さく検証するPoCサービス「ココロミ」を用意しています。 ロート製薬様の品質統括部では、AI×DX寺子屋の提案をきっかけに、製品スペック作成の自動化から生成AIの活用を始め、業務効率化の手応えを得たとの声をいただいています。 参照元：株式会社EQUES「【ロート製薬】製品スペック作成の自動化から始めるAI活用。品質統括部が実践するスモールスタートなDX戦略とは」（2026年6月） ココロミ の詳細はこちら AI開発企業に関するよくある質問 Q. 複数社の見積もりは、何を見て比べればよいですか？ 総額より先に、何が含まれているかをそろえて比べます。データの整備、既存システムとの接続、本番後の保守が含まれるかどうかで、金額は大きく変わるためです。含まれない作業を誰がいつ担うのかも、確かめておきましょう。 Q. AIの専門人材が社内にいなくても依頼できますか？ 依頼できます。課題整理から伴走する企業なら、専門知識がなくても始められます。ただし、検証の結果を見て「業務で使えるか」を判断する担当者は社内に必要です。その判断には、現場の事情を知る人が欠かせないためです。 Q. 相談の前に、社内で何を準備すればよいですか？ AIで減らしたい手間がどの作業にあるか、使えそうなデータの種類と量、成果を何で測りたいかを整理しておくと、初回から具体的な話ができます。社外に出せないデータがあるかどうかも、先に確かめておきましょう。 まとめ AI開発企業は、実績の数ではなく自社の課題との相性で選ぶのが、失敗を避ける近道です。要点は次の3つです。 汎用的な用途ならSaaS型、自社向けに作るなら、業務と精度の見込みが固まっていなければ伴走型、固まっていれば受託開発型を選ぶ 5つのポイントは、打ち合わせで各社に同じ質問を投げ、課題やデータについて具体的に答えられるかで比べる 候補は課題の段階に応じてAI専業・研究開発型と大手を使い分け、依頼先を替えるなら成果物の引き継ぎを契約で決めておく 何から始めるかお悩みの際は、お問い合わせよりお気軽にご相談ください。最後までお読みいただき、ありがとうございました。 執筆：株式会社EQUES（東京大学松尾研発のAIスタートアップ。製薬・製造業のAI開発と、AI PoC「ココロミ」・AI相談「AI×DX寺子屋」を提供） AI開発の相談先をお探しなら、まず無料相談から AI PoCサービス「ココロミ」が、現状分析から検証・評価、アクションプランの策定まで伴走します。まずは無料相談からどうぞ。 無料で相談する ココロミを見る
異常検知AIとは？手法の比較・導入事例5社と失敗しない進め方
記事の要約 異常検知AIとは、データの中から「いつもと違う」ものを見つけるAIで、代表的なのは正常なときのデータだけで「いつもの状態」を学び、外れ具合を異常度で示す方式です。 教師なし学習は正常データだけを、教師あり学習は正常と不良に正解のラベルを付けたデータを学習に使うため、不良品データが少ない現場では教師なし学習から始めます。 異常検知AIが現場に定着しないのは、不良品データが少ない、季節やロットで条件が変わる、判定の根拠が求められる、という製造現場の実情に合っていないときです。 「設備の故障の兆しを、AIで早くつかめないか」「目視検査の負担を、AIで減らせないか」。設備保全や品質管理を担当していて、こうした検討を任された方もいるのではないでしょうか。 しきい値によるアラームや目視検査はすでに現場で回っていても、AIがどうやって「いつもと違う」を見分けるのか、どの手法を選べばよいのかは見えにくいものです。導入はしたものの、「誤検知が多く現場が使わなくなった」と悩んでいる担当者もいるでしょう。 本記事では、異常検知AIの仕組みを具体的な場面で説明し、手法の選び方、国内5社の導入事例、失敗しない進め方までを、東京大学松尾研発のAIスタートアップとして製造業のAI開発を支援してきた弊社の視点で解説します。読み終える頃には、自社の設備やラインにどの手法が合うのか、判断の軸が定まっているはずです。 異常検知AIとは？従来の検査手法との違い 異常検知AIとは、データの中から「いつもと違う」ものを見つけ出すAIです。代表的なのは、設備や製品が正常なときのデータだけを学習させ、「いつもの状態」からどれだけ外れているかを数値で示す方式で、本記事でもまずこの方式から説明します。「温度が80度を超えたら異常」のように人が決めた固定値で項目を一つずつ見るしきい値判定に対し、異常検知AIは、データから覚えた「いつもの状態」との違いで判定します。 この違いが効くのは、どのような場面でしょうか。例えば、負荷が高いときほど振動が大きくなるモーターを、振動値のしきい値で監視しているとします。しきい値は、高負荷のときの普段の振動で警報が鳴らないよう、高めに置くしかありません。そのため、軸受が傷み始めて軽負荷のときの振動が普段より大きくなっても、値はしきい値の下にとどまり、警報は鳴りません。 異常検知AIは、こうした項目どうしの関係を「いつもの状態」として覚えます。正常に動いていた期間の電流（負荷の大きさ）を横軸、振動を縦軸にとって点を打つと、点は右上がりの帯のように並びます。新しいデータの点がこの帯から離れるほど、AIは「いつもと違う」度合いを表す数値、つまり異常度を高く出します。軽負荷なのに振動が大きい点は、しきい値より低くても帯から外れるため、異常度が上がるのです。 最後に異常度に線を引いて警報を出す点は、しきい値監視と同じです。違うのは、線を引く対象が、センサーの値そのものから「いつもとの違いの大きさ」に変わることです。 この方式でAIに見せるのは、正常なときのデータだけです。故障したときのデータを用意しなくてよいため、過去に経験したことのない故障でも、いつもと違えば異常度が上がります。その代わり、AIが示すのは「いつもと違う」までで、原因が軸受の傷か、運転条件の変化かを見分けるのは人の役目です。 カメラ画像を使う外観検査でも、考え方は同じです。人が「黒い点が一定の大きさを超えたら不良」のように条件を書き出すルールベースの検査と違い、良品の画像を学習したAIは、良品の見た目から外れたところを拾います。そのため、条件に書いていなかった種類の傷や汚れも検出できる場合があります。 ただし、異常検知AIは、しきい値判定や目視検査の完全な代替ではありません。寸法や安全上の上限のように規格値がはっきりしているものは、しきい値判定のほうが確実で、判定の理由も説明しやすいからです。AIが力を発揮するのは、劣化の予兆や複数の条件が重なる不良など、規格値では書き表しにくい「いつもと違う状態」を捉えたい場面です。既存のしきい値監視は残し、その手前の変化をAIで拾う形で組み合わせます。 異常検知AIの主要な手法と選び方 異常検知AIの手法は、学習のときにAIに何を見せるか（正常データだけか、正常と不良の両方か）と、扱うデータの種類（センサーの数値か、画像か）の2つの軸で整理すると選びやすくなります。最初の分岐は、不良品のデータがどれだけあるかで、これで1つ目の軸が決まります。 正常データだけを見せる方式は教師なし学習と呼ばれ、前の章で説明した仕組みがこれにあたります。一方、正常と不良の両方に「これは正常」「これは傷」「これは異物」といった正解の札（＝ラベル）を付けて見せ、両者を分ける境目を覚えさせる方式が教師あり学習です。「教師」とは、この正解の札のことです。 不良が年に数回しか出ない工程や、故障の経験が少ない設備の予兆監視では、教師あり学習に見せる不良の例がそろわないため、教師なし学習が現実的です。不良の種類ごとに記録と写真がそろっているなら、教師あり学習も選べます。2つ目の軸では、振動や電流などの数値と外観検査の画像とで使う手法が変わり、組み合わせると次のようになります。 学び方センサーの数値（振動・電流・温度など）画像（外観検査）正常データのみで学ぶ（教師なし学習。不良のラベルは不要）設備の予兆監視に向く。T²法、Isolation Forest、One-Class SVM、オートエンコーダなど良品の画像だけで傷・汚れ・欠けを拾う。照明や角度が変わると精度が落ちる正常と不良の両方で学ぶ（教師あり学習。ラベルが必要）繰り返し起きる不良や故障を種類まで見分ける。学習していない種類の不良は見逃しやすい不良の種類ごとに画像を学ばせて見分ける。不良画像の収集とラベル付けが要る 迷ったときは、教師なし学習から始め、不良の記録がたまったら教師あり学習を加えるのが現実的です。AIが知らせた「いつもと違う」を現場で確かめ、「軸受の傷だった」「段取り替えの影響だった」と記録していけば、その記録がそのまま正解の札付きのデータになるからです。こうして、よく出る不良は教師あり学習で種類まで見分け、初めての不良は教師なし学習で拾う、という役割分担ができます。 教師なし学習：正常データだけで学習する 教師なし学習の手法は、どれも正常データのまとまりから新しいデータがどれだけ離れているかを測ります。違うのはその測り方で、代表的な4つは次のとおりです。 ホテリングのT²法：正常データの平均からの離れ具合を、「負荷が上がれば振動も上がる」といった項目どうしの連動を踏まえて測ります。どの項目が効いたかを示せるため、判定理由を説明しやすい手法です Isolation Forest：データの範囲にランダムな区切りを入れていくと、ほかから離れたデータほど早く1つだけ切り離されます。この切り離しやすさを異常度にする手法で、計算が軽く、項目やデータ量が多い場合に向きます One-Class SVM：正常データを囲む境界線を学習し、外側を異常とみなします。境界を決める設定の調整に経験を要します オートエンコーダ：データを圧縮して元に戻す練習を正常データだけで行わせるため、見たことのない形はうまく元に戻せず、そのずれを異常度にします。振動の波形や画像のような複雑なデータに向きます 選び方の目安は、扱うデータと、判定理由をどこまで説明する必要があるかです。温度や電流のようなセンサー値を監視し、「なぜ止めたのか」を現場に説明する必要があるなら、まずT²法から試すのが実務的です。 振動の波形や画像を扱うならオートエンコーダ、項目が多くデータも大量ならIsolation Forestが候補です。正常データのまとまりが単純な形にならない場合は、その形に沿って境界を引けるOne-Class SVMも選択肢になります。 教師あり学習：不良品データが十分にある場合 不良品データが十分にあるかは、件数だけでなく、見分けたい不良の種類ごとに発生の記録と写真やセンサーデータがそろい、どれが何の不良かを後から確かめられるかで判断します。そろっていれば教師あり学習が使え、正解の札を手がかりに境目を直接学ぶため、学習した種類の不良は高い精度で見分けられます。札を不良の種類ごとに分けておけば「どの不良か」まで判定でき、種類に応じた対処にすぐつなげられます。 一方で、学習していない種類の不良は検出できる保証がなく、見逃しやすくなります。AIは見せられた札のどれかに当てはめて判定するため、初めて出た不良が「正常」に振り分けられれば、そのまま流出するおそれがあるからです。大量のデータに人が一つずつ札を付ける手間も、見落とされがちな負担です。 画像・映像を使った異常検知 外観検査では不良の画像が集まりにくいため、良品の画像だけを学習させ、良品の見た目の範囲から外れた部分を傷や汚れ、欠けとして拾う方法が広く使われています。多くの手法は画像を細かな部分ごとに良品と比べるため、どこが違うのかを色の濃淡で示せ、検査員は見るべき場所をすぐに確かめられます。 注意したいのは、撮影条件の変化に弱い点です。AIは学習したときの照明の当たり方やカメラの角度まで含めて「良品の見た目」として覚えるため、照明が少し変わっただけで、良品まで「いつもと違う」と判定されやすくなります。導入時は、検査治具で製品の位置と向きをそろえ、照明を固定するところまで設計します。 異常検知AIのメリットと国内メーカーの導入事例 異常検知AIを導入すると、主に3つの点が良くなります。それぞれの理由を説明し、国内メーカー5社の公表事例で確かめます。 1. 検査品質の安定 目視検査は、検査員の熟練度や疲労で判定がばらつきます。異常検知AIは、同じモデルと同じ異常度の線ですべての製品を判定するため、時間帯や担当者による差が出にくくなります。見た目の良否のように基準を言葉にしにくい工程ほど効果が大きいのは、人が条件として書き出せない部分を、良品のデータから学んで補えるからです。 2. 突発停止の抑制 設備の劣化は、故障の前に振動や電流値のわずかな変化として表れることがあります。最初の章のモーターの例のように、しきい値に届く前の変化を異常度の上昇として捉えれば、故障で止まる前に点検できます。部品の手配や停止の時期を生産計画に合わせて前もって決められるため、突発停止を計画的な保全に置き換えられます。 3. 技能の継承 熟練者は、長年見てきた「いつもの状態」と比べて異変に気づきます。異常検知AIも正常なときのデータから「いつもの状態」を覚えるため、異変に気づく役目の一部をAIが受け持てます。ただし、熟練者の判断そのものを残すには、熟練者が下した良否の記録が要ります。その記録を教師あり学習の材料にしていけば、退職による技能の喪失リスクを下げられます。 国内5社の公表事例は次のとおりです。 企業対象方式公表されている効果JFEスチール製鉄所の生産設備の異常予兆監視正常時からの外れ度合いを指標化する「J-dscom」最初に導入した熱延工場で年間50時間以上（生産量3万t以上）相当のトラブル抑止東芝ライテック車載用LED製造ラインの外観検査良品学習方式のAI画像検査を既存の検査装置と併用検出精度の目標値95％を達成、目視作業の工数を約3分の1に削減ダイキン工業・JDSC市場に出た空調機器の不具合監視過去の不具合データを学習したAI従来より1年以上早く不具合をフィードバック（試験運用で確認）武蔵精密工業・ABEJA自動車部品（ベベルギヤ）の検品良品データのみから不良を判定する画像解析約4か月の実証実験で目視と同程度の精度のモデルを構築キユーピー惣菜原料（カット野菜）の検査良品のパターンを学習し、「良品以外」をすべて不良として検出する自社開発の検査装置精度の向上と作業効率の向上を挙げる（数値の記載なし） 表の5社を手法の違いで分けて読むと、自社に近い例と、3つのメリットとの対応が見えてきます。突発停止の抑制に当たるのは、電流・圧力・流量・温度・振動などのデータから、正常時の基準値に対する外れ度合いを異常度として指標化するJFEスチールの「J-dscom」です。効果を停止時間と生産量で示しているため、止まらなかった時間に時間あたりの生産額を掛ければ、投資対効果を金額で説明できます。 検査品質の安定に当たるのは、外観検査の3社です。東芝ライテックでは、ルールベースの検査装置について、どこまでチェックする範囲を広げればよいかに正解がなく、未知の不良の流出を防ぐ仕組みにもなっていなかったと説明されています。そこで装置を置き換えず、良品学習方式のAIを組み合わせ、今回のケースでは初期費用を約2分の1に抑えたとしています。 武蔵精密工業とABEJAの実証実験、キユーピーの検査装置も、良品のデータだけで不良を見分ける方式で、不良品データが少なくても始められることを示しています。なお、技能の継承を効果として挙げた事例は、今回の5社の公表内容には見当たりません。 ダイキン工業とJDSCは、3つのメリットとは別の、市場に出た製品の不具合を早く見つける使い方です。過去の不具合とそれに伴う製品対応のデータを学習させており、不具合の記録が積み上がる領域では、不具合側のデータを学ぶ方式も選べることを示しています。 参照元：JFEスチール（2021年9月）／東芝デジタルソリューションズ・導入事例（2025年3月取材）／ダイキン工業（2022年3月）／武蔵精密工業（2018年2月）／キユーピー（2019年2月） 異常検知AIが現場に定着しない3つの理由 異常検知AIを導入しても、現場に定着しない例もあります。既製のパッケージでは、製品の品質より、汎用製品が想定する使い方と、現場の実情が合わないことが原因として考えられます。同じことは個別に開発したモデルでも起こりえます。合わなくなりやすいのは次の3点です。 1. 不良品データの不足 異常データでの学習を前提とする製品は教師あり学習で、不良の例から境目を覚えるため、歩留まりが高く不良が年に数回しか出ない工程では精度が出にくくなります。データ不足のまま導入すると見逃しや誤検知が多発するため、選定の段階で、正常データだけで学習できる方式かを確かめます。 2. 現場の環境変化への弱さ 原材料のロットや季節による温度・湿度の変化を、汎用製品は「異常」と判定しがちです。例えば、春に集めた正常データだけで学習したモデルを夏に使うと、気温の上昇で設備の温度や振動が少し変わっただけで「学習した正常の範囲の外」と見なされ、警報が増えます。誤検知が続けば現場はアラートを無視し、システムは形骸化します。 対策は、季節やロットの変動を含む期間の正常データで学習することと、気温やロットを入力の項目に加え、「この気温ならこのくらい」という関係ごと覚えさせることです。そのうえで、条件が変わったらモデルを再学習する体制を持ちます。パッケージを選ぶ際は、条件の変化に合わせて再学習できる仕組みかを確かめます。 3. 判断根拠が見えない AIが「異常度が高い」とだけ示し、なぜ異常かを説明できなければ、ラインの担当者は設備を止めるべきか判断できず、品質保証の担当者も不合格の理由を記録に書けません。これでは現場の信頼を得られず、品質記録を残す工程では採用の障害にもなります。精度の数値だけでなく、どのセンサーが異常度を押し上げたのか、画像のどこが違うのかといった判定の根拠を示せる仕組みかを確かめます。 一方で、前章の東芝ライテックのように、既製のパッケージで成果を出せる現場もあります。検査対象が規格化され、撮影条件が安定した工程なら、既製品のほうが短期間で導入できます。成否を分けるのは、製品か個別開発かではなく、データ量・環境変化・説明責任の3点に合わせて調整できるかです。 失敗しない異常検知AIプロジェクトの進め方 異常検知AIの成否は、モデルの精度より前の段階で決まります。概念実証（PoC）で「異常の8割を検出できた」という結果が出ても、見逃してはいけない異常や、1日に受け止められる誤検知の回数を決めていなければ、それで十分かを誰も判断できないからです。 NEDOの「スマートマニュファクチャリング構築ガイドライン（第2版）」（2025年5月）も、経営や業務の変革課題を特定するところを起点に、導入前の企画・構想設計に重点を置いています（参照元：NEDO）。 解決したい課題を1つに絞る：「品質を上げたい」ではなく、「Aラインの外観検査で傷の見逃しを減らす」「このポンプの突発停止を計画停止に置き換える」まで具体化します。対象が決まれば、見るべきデータも評価の物差しも決まります 手元のデータを棚卸しする：どのセンサーの値が、どの間隔で、どの期間分残っているかを確認します。1分ごとの平均値だけでは振動の波形は追えず、季節をまたぐ期間がなければ季節の変動を学べません。保全記録で故障の日時がわかれば、故障の前に劣化が進んでいた期間を学習用の正常データから外せます。混ざったままだと、AIは劣化した状態まで「いつもの状態」として覚えてしまうからです。不足していれば、記録の仕組みづくりから始めます 小規模な概念実証（PoC）で見極める：1つの設備・1つの検査項目に絞り、検出できる異常と誤検知の頻度を実測します。保全記録にある過去の故障の前に、異常度が上がっていたかも確かめます。異常度の線を低くすれば見逃しは減る代わりに誤検知が増え、高くすればその逆になるため、どちらをどこまで許容するかを先に決めておきます 現場の運用に組み込む：アラートが出たら、誰が、いつまでに、何を確かめ、結果をどう記録するかまで決めます。決めていないと、検知しても活用されません 継続的に再学習する：原材料の変更や季節、設備の更新など、モデルを更新するきっかけと担当者を、運用開始前に決めておきます。決めないと、誤検知が増えてもモデルが放置されます 概念実証の手順は「PoCの進め方｜5つのステップとチェックリスト・成功事例4選」で解説しています。 異常検知AIは、値が記録として残っていなければ学習も判定もできません。その記録づくりの例として、細胞・遺伝子治療の製造を受託するCyto-Factoでは、通信機能のない機器の液晶パネルの表示を、作業員が手作業で記録していました。弊社は、この表示をAI-OCR（AIによる文字読み取り）で読み取って記録する仕組みの開発を支援しています。 参照元：株式会社EQUES「AI-OCRで製造現場の記録を自動化｜Cyto-Factoの導入事例」（2025年10月） 異常検知の事例ではありませんが、概念実証で、できることと足りないものを先に確かめた例もあります。SOLIZE PARTNERSとの取り組みでは、弊社の概念実証サービス「ココロミ」で、熟練技術者の設計ノウハウをAIに組み込めるかを見極めました。単純な形状なら3D CADデータを自動生成できる一方、複雑な形状にはデータの事前整備が要るとわかりました。 参照元：株式会社EQUES「SOLIZE PARTNERSが語る、製造業のDXにおけるAI活用のはじめの一歩」（2025年10月） ココロミ の詳細はこちら 異常検知AIに関するよくある質問 Q. 異常検知AIと予知保全は、何が違いますか？ 異常検知AIは「いまの状態がいつもと違うか」を知らせる技術で、予知保全は、設備の状態から故障の時期を見込んで保全の時期を決める考え方です。異常検知は予知保全の入り口にあたり、劣化の進み方のデータが蓄積されると、故障までの残り時間を見積もる段階に進めます。 Q. ChatGPTのような生成AIで、異常検知はできますか？ 生成AIに産業用の画像を見せて異常を判定させた評価（ICLR 2025）では、当時最良のGPT-4oでも検査の設問の平均正答率は74.9%で、著者らは産業の要求水準に遠く及ばないとしています。現時点では、検知は本記事で紹介した手法で行い、生成AIは検知結果を文章で説明する用途から試すのが安全です。 Q. 異常検知AIのために、センサーを新しく付ける必要はありますか？ まずは、PLCやデータロガーにすでに残っている電流・温度・圧力などのデータから試せます。ただし、見つけたい故障の兆しが手元のデータに表れるとは限りません。例えば、軸受の傷みは振動に表れやすいため、振動を測っていない設備ではセンサーの追加を検討します。 Q. 導入までにどのくらいの期間がかかりますか？ 対象範囲とデータの整備状況で変わります。データがそろっていれば、概念実証は数か月規模で実施できます。記録の仕組みから作る場合は、その準備期間が加わります。 参照元：Jiangほか「MMAD」（ICLR 2025） まとめ：異常検知AIは手法よりデータの状況から選ぶ 異常検知AIは、データの中から「いつもと違う」ものを見つける仕組みで、代表的なのは正常なときのデータだけで「いつもの状態」を学び、外れ具合を異常度として示す方式です。成否を分けるのは手法の種類より、手元のデータの見極めです。 手法は不良品データの量で選び、データが少ないうちは正常データだけで学ぶ教師なし学習から始めます 現場に定着させるには、既製品か個別開発かを問わず、データ不足・環境の変化・判定の根拠の3点に合わせて調整できるかを確かめます 課題の絞り込み、見逃しと誤検知の許容範囲、アラート後の対応、再学習の体制を、導入前に決めておきます 異常検知AIの検討でお悩みの際は、お問い合わせよりお気軽にご相談ください。最後までお読みいただき、ありがとうございました。 執筆：株式会社EQUES（東京大学松尾研発のAIスタートアップ。製薬・製造業のAI開発と、AI PoC「ココロミ」・AI相談「AI×DX寺子屋」を提供） 異常検知AIを自社データで試しませんか AI PoCサービス「ココロミ」が、現状分析から検証・評価、アクションプランの策定まで伴走します。まずは無料相談からどうぞ。 無料で相談する ココロミを見る
ALCOA原則とは？ALCOA+・++の要件とAI活用法を解説
記事の要約 ALCOA原則とは、記録が誰によるものか、読めるか、その場で記録されたか、原本か、正確かという5つの要件で、データの信頼性を確かめる考え方です。 ALCOA+では完全性・一貫性・永続性・利用可能性の4要件が加わり、追跡可能性を足したALCOA++は2025年公表のEU GMP改訂草案に盛り込まれました。 自社の記録は、値が生まれてから保管されるまでの流れをたどって転記や後追い記入の箇所を洗い出し、影響の大きいものから電子化を進めます。 製造記録の書き直しを指摘された、監査で「この数値の根拠は何ですか」と問われて答えに詰まった。 品質保証の現場では、こうした場面が今も日常的に起こっています。その背景にあるのが、データの信頼性を確保する考え方であるALCOA原則です。 本記事では、ALCOA原則の5要件を整理したうえで、ALCOA+・ALCOA++で追加された要件と、日本の改正GMP省令が何を求めているのかを条文に即して解説します。東京大学松尾研発のAIスタートアップとして製薬企業の品質保証業務を支援してきた弊社の視点で解説し、あわせて、紙やExcelでの管理が抱える弱点と、対応を支えるツールや製薬企業の取り組み、AIを使った現実的な進め方も紹介します。 読み終える頃には、自社のどの記録から手を付けるべきか、その順序が見えているはずです。 ALCOA原則とは？データインテグリティを支える5つの要件 ALCOA（アルコア）原則とは、製造記録や試験記録が証拠として信頼できるかを判断するための5つの要件を、英語の頭文字で表したものです。記録が欠けたり書き換えられたりせず信頼できる状態をデータインテグリティと呼び、ALCOAはそれを確かめる物差しにあたります。 では、記録に正しい値が書いてあるだけでは、なぜ足りないのでしょうか。出荷前の試験は抜き取った一部の検体で行うため、ロット全体が正しく作られたことは、製造と試験が手順どおりに行われたという記録で示すことになります。例えば試験記録に「含量99.8%」とあっても、測定した本人が書いたのか、翌日に記憶で書いたのか、元の測定データが残っているのかが分からなければ、その値を信じる根拠がありません。 ALCOAの5要件は、この「誰が、いつ、何を見て書いたのか」を後からたどれる条件を5つの面に分けたもので、それぞれ次のことを求めます。 帰属性（Attributable）は、誰がその作業を行い、記録したのかを特定できることです。紙なら本人の署名と日付、電子なら個人のIDと操作日時が証拠になります（押印は本人以外も押せるため、PIC/Sの指針は一般に推奨していません）。秤量をした人とは別の人が後でまとめて署名する、1つのIDを複数人で使い回す、といった運用は、誰の作業かを示せないため満たしません。 判読性（Legible）は、記録が読めて、意味が一つに定まることです。数字が判別できない字や、「〃」、社内でしか通じない略号で書いた記録は満たしません。訂正した後も元の記載が読めることまで含むため、修正液や塗りつぶしで直すのも不適切で、訂正は線を引いて元の値が読めるように消し、訂正した人・日付・理由を添えるのが基本です。 同時性（Contemporaneous）は、作業や観察をしたその時点で記録することです。秤量値をメモ用紙に書いて作業後に記録書へ清書する、1日の終わりにまとめて記入する、前日の日付で書き込む、といった運用は満たしません。後から書いた値は、その時に見た値なのか、記憶や推測で補ったものなのかを区別できないからです。 原本性（Original）は、最初に記録されたデータ（生データ）か、内容が同じと確かめた正確な写しを残すことです。天秤の印字を捨てて記録書に書き写した値だけを残せば、原本は失われます。HPLCの結果を印刷した紙だけを残して電子データを消す場合も同じです。電子データに含まれる解析条件や再計算の履歴は、紙では再現できないからです。 正確性（Accurate）は、記録が事実どおりで誤りがないことです。値そのものに加え、それを裏づける計算式や単位、測定に使った機器の校正まで正しいことが求められます。含量を計算するExcelの数式が誤っていたり、校正の期限が切れた天秤で量っていたりすれば、値を正しく書き写していても正確とはいえません。 5つの要件は、実際の記録の上ではつながっています。秤量値をメモに書いて後で清書すれば同時性を、メモを捨てれば原本性を、写し間違えれば正確性を損ないます。ひとつの手抜きが複数の要件を同時に崩すため、点検では要件を1つずつ確かめるより、記録がどう作られているかをたどるほうが漏れを見つけやすくなります。 ALCOA+・ALCOA++で追加された要件 ALCOA+（アルコアプラス）は、5要件に完全性・一貫性・永続性・利用可能性の4つを加えた9要件で、ALCOA++はさらに追跡可能性を加えた10要件です。5要件が1件の記録の作られ方を見るのに対し、加わった要件は、記録の集まりに欠けや食い違いがないか、保存期間のあいだ読める状態が続くかを見ます。 記録が電子データになると、この点が問題になりやすくなります。1つの試験結果が分析機器から解析ソフト、LIMS（試験室の情報管理システム）、成績書へと複数のシステムを渡って何年も保管されると、1件ずつは正しくても、一部が消える、値が食い違う、古いシステムでしか開けない、といったことが起こりえるからです。 ALCOA+が加えた4つの要件 各国のGMP査察当局が加盟するPIC/Sは、2021年7月発効のガイダンスで、紙と電子の両方に当てはまる基本原則としてALCOA+を示しました。4つの要件は次のとおりです。 Complete（完全性）：記録に欠けがないこと。不合格だった最初の試験結果や中止した測定、書き損じた用紙も残します。 Consistent（一貫性）：日付の書き方や単位がそろい、時刻の順序や記録同士の値に矛盾がないこと。 Enduring（永続性）：保存期間の終わりまで消えずに残ること。鉛筆や消せるボールペンでは書かず、印字が薄れる感熱紙は内容を確かめた写しを残します。 Available（利用可能性）：査察や調査の際に、必要な記録をすぐに取り出せること。 4つのうち見落としやすいのは完全性と一貫性です。例えば、含量試験で規格外の結果が出たため再試験し、合格した2回目の結果だけを試験記録に残したとします。残った記録は署名も日付もそろっていますが、1回目の結果と再試験に進んだ理由がなければ、良い結果が出るまで試験を繰り返したのではないことを示せません。 試験記録と成績書で含量の値が違う、といった一貫性の食い違いも、関係する記録を並べて初めて見つかります。どちらも記録を1枚ずつ見ている限り気づけないため、記録用紙の照合や、文書をまたいだ読み比べを手順に組み込む必要があります。 記録用紙の照合とは、通し番号を付けた用紙を台帳に記録して発行し、使い終えたら書き損じも含めて回収した枚数を合わせることです。こうしておけば、不都合な結果を書いた用紙を捨てて新しい用紙に書き直すことを防げます。 ALCOA++が加えた「Traceable（追跡可能性）」 追跡可能性とは、記録された値の出どころと、その後いつ、誰が、なぜ変えたのかを、後からたどれることです。例えば試験成績書の含量から、試験記録、HPLCの解析結果、最初の測定データへとさかのぼれ、途中の再解析や訂正の履歴も確かめられる状態を指します。紙では訂正の跡と理由が、電子データでは監査証跡（＝データの作成・変更・削除を誰がいつ行ったかを自動で記録し、変更の理由は操作者に入力させて残す機能）が、その役割を担います。 欧州委員会が2025年7月に公表したEU GMP第4章（文書化）の改訂草案は、追跡可能性を加えたALCOA++の10項目を、紙と電子の両方に当てはまる原則として示しました。草案の用語集は、完全性から追跡可能性までの追加項目を、もともと基本のALCOAに含まれる属性と説明しています。新しい義務を足したというより、データが複数のシステムを渡るようになった今、たどれることを改めて明示したものと考えられます。 参照元：PIC/S「PI 041-1」（2021年7月）／欧州委員会「Revised Chapter 4 – Documentation（草案）」（2025年7月） 日本の改正GMP省令はALCOAをどう求めているか 日本では、2021年8月施行の改正GMP省令で、記録の信頼性の確保が条文になりました。ALCOAという語は使われていませんが、条文が定める業務のうち3つは、ALCOA+の完全性・正確性・一貫性に対応します。 省令が製造業者等に義務づけているのは、記録の信頼性を保つ業務のやり方を文書で定め（第8条第2項）、あらかじめ指定した者にその文書どおり行わせることです（第20条第2項）。主な業務は次のとおりです。 手順書等と記録に欠落がないよう継続的に管理すること（Complete） 手順書等と記録が正確な内容であるよう継続的に管理すること（Accurate） 他の手順書等や記録との不整合がないよう継続的に管理すること（Consistent） 欠落や不正確・不整合が判明したら原因を究明し、是正措置と予防措置をとること これらの業務の記録を作成し、保管すること 厚生労働省の施行通知は、ここでいう「継続的」を、記録の作成時から保管期間が満了するまでと説明しています。例として、欠落には消失や読み取り不能を防ぐバックアップ、正確性には不正な改変を防ぐ保全措置、不整合には他の文書との照合や、転記ミス・コピーエラーの防止を挙げています。 一方、帰属性や同時性などの残りの要件は、条文に直接は書かれていません。施行通知はこの条文を「いわゆるデータ・インテグリティ」の確保に係る業務の規定と説明し、PIC/SのPI 041を「参考になる」文書として挙げています。義務として守るのは第20条第2項の業務で、ALCOA+を示すPI 041はその中身を具体的に考えるための参考、という線引きです。 条文の業務のうち対応が難しいのは、三つ目の不整合の管理です。製品標準書を改訂したのに製造指図書が古い条件のまま発行されている、といった変更管理から漏れた食い違いは、製品標準書・手順書・製造記録・逸脱報告を読み比べないと見つからず、文書が増えるほど人手では追いつきません。 査察でも記録は大きな論点です。PMDAが2025年度に出した軽度の不備928件では、データインテグリティを含む記録関連の3分類が計151件にのぼりました。共通して見られたのは、再試験の判断根拠が記録から十分に確認できない、記録を修正した理由が手順上明確に整理されていない、といった事例です。 国内の製造所では、文書や記録の管理方法、保管場所、発行・回収の運用といった、現場に近い管理が論点になる事例も多く見られました。再試験や訂正の理由と承認、記録用紙の発行と回収まで、後から記録でたどれる形にしておく必要があります。 対応方法の全体像は「データインテグリティとは？意味・ALCOA＋原則・製薬GMPでの対応方法を解説」で解説しています。 参照元：厚生労働省「GMP省令」、「医薬品及び医薬部外品の製造管理及び品質管理の基準に関する省令の一部改正について」（薬生監麻発0428第2号、2021年4月28日）／PMDA「2025年度 GMP/GCTP Annual Report」（2026年7月掲載・10月改訂） ALCOA原則が現場で崩れる3つの原因 ALCOA原則への不適合は、担当者の意識より仕組みの側に原因があることが少なくありません。PIC/SのPI 041-1も、過度な圧力や工程の能力を超える生産性の要求を、誤りや意図的な改ざんを招きうる間接的な要因に挙げています。次の3つの原因は、教育を徹底しても解消せず、記録の作り方そのものを変える必要があります。 1. 紙とExcelの二重管理 紙に書いた測定値を後からExcelに打ち直す運用では、打ち直すたびに写し間違いの機会が生まれ、正確性を損ないます。転記後に紙を捨てれば原本性が失われ、上書き保存すれば変更の履歴も残りません。確認者を増やしても、写す工程がある限り誤りは入り込むため、転記の工程そのものをなくすことが根本の対策です。 2. 手順が実態と合わない 手順書が「各操作の直後に記録する」と定めていても、無菌操作のように手を止めにくい工程や、紙の持ち込みが制限される区域では、その場で書くのが難しいことがあります。作業者は後でまとめて書くしかなく、同時性が崩れます。この状態で「その場で書くように」と指導しても、作業が回らない以上は元に戻ります。 作業場所で入力できる端末を置くなど、その場で書ける形に手順と設備を変える必要があります。別の人が代わりに記録する方法もありますが、PIC/SのPI 041-1はこれを、無菌操作中の介入の記録のように書く行為が製品に影響する場合などに限った例外とし、その場で記録し、作業者と記録者の両方を残すよう求めています。 3. システム機能が使われない 監査証跡を備えたシステムでも、ライセンス費用を抑えたい、人が替わるたびにIDを発行するのが手間だ、といった理由でHPLCの解析ソフトに共通のIDでログインしていれば、誰が再解析したのか分からず帰属性が崩れます。現行のPIC/SのPI 041-1は、費用節減のためであっても共有のパスワードは禁止すべきとしています。 監査証跡も、記録される量が多く、どこを見るかが決まっていなければ、誰も見ないまま結果の削除や再計算が見過ごされます。2025年公表のEU GMP Annex 11の改訂草案は、閲覧専用を除く共有アカウントの使用をデータインテグリティ違反とし、監査証跡の確認は原則として出荷判定の前に行い、誰が、何を、いつ確認するかを手順で定めるよう求めています。 参照元：PIC/S「PI 041-1」（2021年7月）／欧州委員会「Revised Annex 11 – Computerised Systems（草案）」（2025年7月） ALCOA原則への対応を進める3つのステップと対応ツール ALCOA原則への対応は、影響の大きい記録から順に手を打つのが現実的です。 QAI Generator の詳細はこちら 棚卸し・電子化・自動化の3ステップ 記録の流れをつかみ、転記をなくし、確認の負荷を下げる、の順に進めます。流れをたどらずに電子化すると、転記の箇所を残したままシステムに置き換えてしまい、結局は手戻りになります。 1. 棚卸しとリスク評価 まず、出荷判定に使う試験のように品質への影響が大きい工程を1つ選び、値が生まれてから保管されるまでの流れを最後までたどります。含量試験なら、天秤の印字、HPLCの電子データ、Excelでの計算、試験記録書、成績書、QAの照査と進む中で、人が値を書き写す箇所と原本の在りかを書き出し、各所で次の問いを確かめます。 □ 署名やIDは作業した本人のもので、その場で記録されているか（帰属性・同時性） □ 値が最初に記録された場所が分かり、そのデータが残っているか（原本性） □ 転記や計算の箇所を、別の人が確かめているか（正確性） □ 訂正の跡から、元の値と理由・訂正者が読み取れるか（判読性・追跡可能性） □ 再試験や中止した試験、書き損じた用紙も残っているか（完全性） □ 関係する記録の間で、値・日付・単位が一致しているか（一貫性） □ 保存期間の終わりまで読めて、求められたらすぐ出せるか（永続性・利用可能性） 問いに答えられない箇所が、手を打つ候補です。優先順位は、製品品質への影響と転記の回数で付けます。転記が多い記録ほど、正確性と原本性が崩れやすいからです。 製造所全体の手順や運用を評価する枠組みとしては、日本製薬工業協会が「DIコンプライアンス アセスメントシート」を公開しており、自社の点検項目をつくる際の手がかりになります。 2. 紙・Excel記録の電子化 次に、優先度の高い記録から電子化し、転記そのものをなくします。機器の値をシステムに直接取り込めば、ログインした人のIDと時刻が自動で残り、書き写す工程もなくなります。システムに直接つながらない計測器でも、アダプタを付けて値を送れる場合があります（ムネ製薬は計測器にBluetoothアダプタを接続）。 それもできず、画面に表示するだけの機器では、表示を画像から読み取るAI-OCR（＝AIによる文字認識）が選択肢になります。ただし、読み取った値はそのままGMPの記録になり、データインテグリティに直接かかわります。 2025年7月公表のEU GMP Annex 22（AI）の草案は、患者の安全・品質・データインテグリティに直接影響する重要な用途に、生成AIや大規模言語モデルを使うべきでないとしています。使うAIの種類を確かめたうえで、読み取った値は担当者が確認してから確定し、撮影した画像も元の記録として残す運用にします。 電子化と同時に、アクセス権限と監査証跡も設計します。稼働後に設定を変えるには変更管理と再検証が要り、それまでのデータには操作の履歴が残らないからです。 3. 文書作成・レビューの自動化 電子化が進んだら、確認の負荷を下げます。量が多く人が見きれない監査証跡の確認は、AIの活用が考えられる作業です。Annex 11の改訂草案も、監査証跡のレビューにツールを使うことを奨励しています。削除や再計算、同じ操作の繰り返しといった確かめるべき操作をAIで絞り込み、変更の理由は担当者が確かめる、という分担です。 文書の作成と照合も、同じ考え方で負荷を下げられます。弊社のQAI GeneratorはQA文書の案作りを、QAI Checkerは複数文書の数値・工程・名称の食い違いの検出を、AIで支援します。 どちらの場合も、判断は担当者が行います。前述のAnnex 22の草案は、重要な用途以外でも資格のある担当者が出力を確かめるよう求めているため、AIの出力は担当者が確認してから使う前提で、どの用途にどのAIを使うかを先に決めておくことが欠かせません。 参照元：欧州委員会「Revised Annex 11 – Computerised Systems（草案）」「New Annex 22 – Artificial Intelligence（草案）」（2025年7月） データインテグリティ対応のツールと製薬企業の事例 データインテグリティ対応や監査証跡を公式サイトで掲げる主な製品は次のとおりです（2026年10月時点）。 分野製品（提供会社）分析機器のデータ管理LabSolutions DB/CS（島津製作所）試験室の情報管理（LIMS）SampleManager LIMS（Thermo Fisher Scientific）、LabWare LIMS（LabWare）品質文書の管理Veeva QualityDocs（Veeva Systems）製造記録の電子化電子バッチ記録（マスターコントロール）現場帳票の電子化i-Reporter（シムトップス） ただし、ツールを導入しただけではALCOA原則を満たせず、運用の設計とセットで選ぶ必要があります。選ぶときは、個人ごとのIDと役割に応じた権限を設定できるか、監査証跡を止められない設定にでき、検索や並べ替えができるか、データを元の形式のまま保存期間を通じて取り出せるか、検証（バリデーション）に使える資料が提供されるかを確かめます。 ムネ製薬は、重量の測定値を計測器から自動で取り込み、手入力の転記をやめました。年間20〜30件発生していた転記ミスが、計測器と帳票システムの連携でほぼゼロになったとしています。 参照元：シムトップス「監査証跡を残し、記録・確認・管理の工数を削減。」（ムネ製薬株式会社） 科研製薬は、静岡工場のLIMS導入による電子化の取り組みを、日本製薬工業協会のGMP事例研究会で報告しています。キックオフから運用開始まで約13か月で導入した一方、コストと期間の制約もあり、稼働開始時には紙の記録が多く残ったとしています。 細胞・遺伝子治療の製造を担うCyto-Factoでは、通信機能のない機器の表示を作業員が手で記録していました。弊社は同社と、画面をAI-OCRで読み取り、管理システムへ自動入力する仕組みを検討し、読み取り部分の試作版（UIモック版）を開発して社内で動作を確かめました。 参照元：株式会社EQUES「AI-OCRで製造現場の記録を自動化｜Cyto-Factoの導入事例」 ALCOA原則に関するよくある質問 Q. ALCOA+とALCOA++のどちらに合わせればよいですか？ 国内では、施行通知が参考に挙げるPI 041-1のALCOA+を基本にするのが現実的です。そのうえで、監査証跡や訂正の記録で変更の経緯をたどれるようにしておけば、ALCOA++の追跡可能性にも対応しやすくなります。 Q. 紙の記録のままALCOA原則に対応できますか？ 手書きで完結する記録なら可能です。署名と日付、元の値が読める訂正、記録用紙の発行と回収の管理を徹底すれば、要件は満たせます。ただし、HPLCのように機器が電子データを作る試験では、印刷した紙だけでは原本にならないため、電子データも残す必要があります。文書間の照合と長期保管の劣化対策も、紙では負荷が高くなります。 Q. システム導入にはどのくらいの費用と期間がかかりますか？ 費用と期間は、対象とする記録の範囲、つなぐ機器やシステムの数、カスタマイズの量、検証の範囲で大きく変わります。期間の例では、本文で紹介した科研製薬のLIMS導入が、キックオフから運用開始まで約13か月でした。GMPで使うシステムは、コンピュータ化システム適正管理ガイドラインに沿った検証の工数も見込む必要があります。日本製薬工業協会は、製造所全体の長期プロジェクトになるとしてマスタープランの作成が有用だとしています。 まとめ：ALCOA原則は記録の作られ方から見直す ALCOA原則は、記録を誰が・いつ・何を見て書いたかをたどれるかで、その信頼性を確かめる5要件です。PIC/SはALCOA+を基本原則とし、改正GMP省令も欠落・不正確・不整合をなくす業務を義務づけています。 ひとつの手抜きが複数の要件を同時に崩すため、点検は記録の流れをたどって行う 原因が仕組みにあることも少なくなく、対策は記録の作られ方を変えること 棚卸し・電子化・自動化の順に進め、AIの出力は担当者が確認して使う 弊社は東京大学松尾研発のAIスタートアップとして、製薬の品質保証業務をAIで支援しています。ALCOA原則への対応でお困りの際は、お問い合わせよりお気軽にご相談ください。最後までお読みいただき、ありがとうございました。 執筆：株式会社EQUES（東京大学松尾研発のAIスタートアップ。製薬・製造業のAI開発と、AI PoC「ココロミ」・AI相談「AI×DX寺子屋」を提供） ALCOA対応の文書作成を、AIで支援しませんか QAI GeneratorとQAI Checkerは2週間の無料トライアルが可能です。どの記録から手を付けるべきかのご相談も承ります。 無料で相談する QAI Generatorを見る