Column
コラム
RAG導入で精度が出ない3つの原因と改善手順【2026年版】
記事の要約 RAGとは、社内文書などを検索してその内容をもとに生成AIに回答させる仕組みで、AIが知らない情報を扱えるようにする代表的な方法です。 精度が上がらない原因の多くはAIモデル側ではなく、元の文書を読み込む前処理と、検索の当て方にあります。 改善を進めるには、まず何が間違っていたのかを数値で特定できる評価の仕組みを用意することが先決です。 社内文書を読ませるRAGの仕組みを構築したものの、期待した答えが返ってこない。表の中の数値を聞くと的外れな回答が出る。現場から「結局、自分で探したほうが早い」と言われてしまう。 RAG導入の相談で最も多いのが、こうした「作れたのに使われない」という状態です。本記事は、RAGの作り方ではなく直し方に焦点を当てます。精度が出ない原因を前処理・検索方式・評価という3つの観点から切り分け、それぞれに何をすればよいかを具体的に示します。 あわせて、既存環境を活かしながら改善する現実的な進め方も解説します。読み終えるころには、自社のRAGのどこに問題があるのかを特定し、次の一手を決められるようになるはずです。 RAG導入の現実｜「作れたのに使われない」が起きる理由 RAG（Retrieval-Augmented Generation）とは、質問に関連する文書を検索し、その内容を根拠として生成AIに回答させる仕組みです。2020年に発表された研究で提案された手法で、モデル自体を学習し直すことなく、外部の知識を回答に反映できる点が利点とされています。 社内規程や製品仕様のようにAIが学習していない情報を扱う方法として、現在最も現実的な選択肢です。 ところが、実際に構築してみると精度が上がらないという相談が後を絶ちません。企業の生成AI活用が試験利用の段階にとどまり、全社的なサービスに組み込まれている企業が18.6％にすぎないという調査結果も、この停滞と無関係ではないでしょう。 重要なのは、この問題の原因がAIモデルの性能にあるケースが少ないという点です。より高性能なモデルに切り替えても、検索の段階で必要な文書が取れていなければ、出力は改善しません。RAGの精度は、検索の精度と前処理の質にほぼ規定されます。 ここを見誤ると、モデルの入れ替えを繰り返して時間と費用だけが消えていきます。 参照元：Lewis et al.「Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks」（2020年）／独立行政法人情報処理推進機構（IPA）「DX動向2026」（2026年7月30日公表・2025年度調査） RAGの精度が出ない3つの根本原因 精度が出ない事例を分解していくと、原因はほぼ次の3つに集約されます。上から順に影響が大きく、下の対策を先に打っても効果が出にくいという関係にあります。 原因1：データ前処理の手抜きにより、元の文書が壊れた状態で取り込まれている 原因2：ベクトル検索への過信と、キーワード検索の欠如 原因3：感覚的な評価による、改善ループの迷走 原因1は、すべての元凶といえる前処理の問題です。社内文書の多くはPDFやWordで、表組みや段組み、ヘッダー・フッターを含みます。これらを単純にテキスト化すると、表は行と列の対応が失われてただの数字の羅列になり、2段組みの文書は左右の文がつながって意味不明な文章になります。 各ページのヘッダーやフッターが本文に混入し、検索の邪魔をすることも頻繁に起こります。この状態で取り込めば、どれだけ検索を工夫しても、そもそも正しい情報が存在しません。「表の中の値を聞くと間違える」という症状が出ている場合、原因はほぼここです。 対策は、レイアウトを解析して表を構造のまま保持できる読み取り処理を使うこと、そしてヘッダーやフッターを除去したうえで、文書を意味のまとまりで分割することです。取り込み後に、変換されたテキストを人が実際に読んで確認する工程を省かないでください。 原因2は、検索方式の偏りです。RAGの構築では、文章の意味の近さで検索するベクトル検索が広く使われます。 表現が違っても意味が近い文書を拾える点が強みですが、弱点もあります。型番や法令の条番号、社内の略称のように、意味ではなく文字列そのものが手がかりになる情報は取りこぼしがちです。「型番を指定して聞いたのに別の製品の説明が返る」という症状はこの典型です。 対策は、ベクトル検索と従来のキーワード検索を併用し、両方の結果を統合するハイブリッド検索に切り替えることです。 さらに、検索で取得した候補を関連度の高い順に並べ替える再ランキングの処理を加えると、回答に渡す文書の質が上がります。主要なクラウドの検索サービスはこれらの機能を標準で備えているため、追加開発なしに切り替えられる場合もあります。 原因3は、評価の不在です。「なんとなく良くなった気がする」で改善を進めると、変更が効いたのか偶然なのか判別できません。結果として、前回の変更を打ち消すような修正を重ね、改善ループが迷走します。 対策は、想定質問と正解の組を集めた評価用データセットを用意し、変更のたびに同じ質問で測ることです。 測る指標は2段階に分けてください。ひとつは検索の段階で、正解の文書が候補に入っていたかどうか。もうひとつは生成の段階で、回答が渡した文書の内容に忠実かどうかです。 この2つを分けると、悪いのが検索なのか生成なのかが切り分けられ、次に直すべき箇所が明確になります。 精度を上げる改善手順｜どこから手を付けるか 原因が分かっても、闇雲に手を付ければ改善は遠回りになります。前処理と検索を同時に触ってしまい、どちらが効いたのか分からなくなる例は非常に多く見られます。効率の良い順序は決まっていて、測る仕組みを整えてから直す、という進め方が結局は最短です。 ここでは、評価の用意から実際の改修までを2段階に分けて説明します。 まず測る｜評価の仕組みを先に用意する 最初にやるべきは、改修ではなく現状の数値化です。現場の担当者に協力してもらい、実際に聞きたい質問を30問から50問程度集めます。それぞれについて、正解が書かれている社内文書と、期待する回答の要点を記録してください。 この作業は地味ですが、後の改善速度を決定づけます。評価データが揃えば、現状の正答率と、検索段階で正解文書を取得できている割合を測れます。 ここで「検索は当たっているのに回答が間違っている」のか「そもそも検索が外れている」のかが判明し、次の作業が決まります。多くの場合、問題は検索側にあります。 次に直す｜前処理と検索を順に改善する 検索が外れている場合は、前処理から見直します。取り込んだテキストを実際に開き、表が崩れていないか、ヘッダーが混入していないか、文書が意味の切れ目で分割されているかを確認してください。ここを直すだけで改善する事例は少なくありません。 前処理を整えたうえで、キーワード検索を併用するハイブリッド構成に変更し、再ランキングを加えます。そのうえで再度評価を回し、数値の変化を確認します。 生成段階に問題がある場合は、渡した文書以外の知識で答えないよう指示を明確にする、根拠となった箇所を必ず併記させる、といった対応が有効です。 いずれの場合も、一度に複数を変更せず、1つ変えるごとに測ってください。 セキュリティとコストを踏まえたアーキテクチャ選定 精度と並んで判断が必要になるのが、どこで動かすかという構成の選択です。選択肢は、クラウドのマネージドサービスを使う構成、自社環境に構築する構成、その中間となるハイブリッド構成の3つに大別できます。 構成データの所在初期の負担向いている状況クラウドのサービス利用事業者の管理領域小さい早く始めたい・運用要員が少ない自社環境に構築完全に自社管理大きい外部に出せない情報を扱うハイブリッド機密度で使い分け中程度文書の機密区分が分かれている 判断の起点になるのは、扱う文書の機密区分です。すべてを自社環境に置けば安全ですが、計算資源の調達と運用の負担が継続的に発生します。反対に、機密区分の整理をしないままクラウドに全文書を投入すると、後から取り出せない問題になりかねません。 実務的には、まず社内文書を機密度で分類し、外部に出せないものだけを自社環境で扱う構成が現実的です。 コスト面では、検索の実行回数と保存するデータ量が費用に直結するため、対象文書を絞ることが最も効果の高い削減策になります。 機密情報の扱いについては「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」もあわせてご覧ください。 RAG導入の事例｜他社の取り組みと、既存環境を活かして改善する選択肢 RAGの導入は「作れたのに使われない」段階から、精度を測りながら業務に定着させる段階へ移りつつあります。公表されている国内企業の取り組みを見ると、最初から全社展開したのではなく、対象データを絞った試験運用から始め、段階的に範囲を広げている例が目立ちます。 ここでは3社の公表内容を紹介したうえで、すでにRAGを構築済みの企業に多い「作り直さずに中身だけ直す」という選択肢を説明します。 パナソニック コネクト：公開情報で試してから社外秘情報へ対象を拡大 パナソニック コネクトは、自社向けAIアシスタント「ConnectAI」で2024年4月から社外秘情報を対象にした活用を始めました。 2023年9月に公開情報（ウェブページ約3,700ページ・ニュースリリース495ページなど）を対象に試験運用を行い、その後、品質管理に関する社外秘情報630件・11,743ページへ対象を広げたと2024年6月に公表しています。 同社は2025年7月に、2024年の年間削減時間が44.8万時間で前年の2.4倍になったことも発表しました。公開情報で試してから機密情報へ進むという順序と、削減時間という指標で効果を追い続けている点が参考になります。 JR東日本：内製RAGのプロトタイプを現場で検証 JR東日本は、社内組織が内製したRAGシステムのプロトタイプを2023年11月から一部箇所で試使用し、2024年10月からの全社試使用を予定していると2024年7月に発表しました。 登録した社内文書に基づいて回答を生成する仕組みで、アジャイル開発により社内の意見を継続的に取り入れながら本導入へ進めるとしています。あわせて、鉄道事業固有の情報を学習した「鉄道版生成AI」の開発を進めることも公表されています。 汎用の生成AIチャットを全社員に展開したうえで、業務固有の質問に答える仕組みを別に内製している点は、本記事で述べた汎用モデルの限界への現実的な対応です。 旭化成：過去事例を読み込ませた生成AIで技術伝承 旭化成は2024年12月、製造現場の技術伝承において、過去事例のデータを読み込ませた生成AIの活用を開始したと発表しました。 経験の浅い従業員でも抜け漏れなくリスクと対応策を洗い出せるようになったとしており、社内に蓄積された文書を生成AIに参照させて答えさせるという点で、RAGと同じ考え方に立つ取り組みです。 過去の文書がそのまま学習・参照の対象になるため、本記事の原因1で述べた前処理の品質が成果を左右する典型的な用途といえます。 参照元：パナソニック コネクト「パナソニック コネクト 生成AI導入1年の実績と今後の活用構想」（2024年6月25日）／「パナソニックコネクト、「聞く」から「頼む」へシフトしたAI活用で年間44.8万時間の削減を達成」（2025年7月7日）／東日本旅客鉄道「生成AIチャットの全社員展開及び生成AIの内製開発について」（2024年7月11日）／旭化成「生成AIを新規用途探索の自動化や製造現場の技術伝承において活用開始」（2024年12月9日） 既存のRAG環境を作り直さずに改善する選択肢 すでにRAGを構築している企業から多くいただくご相談が、「環境を作り直さずに、中のロジックだけを改善したい」というものです。実際、精度の問題はインフラ構成ではなく前処理と検索の設計に起因することが大半であるため、既存の環境を維持したまま改善できる場合がほとんどです。 作り直しを前提とした提案を受けている場合は、本当に必要なのかを一度確認することをおすすめします。 弊社は東京大学松尾研発のスタートアップとして、こうした改善を伴走型で支援しています。 文書のテキスト化という前処理の領域では、細胞・遺伝子治療分野のCDMOであるCyto-Factoに対し、機器の画面を読み取ってデータ化するAI-OCRの開発を提供し、サンプル画像で100％の認識精度を達成しました。読み取りの品質がその後のすべてを決めるという考え方は、RAGの前処理にも共通します。 まずは現状の課題を整理したいという段階であれば、AI・DXに関する困りごとを東大出身のAI専門家集団がチャットで解決する「AI×DX寺子屋」をご利用いただけます。 プランAは月額20万円で相談し放題、月1回のオンラインミーティングが付きます。改善の効果を検証したうえで本格的に進めたい場合は、AI PoCサービス「ココロミ」もご用意しています。 RAGを含むローカルLLMの構築については「情報漏洩を防ぐ「ローカルLLM」開発の全貌｜要件・RAG構築・導入ステップまで徹底解説」で詳しく解説しています。 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」 AI×DX寺子屋 の詳細はこちら RAG導入に関するよくある質問 Q. PDFの表や図を正しく読み取るにはどうすればよいですか？ レイアウトを解析し、表を構造のまま抽出できる処理を使う必要があります。単純なテキスト抽出では行と列の対応が失われます。読み取った結果を人が確認する工程を設けることも欠かせません。 Q. モデルを高性能なものに変えれば精度は上がりますか？ 検索段階で正解の文書が取得できていない場合、モデルを変えても改善しません。まず検索の成否を測り、原因が生成側にあるのか検索側にあるのかを切り分けてください。 Q. 評価用のデータはどのくらい用意すべきですか？ はじめは30問から50問程度で十分に傾向が見えます。重要なのは件数より、現場が実際に聞きたい質問で構成することです。 Q. 既存のクラウド環境を使い続けたまま改善できますか？ 多くの場合は可能です。精度の問題は前処理と検索設計に起因することが大半で、環境の作り直しが必要になるのは、機密区分の要件が変わった場合などに限られます。 まとめ RAG導入がうまくいかないとき、原因はAIモデルではなく、その手前の工程にあります。文書が壊れた状態で取り込まれていないか、検索の方式が偏っていないか、そして改善の効果を測れているか。 この3点を順に確認することが、遠回りに見えて最短の道です。本記事の要点は次のとおりです。 精度を決めるのは前処理と検索であり、モデルの入れ替えでは解決しない ベクトル検索だけに頼らず、キーワード検索を併用し再ランキングを加える 改善は測ることから始める。検索段階と生成段階を分けて評価すれば、直すべき箇所が特定できる 現在のRAGのどこに問題があるのか分からないという段階でも、評価の設計からご一緒できます。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。 RAGの精度にお困りの方へ 作り直さずに前処理と検索を直す。評価の設計から改善までご一緒します。 RAGでも残る誤回答（ハルシネーション）の原因と対策は、ハルシネーション対策を解説した記事で詳しく扱っています。 無料で相談する ココロミを見る
国産LLMとは？政府が選んだ7モデル比較と導入の判断基準
記事の要約 国産LLMとは、国内の企業や研究機関が開発した大規模言語モデルのことで、ゼロから開発したものと海外モデルを基に日本語へ最適化したものに分かれます。 デジタル庁が2026年3月に7つの国内開発モデルを選んだ際の公募条件は、学習データの適法性や安全性の評価など、企業の判断基準としても使えます。 汎用のモデルは自社固有の知識を持たないため、社内文書を参照させる仕組みや業務特化の設計と組み合わせる必要があります。 「社外にデータを出せないため海外のクラウドAIは使えない。かといって、国産LLMは種類が多くて何を基準に選べばよいのか分からない」。情報システム部門で検討が止まる典型的な理由です。比較記事は数多くありますが、性能の順位づけだけでは自社に適したモデルは決まりません。 本記事では、国産LLMの定義と開発の方式を整理したうえで、2026年3月にデジタル庁が政府利用に向けて選定した7モデルを一覧で紹介します。あわせて、その選定で実際に用いられた条件を、そのまま企業が使えるチェック項目として読み替えます。 公募の条件という客観的な基準をもとに解説するため、印象ではなく根拠に基づいて候補を絞り込めるようになります。 国産LLMとは？海外モデルとの違いと2つの開発アプローチ 国産LLMとは、国内の企業や研究機関が開発した大規模言語モデルを指します。海外の主要モデルとの違いは、性能そのものよりも、日本語の語彙や表現への適合と、データの取り扱いを国内の枠組みで完結させやすい点にあります。 日本語には敬語表現や主語の省略、同音異義語といった特徴があり、業務文書では独特の記述様式も使われます。こうした言語的な特性への対応が、国産LLMが注目される出発点です。 開発の方式は大きく2つに分かれます。ひとつは、設計から学習までを自前で行うフルスクラッチ開発です。Preferred Networksの「PLaMo」やソフトバンク系の「Sarashina」、NTTの「tsuzumi」がこの方式にあたります。 もうひとつが、海外で公開されている基盤モデルを土台に、日本語データで追加学習を行う方式です。ELYZAがMetaの「Llama」を基に開発したモデルや、富士通がCohereのモデルを土台とした「Takane」が該当します。 どちらが優れているという話ではなく、前者は言語モデルの中身まで国内で説明できる点、後者は世界的な性能向上の成果を取り込みやすい点にそれぞれの利点があります。自社が重視するのが説明可能性なのか、性能の伸びなのかで見方が変わります。 なぜ企業が国産LLMを求めるのか｜3つの理由 企業が国産LLMを検討する理由は、単なる国産志向ではありません。実務上の要請として、次の3点に整理できます。 データの越境と管理：機密情報を国内の管理下で処理したい 日本語と業務文書への適合：社内文書の様式に沿った出力が必要 供給の安定性：海外サービスの仕様変更や提供条件に左右されたくない 1つ目の動機はデータの取り扱いです。個人情報や取引先の機密を含む文書を扱う場合、どこで処理され、入力内容が学習に使われないかを説明できる必要があります。 2つ目の日本語適合は、実際に使うと差が出る部分です。海外モデルの日本語能力は年々向上していますが、行政文書や社内規程のような定型の様式に沿った出力では、日本語データで学習したモデルが安定する場面があります。 3つ目の供給の安定性は、長期利用を前提とする企業ほど重視する観点です。基幹業務に組み込んだ後にサービスの提供条件が変わると、移行に大きな負担が生じます。 この3点は、政府が国産LLMを採用する理由とも重なります。デジタル庁は、ガバメントAIには日本語の語彙・表現に適合し、日本の文化・価値観を尊重した国産LLMの活用が不可欠だとして、2025年12月2日から2026年1月31日を期限に国内開発LLMの公募を実施しました。 国内企業や研究機関が開発するAIモデルを政府が積極的に活用することで、信頼できるAIの国内開発を支援するという方針です。 【2026年版】政府が選定した国産LLM7モデル一覧 デジタル庁は2026年3月6日、生成AI利用環境「源内」で試験的に利用する国内開発LLMの選定結果を公表しました。15件の応募のうち、書類審査と評価テストを経て選定されたのは7件です。企業が候補を検討する際の出発点として、実用に足るかどうかを公的機関が確認した一覧は有用です。 モデル名開発・提供開発の方式tsuzumi 2株式会社NTTデータフルスクラッチ開発PLaMo 2.0 Prime株式会社Preferred Networksフルスクラッチ開発Sarashina2 miniソフトバンク株式会社フルスクラッチ開発cotomi v3日本電気株式会社（NEC）自社開発Llama-3.1-ELYZA-JP-70BKDDI株式会社・株式会社ELYZA海外基盤モデルを基に開発Takane 32B富士通株式会社海外基盤モデルを基に開発CC Gov-LLMカスタマークラウド株式会社行政分野に特化 この一覧で注目したいのは、規模の大きいモデルばかりが並んでいるわけではない点です。小規模なモデルや、特定の分野に特化したモデルも選定対象に含まれています。大きいほど良いという前提で選ぶと、運用コストに見合わない結果になりかねません。 選定の条件から分かる、企業が確認すべき観点 より参考になるのは、選ばれたモデル名よりも、選定にあたって課された条件です。公募では、機密性2情報を扱えるだけのセキュリティを確保し、ガバメントクラウド上の推論環境で動作することが求められました。 また、海外の主要LLMと比較したベンチマーク結果を提供できること、とくにハルシネーション、バイアス・差別的表現、有害コンテンツ生成に関する安全性の取り組みを複数の評価指標で説明できることが条件とされています。 さらに、学習用データについては、法令遵守の状況を具体的に説明できることが条件とされました。加えて、独自開発モデルか派生モデルかの区別を含め、開発経緯・開発方法・開発体制を具体的に説明できることも求められています。 これらはそのまま、企業がLLMを選ぶ際の確認項目として使えます。自社が導入を検討しているモデルについて、学習データの適法性を説明できるか、自社の管理下にある環境で動かせるか、安全性の評価が第三者の指標で示されているかを確認してください。性能の数値だけを比べる評価より、はるかに実務的な判断ができます。 オープンソースのLLMという選択肢 商用サービスとして提供されるモデルのほかに、重みが公開されているオープンソース系のモデルという選択肢もあります。 東京科学大学と産業技術総合研究所が進めるSwallowプロジェクトや、国立情報学研究所を中心とするLLM-jpなど、研究機関が主導する取り組みからも日本語に対応したモデルが継続的に公開されています。 自社サーバーに構築すれば、入力データを社外に出さずに運用でき、モデルの中身も検証できます。 ただし、公開されていることと自由に商用利用できることは別です。ライセンスの条件はモデルごとに異なり、利用目的や再配布の可否に制限が設けられている場合があるため、検証を始める前に配布元の条項を必ず確認してください。 自社環境での構築については「情報漏洩を防ぐ「ローカルLLM」開発の全貌｜要件・RAG構築・導入ステップまで徹底解説」で詳しく解説しています。 参照元：デジタル庁「ガバメントAIで試用する国内大規模言語モデル（LLM）の公募結果」（2026年3月6日公表） 国産LLM導入のメリットと、導入前に知っておくべき限界 国産LLMの利点は、これまで述べたとおりデータの管理と日本語適合、供給の安定性にあります。 一方で、導入を検討する段階で理解しておくべき限界も存在します。第一に、汎用モデルである以上、自社固有の知識は持っていません。社内規程や製品仕様、過去の対応履歴といった情報は学習に含まれていないため、そのまま質問しても正しく答えられません。 この解決には、社内文書を検索して回答に反映させる仕組みを組み合わせる必要があります。 第二に、専門分野の正確さです。医薬品の品質保証や法務のように、記載の誤りが重大な影響を及ぼす業務では、汎用モデルの出力をそのまま使うことはできません。 第三に、運用の負担です。自社環境で動かす場合、モデルの規模に応じたGPUなどの計算資源が必要になり、その調達と維持が継続的なコストになります。規模の小さいモデルであれば要件は下がりますが、期待する精度との兼ね合いで決める必要があります。 国産LLM選びで失敗しないためのチェックポイント ここまでの内容を踏まえ、検討の際に確認すべき項目をまとめます。導入目的が決まっていない段階でモデルを比較しても結論は出ないため、最初の2項目から順に進めてください。 □ 何の業務に使うかを1つに絞れているか □ 扱う情報の機密区分と、置ける場所の条件が定まっているか □ 学習データの適法性を提供元が説明できるか □ 安全性の評価が客観的な指標で示されているか □ 自社データを参照させる仕組みを併せて設計しているか □ 必要な計算資源と、その運用体制を見積もっているか □ 精度が不足した場合の追加学習や切り替えの余地があるか 弊社は東京大学松尾研発のスタートアップとして、企業ごとの要件に合わせたLLMの活用を支援しています。 専門業務における精度の課題に対しては、製薬の品質保証に特化したサービスを提供しており、GMP文書業務を効率化する「QAI Generator」では、簡単な質問に答えるだけで必要書類をAIが自動作成します。 導入企業の万協製薬株式会社では変更申請書を含むGMP文書で70％の業務効率化を実現したと公表しています。弊社の製薬特化型LLMの開発は、経済産業省・NEDOのGENIACにも採択されています。 複数のQA文書間の齟齬を段落ごとに解析して検出する「QAI Checker」もあわせてご利用いただけます。 自社専用の仕組みを検証したい場合は、AI PoCサービス「ココロミ」でスモールスタートから進められます。 モデルの比較検討については「ローカルLLM比較｜主要モデル5選と実行ツール3選【2026年最新】」、セキュリティ全般は「2026年版AIセキュリティ完全ガイド｜経営者が知るべき対策法」もご覧ください。 ココロミ の詳細はこちら 国産LLMに関するよくある質問 Q. 日本語に対応したLLMの導入事例にはどのようなものがありますか？ 政府の生成AI利用環境「源内」では、国内開発のモデルを試験的に利用する取り組みが進んでいます。民間でも、社内文書の検索や部門固有の資料作成といった用途での活用が広がっています。 Q. 導入にはどのくらいの期間がかかりますか？ 既存のサービスを利用する形であれば短期間で始められます。自社環境に構築し、社内データを参照させる仕組みまで作る場合は、データの整備状況によって数か月単位の期間を見込む必要があります。 Q. 自社専用にカスタマイズ（ファインチューニング）は可能ですか？ モデルのライセンスと提供形態によります。重みが公開されているモデルであれば追加学習は可能ですが、まずは社内文書を参照させる方式で十分か検討することをおすすめします。そのほうが更新が容易です。 Q. オープンソースの日本語LLMはどこで入手できますか？ 研究機関や企業がモデル配布プラットフォーム上で公開しています。利用にあたっては、商用利用の可否や再配布の条件がモデルごとに異なるため、配布元のライセンス条項の確認が必要です。 Q. LLMの導入にはどの程度のGPUが必要ですか？ モデルの規模と、同時に何人が使うかによって変わります。規模の小さいモデルであれば要件は下がりますが、必要な精度を満たすかは検証しなければ判断できません。まず小さい構成で試し、不足が確認できてから増強する順序が無駄になりません。 まとめ 国産LLMの選定は、性能の順位表を眺めることではなく、自社が扱う情報と業務の要件に照らして条件を満たすかを確認する作業です。政府の公募で課された条件は、そのまま企業の確認項目として使えます。本記事の要点は次のとおりです。 国産LLMにはフルスクラッチ開発と海外基盤モデルを基にした開発の2方式があり、重視する点で選び方が変わる デジタル庁は2026年3月、15件の応募から7つの国内開発LLMを選定した。その選定条件が実務的な判断基準になる 汎用モデルは自社固有の知識を持たないため、社内データを参照させる仕組みや業務特化の設計と組み合わせる 導入目的と扱う情報の条件が定まれば、候補は自然に絞り込まれます。自社の要件整理からご一緒することもできますので、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。 国産LLMの導入をご検討の方へ 扱う情報の条件と業務の要件整理から、自社専用の仕組みの検証までご一緒します。 無料で相談する ココロミを見る
AI受託開発とは？費用の考え方と依頼できる6領域【2026年】
記事の要約 AI受託開発とは、自社の課題に合わせたAIの企画・開発・運用を外部の専門企業に委託する形態で、既製のサービスでは対応できない領域を埋める選択肢です。 費用は開発するモデルの種類そのものよりも、データの整備状況と、求める精度に応じた検証や運用の工数によって大きく変わります。 委託先を選ぶ際は実績の有無だけでなく、できないことや前提条件を事前に説明してくれるかどうかが判断材料になります。 「自社の業務に合うAIツールが見つからない」 「既製のサービスでは扱えないデータがある」 こうした行き詰まりから、AI受託開発を検討し始める企業が増えています。とはいえ、開発会社に問い合わせても提示される金額の幅が大きく、何を基準に判断すればよいのか分からないという声も多く聞かれます。 本記事では、AI受託開発の位置づけを内製化やSaaS導入と比較したうえで、依頼できる領域を6つに整理します。あわせて、費用が何によって決まるのかという構造と、コストを抑える現実的な方法を具体的に説明します。 国の統計による市場の実態と、弊社が実際に受託した案件の進め方の両面から解説するため、自社が委託すべきかどうかを判断できるようになります。 AI受託開発とは？内製化・SaaS導入との違い AI受託開発とは、企業が自社の課題解決を目的として、AIの企画・開発・実装を外部の専門企業に委託する形態を指します。既製のAIサービスを契約して使うSaaS導入とも、自社の技術者が開発する内製化とも異なり、自社固有の要件に合わせたものを社外の専門性で作る点が特徴です。 3つの選択肢は対立するものではなく、扱う課題によって使い分けるべきものです。定型的な業務、たとえば文書の要約や議事録の作成であれば、既製のサービスを契約するほうが圧倒的に早く安価です。 一方、自社にしか存在しないデータを使う、業界特有の規制要件を満たす、既存の基幹システムと連携させるといった要件が入ると、既製品では対応が難しくなります。この領域が受託開発の出番になります。 内製化については、継続的に開発案件が発生し、技術者を雇用し続ける体制が取れる企業であれば有力ですが、最初の一歩を内製で踏み出すのは難易度が高くなります。委託で進めながら社内に知見を蓄積し、段階的に内製へ移すという順序が現実的です。 内製化との比較は「AI内製化とは？外注との比較表やメリット、費用と成功事例を徹底解説」で詳しく解説しています。 なぜ今、AI受託開発の需要が高まっているのか 需要の拡大には、市場の成長と人材の不足という2つの背景があります。まず市場規模です。日本のAIシステム市場の支出額は2024年に1兆3,412億円となり、前年比で56.5％増加しました。 1年で5割以上伸びる市場では、各社が自社にAIをどう組み込むかを同時に検討している状態であり、着手の速さがそのまま競争上の差になります。 成長は一時的なものではありません。同市場は2029年には4兆1,873億円まで拡大すると予測されており、5年で3倍を超える計算です。AI開発を「いつか検討する」課題ではなく、投資時期を決める課題として捉える企業が増えている理由がここにあります。 次に人材です。開発を担える人材を自社で確保できれば委託の必要はありませんが、その前提が成立していません。DXを推進する人材の「量」が不足していると回答した企業は2025年度で85.5％、「質」については88.8％にのぼり、質の不足感は前年度の86.1％より強まっています。 人を増やしても必要な水準に届いていないという企業が多数を占めているということです。 委託先の側にも制約があります。2024年に新たに資金調達を受けたAI企業の数は、米国が1,073社であるのに対し日本は42社で9位にとどまります。国内で専門性を持つ組織の絶対数が限られていることが、委託先の選定を難しくしている一因です。 参照元：総務省「令和7年版 情報通信白書」第Ⅱ部第1章第9節（AI市場規模・AI企業数）／独立行政法人情報処理推進機構（IPA）「DX動向2026」（2026年7月30日公表・2025年度調査） AI受託開発に依頼できる6つの領域 AI受託開発は「AIを作ること」だけを指すわけではありません。実際の案件では、作る前後の工程にこそ委託の価値があることが少なくありません。依頼できる領域は次の6つに整理できます。 課題の明確化とデータ分析：何をAIで解くべきかを業務から逆算して定義する PoC（概念実証）：小さな範囲で実現可能性と効果を確かめる カスタムAIモデルの開発：自社データを用いた専用モデルの構築 既存システムへの組み込み：基幹システムや業務システムとの接続 DX推進の支援：AI活用を前提とした業務プロセスの再設計 運用・保守と継続的な改善：精度の監視と再学習の仕組みづくり 最初の「課題の明確化」を省略しないことが、最も重要です。AIプロジェクトが途中で止まる原因の多くは、技術力の不足ではなく、解くべき課題の設定が曖昧なまま開発に入ってしまうことにあります。作りたいものが決まっている前提で見積もりを取ると、この工程が抜け落ちがちです。 2番目のPoCは、投資判断のための工程です。本開発に進むかどうかを、実データで確かめた根拠に基づいて決められるようになります。 最後の運用・保守も見落とされやすい領域です。AIは一度作れば終わりではなく、業務やデータの傾向が変われば精度は落ちていきます。導入時の契約に、運用フェーズの取り決めを含めておく必要があります。 AI受託開発の費用の考え方と抑える3つのコツ 結論から述べると、AI受託開発に画一的な相場は存在しません。同じ「画像認識AIの開発」でも、学習用データが整っているか、どの精度まで求めるか、既存システムとどこまで連携するかで、必要な工数は何倍も変わるためです。 金額の幅だけを比べても判断できないため、何に費用がかかるのかという構造で理解してください。 工程別に見る費用の内訳 費用の大半を占めるのは、モデルの構築そのものではなくデータに関する工程です。学習に使えるデータが社内に整理された形で存在することは稀で、実際には形式の統一、欠損の補完、正解ラベルの付与といった作業が必要になります。 とくに正解データを人手で作るアノテーションの工程は、対象の件数と難易度によって費用が大きく動きます。 次に大きいのが検証の工程で、どこまでの精度を合格とするかによって試行回数が変わります。 そして見落とされやすいのが運用に関する費用です。推論を動かすための計算資源、精度の監視、再学習の実施はいずれも継続的に発生します。 見積もりを比較する際は、総額ではなくこの3つの内訳がどう構成されているかを確認してください。 コストを抑える3つのコツ 第一に、公的な支援制度の活用です。AIの導入や開発は補助金の対象となる場合があり、対象経費や公募時期は制度ごとに異なるため、検討の初期段階で確認しておくと選択肢が広がります。 第二に、スモールスタートです。最初から本開発の見積もりを取るのではなく、対象を1工程に絞った検証から始めれば、初期投資を抑えながら実現可能性を確かめられます。 実際に弊社が支援した株式会社RYODENの事例では、月額数十万円というスモールスタートから協業を開始しており、コスト面での導入ハードルの低さが意思決定を後押ししたと評価をいただいています。 参照元：株式会社EQUES「三菱電機グループ RYODENが語る、生成AI導入の決め手とその成果」 第三に、内製化を前提とした進め方です。開発を丸ごと任せるのではなく、社内メンバーが検討に参加する形にすれば、2回目以降の案件で外部に依頼する範囲を狭められます。 失敗しないAI受託開発会社の選び方と依頼の流れ 委託先の選定は、価格の比較だけでは判断を誤ります。AI開発には、やってみなければ分からない不確実性がどうしても含まれるため、その不確実性をどう扱う相手なのかを見極める必要があります。安請け合いをする相手より、条件と限界を先に示す相手のほうが、結果として投資判断を誤りにくくなります。 ここでは、会社のタイプごとの向き不向きと、問い合わせの段階で確認しておきたい項目を順に整理します。 ココロミ の詳細はこちら AI受託開発会社の比較｜タイプ別の代表的な企業 AI受託開発を手がける企業は、得意領域によっていくつかのタイプに分かれます。特定技術に強い企業は技術領域が明確な案件に、大規模開発を得意とする企業は基幹システムとの連携を含む全社規模の案件に向きます。 コンサルティングを主軸とする企業は課題の定義から入りたい場合に有効ですが、実装が別会社になる場合があるため体制の確認が必要です。研究開発型の企業は、既存手法では解けない難易度の高いテーマに向いています。 代表的な企業を、各社が公式サイトで掲げている事業内容とあわせて整理します（掲載順は五十音・アルファベット順ではなく、タイプごとのまとまりです。特徴は各社公式サイトの記述に基づき、優劣を示すものではありません）。 会社名タイプ公式サイトの記述に基づく特徴Preferred Networks研究開発型AI半導体・計算基盤・生成AI基盤モデル・AIプロダクトの4層を自社開発する垂直統合。製造業からエンタメまで幅広い産業向け松尾研究所研究開発型・人材育成深層学習の研究力を基盤に概念実証から実用化まで取り組むAIソリューション開発と、AI人材育成の2事業Laboro.AIカスタムAI受託オーダーメイドの「カスタムAI」の開発・提供。長期的にイノベーション創出を支援する共創パートナーを掲げるRidge-i特定技術（画像・衛星・最適化）生成AI・画像解析・数理最適化などのAIソリューションを戦略策定から運用改善まで提供。衛星データ解析で受賞歴PKSHA Technologyアルゴリズム開発＋SaaS自然言語処理・画像認識・機械学習のアルゴリズムをソリューションとして提供し、成果をSaaS化。4,400社以上の導入実績ABEJAプラットフォーム＋実装支援DX実行に必要なプロセスを提供する「ABEJA Platform」を軸に、LLMのビジネス実装や基幹業務改革を支援ブレインパッドデータ活用コンサル＋開発アナリティクスとエンジニアリングでデータ活用を実装するプロフェッショナル・サービスと、SaaSプロダクトの2軸エクサウィザーズプロダクト＋変革支援生成AIとAIエージェントを核に、業務効率化から経営変革までを支援するAIプロダクト群AVILENコンサル＋開発＋育成AI戦略コンサルティング、AIソフトウェアの開発・導入、人材育成を一気通貫で支援。約1,000社の支援実績大手SIer（NEC・富士通・日立製作所・NTTデータ等）大規模開発基幹システムとの連携や全社規模の実装体制。既存システムの保守ベンダーと同一の場合は連携が容易総合コンサルティング（アクセンチュア・PwC等）戦略〜実装経営課題の定義から入る案件に向く。実装体制と費用構造は個別確認が必要 一覧を見比べると分かるとおり、「AI受託開発会社」と一括りにしても、研究開発力を売りにする企業、プロダクトを軸に据える企業、コンサルティングから入る企業では、得意な案件も費用の構造もまったく異なります。自社の案件がどのタイプかを先に見極めると、候補を絞り込めます。 研究開発型の企業は難易度の高いテーマに強い一方、汎用的な業務であればSaaSやプロダクトを持つ企業のほうが早く安く済むこともあります。 参照元：各社公式サイト（2026年9月時点の記述） 見積もり前に確認すべきチェックポイント 問い合わせの段階で、次の項目を確認してください。 □ 自社と近い業種・業務での実績が公開されているか □ できないことや前提条件を先に説明してくれるか □ 結果だけでなく、その結論に至った根拠を説明できるか □ 小さく始められる契約形態があるか □ 開発した成果物の権利の扱いが契約で明確か □ 運用フェーズの体制と費用が示されているか □ 技術者本人と直接話せる体制か 依頼から運用までの流れは、相談と課題の整理、PoCによる検証、本開発、運用・改善という順に進むのが一般的です。各段階の終わりに、次へ進むかどうかを判断する機会を設けておくと、想定と違った場合の損失を小さく抑えられます。 上の分類でいえば、弊社は研究開発型に近い立ち位置で、東京大学松尾研発のスタートアップとしてAIを用いた伴走型の技術開発を提供しています。 AI PoCサービス「ココロミ」はスタンダードプランが月々250万円からで、大規模開発の前段となる検証から分析、アクションプランの策定までを一貫して行います。 製薬の品質保証領域では、GMP文書業務を効率化する「QAI Generator」を提供しており、導入企業の万協製薬株式会社では変更申請書を含むGMP文書で70％の業務効率化を実現したと公表しています。GENIACへの採択実績もあります。 複数のQA文書間の齟齬を自動検出する「QAI Checker」もご利用いただけます。まず何から相談すべきか整理したい段階であれば、月額20万円で相談し放題の「AI×DX寺子屋」もご用意しています。 開発全体の流れについては「【AI開発】基礎から徹底解説！AIの導入・開発フローをわかりやすく解説」、検証工程の詳細は「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」もあわせてご覧ください。 受託先を比較する基準は、生成AI開発会社の選び方と比較基準をまとめた記事で7つの観点に分けて解説しています。 AI受託開発に関するよくある質問 Q. AIについて詳しくないのですが、相談できますか？ 問題ありません。むしろ課題の整理から一緒に進めるほうが、結果的に無駄のない開発になります。技術的な選択肢の説明は委託先の役割ですので、業務上困っていることを具体的に伝えていただければ十分です。 Q. 開発期間はどのくらいかかりますか？ 検証段階であれば数か月単位が目安となりますが、対象範囲とデータの整備状況によって変わります。期間を短縮したい場合は、工程を減らすのではなく検証するテーマを絞るほうが確実です。 Q. どのようなデータがあれば開発できますか？ 必要なデータは目的によって異なります。過去の実績や記録が電子的に残っていれば出発点になりますが、紙の記録しかない場合は、まずデータ化の工程から検討することになります。相談時に現状のまま共有いただければ判断できます。 Q. 開発したAIの知的財産権はどちらに帰属しますか？ 契約によって定めるため、案件ごとに取り決めが必要です。成果物・学習済みモデル・学習に用いたデータそれぞれについて扱いが異なる場合があるため、契約前に範囲を確認してください。 Q. 既存のシステムを入れ替える必要がありますか？ 必ずしも必要ではありません。既存システムに機能を追加する形での実装も可能です。現行環境を活かせるかどうかは、接続の仕様を確認したうえで判断することになります。 まとめ AI受託開発は、既製のサービスでは扱えない自社固有の課題に対して、外部の専門性を短期間で取り込むための手段です。費用や期間は画一的に決まるものではなく、データの状態と検証の設計によって大きく変わります。本記事の要点は次のとおりです。 AI受託開発は内製化・SaaS導入と対立するものではなく、自社データや規制要件が関わる領域で選ぶ手段である 費用の大半はモデル構築ではなくデータ整備と検証、運用に関わる工程で決まる 委託先は価格ではなく、できないことを先に説明できるか、小さく始められるかで選ぶ 何を解くべきかが定まれば、開発の規模も費用の見通しも具体的になります。課題の整理からご一緒することもできますので、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。 AI受託開発をご検討の方へ 課題の整理から小さな検証まで、東京大学松尾研発のチームが伴走します。 無料で相談する ココロミを見る
プロンプトエンジニアリングの例10選｜コツと手法を徹底解説
記事の要約 プロンプトエンジニアリングとは、生成AIへの指示文を設計し、狙った出力を安定して得られるようにする取り組みのことです。 指示文の精度は、役割・前提条件・出力形式・禁止事項という4つの要素をどれだけ具体的に書けるかで大きく左右されます。 指示の工夫だけでは埋まらない領域もあり、正確さが厳しく問われる専門業務では仕組み側での対応が必要になります。 生成AIを使ってみたものの、返ってきた文章が当たり障りのない内容で、結局は自分で書き直している。多くの現場で起きているこの状況の原因は、AIの性能ではなく指示の出し方にあります。 本記事では、プロンプトエンジニアリングの基礎を短く整理したうえで、業務でそのまま試せるプロンプト例を10個紹介します。あわせて、出力の精度を上げる5つのコツと、研究で有効性が示されている代表的な手法も解説します。 単なる例の羅列ではなく、なぜその書き方が効くのかまで示すため、自社の業務に合わせて応用できるようになります。東京大学松尾研発のAI開発企業として企業の生成AI活用を支援してきた弊社の経験も踏まえています。 プロンプトの工夫では超えられない限界にも触れるので、どこまでを指示で解決し、どこからを仕組みで解決すべきかの線引きも見えてくるはずです。 プロンプトエンジニアリングとは？基礎を3分で整理 プロンプトエンジニアリングとは、生成AIに与える指示文（プロンプト）を設計し、目的に合った出力を安定して得られるようにする技術です。同じAIでも、指示の書き方ひとつで出力の質は大きく変わります。曖昧な指示に対してAIは最も無難な答えを返すため、平凡な結果になるのは当然ともいえます。 この技術が業務上重要になる理由は、再現性にあります。個人が試行錯誤の末に良い出力を得ても、その手順が共有されなければ組織の成果にはなりません。 実際、企業の生成AI活用は個人利用や試験利用が中心で、全社的なサービスに組み込まれている企業は18.6％にとどまります。5社に4社以上は、まだ個人の工夫の段階にあるということです。 部署ごとの差も大きく開いています。生成AIを利用している部署は「ITシステム」が71.9％、「経営企画」が69.0％と、管理系が先行しています。 一方、「製造」は35.7％、「調達」は31.3％、「流通」は23.9％と、現場業務に近い部署ほど活用が進んでいません。 管理部門と現場の間には、およそ2倍の開きがあります。業務ごとに再現できるプロンプトを整備することは、この差を埋める現実的な手段になります。 参照元：独立行政法人情報処理推進機構（IPA）「DX動向2026」（2026年7月30日公表・2025年度調査） すぐ使えるプロンプトエンジニアリング例10選 ここからは、実際の業務で使えるプロンプト例を紹介します。いずれもそのまま貼り付けて試せる形にしていますが、重要なのは文面をまねることではなく、どの要素が効いているかを理解することです。同じ構造を自分の業務に当てはめれば、例にない場面でも応用できるようになります。 そこで各例には、その指示が機能する理由を一言添えました。前半は部署を問わず使える汎用業務、後半は製薬・製造・小売の専門業務に分けて紹介します。 汎用業務で使えるプロンプト例5つ 1. 議事録の要約「あなたは経営会議の書記です。以下の議事録を、決定事項・保留事項・次回までの宿題の3つに分類して箇条書きにしてください。担当者名と期限が記載されている項目は必ず含めてください。推測で補完せず、記載のない情報は『記載なし』としてください。」役割を与え、分類の枠を先に指定し、さらに推測を禁じている点がポイントです。最後の一文がないと、AIは空欄をもっともらしく埋めてしまいます。 2. 社外メールの下書き「取引先の購買担当者に送る、納期遅延のお詫びメールを作成してください。遅延は3営業日、原因は部材の調達遅れ、代替案として分納を提案します。丁寧かつ簡潔に、300字程度で。言い訳がましい表現は避けてください。」相手・状況・提案・文量・避けたい表現まで指定すると、修正の手間が大きく減ります。 3. 資料の構成案づくり「製造部門の管理職15名向けに、生成AIの社内活用をテーマとした30分の説明資料の構成案を作ってください。聞き手はAIに詳しくなく、コスト対効果に関心があります。見出しと各スライドで伝えたい一文をセットで提示してください。」聞き手の属性と関心事を書くと、内容の焦点が定まります。 4. 情報の比較整理「以下の3つのサービスについて、料金体系・導入期間・サポート範囲・制約事項の4項目で比較表を作ってください。資料に記載がない項目は空欄とし、推測は記入しないでください。」比較軸を自分で決めて渡すことが精度の分かれ目です。軸を指定しなければ、AIは都合の良い軸で表を作ります。 5. 文章の校正「以下の文章を校正してください。修正案だけでなく、なぜ修正が必要かの理由を各指摘に添えてください。事実関係の誤りが疑われる箇所は、修正せずに指摘だけしてください。」理由を求めることで、採用するかどうかを自分で判断できるようになります。 専門業務で使えるプロンプト例5つ 6. 製薬｜逸脱報告書の下書き「医薬品製造における逸脱報告書の雛形を作成してください。含めるべき項目は、発生日時・発見者・逸脱の概要・製品品質への影響評価・暫定措置・是正措置および予防措置（CAPA）です。各項目に、記載時の確認観点を注釈として添えてください。」枠組みの作成には有効ですが、内容の妥当性は必ず人が判断する前提で使ってください。 7. 製薬｜手順書の確認観点の洗い出し「以下のSOPと作業記録を読み、記載が食い違っている可能性がある箇所と、その理由を挙げてください。断定はせず、確認が必要な観点として列挙してください。」断定を避けさせることで、見落としの気づきを得る使い方に寄せられます。 8. 製造｜不具合の原因候補の列挙「以下の不具合報告を読み、考えられる原因を人・機械・材料・方法の4つの観点で分類して挙げてください。各原因について、それを確かめるための確認方法もセットで示してください。」分析の枠組みを指定すると、発想の偏りを防げます。 9. 製造｜作業手順書の言い換え「以下の作業手順書を、入社1年目の作業者が読んで理解できる表現に書き換えてください。専門用語は残したうえで、初出時に短い注釈を付けてください。手順の順序と安全上の注意は絶対に変更しないでください。」変えてよい部分と変えてはいけない部分を明示するのが要点です。 10. 小売｜販促文の複数案生成「この商品の紹介文を3案作成してください。1案目は機能の具体性を重視、2案目は使用シーンの描写を重視、3案目は価格の納得感を重視してください。各案の狙いも一行で添えてください。」1つの正解を求めず、方向性の違う案を並べさせると比較検討が進みます。 精度を上げる5つのコツと代表的な手法 10個の例を見て気づかれたかもしれませんが、効くプロンプトには共通する構造があります。役割を与え、前提を伝え、出力の形を決め、やってほしくないことを先に断る。この4点が揃っているかどうかで、返ってくる内容の質は大きく変わります。 ここからは、その構造を意識的に使えるようにするための考え方と、研究によって効果が確認されている手法の両方を整理します。 書き方の5つのコツ 第一に、役割を与えることです。「あなたは品質保証の担当者です」と前置きするだけで、使われる語彙と観点が業務寄りに変わります。 第二に、出力の形式を指定することです。箇条書きなのか表なのか、何字程度かを指定すれば、後工程の手直しが減ります。 第三に、前提条件を書くことです。読み手が誰で、何のために使う文書なのかを伝えると、内容の焦点が定まります。 第四に、やってほしくないことを明示することです。「推測で埋めない」「事実は断定しない」といった禁止事項は、生成AIが苦手とする誤った補完を抑える効果があります。 第五に、一度で完成させようとしないことです。出力を見てから「3番目の項目をもっと具体的に」と追加で指示するほうが、長大な初回プロンプトを書くより早く目的に近づきます。 研究で示されている代表的な手法 プロンプトの工夫は経験則だけでなく、研究によって効果が確認されているものがあります。代表的なのが、少数の例を示してから本題を与える手法です。 大規模言語モデルが少数の例示から課題を理解できることは、2020年の研究で示されました。出力形式が定まらないときは、望ましい入出力の組を2〜3個添えるだけで安定します。 もう一つが、答えだけでなく考える過程を書かせる手法です。2022年に発表された研究では、途中の推論を段階的に書かせることで、計算や論理を含む課題の正答率が向上することが報告されています。 実務では「結論の前に、判断の根拠を順に説明してください」と加えるだけでも効果が期待できます。これらの手法は特定のサービスに依存しないため、利用しているAIが変わっても応用できます。 参照元：Brown et al.「Language Models are Few-Shot Learners」（2020年）／Wei et al.「Chain-of-Thought Prompting Elicits Reasoning in Large Language Models」（2022年） うまくいかない時の改善手順と、プロンプトの限界 期待どおりの出力が得られない場合、闇雲に文面を書き換えるのではなく、原因を切り分けてください。確認する順序は、1つ目に指示が曖昧でないか、2つ目に必要な情報を与えているか、3つ目にそもそもAIが知り得ない情報を求めていないか、の3つです。 自社の社内規程や最新の製品仕様のように、AIが学習していない情報を前提とした質問には、いくら指示を工夫しても正しく答えられません。この場合に必要なのは、プロンプトの改善ではなく、社内文書を参照させる仕組みの導入です。 もう一つ、指示の工夫では埋めきれない領域があります。それが、正確さが厳しく問われる専門業務です。たとえば医薬品の品質保証で扱うGMP文書は、規制要件との整合や、複数文書間で記載が矛盾していないことが求められます。 汎用の生成AIに雛形を作らせること自体は可能ですが、規制要件を満たす精度で仕上げることや、数十ページにわたる文書群の齟齬を漏れなく検出することは、プロンプトの工夫だけでは困難です。この領域では、業務に特化して設計された仕組みを使うほうが確実です。 弊社は東京大学松尾研発のスタートアップとして、製薬の品質保証業務に特化したサービスを提供しています。 「QAI Generator」は、質問に答えるだけで必要書類をAIが自動作成するGMP文書業務の効率化サービスです。導入企業の万協製薬株式会社では変更申請書を含むGMP文書で70％の業務効率化を実現したと公表しています。経済産業省・NEDOのGENIACにも採択されています。 複数のQA文書間の齟齬を段落ごとに解析して検出する「QAI Checker」もあわせてご利用いただけます。 企業導入の課題と学習ロードマップ 個人がプロンプトを工夫できるようになっても、組織としての成果にはすぐに結びつきません。企業導入で共通して挙がる課題は、成果が個人に閉じること、機密情報の扱いが不明確なこと、そして評価基準がないことの3つです。 対策としては、業務ごとにうまくいったプロンプトを共有する場を作ること、入力してよい情報の範囲を社内ルールとして明文化すること、そして「手直しにかかる時間」など簡単な指標で効果を測ることが有効です。 学習の進め方としては、基礎的な書き方を覚える段階、自分の担当業務で型を作る段階、部門内で共有して改善する段階の順に進めると無理がありません。独学で行き詰まる多くの理由は、2段階目の「自分の業務に翻訳する」ところにあります。 弊社の「AI×DX寺子屋」は、AI・DXに関する困りごとを東大出身のAI専門家集団がチャットで解決するサービスで、プランAは月額20万円で相談し放題、月1回のオンラインミーティングが付きます。 業務特化型の教材で学びたい場合は、1回約10分の動画と確認テスト、コピー＆ペーストできる実務用プロンプトテンプレートを備えた「AI×DX寺子屋 Learning」もご用意しています。 社内ルールの整備については「【企業向け】生成AIガイドラインの作り方と事例11選・必須項目（テンプレート付き）」、研修の比較は「【2026年】生成AI研修おすすめ15選と失敗しない選び方・助成金活用法」もあわせてご覧ください。 AI×DX寺子屋 の詳細はこちら プロンプトエンジニアリングに関するよくある質問 Q. ChatGPT以外のAIでも同じプロンプトは使えますか？ 基本的な考え方は共通して使えます。役割の付与、出力形式の指定、禁止事項の明示といった要素は、サービスを問わず有効です。ただし得意分野や応答の癖は異なるため、細部の調整は必要になります。 Q. プロンプトエンジニアリングに将来性はありますか？ 指示文を細かく調整する作業そのものは、モデルの性能向上によって簡略化されていく可能性があります。一方で、業務を分解して「何をAIに任せるか」を設計する力は、引き続き必要とされる領域だと考えられます。 Q. 無料で学べる資料はありますか？ 主要なAIサービスの提供元は、公式ドキュメントとして指示文の設計指針を無料で公開しています。代表的なものに、OpenAIの「Prompt engineering」ガイドや、Anthropicの開発者向けドキュメントがあります。 研究の原典も論文公開サイトで無料で読めるため、手法の背景まで確認したい場合はそちらが確実です。 Q. 企業でプロンプト活用を始める際の初期費用はどのくらいですか？ ツール利用料のみであれば、まずは利用者分のライセンス費用から始められます。一方、社内文書を参照させる仕組みや専用サービスを導入する場合は、対象業務の範囲によって費用が変わるため、個別の見積もりが必要です。 Q. プロンプトの作成を外部に委託できますか？ 可能です。ただし、業務の中身を最も理解しているのは社内の担当者であるため、外部が型を提供し、社内で運用しながら改善していく分担が現実的です。 まとめ プロンプトエンジニアリングは、特別な技術というより、AIに仕事を頼むときの伝え方を整えることに近い取り組みです。役割・前提・出力形式・禁止事項を具体的に書くだけで、出力の質は大きく変わります。本記事の要点は次のとおりです。 効くプロンプトには共通構造がある。10の例は文面ではなく構造をまねて応用する 少数の例示や、推論過程を書かせる手法は研究でも効果が示されており、サービスを問わず使える AIが知り得ない情報や、規制対応が求められる専門業務は、指示の工夫ではなく仕組みで解決する まずは自分の担当業務で1つ、繰り返し使える型を作ってみてください。そこから先の仕組み化でお困りのことがあれば、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。 プロンプト活用を組織に広げたい方へ 業務ごとの型づくりから、指示の工夫では届かない領域の仕組み化まで相談できます。 無料で相談する AI×DX寺子屋を見る
AI人材とは？不足の実態と確保する3つの選択肢【2026年】
記事の要約 AI人材とは研究者・開発者・企画者の3つを指す言葉ですが、実務で最も不足しているのは自社の業務とAIをつなぐ橋渡し役です。 人材の不足は量より質の面で深刻化しており、人数を揃えることと、成果を出せる状態にすることは別の課題として扱う必要があります。 確保の手段は育成・採用・外部委託の3つで、着手までの期間と社内に残る資産が異なるため、自社の時間軸に合わせて組み合わせるのが現実的です。 「AIを活用したいが、社内に分かる人間が一人もいない」。経営会議でこの課題が挙がったまま、何年も動けずにいる企業は少なくありません。求人を出しても応募がなく、育成しようにも教えられる人がいない。 この行き止まりは、AI人材という言葉が指す範囲が曖昧なまま議論されていることにも一因があります。本記事では、AI人材の定義を国の調査に沿って整理したうえで、統計から見える不足の実態を「量」と「質」に分けて説明します。 そのうえで、育成・採用・外部委託という3つの選択肢を比較し、それぞれが向く状況を具体的に示します。読み終えるころには、自社が今どの手段に投資すべきかを、根拠を持って判断できるようになるはずです。 AI人材とは？経済産業省の定義と現場で求められる実像 AI人材とは、経済産業省の調査における定義では、AIを実現する数理モデルについての研究者、AI機能を搭載したソフトウェアやシステムの開発者、AIを活用した製品・サービスの企画・販売者の3つを指します。学術・研究機関に属する研究者は含まれません。 この定義の重要な点は、AI人材が技術者だけを指す言葉ではないということです。企画や販売を担う人材も、はじめからAI人材の範囲に含まれています。 一方で、実際の企業でAI活用が止まる原因を見ていくと、この3分類のどれにも当てはまらない役割の不在が浮かび上がります。以下では、定義に沿った3つの役割と、現場で最も不足している役割の両方を確認します。 定義に含まれる3つの役割 1つ目の数理モデルの研究者は、新しいアルゴリズムやモデル構造そのものを扱う役割です。高度な数学と論文レベルの知識が求められ、母数が最も少ない層にあたります。 2つ目の開発者は、既存のモデルを自社のシステムに組み込み、動く形にする役割です。データ処理基盤の構築や既存システムとの接続が主な仕事で、AI活用の実装を担います。 3つ目の企画・販売者は、AIを使って何を実現するかを決め、価値として届ける役割です。技術の詳細を自分で実装する必要はありませんが、AIに何ができて何ができないかを正しく理解している必要があります。 多くの企業が「AI人材が欲しい」と言うとき、実際に想定しているのは1つ目ではなく、2つ目と3つ目であることがほとんどです。 定義に入っていない「橋渡し役」が最も足りない 実務で決定的に不足しているのは、自社の業務を深く理解したうえで、どの工程にAIを入れるべきかを判断できる人材です。この役割は、モデルを作る力よりも、業務の流れを分解して「ここは自動化できる」「ここは人が判断すべき」と切り分ける力を必要とします。 AIプロジェクトが途中で止まる典型的な原因は、技術力の不足ではなく、解くべき課題の設定が間違っていることにあります。優秀な技術者を採用しても、何を作るべきかが決まっていなければ成果は出ません。 逆にこの橋渡し役が社内にいれば、技術部分を外部に委託しても、プロジェクトは前に進みます。AI人材の確保を検討する際は、この役割を誰が担うのかを先に決めてください。 参照元：経済産業省「IT人材需給に関する調査（概要）」（2019年4月公表） データで見るAI人材不足の実態｜量は緩和、質は悪化している AI人材の不足は繰り返し語られますが、その中身は数年前と変わってきています。DXを推進する人材の「量」について、「やや不足している」「大幅に不足している」と回答した企業の合計は2025年度で85.5％でした。10社のうち8社以上が、いまも人数が足りないと感じている計算です。 ただし、内訳を見ると変化が起きています。「大幅に不足している」と答えた企業は2025年度に50.1％で、2023年度の62.1％から2年続けて下がりました。深刻な不足を訴える企業が1割以上減ったということで、量の面ではやや解消に向かっていると読めます。 問題はここからです。人材の「質」の確保状況では、不足と回答した企業の合計が2024年度の86.1％から2025年度は88.8％へと増加しました。人数の面では改善の兆しがある一方で、必要な水準に達した人材が足りないという感覚はむしろ強まっているのです。 この落差は、採用や育成によって人員を増やしても、期待した成果に結びついていない企業が相当数あることを示唆しています。 AIの利活用状況にも、同じ構図が現れています。生成AIを利用している部署は「ITシステム」が71.9％と最も高く、「経営企画」69.0％、「総務・法務」68.4％と管理系の部門が続きます。管理部門では、およそ3社に2社が生成AIを使っている状態です。 一方で、現場に近い部署の数字は大きく下がります。「製造」は35.7％、「調達」31.3％、「流通」23.9％にとどまり、管理部門との差はおよそ2倍です。事業の中核である現場業務には、生成AIがまだ届いていないということです。 現場業務でAIを使うには、その業務固有の知識とAIの理解を両方持った人が必要になります。ここでも不足しているのは人数ではなく、組み合わせの力だといえます。 参照元：独立行政法人情報処理推進機構（IPA）「DX動向2026」（2026年7月30日公表・2025年度調査） AI人材がいない企業がとるべき3つの選択肢 結論から述べると、育成・採用・外部委託のどれか1つで解決する企業はほとんどありません。それぞれ、成果が出るまでの時間と社内に残るものが異なるためです。まず違いを整理します。 選択肢着手から成果まで社内に残るもの向いている状況育成年単位業務知識とAI理解を併せ持つ人材中長期でAI活用を自走させたい採用半年〜年単位専門スキルそのもの継続的な開発案件が確実にある外部委託数か月契約内容により大きく変わる実現可能性を早く見極めたい 育成：最も確実に資産が残る方法 育成は、最も確実に資産が残る方法です。自社の業務を知る社員がAIを理解すれば、前章で述べた橋渡し役が生まれます。ただし、教える人材が社内にいない状態では独学に頼ることになり、途中で止まるリスクがあります。 外部の学習資源を使う場合、到達目標の目安として日本ディープラーニング協会（JDLA）の「G検定」（AI・ディープラーニングを事業活用する知識を問う検定）と「E資格」（理論を理解し実装する能力を認定する資格。JDLA認定プログラムの修了が受験条件）が広く使われています。 社会人向けの認定講座としては株式会社松尾研究所の「Deep Learning 基礎講座」（受講料99,000円・E資格認定講座）などがあり、経済産業省とIPAが運営する「マナビDX」では受講料無料の講座も探せます。 いずれの場合も、座学だけで終わらせず自社の実データを扱う演習まで組み込まないと、業務に接続しません。 採用：必要なスキルを直接得られるが競争が激しい 採用は、必要なスキルを直接手に入れられる一方で、市場の競争が激しい方法です。採用できたとしても、その人材が力を発揮するには課題設定とデータ環境が整っている必要があります。受け入れ体制のないまま採用すると、期待した成果が出ず早期に離職するという結果になりかねません。 外部委託：着手が最も早いが社内に知見が残りにくい 外部委託は、着手までの時間が最も短い方法です。ただし、成果物だけを受け取る契約では、社内に知見が残らないという弱点があります。この弱点を補うのが、外部の専門家と社内メンバーが一緒に手を動かす伴走型の進め方です。 弊社の「AI×DX寺子屋」もこの考え方に立った月額制の相談サービスで、内容は記事の後半で紹介します。 AI×DX寺子屋 の詳細はこちら 伴走型支援が選ばれる理由と実際の進み方 伴走型支援とは、外部の専門家が成果物を納品して終わりにするのではなく、社内の担当者と並走しながら進め方そのものを共有していく形式を指します。育成と外部委託の中間に位置づけられ、着手の速さと知見の定着を両立できる点が特徴です。 この形式の支援は弊社に限らず複数の企業が提供しており、たとえばAVILENは戦略立案からAI導入・人材育成までを一気通貫で支援すると公式サイトで説明し、ブレインパッドはデータ分析・基盤構築とあわせて人材育成を支援領域に挙げています。松尾研究所はAIソリューション開発とAI人材育成の2事業を柱としています。 候補を比較する際は、次章のチェックリストを共通の物差しにしてください。ここでは、弊社が実際に支援した事例から、伴走型の進み方を具体的に紹介します。 三菱電機グループの総合技術商社である株式会社RYODENの戦略技術センターでは、AIや機械学習のPoC経験はあったものの、生成AIについては学術的な検証実績がなく、研究の進め方自体に戸惑いがあったといいます。 弊社との協業の決め手となったのは、単なる受託開発ベンダーではなく、学術的な素養を持つ研究者出身のメンバーが在籍していた点でした。プロジェクトは月額数十万円というスモールスタートから始められ、月に1回の定例報告会で進捗と技術的な説明を行いました。 評価をいただいたのは、単なる結果報告ではなく、課題に対してどのような前提でその結果が導かれたのかを丁寧に説明した点です。「AI×DX寺子屋」という形で社内メンバーと弊社の技術者が密にコミュニケーションを取る体制をとったことで、知識の定着や理解の深まりにもつながったとの評価をいただいています。 東北電力株式会社の事業創出部門では、生成AIの基本とプロンプトの書き方、新規事業開発に活きる使い方を扱う1Day研修を実施し、研修後には受講者が各自の業務効率化を進める結果につながりました。 同部門とはその後、事業創出部門専用のAIモデルの研究やパーソナルLLM構想など、多岐にわたるテーマで協業を検討しています。学ぶことと作ることを切り離さず、同じ相手と続けられる点が伴走型の利点です。 参照元：株式会社EQUES「三菱電機グループ RYODENが語る、生成AI導入の決め手とその成果」／「東北電力が語る、AIリテラシー向上を目的とした1Day研修導入とその手応え」 失敗しないAIパートナー選びのチェックリスト 外部の力を借りると決めた場合、次の論点はパートナーの選定です。提案の見栄えではなく、次の項目を確認してください。 □ 自社の業種・業務領域での支援実績が公開されているか □ できないことや前提条件を事前に説明してくれるか □ 結果だけでなく、その結論に至った根拠を説明できるか □ 小さく始められる契約形態があるか □ 社内メンバーが関与できる進め方になっているか □ 技術者本人と直接話せる体制か □ 検証が不調だった場合の判断基準を事前に決められるか とくに2番目と7番目は見落とされがちです。AI活用には、やってみなければ分からない領域がどうしても残ります。その不確実性を伏せて「できます」とだけ答える相手より、条件と限界を先に示す相手のほうが、結果的に投資判断を誤りにくくなります。 AI人材がいない企業の相談窓口「AI×DX寺子屋」とは ここからは弊社のサービスの紹介です。「AI×DX寺子屋」は、AIやDXに関する疑問や困りごとに、東大出身のAI専門家集団がチャットで回答する月額制の相談サービスです。 「AIやDXに詳しい人材が社内にいない」「どのAIサービスを導入すればよいか分からない」という、本記事で扱ってきた状況を想定して設計しています。採用や育成の成果が出るまでの期間に、社内に足りない橋渡し役を外から補う使い方ができます。 プラン料金内容トライアル無料初回オンライン相談（30分）プランA月額20万円（税込22万円）チャットで相談し放題、オンラインコンサルティング（月1回60分）プランB応相談要望に応じて内容を決定（例：技術顧問、開発支援、AI人材研修の実施） 相談の方法は、メールやチャットで担当者にメッセージを送るだけです。24時間を目安に担当者から連絡が届きます。 実際には、上申のための資料づくり、業務内でのAI活用方針の策定、技術検証といった場面でのご利用が多く、「AIツールを導入したが社内に定着しない」という運用面のご相談にも対応しています。 プランBでは企業向けのAI人材研修や技術顧問のほか、茨城県立竜ヶ崎第一高等学校・附属中学校でAIエージェントを題材にした特別授業を実施した例もあります。 ロート製薬株式会社：製品スペック作成の自動化から生成AI活用 品質部門の人材不足を背景に導入された、ロート製薬株式会社の事例です。同社の品質統括部では、GMP（医薬品の製造管理および品質管理の基準）の要求水準が年々高まって業務量が増える一方、専門人材はキャリア採用が難しく、育成にも長い年月を要するという課題を抱えていました。 そこで「まずは30〜40%でも業務効率化を実現できないか」と発想を切り替え、製品スペック（仕様書）作成の自動化から生成AIの活用に着手しています。導入の決め手として挙げられているのは、AI×DX寺子屋の提案が費用面でスモールスタートを切りやすく、導入のハードルが低かった点です。 導入後は、生成AIを実際の品質管理業務にどう落とし込むかという実践的な知見を得られたとの声をいただいています。 株式会社Essencimo：約30名の組織で全社的な生成AI活用 約30名の組織で全社的な生成AI活用を進めた、株式会社Essencimoの事例です。補助金申請支援を手がける同社では、「そもそも生成AIをどう業務に取り入れたらいいのか分からない」という声があり、AIリテラシーにも個人差がありました。 テキストベースで個別の相談に応じる形式が、現状のリテラシーに合ったサポートになると判断して導入されています。回答に参考URLが添えられていた点や、結論だけでなく技術的な背景まで説明された点を評価いただきました。 一方で、「1ヶ月という期間では、期待するレベルに到達するにはもう少し時間が必要」という率直な声や、回答を実際の業務に落とし込む難しさも挙がっています。相談窓口を置くだけでなく、社内で活用を推進する担当者を決めておくことが、効果を引き出す前提になります。 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」／「Essencimoが語る、生成AI活用の第一歩と「AI DX寺子屋」導入の実感」／「AI×DX寺子屋｜茨城県立竜ヶ崎第一高校・附属中学校で「未来の教室」を開催」 AI×DX寺子屋が向いているのは、何から着手すべきかを見極めたい段階や、社内の担当者が判断に迷ったときの相談先を確保したい段階です。反対に、作るものがすでに決まっていて開発の手だけが必要な場合は、受託開発や採用のほうが適しています。 自社の状況が相談に向くかどうかは、無料の初回オンライン相談（30分）で確かめられます。 業務知識を体系的に学びたい場合は、1回約10分の動画と確認テスト、実務用プロンプトテンプレートで学べる「AI×DX寺子屋 Learning」もご利用いただけます。 研修サービスの選び方については「AI研修のおすすめ比較！失敗しない選び方とは？【法人向け活用講習】」、内製化との比較は「AI内製化とは？外注との比較表やメリット、費用と成功事例を徹底解説」もあわせてご覧ください。 AI×DX寺子屋 の詳細はこちら AI人材に関するよくある質問 Q. AI人材に必要なスキルセットはどう定義すればよいですか？ 役割によって異なります。開発を担うならプログラミングとデータ処理の知識が必須ですが、企画を担うなら自社業務の理解とAIの限界に関する知識が中心になります。求人票を書く前に、どの役割を埋めたいのかを先に決めてください。 Q. 採用と育成、どちらを優先すべきですか？ 継続的な開発案件が確実にあるなら採用、まだ何を作るか決まっていない段階なら育成と外部活用の組み合わせが現実的です。作るものが決まっていない状態での採用は、受け入れ側の負担が大きくなります。 Q. 社内に理系人材がいなくてもAI活用は可能ですか？ 可能です。実際に成果を出している企業では、業務知識を持つ担当者が課題設定を担い、技術部分を外部と分担しています。重要なのは専攻ではなく、業務を分解して考えられるかどうかです。 Q. 外部に委託すると社内にノウハウが残らないのでは？ 契約の形によります。成果物のみを受け取る形では残りにくい一方、社内メンバーが検討に参加する伴走型であれば、進め方の判断基準が組織に蓄積されます。契約前に関与の形を確認してください。 Q. AI人材を採用する余力も、育成する時間もありません。何から始めればよいですか？ まず、社内の疑問を専門家にすぐ聞ける状態を作ることをおすすめします。判断に迷うたびに検討が止まる状況を解消できれば、今いる社員だけでも小さな活用は進められます。 弊社の「AI×DX寺子屋」は初回30分のオンライン相談が無料ですので、どのような相談ができるかの確認からご利用ください。 まとめ AI人材の確保は、人数を揃える問題ではなく、自社の業務とAIをつなげられる状態を作る問題です。統計が示すとおり、量の不足が緩和に向かう一方で質の不足感はむしろ強まっており、採用や育成だけでは埋まらない領域が残ります。本記事の要点は次のとおりです。 AI人材には研究者・開発者・企画者の3つの役割があり、実務で最も不足しているのは業務とAIをつなぐ橋渡し役 DX推進人材の不足は量が85.5％、質が88.8％で、質の不足感は前年度より強まっている 育成・採用・外部委託は時間軸と残る資産が異なる。伴走型支援は着手の速さと知見の定着を両立できる 採用や育成の成果が出るまでの間は、月額で専門家に相談できる窓口を持つと、判断に迷って検討が止まる状況を避けやすい 自社に足りないのがどの役割なのかが定まれば、打つべき手は自ずと決まります。何から手を付けるべきか迷う段階であれば、「AI×DX寺子屋」の無料相談（初回30分）をご活用ください。最後までお読みいただき、ありがとうございました。 AI人材がいなくても、専門家にすぐ相談できます AI×DX寺子屋は、東大出身のAI専門家集団にチャットで相談し放題の月額サービスです。初回30分のオンライン相談は無料です。 無料で相談する AI×DX寺子屋を見る
技能伝承をAIで進めるには？課題と活用事例・導入4ステップ
記事の要約 技能伝承とは、熟練者が長年かけて身につけた知識や判断を次の世代へ引き継ぐ取り組みで、人材構成の変化により多くの現場で時間的な余裕が失われています。 AIで扱える技能は一様ではなく、文書に残る知識・身体で覚えた技能・判断の技能に分けると、それぞれに適した技術と難易度が見えてきます。 取り組みの出発点は、伝えたい技能を洗い出して優先順位をつけることであり、どの技能から着手するかの見極めが成否を左右します。 「あの人が辞めたら、この工程は止まる」。そう分かっていながら、日々の生産に追われて手を打てないまま時間だけが過ぎていく。技能伝承の課題は、多くの製造現場でこうした形で放置されています。 近年はAIを使った技能伝承に注目が集まっていますが、「ベテランの技をAIに覚えさせる」という漠然とした目標のままでは、どこから手を付ければよいのか分かりません。 本記事では、技能伝承がうまくいかない構造的な理由を整理したうえで、伝えたい技能を3つに分類し、それぞれにどの技術が向いているのかを具体的に示します。弊社が実際に熟練技術者のノウハウをAI化した開発事例も紹介するため、自社のどの技能から着手すべきかを判断できるようになります。 なぜ今、技能伝承にAIが必要とされているのか 技能伝承にAIが求められる最大の理由は、従来の方法である「時間をかけて隣で教える」が成立しにくくなっているためです。製造業の就業者数は2024年の1,046万人から2025年には1,033万人へ減少しました。1年で13万人の働き手が現場から消えた計算で、教える側の人数そのものが減っています。 人手の逼迫は現場の実感にも表れています。中小企業における製造業の従業員数過不足DIは2025年にマイナス17.9となり、人手不足は感染症拡大前の水準に戻っています。現場に余剰人員がない状態では、教える側も教わる側も通常業務を抱えたままになり、計画的な育成の時間を確保できません。 さらに深刻なのが人材構成の変化です。2002年以降、製造業では34歳以下の若年就業者が減少する一方、65歳以上の高齢就業者は増加してきました。 技能継承を進めるための取組として最も多く選ばれているのは、再雇用や勤務延長によって高年齢の従業員に継続して勤務してもらう方法で、その割合は54.8％にのぼります。半数を超える企業が、技能を移すことではなく、技能を持つ人に残ってもらうことで当面をしのいでいる計算です。 これは問題の解決ではなく先送りであり、期限が近づいているという認識が広がっていることが、AI活用への関心につながっています。 参照元：経済産業省・厚生労働省・文部科学省「2026年版ものづくり白書」（2026年5月公表。DIは中小企業庁「中小企業景況調査」2025年12月、技能継承の割合はJILPT「ものづくり産業における雇用・定着と技能継承に関する調査」2026年5月による） 技能伝承がうまくいかない3つの理由 AIの話に入る前に、なぜ従来のやり方で伝承が進まなかったのかを押さえておく必要があります。原因を取り違えたままツールを導入しても、同じ壁に突き当たるためです。現場で繰り返し観察される理由は、次の3つに整理できます。 言語化の壁：熟練者自身が、自分の判断根拠を説明できない 時間の壁：教える時間が業務の中に組み込まれていない 検索性の壁：マニュアルは作ったが、必要なときに見つけられない 最も根深いのが言語化の壁です。熟練者に「なぜこの条件にしたのですか」と尋ねても、返ってくるのは「音が違うから」「感覚で分かる」といった答えであることが少なくありません。本人に隠す意図はなく、判断が無意識化しているために言葉にできないのです。 この状態では、聞き取りによるマニュアル化そのものが成立しません。 次に時間の壁です。技能伝承は重要ではあっても緊急ではないため、常に日々の生産より後回しになります。制度として教育時間を確保しない限り、現場の善意だけでは続きません。 そして検索性の壁があります。苦労してマニュアルを整備しても、数百ページの文書から必要な1行を探すのは困難です。結局は「先輩に聞いたほうが早い」という状態に戻り、文書は更新されなくなります。 技能伝承にAIが効くとすれば、この3つ目の検索性の壁と、1つ目の言語化の壁に対してです。 技能を3つに分けるとAIの使いどころが見える 技能伝承のAI活用でつまずく最大の原因は、性質の異なる技能をひとまとめに扱ってしまうことです。「ベテランの技」と一言でまとめられている中身には、書けば伝わる知識も、書いても伝わらない感覚も混在しています。そのため、同じ方法で扱おうとすると、多くの場合どこかで行き詰まります。 伝えたい技能を次の3種類に分けると、必要な技術と実現の難易度、そして着手すべき順序がはっきりします。自社の課題がどれに当たるかを確かめながら読み進めてください。 1. 文書に残っている知識 対話で引き出せるようにします。作業標準書、過去のトラブル報告、設計基準、議事録といった、すでに文字になっている知識が対象です。 この領域は現在最も実用性が高く、社内文書を検索対象として大規模言語モデルに回答させるRAGという仕組みを使えば、「この不具合が出たとき過去はどう対処したか」といった質問に、根拠となる文書を示しながら答えられます。 日常的なチャットのように尋ねるだけで答えが返る形が実現できるため、検索性の壁を直接解消できます。 注意点は、回答の根拠となる元の文書を必ず表示させることです。根拠が示されなければ、現場は出力を信用できません。 社内データを外部に出さずに運用したい場合の構成については「情報漏洩を防ぐ「ローカルLLM」開発の全貌｜要件・RAG構築・導入ステップまで徹底解説」で解説しています。 2. 身体で覚えた技能 センサーと画像で捉えます。溶接の運棒、研磨の力加減、異音の聞き分けなど、身体の動きや感覚に紐づく技能が該当します。この領域は言葉による伝承がほぼ不可能なため、まず計測してデータに変えることから始めます。 作業者の動きをカメラで記録して熟練者との差分を可視化する、機械の振動や音を収集して正常と異常の境界を学習させる、といった方法が中心です。ここでの現実的な目標は、熟練者と同じことをAIにさせることではなく、新人が自分の作業のどこがずれているかを自分で確認できる状態を作ることにあります。 教える人の負担を減らすという観点で効果を測ると、投資判断がしやすくなります。 3. 判断の技能 モデル化して提案させます。複数の条件を比べ合わせて最適な選択をする技能、たとえば材料の特性と納期を見て加工条件を決めるような判断が対象です。3つの中で最も難しく、同時に最も価値が高い領域でもあります。 過去の判断結果と、そのときの条件をデータとして揃えられれば、AIが「この条件ならこの設定が使われてきた」という提案を返せるようになります。 重要なのは、AIに決めさせるのではなく候補を出させることです。最終判断を人が担う形にすれば、AIが誤った提案をしても現場が止まることはありません。 技能伝承を含む製造現場のDXがなぜ進まないのかは、製造業DXが進まない理由と失敗事例の記事で原因別に解説しています。 技能伝承にAIを活用した事例｜他社の取り組みと弊社の開発事例 ここからは、実際の取り組みを紹介します。技能伝承のAI活用は各社が公表を始めた段階にあり、成果の数値が出ているものから研究開発段階のものまで幅があります。前章の3分類のどれに当たるかを意識して読むと、自社に近い型が見つけやすくなります。 まず公表されている他社の取り組みを3つ、続いて弊社が手がけた開発事例を2つ取り上げます。いずれも「言葉になっていない知見をどう扱ったか」という観点で比べてみてください。 他社の取り組み：過去事例の生成AI・インタビューAI・映像AI 旭化成：過去事例を対話で引き出す生成AI 旭化成は2024年12月、製造現場の技術伝承に生成AIの活用を開始したと発表しました。過去事例のデータを読み込ませた生成AIを使うことで、経験の浅い従業員でも抜け漏れなくリスクと対応策を洗い出せるようになったとしています。 文書として残っている過去の事例を対話で引き出す形で、前章の1つ目の型にあたります。同社は材料の新規用途探索でも生成AIを使い、膨大な文献データから6,000以上の用途候補を考案し、ある材料では候補の選別にかかる時間を従来の約40％に短縮したと公表しています。 コニカミノルタジャパン：インタビューAIで技能をマニュアル化 コニカミノルタジャパンは2024年11月、オンラインマニュアル作成・運用サービス「COCOMITE」に「AI技能伝承インタビュー」機能を搭載しました。 認知科学を活用した生成AIが技能者にインタビュー形式でヒアリングを行い、その音声データをもとにマニュアル化までを自動で行う仕組みで、約30分のインタビュー後に自動生成された下書きを確認・修正して完成させます。 静岡県富士市の製造業2社と常葉大学の認知科学の専門家との実証を経て、ベータ版の無償提供から始まっています。熟練者自身が説明できないという「言語化の壁」に、質問の仕方から踏み込んだ例です。 日立製作所：作業動画から手順を抽出する映像AI 日立製作所は2026年9月、動画から作業手順の区切りと作業内容を自動的に抽出する映像AI技術を開発したと公表しました。 同じ道具や部品が映り続けて1枚の画像では見分けにくい工程でも、手の動きや対象物の変化を時系列で捉えることで、見た目が類似した工程のフレーム単位の手順識別精度を従来手法と比べて約73％向上させたとしています。 熟練者の作業動画を手順書の作成・更新や技能継承・教育に活用しやすい形へ整理する用途を想定しており、前章の2つ目の型である身体で覚えた技能を扱う例です。研究開発段階の技術である点には注意が必要ですが、計測して残すという方向性を具体的に示しています。 参照元：旭化成「生成AIを新規用途探索の自動化や製造現場の技術伝承において活用開始」（2024年12月9日）／コニカミノルタジャパン「オンラインマニュアル運用サービス「COCOMITE」熟練技術を自動でマニュアル化する「AI技能伝承インタビュー」機能搭載」（2024年11月6日）／日立製作所 研究開発グループ「製造などの現場に向け、動画から作業手順を自動抽出し、見た目が類似した工程も精度よく識別する映像AI技術を開発」（2026年9月16日） 弊社の開発事例：設計ナレッジの提案と繊維種の判別 弊社が取り組んだ事例も、いずれも「言葉になっていない熟練者の知見をどう扱うか」に正面から取り組んだプロジェクトです。 SOLIZE PARTNERS：設計ナレッジの提案支援 日本で初めて3Dプリンターを導入したデジタルエンジニアリングのパイオニアであるSOLIZE PARTNERS株式会社には、AI PoCサービス「ココロミ」を提供しました。同社が抱えていた課題は、まさに「熟練技術者の頭の中にある情報をどうやってシステム化するか」というものでした。 この課題に対し、複数視点からの画像入力を用いて部品の特徴を網羅的に検出するというテーマを設定し、形状データから特徴を抽出して設計ナレッジを自動提案するAIの実現性を検証しました。 結果として、開発現場で直接活用できる水準の設計知識をAIが提示できることを確認しています。従来のように過去資料や文献を検索する手間をかけずに設計のヒントを得られるようになり、知見の再利用性が大きく高まりました。 同社が次のテーマとして挙げたのが、AIの判断根拠を人が理解できる形で示すXAI（説明可能なAI）です。技能伝承の文脈では、答えだけでなく理由が示されることが、現場に受け入れられるための条件になります。 ニッセンケン品質評価センター：繊維種判別技術の開発 もう一つの事例が、ニッセンケン品質評価センターとの共同での繊維種判別技術の開発です。同センターでは、化学分析に多変量解析を組み合わせることで高い識別精度を実現してきましたが、見た目や成分が非常に類似し、人間が確実に識別することが困難な繊維種が残っていました。 弊社がディープラーニングを適用した結果、多変量解析だけでは判別が難しかったサンプルのうち、最大で80％以上の精度での判別が可能になりました。 ここで重要なのは、人の知見をAIが置き換えたのではなく、人が積み上げてきた分析手法にAIの判断力を組み合わせた点です。技能伝承におけるAIの役割も、同じ形が現実的だといえます。 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」／「AIと化学分析を融合した繊維種識別手法の技術検討」 技能伝承AI導入の4ステップと失敗しない注意点 最後に、実際に進めるための手順を示します。ポイントは、技術の検討より先に「何を残すか」を決めることです。 失われると困る技能を洗い出し、影響の大きさと担い手の残り時間で優先順位をつける 優先度の高い技能が3分類のどれに当たるかを判定し、必要なデータを確認する 1つの技能に絞ってPoCを行い、現場の担当者に評価してもらう 運用の中で回答や提案を更新し続ける体制を決めてから本格導入に移る 注意点として、最初の洗い出しを省略しないでください。技能伝承の相談では「とりあえず社内文書を全部AIに読ませたい」という要望が出がちですが、対象を絞らないまま始めると、出来上がったものが誰の役にも立たないという結果になりやすいのが実情です。 もう一つの注意点は、4番目の更新体制です。作業標準が変われば回答も変えなければならず、更新されないAIは数か月で「間違ったことを言う仕組み」に変わります。誰がいつ内容を見直すのかを、導入前に決めておく必要があります。 弊社は東京大学松尾研発のスタートアップとして、こうした取り組みを伴走型で支援しています。AI PoCサービス「ココロミ」はスタンダードプランが月々250万円からで、検証テーマの設定から結果の分析、次のアクションプラン策定までを一貫して行います。 まずは技能の棚卸しから相談したいという段階であれば、月額20万円で相談し放題の「AI×DX寺子屋」もご利用いただけます。 製造業全体でのAI活用については「製造業のAI・生成AI活用事例｜失敗しない導入とROIの考え方」もあわせてご覧ください。 ココロミ の詳細はこちら 技能伝承とAIに関するよくある質問 Q. ベテランが作った手書きのメモしか資料がありませんが、活用できますか？ 手書き資料もAI-OCRで読み取れば学習や検索の対象にできます。ただし、書かれていない判断根拠までは補えないため、読み取ったうえで本人への確認を行う工程を組み合わせるのが現実的です。 Q. マニュアル作成そのものをAIに任せられますか？ 既存の資料や作業記録をもとにした下書きの作成は可能です。一方で、内容が正しいかどうかの確認は熟練者が行う必要があります。作成の負担は減らせますが、承認の工程は残ると考えてください。 Q. 導入にはどのくらいの期間がかかりますか？ 対象を1つの技能に絞れば、数か月単位で判断材料が揃うことが一般的です。対象を広げるほど必要なデータ整備が増えるため、期間よりも範囲の絞り込みが結果を左右します。 Q. 現場の高齢の従業員が使えるか不安です。 利用者を熟練者ではなく、教わる側の若手に設定すると定着しやすくなります。熟練者には知識の提供者として関わってもらう形にすれば、新しい操作を覚える負担は最小限で済みます。 まとめ 技能伝承にAIを活用する取り組みは、「ベテランの技をAIに覚えさせる」という発想では前に進みません。伝えたい技能を文書に残る知識・身体で覚えた技能・判断の技能に分け、それぞれに適した方法を選ぶことが出発点になります。本記事の要点は次のとおりです。 人材構成の変化により、時間をかけて隣で教える従来の方法は成立しにくくなっている 技能を3分類すると、RAG・計測・判断のモデル化という使い分けが見えてくる 着手の順序は、失われると困る技能の洗い出しから。更新体制を決めてから本格導入に移る 技能伝承は、一度仕組みを作れば終わりという取り組みではありません。だからこそ、最初に取り組む対象を正しく選ぶことが重要になります。 何から手を付けるべきか整理したい段階でも、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。 技能伝承へのAI活用をご検討の方へ 残したい技能の洗い出しから、1つの技能に絞った検証まで伴走します。 無料で相談する ココロミを見る
生産計画のAI活用とは？3つの課題と活用事例・導入5ステップを解説
記事の要約 生産計画AIとは、需要や設備状況などのデータから生産の順序と量を自動で立案・修正する仕組みで、属人化した計画業務を組織の資産に変える技術です。 計画づくりには予測を担うAIと、条件の中で最適解を探す数理最適化の2つの技術があり、課題によってどちらが主役になるかが変わります。 導入の成否を分けるのは精度そのものではなく、現場データが正しく揃っているか、そして最終判断を人が握る運用を設計できているかです。 「ベテランの担当者が休むと、翌日の生産計画が誰にも組めない」。製造現場で生産計画AIへの関心が高まる背景には、こうした切実な事情があります。とはいえ、AIを入れれば計画が自動で出てくるという期待のまま検討を始めると、多くの場合データの壁にぶつかります。 本記事では、生産計画AIの仕組みと従来の生産管理システムとの違いを整理したうえで、現場に共通する3つの課題と、AI化で実際に得られる効果を説明します。あわせて、国内メーカーの導入事例、導入の5ステップと、多くの企業がつまずく注意点も具体的に示します。国の統計による客観的な現状認識と、弊社が製造業のAI開発で得た知見の両面から解説するため、自社で何から着手すべきかが判断できるようになるはずです。 生産計画AIとは？従来の生産管理システムとの違い 生産計画AIとは、需要予測・在庫・設備の稼働状況・人員配置といったデータをもとに、何をいつどれだけ作るかをAIが自動で立案し、状況の変化に応じて組み替える仕組みを指します。従来の生産管理システムとの最大の違いは、計画を「入力された条件どおりに計算する」のではなく、「過去の実績から傾向を学び、条件そのものを推定する」点にあります。 従来型の生産スケジューラも、制約条件を入力すれば計画を自動生成できました。しかし、実際の現場では「この設備は段取り替えに時間がかかる」「この製品は特定の担当者でないと歩留まりが落ちる」といった、明文化されていない条件が大量に存在します。これらを人が一つずつ設定値として入力するのは現実的ではありません。生産計画AIは、こうした暗黙の条件を過去の実績データから学習して計画に織り込める点で、従来システムの限界を超える可能性を持っています。 生産計画AIという言葉は、性質の異なる2つの技術をまとめて指していることが多く、混同すると導入の設計を誤ります。1つ目が需要や所要時間を当てる予測の技術で、機械学習によって「来月この製品がどれだけ売れるか」「この工程に何時間かかるか」を推定します。2つ目が、与えられた制約の中で最も良い組み合わせを探す数理最適化の技術です。納期・設備能力・人員といった制約を満たしながら、段取り替え回数や総リードタイムを最小にする順序を計算します。実務では、この2つを組み合わせる形が主流です。予測AIが不確かな未来の数字を埋め、その数字を前提に数理最適化が実行可能な計画を作ります。自社の困りごとが「需要が読めない」ことなのか「条件が多すぎて人では組めない」ことなのかを見極めると、必要な技術が判断できます。前者であれば予測、後者であれば最適化が出発点です。 生産計画の現場に共通する3つの課題 生産計画AIの検討が進む背景には、現場の構造的な課題があります。国の統計は、その深刻さを裏づけています。製造業の就業者数は2024年の1,046万人から2025年には1,033万人へと減少しました。1年で13万人、中規模の工場が数百か所分の働き手が減った計算です。 人手の逼迫は、現場の実感としても数字に表れています。中小企業における製造業の従業員数過不足DIは2025年にマイナス17.9となり、新型コロナウイルス感染症の拡大前である2019年に近い水準まで人手不足が戻っています。人が減る一方で、多品種少量化によって計画の難易度は上がり続けているのが現状です。 現場で起きている問題は、次の3つに整理できます。 属人化：計画を組めるのが特定の熟練者だけで、代替がきかない 変更対応：飛び込み注文や設備トラブルのたびに計画を手作業で組み直している 部分最適：工程ごとに都合の良い計画を作り、工場全体では在庫が膨らむ 属人化がもたらす影響は、業務の停滞だけではありません。計画の根拠が個人の頭の中にあるため、なぜその順序なのかを誰も説明できず、改善の議論が成立しなくなります。人材構成の変化がこの問題を加速させています。2002年以降、製造業では34歳以下の若年就業者が減少し、65歳以上の高齢就業者が増加してきました。技能継承の取組として最も多く選ばれているのは、再雇用や勤務延長によって高年齢の従業員に継続して勤務してもらう方法で、その割合は54.8％にのぼります。半数以上の企業が、技能の継承ではなく「ベテランに残ってもらうこと」で当面をしのいでいる計算になります。 変更対応の負荷は、計画の品質を静かに下げていきます。組み直しに追われると、担当者は「とりあえず動く計画」を作ることを優先せざるを得ません。結果として、段取り替えの多い非効率な順序が常態化します。そして部分最適は、工程間の在庫として表面化します。各工程が自工程の稼働率を上げようとするほど、工程間に仕掛品が滞留し、キャッシュフローを圧迫する構図です。 参照元：経済産業省・厚生労働省・文部科学省「2026年版ものづくり白書」（2026年5月公表。DIは中小企業庁「中小企業景況調査」2025年12月、技能継承の割合はJILPT「ものづくり産業における雇用・定着と技能継承に関する調査」2026年5月による） 生産計画をAI化する4つのメリット 結論として、生産計画AIの効果は「計画を速く作れる」ことよりも、「計画を作り直せるようになる」ことに現れます。人手では1日がかりだった再計画が数分で回せるようになれば、変更を前提とした運用に切り替えられるためです。主なメリットを、現場で起きる変化とあわせて整理します。 メリット現場で起きる変化効果が出やすい条件立案時間の短縮計画作成が数時間から数分単位になる制約条件をデータで表現できている属人化の解消担当者以外でも計画を提示・検証できる過去の計画実績が蓄積されている全体最適の実現工程単位でなく工場全体で在庫と納期を評価できる工程間のデータがつながっているシミュレーション複数案を比較して意思決定の根拠を残せる評価指標が事前に決まっている とくに見落とされがちなのが4つ目のシミュレーションです。AIが出した案をそのまま採用しなくても、「この条件ならこうなる」という比較を短時間で作れること自体に価値があります。増産の可否を営業と検討する場面や、設備投資の判断根拠を経営層に示す場面で、数字に基づいた議論ができるようになります。計画業務が「作業」から「意思決定の支援」へ性質を変える点が、本質的な効果といえます。 生産計画AIの活用事例｜国内メーカーの導入例と弊社の開発事例 生産計画AIの導入は、いきなり全工程の自動立案を狙うのではなく、対象を絞って段階的に進むケースがほとんどです。全体を一度に置き換えようとすると検証範囲が広がりすぎ、うまくいかなかったときに原因を特定できなくなるためです。 最も効果が見えやすいのは需要予測と計画立案を接続する領域で、天候や季節、販促の有無によって出荷量が大きく変動する製品では、予測AIが外部要因を含めて需要を推定し、その結果を計画に反映できれば、安全在庫を過剰に積む必要がなくなります。需要予測そのものの進め方については「需要予測AIとは？導入メリットと活用事例・失敗しない選び方」で詳しく解説しています。ここでは、公表されている国内メーカーの導入事例と、弊社が関わった関連事例を順に紹介します。 国内メーカーの導入事例：立案時間の短縮・省エネ計画・属人化の解消 ニチレイ・アイス（日立製作所と協創、2025年10月発表）は、季節変動の大きい包装氷を対象に、生産・輸送・在庫の3つの計画をAIで自動作成する仕組みを導入しました。生産能力など40を超える制約条件を考慮し、約10個の相反するKPIを最適化した計画を数理最適化で立案する構成で、計画立案にかかる時間を約70％削減したと公表されています。3つの計画を連携させている点が、部分最適を避ける設計の参考になります。 住友化学は日立製作所と共同で、エネルギー消費の低減を織り込んだ生産計画の自動立案システムの実証を2025年3月から千葉工場・袖ケ浦地区で開始しました。日立の計画連携エンジン「TSPlanner」を用いて、生産計画とエネルギー計画の双方に調整案を提示する仕組みで、事前検証ではエネルギー消費量を一定量削減できることを確認したとされています。生産性だけでなく省エネという評価軸を同時に扱う点が、今後の生産計画AIの方向性を示す例です。 日本触媒は姫路製造所の高吸水性樹脂（SAP）の生産計画にALGO ARTISの計画最適化ソリューション「Optium」を導入し、課題であった属人化の解消や在庫リスクの抑制に寄与したと公開インタビューで語っています。同じソリューションは関西電力の舞鶴発電所の燃料運用計画にも使われ、複雑な計画を非熟練者でも短時間で策定できるようになったとされています。定量的な削減率が公表されていない事例もありますが、「熟練者しか組めなかった計画を、誰でも組める状態にする」という効果は、本記事で述べた属人化の課題に直接対応するものです。 参照元：日立製作所「AIを活用しサプライチェーン計画業務を最適化するシステムをニチレイフーズグループのニチレイ・アイスに導入」（2025年10月15日）／日立製作所「日立と住友化学、AIを活用し、エネルギー消費の低減・最適化を図る生産計画の自動立案システムの実用化に向け、実工場での検証を開始」（2025年3月27日）／ALGO ARTIS「計画最適化ソリューション『Optium』の活用で生産性向上や属人化解消を実現した関西電力様、日本触媒様の担当者インタビューを公開」（2023年3月28日） 弊社の関連事例：計画の前提となる現場データの自動取得 計画AIの入口としてもう一つ有効なのが、計画の入力になるデータを自動で集める仕組みづくりです。実績が紙の日報にしか存在しない状態では、どれだけ高度なAIを用意しても学習させる材料がありません。弊社が細胞・遺伝子治療分野のCDMOであるCyto-Factoに提供したAI-OCRの開発は、この課題に直接取り組んだ事例です。通信機能のない機器の液晶パネルや制御PCの画面を作業員が手作業で記録していた状況に対し、画像からデータを読み取ってMESやLIMSへ自動入力する仕組みを検討しました。サンプル画像では100％の認識精度を達成し、GMP対応を見据えた修正履歴管理機能の設計にも着手しています。計画の高度化は、こうした足元のデータ化から始まります。 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」 失敗しない生産計画AI導入の5ステップと注意点 生産計画AIの導入は、技術選定よりも準備段階の設計で決まります。弊社が製造業のPoCで踏んでいる手順は次のとおりです。 対象ラインと工程を1つに絞る 現状の計画立案時間と在庫水準を実測し、比較の基準を作る 入力に使えるデータを棚卸しする（実績・制約条件・例外処理） 小さな範囲でAIの提案と熟練者の計画を突き合わせて検証する 採用条件と撤退条件を決めたうえで運用に移す ココロミ の詳細はこちら データ整備が成否の大半を決める 実務で最も時間がかかるのは、モデルの開発ではなくデータの整備です。同じ品番が拠点ごとに別の名前で管理されていたり、段取り替え時間が標準値のまま何年も更新されていなかったりすることは珍しくありません。こうした状態でAIを動かすと、現場の実感と合わない計画が出力され、一度で信頼を失います。経済産業省も、製造現場の加工・稼働データから成る製造データベースを整備し、AIモデルを実装した製造プラットフォームの開発を支援する「製造AX拠点」の立ち上げを検討しており、データ基盤の整備が個社の課題にとどまらないことを示しています。着手前に、どのデータがどの精度で存在するかを必ず確認してください。 最終判断は人に残す設計にする もう一つの注意点は、運用の設計です。AIが出した計画をそのまま確定させる仕組みにすると、現場は例外への対応手段を失い、かえって混乱します。現実的なのは、AIが複数案を提示し、計画担当者が根拠を確認して選ぶ形です。この形であれば、担当者は自分の判断を残しながら作業時間だけを削減できるため、導入への抵抗が生まれにくくなります。あわせて、AIの提案を採用しなかった理由を記録できるようにしておくと、その蓄積が次の改善材料になります。 弊社は東京大学松尾研発のスタートアップとして、製造業のAI活用を伴走型で支援しています。熟練技術者の暗黙知をどうシステム化するかという課題については、SOLIZE PARTNERS株式会社にAI PoCサービス「ココロミ」を提供し、形状データから設計ナレッジを自動提案するAIが開発現場で活用できる水準に達することを確認しました。生産計画の領域でも、まずはどの工程から手を付けるべきかの見極めからご一緒できます。日々のAI・DXの疑問を相談したい段階であれば、月額20万円で相談し放題の「AI×DX寺子屋」もご利用いただけます。製造業全体のAI活用については「製造業のAI・生成AI活用事例｜失敗しない導入とROIの考え方」、検証の進め方は「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」もあわせてご覧ください。 生産計画AIに関するよくある質問 Q. 生産計画AIと生産スケジューラは何が違いますか？ スケジューラは入力された制約条件どおりに計画を計算する仕組みで、条件の設定は人が行います。生産計画AIは過去の実績から条件そのものを学習できる点が異なり、明文化されていないノウハウを計画に反映しやすくなります。 Q. データが紙の日報しかありませんが、導入できますか？ そのままでは学習させる材料が不足します。まずは実績データを電子的に取得する仕組みから着手するのが現実的です。AI-OCRなどで記録を自動化する工程が、結果として最短経路になる場合があります。 Q. 導入効果はどのように測ればよいですか？ 計画立案にかかる時間、計画の変更回数、工程間在庫の金額といった指標を、導入前に実測しておくことが前提です。比較の基準がないまま始めると、効果の有無を誰も判定できなくなります。 Q. 中小規模の工場でも効果はありますか？ 対象を絞れば規模に関わらず効果は見込めます。むしろ計画担当者が1名しかいない企業ほど、属人化の解消という点で得られる価値は大きくなります。 まとめ 生産計画AIは、人手不足と多品種少量化が同時に進む製造現場にとって、計画業務を個人の技能から組織の仕組みへ移すための有力な選択肢です。ただし、その効果はデータの整備状況と運用設計に大きく左右されます。本記事の要点は次のとおりです。 生産計画AIは予測と数理最適化の組み合わせであり、自社の課題によって主役となる技術が変わる 属人化・変更対応・部分最適という3つの課題に対し、再計画を高速に回せることが最大の効果になる 導入は対象工程を絞り、データ棚卸しと評価基準の設定から始める。最終判断は人に残す 生産計画のAI化は、一足飛びの自動化ではなく、現場のデータを整えるところから始まる地道な取り組みです。どこから着手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。 生産計画AIの導入をご検討の方へ どの工程から着手すべきか、データの棚卸しと評価基準の設計からご一緒します。 無料で相談する ココロミを見る
3Dモデル生成AIとは？無料ツール5選と企業導入の壁を解説
記事の要約 3Dモデル生成AIは、テキストや画像から3次元の形状データを自動で作り出す技術で、試作や企画段階のモデル制作にかかる時間を大きく縮められます。 無料で試せるツールは急速に増えていますが、量産品質で求められるトポロジーの整理やリギングは、現状では人の手直しを前提に考える必要があります。 業務で使うなら、自社のデータと仕様に合わせた小さな検証から始め、対象工程と評価指標を先に決めておくことが失敗を防ぐ近道です。 「3Dモデル生成AIを使えば、モデリング工数を一気に減らせるのではないか」そう考えて実際にツールを触ってみたものの、出てきたメッシュが自社の制作パイプラインに乗らず、検討が止まってしまうーー3Dモデル生成AIの導入を検討する現場では、こうした行き止まりが頻繁に起きています。 本記事では、3Dモデル生成AIの仕組みと代表的なツール、そして無料で試せる範囲を整理したうえで、汎用サービスでは越えられない企業導入特有の壁を具体的に説明します。実際に3Dモデル生成AIの開発を手がけた案件から得られた知見をもとにしているため、ツール紹介では分からない「業務で使えるレベルにするには何が足りないのか」が分かります。読み終えるころには、自社が次に着手すべきことが、試用なのか独自開発の検証なのかを判断できる状態になっているはずです。 3Dモデル生成AIとは？仕組みと2026年の現在地 3Dモデル生成AIとは、テキストによる指示や1枚の画像から、3次元の形状データを自動的に作り出す技術の総称です。従来のモデリングでは、デザイナーが専用ソフトの上で頂点や面をひとつずつ操作して形を作っていましたが、生成AIはその工程を「指示を与えて候補を出させる」作業に置き換えます。制作の起点が手作業から選択と修正へ移ることが、この技術の本質的な変化です。 ここ数年で実用に近づいた背景には、画像生成技術の成熟があります。2次元の画像を高い精度で生成できるようになったことで、複数視点の画像を経由して立体を推定する方式や、3次元表現そのものを直接学習する方式が実用水準に届きはじめました。以下では、生成方式の違いと、ビジネス活用が先行している領域を順に見ていきます。 3Dモデル生成AIの主な生成方式 現在広く使われている方式は、大きく3つに分けられます。1つ目は、テキストから直接3D形状を生成する方式で、「赤いドラゴン」のような言葉だけで形状が出力されます。企画段階のラフ作成に向く一方、細かな寸法指定には向きません。2つ目は、1枚または数枚の画像から立体を復元する方式です。既存の商品写真やコンセプトアートを起点にできるため、社内資産を活かしやすいという利点があります。3つ目は、実物を多数の角度から撮影し、その形状と質感を再構成する方式で、現物がある製品のデジタル化に適しています。どの方式を選ぶかは「何を入力できるか」で決まります。自社に設計図があるのか、写真があるのか、実物があるのかを確認すれば、検討すべき方式は自然に絞り込まれます。 ビジネス活用が先行している3つの領域 実務での活用は、精度要求が比較的緩やかな領域から進んでいます。ゲームやエンターテインメント分野では、背景の小物や群衆に使うアセットなど、画面の中で主役にならないモデルの量産に使われています。製造業の設計分野では、複数の形状案を短時間で出して比較する用途、いわゆる発想の壁打ち相手としての使い方が広がっています。もう一つはeコマースで、商品画像から3Dビューを作り、購入前の確認体験を高める用途です。いずれも「完成品をAIに作らせる」のではなく「人が判断するための素材を大量に用意させる」位置づけである点が共通しており、この線引きの理解が導入時の期待値のずれを防ぎます。 【無料あり】代表的な3Dモデル生成AIツール5選と比較 結論から言えば、まず試すだけなら費用はほとんどかかりません。主要な3Dモデル生成AIサービスは無料枠を設けており、AIによる3Dモデルの自動生成が自社の用途に合うかどうかは、数時間で肌感をつかめます。ここでは、商用のクラウドサービスと、自社環境に構築できるオープンソース系を分けて紹介します。 ツール名提供元主な入力無料での利用向いている用途MeshyMeshyテキスト・画像無料クレジットあり企画・ラフ制作の量産TripoVAST AI Researchテキスト・画像無料クレジットあり短時間での形状案出しLuma AILuma AIテキスト・撮影データ無料枠あり実物のデジタル化Hunyuan3DTencentテキスト・画像モデル公開・自社構築可社内環境での検証TRELLISMicrosoft Researchテキスト・画像モデル公開・自社構築可研究用途・技術評価 クラウド型のMeshyやTripoはブラウザだけで完結し、無料クレジットを使い切った後は従量課金や月額プランへ移行する形が一般的です。一方、Hunyuan3DやTRELLISのように公開されているモデルは、自社サーバーに構築して社外にデータを出さずに検証できる点が大きな利点です。 ただし、公開モデルであっても商用利用の可否や再配布の条件はライセンスごとに異なるため、検証を始める前に公式リポジトリの条項を必ず確認してください。無料で使えることと、業務で自由に使えることは別の問題です。 汎用ツールでは越えられない「企業導入の3つの壁」 試用の段階では十分に見えた3Dモデル生成AIが、いざ業務に載せようとすると止まってしまう。この現象には、はっきりした理由があります。弊社が製造業やゲーム業界の案件で繰り返し直面してきた論点は、次の3つに集約されます。 トポロジーと品質の壁：出力されたメッシュが後工程に乗らない 一貫性と制御性の壁：同じ品質のものを繰り返し出せない セキュリティと権利の壁：学習データと入力データの扱いが不透明 第一に、トポロジーと品質の壁です。 汎用ツールが出力するメッシュは、見た目は整っていても、面の流れが不規則で、ポリゴン数も制御されていないことが少なくありません。ゲーム開発ではキャラクターに骨を入れて動かすリギングの工程がありますが、面の流れが乱れたモデルは関節部分が破綻します。製造業でも、CADデータとして寸法を編集できる形式でなければ設計には使えません。結果として、AIが出した形状を人が作り直す「リトポロジー」の工数が発生し、削減したはずの時間が別の場所で戻ってきます。この手直し工数を見込まずに効果を試算すると、計画は高い確率で狂います。 第二に、一貫性と制御性の壁です。 同じ指示を与えても毎回違う結果が返るという生成AI共通の性質は、量産工程では欠点になります。シリーズ製品や統一された世界観を持つゲームアセットでは、10体作れば10体とも同じ作風とポリゴン数制限を満たす必要があります。汎用サービスは不特定多数の用途に合わせて作られており、自社仕様に生成結果を寄せる仕組みを持ちません。当たりが出るまで生成を繰り返す運用は、業務プロセスとして成立しないのです。 第三に、セキュリティと権利の壁です。 クラウドサービスに未公開製品の図面やコンセプトアートを入力することは、情報管理の観点で許容されない企業が多くあります。加えて、生成物が既存の著作物に似てしまった場合の責任の所在も論点になります。著作権侵害の成立には、既存の著作物との「類似性」と「依拠性」の両方が認められることが必要とされており、AI生成物についてもこの枠組みで判断されるという整理が示されています。つまり、学習データの出所が分からないサービスを商用制作に使うことは、避けられる範囲のリスクを自ら抱え込むことになります。 参照元：文化庁「AIと著作権について」（文化審議会著作権分科会法制度小委員会「AIと著作権に関する考え方について」2024年3月公表） 実用レベルを目指すなら「独自AI開発」が現実解になる 3つの壁は、ツールを別のツールに乗り換えても解消しません。自社の仕様・自社のデータに合わせてモデルを調整する以外に道がないためです。とはいえ、いきなり本開発に数千万円を投じるのは現実的ではありません。妥当な進め方は、限定したテーマで技術的な可能性を確かめるPoC（概念実証）から入ることです。弊社が支援した2つの事例は、その典型的な形を示しています。 セガとの3Dモンスター生成AI開発（PoC） 株式会社セガとの共同プロジェクトでは、ユーザーが簡単なキーワードを入力するだけで、ボクセル形式の3Dモンスターを生成するAIを開発しました。ボクセルとは、立体を表現するために用いられる非常に小さな立方体のことで、この形式に限定したことが実用性を高めています。汎用ツールが苦戦する「面の流れ」の問題が、ボクセルという規格化された表現を選ぶことで構造的に回避されるためです。学習に使用したデータは、学校法人滋慶学園COMとの産学連携プロジェクトの一環として学生が制作したもので、データの出所が明確である点も企業利用では重要な条件になります。この成果はUGC（ユーザー生成コンテンツ）への応用を想定しており、生成AIを制作の代替ではなく、ユーザー参加の仕組みとして位置づけた事例といえます。 参照元：株式会社EQUES「【株式会社セガ】3Dモンスター生成AIの開発（PoC）」 SOLIZE PARTNERSとの3D CADデータ自動生成の検証 デジタルエンジニアリングのパイオニアであるSOLIZE PARTNERS株式会社には、弊社のAI PoCサービス「ココロミ」を提供しました。テーマは2つで、形状データから特徴を抽出して設計ナレッジを自動提案するAIと、自然言語の指示から3D CADデータを生成するAIです。検証の結果、設計ナレッジについては開発現場で直接活用できる水準の知識を提示できることを確認しました。3D CAD生成については、単純な形状や構成であれば自動生成が可能である一方、複雑な形状を扱うには構成部品となる要素データを事前に十分整備しておく必要があることが明らかになりました。注目していただきたいのは、「できなかった」ことも成果として確定している点です。何が足りないのかが具体的に分かれば、次の投資判断の精度は上がります。PoCの価値は成功の確認だけでなく、条件の見極めにあります。 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」 失敗しない3Dモデル生成AI導入の進め方 導入を成功させる鍵は、技術選定よりも前段の設計にあります。弊社がPoCの立ち上げで必ず確認している順序は次のとおりです。 対象工程を1つに絞る（全工程の自動化を目標にしない） 合格ラインを数値で決める（ポリゴン数上限、寸法誤差、手直し時間の削減率など） 入力に使えるデータを棚卸しする（形式・件数・権利関係） 検証期間と撤退条件を先に決める 現場の担当者を評価者として巻き込む とくに重要なのは2番目の合格ラインです。「品質が高いこと」という曖昧な基準のまま検証を始めると結果の良し悪しを誰も判定できず、プロジェクトが宙に浮きます。「手直し込みで従来の半分の時間に収まれば採用」といった形まで具体化してください。3番目のデータ棚卸しは、前章の権利の壁を事前に潰す作業でもあります。自社が権利を持つ制作物や許諾済みのデータだけで学習させれば、生成物の利用に関する不安は大きく減ります。 弊社は東京大学松尾研発のスタートアップとして、こうした検証を伴走型で支援しています。AI PoCサービス「ココロミ」はスタンダードプランが月々250万円からで、PoCの実施から結果の分析、次のアクションプラン策定までを一貫して行います。3Dモデル生成AIを制作パイプラインに載せられるか見極めたい段階であれば、対象工程の相談からご一緒できます。 なお、設計分野での生成AI活用については「生成AI CAD活用術｜3D CAD のAIによる設計効率化とツールの選び方」、形状最適化の考え方については「ジェネレーティブデザインとは？AIの活用や製造業の事例・メリットを徹底解説」でも詳しく解説しています。 PoCそのものの進め方を確認したい方は「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」もあわせてご覧ください。 ココロミ の詳細はこちら 3Dモデル生成AIに関するよくある質問 Q. 3Dモデル生成AIは無料で使えますか？ 主要なクラウドサービスには無料クレジットや無料枠があり、試用の範囲であれば費用をかけずに利用できます。ただし商用利用の可否はプランと規約によって異なるため、業務で使う前に必ず条件を確認してください。 Q. 生成された3DモデルはそのままCADやゲームエンジンで使えますか？ そのまま使えるケースは限定的です。面の流れやポリゴン数が制御されていないため、リギングや寸法編集を行う工程では手直しが前提になります。用途に応じた後処理の工数を、導入効果の計算に含めておくことをおすすめします。 Q. 社外にデータを出さずに使う方法はありますか？ 公開されているモデルを自社サーバーに構築すれば、入力データを社外に送らずに検証できます。機密情報を扱う場合はこの方式が現実的ですが、必要な計算資源とライセンス条件の確認が必要です。 Q. PoCはどのくらいの期間で結果が出ますか？ テーマの絞り込み方によりますが、対象工程を1つに限定すれば数か月単位で判断材料が揃うことが一般的です。期間を延ばすより、検証する問いを小さくするほうが早く結論に至ります。 まとめ 3Dモデル生成AIは、企画やラフ制作の段階では十分な実用性を持つ一方、量産品質をそのまま満たす段階には至っていません。だからこそ、汎用ツールの試用で終わらせるか、自社仕様に合わせた開発へ進むかの判断が重要になります。本記事の要点は次の3つです。 生成方式は入力できるデータで選ぶ。無料枠のあるツールで用途適合を先に確かめる 企業導入ではトポロジー・制御性・権利の3つの壁が立ちはだかり、ツールの乗り換えでは解決しない 対象工程と合格ラインを絞ったPoCから始めれば、少ない投資で次の判断材料が得られる 3Dモデル生成AIの導入は、技術の目新しさではなく、自社の工程のどこに効かせるかで成否が決まります。検証テーマの設定段階からお困りのことがあれば、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。 3Dモデル生成AIの業務導入をご検討の方へ 汎用ツールで止まった検討を、自社仕様に合わせたPoCで前に進めます。対象工程の相談からご一緒します。 無料で相談する ココロミを見る
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
記事の要約 需要予測AIの仕組みは「データ収集→モデル学習→予測→評価・再学習」の循環で、天候や曜日など多変量を扱える点が従来の統計・経験則との違い。 活用事例5選では、スーパーの自動発注で発注時間約85%短縮・廃棄ロス18%削減、製薬の生産計画、部品発注の約63%効率化など公式発表のある実績を紹介。 導入が失敗する壁は「データ量」「予測できない事象」「試行錯誤の必要性」の3つ。事前に理解しておけば過度な期待による失敗を防げる。 予測して終わりにせず、数理最適化で発注量や値引き率の意思決定まで踏み込み、PoCで小さく検証してから広げることが定着の近道。 「需要予測AIの仕組みを理解したうえで、自社に合うか判断したい」「上層部を説得できる他社の活用事例が欲しい」——在庫の過不足や食品ロスに悩む企業の担当者が抱える、切実な疑問ではないでしょうか。 本記事では、需要予測AIの仕組みと従来手法との違いを整理したうえで、公式発表のある活用事例を5件取り上げます。導入が失敗する3つの壁と、予測を利益につなげる進め方まで解説します。 執筆するのは、東京大学 松尾・岩澤研究室発のAIスタートアップとして数理最適化に強みを持つ弊社EQUESです。公的機関の一次データと実際の支援知見をもとに解説しますので、根拠をもって検討いただけます。 需要予測AIの仕組み｜従来手法との違いと活用シーン 需要予測AIとは、過去の実績と外部データを機械学習で分析し、将来の需要を予測する仕組みです。人が気づきにくいパターンを大量のデータから見つけ出せる点が、従来手法との最大の違いになります。 仕組みの核は「データ収集→モデル学習→予測→評価・再学習」の循環です。需要予測AIはこのサイクルを繰り返しながら、予測と実績のずれを学び直して精度を高めていきます。 取り込めるデータは売上や在庫だけではありません。天候・曜日・イベント・価格・人流といった多様なデータを説明変数として扱えるため、複数の要因が絡む需要にも対応できます。 従来の統計や勘に頼った予測と比べると、需要予測AIは「属人化の解消」と「多変量への対応」で上回ります。担当者の経験則では見落としがちな要因も、データとして一貫して扱える点が強みです。 観点従来手法（統計・経験則）需要予測AI扱えるデータ量限定的大量・多変量に対応属人性担当者の勘に依存しやすいロジックを標準化できる変化への追随更新に手間がかかる再学習で継続的に改善 この仕組みがもたらす導入メリットは、「在庫の最適化」「業務効率化」「属人化の解消」の3つに集約されます。欠品による機会損失と、過剰在庫による廃棄コストの双方を減らすことにつながります。 在庫最適化：過剰在庫と欠品の両方を抑え、キャッシュフローを改善します。 業務効率化：これまで手作業だった集計・分析を自動化し、担当者は判断に集中できます。 属人化の解消：予測ロジックを標準化し、ベテラン依存から脱却できます。 食品ロス・廃棄削減：需要に見合った生産・発注で、無駄な廃棄を減らせます。 需要予測AIは、在庫や需給の変動が大きい業界ほど効果を発揮します。代表的な活用シーンは次のとおりです。 業界活用シーン製造業部品・原材料の調達計画、生産量の最適化小売業SKU単位の発注量最適化、欠品防止食品・外食仕入れ・仕込み量の適正化による廃棄削減物流配送量や人員配置の需給調整 製造業でのAI活用をより広く知りたい方は、製造業における生成AI活用を解説した記事もご覧ください。 需要予測AIの活用事例5選｜小売・製薬・製造の公式発表から ここからは、需要予測AIが実際にどう使われ、何が変わったのかを事例で見ていきます。取り上げるのは、導入企業や提供企業が公式に発表した5件です。効果の数値は各社の発表どおりに記載します。 事例を見る前に、食品ロスの規模を押さえておきましょう。2024年度（令和6年度）の食品ロス量は461万トン、うち事業系は237万トンにのぼります（農林水産省、2026年6月公表の推計）。事業系ロスの多くは需給のずれから生まれるため、需要予測AIは事業系ロスの有力な削減手段として注目されています。 （参照元：農林水産省「事業系食品ロス量（2024年度推計値）を公表」https://www.maff.go.jp/） ヤオコー×日立製作所：全182店舗で発注時間約85%短縮・在庫約15%削減 スーパーマーケットのヤオコーは、日立製作所・オプティマムアーキテクトと共同で、AIによる需要予測に基づく自動発注システムを構築し、2022年11月から全182店舗で稼働させています。約30種類の要因データを分析し、棚割システムと連携して特売や商品入替も考慮した発注量を提示する仕組みです。 効果として、発注業務の時間は約3時間から約25分になり、発注時間を約85%短縮し、在庫も約15%削減しました（実証実験2店舗での実測値）。熟練担当者に頼っていた発注の属人化も解消されています。 （参照元：日立製作所ニュースリリース 2023年2月21日 https://www.hitachi.com/） バローホールディングス×ソフトバンク：惣菜の食品廃棄ロス18%削減 バローホールディングスとグループの中部フーズは、日本気象協会の気象データとソフトバンクの人流統計データを使うAI需要予測サービス「サキミル」で、惣菜の自動発注システムを構築しました。来店客数の予測から惣菜の発注量を決める仕組みです。 2024年1〜5月にスーパーマーケットバロー31店舗で検証した結果、食品廃棄ロス18%削減・欠品19%削減・発注作業時間27%削減に加え、売上2.3%増・利益4.9%増を確認しています。 同年11月には242店舗へ広げ、運用開始から4週間で対象商品の廃棄ロスが前年比11.8%削減されました。この取り組みは第12回「食品産業もったいない大賞」で農林水産大臣賞を受賞しています。 （参照元：バローホールディングス・中部フーズ・日本気象協会・ソフトバンク共同リリース 2025年1月31日 https://valorholdings.co.jp/） 武田薬品工業：AI需要予測モデルで医薬品の生産計画を運用 武田薬品工業は2025年8月、国内の製造・供給部門で、AIを活用した需要予測モデルに基づく生産計画の運用を開始しました。従来は過去実績の統計と担当者の経験を組み合わせて需給を予測していましたが、AIで膨大なデータの非線形な傾向や複雑な相関関係まで捉える方式に切り替えています。 狙いは安定供給の強化に加え、有効期限切れによる医薬品廃棄の削減とキャッシュフローの改善です。対象は当面、学習に十分な過去データがあり出荷頻度の高い製品に絞り、データの蓄積に応じて広げる方針が示されています。効果の数値は発表時点では公表されていません。 （参照元：武田薬品工業ニュースリリース 2025年8月4日 https://www.takeda.com/） 日本トムソン（IKO International）：部品在庫の発注業務を約63%効率化 ベアリングなど機械部品を手がける日本トムソンの米国子会社IKO International, Inc.は、AI CROSS株式会社のAI需要予測サービス「Deep Predictor」を導入しました。米国内の複数拠点に分かれる部品在庫について、需要予測から発注推奨量の算出までを一元化する仕組みです。 導入後、発注業務にかかる時間は週3.8時間から1.4時間へ約63%削減されました。担当者の経験に依存していた発注が標準化され、拠点間の重複発注も解消されました。（参照元：AI CROSS株式会社プレスリリース 2026年7月1日 https://prtimes.jp/） 首都圏の大手スーパー×EQUES：値引き率まで最適化し1か月の実証で利益10%増 弊社EQUESは、首都圏に展開する大手スーパーマーケットチェーンと、惣菜の需要予測と数理最適化を組み合わせた取り組みを行いました。課題は、廃棄を避けるための過剰な値引きが生む「値引きロス」です。 時系列予測で販売量を見立てたうえで、数理最適化で値引き率まで含めた販売計画を自動で出力する仕組みを構築したところ、1か月の実証で利益10%増という結果につながりました。「どれだけ売れるか」を当てるだけでなく、「いくらで・どれだけ売るか」という判断までつなげたことが、成果の分かれ目でした。 5件に共通するのは、予測の精度そのものより「発注・生産・値引きの判断」に予測をつないだ点です。どの事例も検証を経てから対象を広げている点も共通です。次章では、この進め方を誤ったときに起きる失敗を整理します。 需要予測AIの導入が失敗する3つの壁 事例では成果が目立ちますが、需要予測AIの導入には「データ量」「予測できない事象」「試行錯誤の必要性」という3つの壁があります。あらかじめ理解しておくことで、過度な期待による失敗を避けられます。 1. 一定以上のデータ量が必要 AIは過去データからパターンを学ぶため、精度を出すには一定量の履歴データが欠かせません。データが少ない新商品や新規事業では、予測が不安定になりやすい点に注意が必要です。 武田薬品工業が対象を「十分な過去データがあり出荷頻度の高い製品」に絞ったのも、この壁への対処です。最初から全品目に広げず、データが揃う領域から始める判断が失敗を減らします。 2. 正確に予測できないケースもある パンデミックや災害のような前例のない事象は、過去データに存在しないため予測が困難です。需要予測AIは「未来を言い当てる魔法」ではなく、確度の高い見込みを示す道具だと捉えることが大切です。 だからこそ、AIの推奨値を現場が調整できる余地を残す設計が求められます。推奨値を人が最終確認する運用にしておけば、想定外の事象にも対応しやすくなります。 3. 精度を高めるには試行錯誤が必要 どの変数を使うと精度が上がるかは、業務や商材によって異なります。導入直後に完璧な精度を求めず、運用しながら改善する前提で進めることが成功の条件です。 ヤオコーの事例でも、着手から全店稼働まで約1年、実店舗での実験運用と検証を繰り返しています。精度が出るまでの期間を見込んで計画することが、現実的な備えです。 需要予測AIを「予測して終わり」にしない進め方 3つの壁を越えても、需要予測は「当てること」自体が目的ではありません。高精度な予測を出しても、数字で何を決めるかが現場任せでは経験則に戻ってしまいます。予測値と現場の制約（賞味期限、保管スペース、人員シフトなど）が結びつかないためです。 予測を意思決定につなげ、小さく検証しながら定着させる進め方が、利益への近道です。「数理最適化」と「PoC」の2つの観点で解説します。 数理最適化で意思決定まで踏み込む 数理最適化とは、制約を数式で表し、利益最大などの目的に最適な打ち手を導く技術です。需要予測AIと組み合わせることで、「どれだけ売れそうか」から「では何個発注すべきか」までを一気通貫で支援できます。 多くの需要予測の解説記事はこの最適化の視点が手薄ですが、現場で成果を出すうえでは要となる考え方です。事例で紹介した弊社の首都圏スーパーの取り組みも、値引き率という「判断」まで最適化したことが利益10%増につながりました。 お問い合わせはこちら PoCで小さく検証し、伴走型パートナーを選ぶ まずは対象商材や店舗を絞り、PoC（概念実証）で「自社のデータで、狙った精度と効果が出るか」を検証します。いきなり全社展開せず、成立性を確かめてから広げることで、投資のリスクを抑えられます。 バローホールディングスが31店舗で検証してから242店舗へ広げたように、段階を踏む進め方は事例にも共通しています。PoCの進め方はAIのPoCを解説した記事が参考になります。 パートナー選びでは、汎用的な需要予測ツールは手早く始められる一方、自社固有のルール（賞味期限、特売、競合店の動きなど）への対応には限界があります。複雑な制約や独自の最適化まで踏み込むなら、伴走型開発が適しています。課題整理から一緒に取り組めるためです。 需要予測AIの相談先はEQUESへ ここまで見てきたように、需要予測AIで成果を出す鍵は、予測を意思決定につなぎ、小さく検証して広げることです。弊社EQUESは「予測」と「数理最適化」を組み合わせ、意思決定までを支援できる点を強みとしています。 東京大学 松尾・岩澤研究室発のスタートアップとして、製造業・製薬分野を中心に伴走型で開発を支援しています。 大規模開発の前に小さく検証したい場合は、PoCサービス『ココロミ』（スタンダードプラン月々250万円から）で成立性を確かめられます。数理最適化の知見は、NEDOの事業として取り組む量子コンピューターを用いた治療戦略の研究などにも活かされています。 製造現場での実装実績も重ねています。たとえばCyto-Facto様では製造記録のAI-OCR化に向けたPoCを支援し、東北電力様では部門ごとの業務効率化に向けた検証を進めました。三菱電機グループのRYODEN様とは、製造業向け生成AIの共同研究に取り組んでいます。 導入事例の詳細は弊社の実績ページをご覧ください。関連事例はAI導入事例をまとめた記事でも紹介しています。需要予測AIの導入を検討中の方は、お気軽にお問い合わせください。 ココロミ の詳細はこちら よくある質問（FAQ） Q. 需要予測AIの精度はどのくらいですか？ A. 商材やデータの質・量によって大きく異なるため、一概には言えません。だからこそ、PoCで自社データを使って実際の精度を確かめることが重要です。「必ず◯％当たる」という断定的な説明には注意が必要です。 Q. データが少なくても需要予測AIは導入できますか？ A. データが少ないと精度は出にくくなりますが、外部データの活用やモデルの工夫で補える場合もあります。まずは現状のデータで何ができるかを、パートナーと一緒に見極めることをおすすめします。 Q. 需要予測AIとツールの違いは何ですか？ A. 既製ツールは汎用的で導入が速い一方、自社固有の制約への対応には限界があります。複雑なルールや、予測から発注・在庫の最適化まで踏み込みたい場合は、伴走型の開発が向いています。 Q. 需要予測AIの導入費用の目安は？ A. 既製ツールの月額利用から、自社に合わせた伴走型開発まで幅があり、一概には言えません。まずはPoCで小さく検証し、効果を確かめてから投資規模を判断するのが現実的です。弊社のPoCサービス『ココロミ』はスタンダードプランで月々250万円からご利用いただけます。 Q. 需要予測AIを導入すれば在庫管理は自動化できますか？ A. 予測の自動化は可能ですが、発注や在庫の判断まで自動化するには、予測結果と現場の制約を結びつける数理最適化の設計が必要です。予測と意思決定を分けて考えることが、定着への近道になります。 まとめ 需要予測AIは、導入すれば自動的に成果が出るものではなく、「予測を意思決定につなげ、現場に定着させる」ことで初めて利益に結びつきます。本記事の要点は次のとおりです。 需要予測AIの仕組みは「データ収集→学習→予測→再学習」の循環で、多変量を扱える点が従来手法との違い。 公式発表のある活用事例では発注時間や廃棄ロスの削減が確認され、いずれも検証を経てから対象を広げている。 「データ量」「予測できない事象」「試行錯誤」という3つの壁を理解して臨む。 予測して終わりにせず、数理最適化と組み合わせて意思決定まで踏み込み、PoCで小さく検証してから広げる。 需要予測AIを自社に定着させ、在庫や廃棄の課題を利益改善へ変えていく一助になれば幸いです。最後までお読みいただき、ありがとうございました。 お問い合わせはこちら