Column
コラム
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 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）
【業種別】AI業務効率化の成功事例8選｜人手不足解消のポイント
記事の要約 背景：2025年度の人手不足倒産は441件と過去最多を更新し、最低賃金も全国加重平均1,121円へと過去最大の引き上げに。人手に頼った業務運営は限界を迎えつつあります。 効果：パナソニック コネクトの年間44.8万時間削減、DeNAの移行作業の約6倍効率化など、企業の公式発表（一次情報)で具体的な成果が公表されています。 進め方：効果が出やすい定型業務から着手し、PoC（概念実証）で効果を数値で検証してから全社に展開するのが定石です。 成功の鍵：ツールの導入だけで終わらせず、現場の教育と業務プロセスの見直しをセットで行うことが成否を分けます。 「求人を出しても人が集まらない」「残業が減らず、人件費だけが増えていく」——このような課題を抱える経営者やシステム管理者の方は多いのではないでしょうか。人手不足とコスト上昇が同時に進む2026年現在、AIによる業務効率化は一部の先進企業だけの取り組みではなく、企業規模を問わない現実的な選択肢になっています。 本記事では、公式発表に基づく業種別の成功事例を中心に、AIによる業務効率化が求められる背景、RPAとの違い、導入を成功させるためのポイントまでを体系的に解説します。自社のどの業務にAIを導入できそうか、具体的なイメージを持ち帰っていただける構成です。 なぜ今、AIによる業務効率化が求められているのか？ 人手不足の深刻化と人件費の上昇が同時に進み、「人を増やして業務量に対応する」という従来のやり方が成り立たなくなりつつあるためです。 従業員の離職や採用難による「人手不足倒産」は、2025年度に441件発生し（帝国データバンク調べ）、前年度の約1.3倍と3年連続で過去最多を更新しました。そのうち約75％を従業員10人未満の小規模企業が占めており、人手不足はもはや大企業だけの問題ではありません。 [参照元：帝国データバンク「人手不足倒産の動向調査（2025年度）」（2026年4月公表） https://www.tdb.co.jp/report/economic/20260409-laborshortage-br25fy/] また、2025年度の地域別最低賃金は全国加重平均で時給1,121円となり、過去最大の引き上げ幅を記録しました。人を新たに雇う難易度と、雇い続けるコストが同時に上がっているのが現状です。 [参照元：厚生労働省「地域別最低賃金の全国一覧」 https://www.mhlw.go.jp/stf/seisakunitsuite/bunya/koyou_roudou/roudoukijun/minimumichiran/index.html] こうした環境の変化を受けて、AI活用は検討段階から実行段階へ移っています。中小企業のAI導入率は20.4％に達し、検討中を合わせると約4割がAI活用に前向きです（中小企業基盤整備機構・2026年3月調査）。しかも導入目的の87.0％は「業務効率化・作業時間の短縮」。本記事のテーマは、いま最も求められている使い道だといえます。 [参照元：中小企業基盤整備機構「中小企業のAI等の利活用に係る実態調査」（2026年3月） https://www.smrj.go.jp/research_case/questionnaire/fbrion0000002pjw-att/202603_AI_point.pdf] AIによる業務効率化のメリットとRPAとの違いは？ AI導入の主なメリットは、作業時間の大幅な短縮、属人化の解消、品質の均一化の3つです。ベテラン社員のノウハウをAIに学習させれば知識の継承にもつながり、採用が難しい状況でも既存の人員で業務を回せる体制を作れます。 作業時間の短縮：文書作成・要約・データ入力などの定型作業をAIが代替し、人はレビューと判断に集中できる 属人化の解消：特定の担当者しかできなかった業務を、AIを介して誰でも一定水準でこなせるようになる 品質の均一化：チェック漏れや転記ミスなどのヒューマンエラーを減らし、成果物の品質を安定させられる よく比較されるRPA（自動化技術）との違いは、扱える業務の性質にあります。以下の表をご覧ください。 RPA（自動化技術）AI（生成AI・機械学習）得意な業務手順が完全に決まった定型作業（転記・集計など）文章・画像などの非定型データを扱う判断を伴う作業具体例システム間のデータ転記、定期レポートのダウンロード文書の作成・要約、問い合わせ対応、書類のチェック限界例外やレイアウト変更に弱い出力の検証（人によるレビュー）が必要 実務では「判断はAI、確定した手順の実行はRPA」と組み合わせるケースも増えています。自社の課題がどちらのタイプの業務に多いかを見極めることが、ツール選定の出発点になります。 【業種別】AIによる業務効率化の成功事例 ここからは、各社の公式発表（プレスリリース・導入事例記事）に基づく成功事例を業種別に紹介します。掲載している数値はいずれも各社の公表値です。自社と近い業種・業務の事例から、「どの業務を、どんなAIで」効率化できるかのイメージを掴んでください。 製造業：全社AI活用と熟練技術のシステム化 製造業では、全社的なAIアシスタントの導入と、ベテランの暗黙知の継承という2つの方向で成果が出ています。前者の代表例が、パナソニック コネクト株式会社です。全社員向けにAIアシスタントを導入した結果、年間44.8万時間の労働時間削減を達成したと公表しています。一人ひとりの小さな時短でも、全社に積み上がればこれだけの規模になるという好例です。同社は2025年から2026年にかけて、業務プロセスへのAIエージェント適用へと活用をさらに深めています。後者の例が、ものづくり企業のDXを支援するSOLIZE PARTNERS社です。熟練技術者のノウハウを対象に、3D CADの自動生成や設計ナレッジを提案するAIの実現可能性をPoC（概念実証）で検証し、属人化しがちな技術の継承に道筋をつけました。 [参照元：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」 https://news.panasonic.com/jp/press/jn250707-2 ／株式会社EQUES 導入事例 https://eques.co.jp/works/251023/] 製薬業：規制対応文書・品質保証業務の効率化 厳格な法規制が求められる製薬領域でも、文書業務を中心にAI活用が加速しています。塩野義製薬株式会社と株式会社日立製作所は、生成AIを活用した医薬品開発の規制関連文書の作成支援ソリューションを共同開発し、治験総括報告書の作成時間を約50％、治験実施計画書の作成時間を約20％削減する成果を公表しました（2026年2月から国内向けライセンス提供開始）。また、品質保証（QA）部門向けには、GMP文書業務を効率化するSaaS「QAI Generator」（株式会社EQUES提供）があり、導入事例では文書の作成時間を5割、レビュー時間を7割以上短縮しています。同サービスは経済産業省のプロジェクト「GENIAC」にも採択されています。 [参照元：日立製作所ニュースリリース（2026年2月） https://www.hitachi.com/ja-jp/press/articles/2026/02/0224/] IT・ソフトウェア開発：AI駆動開発で工期を大幅短縮 開発現場では、自律型AIエージェントの導入による工数削減の事例が相次いで公表されています。象徴的なのが、株式会社ディー・エヌ・エー（DeNA）です。自律型AIエンジニア「Devin」を全社導入し、従来なら半年かかると想定されたシステム移行（PerlからGo言語への移植）を1ヶ月弱で完遂しました。作業効率にして約6倍です。同様の動きは他社にも広がっています。株式会社リコーはAI駆動開発プログラムの導入で、既存アプリケーションのクラウド移行工期を2ヶ月から約3週間へ短縮しました。株式会社MonotaROも、受注管理システムのリプレースでAPI移植・バグ修正・機能追加を5日間で実施した事例を技術ブログで公開しています。開発に「かかるはずの時間」の常識が、まさに塗り替わりつつあります。 [参照元：DeNA公式ニュース https://dena.com/jp/news/5356/ ／グラファー社プレスリリース https://prtimes.jp/main/html/rd/p/000000121.000038525.html ／MonotaRO Tech Blog https://tech-blog.monotaro.com/archive/category/AI%E9%A7%86%E5%8B%95%E9%96%8B%E7%99%BA] エネルギー・現場業務：資料作成と記録業務の自動化 バックオフィスや現場の記録業務も、AIによる効率化の効果が出やすい領域です。東北電力株式会社の事業創出部門では、事業企画の資料作成を効率化するため、部門専用にカスタマイズしたスライド生成AIをPoCで検証し、現場で使えるかどうかを実務ベースで見極めました。また、細胞治療のCDMOであるCyto-Facto社では、AI-OCRを活用して製造現場の紙の記録を自動でデータ化する検証を実施し、GMP（製造管理・品質管理基準）対応を見据えたシステム化を進めています。前述の中小企業基盤整備機構の調査でも、AIの活用業務の第1位は「文章の作成・要約・校正」（45.1％）であり、書類仕事の削減は業種を問わない共通テーマといえます。 [参照元：株式会社EQUES 導入事例（東北電力様） https://eques.co.jp/works/tohoku-denryoku-slide-ai/ ／同（Cyto-Facto様） https://eques.co.jp/works/251001/] AIで業務効率化を成功させる秘訣と注意点は？ 成功企業に共通するのは、「目的の明確化 → 小さく検証 → 現場に定着」という順序を守っている点です。ツールを先に決めて現場に配るだけでは、利用が定着せず効果も測定できません。以下の4点を押さえましょう。 ①目的とKPIを先に決める：「何の業務の、どの数値を、どれだけ改善するか」を導入前に定義します。削減時間やエラー率など、判断の根拠となる数値を必ず残します。 ②PoC（概念実証）でスモールスタートする：いきなり全社導入せず、効果が出やすい定型業務を対象に小規模な検証から始めます。自社データで期待する精度が出るかを確かめてから投資を拡大することで、失敗のリスクを抑えられます。 ③セキュリティとハルシネーションに備える：機密情報が学習に二次利用されない企業向け環境を選び、AIの出力は人がレビューする運用ルールを整えます。もっともらしい誤り（ハルシネーション）を前提にしたチェック体制が不可欠です。 ④現場の教育とプロセス見直しをセットで行う：使い方の研修やプロンプトの共有など、現場がAIを使いこなすための支援を続けます。AIに合わせて業務フロー自体を見直すと、効果が一段と大きくなります。 特に②と④は、外部の専門家と伴走しながら進める企業が増えています。社内にAI人材がいない場合は、検証の設計段階から支援を受けることで「導入したのに使われない」という失敗を避けやすくなります。 AIによる業務効率化の全体像はAIによる業務効率化 完全ガイドで、業種を問わない活用例はAI活用事例の記事でも解説しています。 AI×DX寺子屋 の詳細はこちら AIによる業務効率化に関するよくある質問（FAQ） AI導入を検討する企業からよく寄せられる質問をまとめました。 Q. AIによる業務効率化はどのくらいの効果が見込めますか？ A. 業務内容によって幅がありますが、公式発表のある事例では、文書作成時間の約50％削減（塩野義製薬×日立製作所）、レビュー時間の7割以上短縮（QAI Generator導入事例）、開発作業の約6倍の効率化（DeNA）などが報告されています。まず自社の対象業務で小さく検証し、数値を確かめることをおすすめします。 Q. AIとRPAはどちらを導入すべきですか？ A. 手順が完全に決まった転記・集計などの反復作業が多いならRPA、文書や問い合わせなど判断を伴う非定型業務が多いならAIが適しています。両者は排他的ではなく、判断をAIが行い、実行をRPAが担う組み合わせも有効です。 Q. 社内にAIの専門人材がいなくても導入できますか？ A. 可能です。近年は、課題の整理からPoC、運用定着までを一貫して支援する伴走型の外部パートナーを活用する企業が増えています。月額制のチャット相談サービスなど、小さく始められる支援形態もあります。 まとめ：事例に学び、小さく始めて大きく育てる 本記事では、AIによる業務効率化が求められる背景から、業種別の成功事例、導入を成功させるポイントまでを解説しました。要点は次のとおりです。 人手不足倒産が過去最多を更新し、最低賃金も過去最大の引き上げとなるなか、AIによる業務効率化は企業規模を問わない経営課題になっている 製造・製薬・IT・エネルギーの各業界で、年間数十万時間の削減や工期の大幅短縮など一次情報に基づく成果が公表されている 成功の定石は「目的とKPIの明確化 → PoCによる小規模検証 → 教育とプロセス見直しによる定着」の順序を守ること 自社と近い業種の事例を入り口に、まずは効果が出やすい定型業務を1つ選んで検証を始めてみてはいかがでしょうか。 帳票入力の自動化で「導入しても手入力が減らない」問題に直面している方は、AI OCR導入の課題と解決策の記事で原因と対処を確認できます。 AIによる業務効率化の伴走支援なら株式会社EQUESへ 株式会社EQUES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、製造業・製薬業を中心に「伴走型技術開発」でAI導入を支援しています。本記事で紹介したSOLIZE PARTNERS様・Cyto-Facto様・東北電力様の検証は、大規模開発の前に実現可能性を見極めるPoC支援サービス「ココロミ」で伴走したものです。製薬品質保証向けのGMP文書効率化SaaS「QAI Generator」、東大出身のAI専門家にチャットで相談できる「AI×DX寺子屋」など、課題と成熟度に合わせたサービスをご用意しています。 「どの業務からAIを導入すべきか分からない」「効果を数値で確かめてから投資したい」という段階からで構いません。ぜひお気軽に株式会社EQUESへご相談ください。 お問い合わせはこちら 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）
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
記事の要約 ハルシネーションとは：生成AIが学習データにない事実無根の情報を、もっともらしく出力してしまう現象です。 主な原因：現在の言語モデルは「分からない」と回答するよりも「推測して答える」よう評価・学習されやすい構造を持つためです。 主な対策：プロンプトでの制約条件の付与、RAG（検索拡張生成）やグラウンディングの技術活用、そして人間による最終確認（Human-in-the-Loop）の徹底が有効です。 安全なAI導入：自社単独での検証が難しい場合は、専門家による伴走支援（AI×DX寺子屋など）や、PoCによる事前検証（ココロミ）の活用を推奨します。 社内で生成AIの導入や内製化を進めたいものの、「もっともらしい嘘（ハルシネーション）」による誤情報のリスクが懸念され、本格導入へ一歩を踏み出せないとお悩みの事業責任者やマネージャーの方も多いかと存じます。 本記事では、AI導入の障壁となる「ハルシネーション対策」について、根本的な原因から具体的な防止策までを詳しく解説いたします。専門機関の一次情報に基づき、日々の業務ですぐに実践できるプロンプトの工夫から最新の技術的アプローチまで網羅しております。 自社のDX推進や業務効率化に向けて、安全かつ自信を持ってAIを活用するためのガイドとしてご活用ください。 AIのハルシネーションとは？ AIのハルシネーションとは、生成AIが事実とは異なる不正確な情報を、あたかも真実であるかのように出力してしまう現象のことです。まるでAIが幻覚を見ているような挙動からこのように呼ばれています。 ハルシネーションの2つの種類 ハルシネーションは出力の性質によって大きく以下の2種類に分類されます。 種類特徴具体例内在的ハルシネーション（Intrinsic）学習データに含まれている事実と矛盾する、あるいは異なる情報を出力する現象。「旭川市の動物園」という情報があるのに「札幌市の動物園」と出力してしまう。外在的ハルシネーション（Extrinsic）学習データには一切存在しない、全く新しい架空の情報を創造して出力する現象。実在しない「シロクマのパレードイベント」をでっち上げて出力してしまう。 なぜハルシネーションが起こるのか？ ハルシネーションがなくならない構造的な理由の一つとして「現在のAIの評価手法」が挙げられます。 多くの言語モデルは、不確実なことに対して「分かりません」と誠実に答えるよりも、推測して何かしらの回答を出す方が高く評価されるインセンティブが働いています。そのため、AIは情報の「空白」を埋めようと、学習済みの断片的なデータを繋ぎ合わせて捏造してしまうのです。 この構造は、研究でも裏付けられています。OpenAIが2025年9月に公表した論文『Why Language Models Hallucinate』は、ハルシネーションが消えない理由を「訓練と評価の仕組みが、不確かさを認めるよりも推測することに報酬を与えているため」と分析しました。 学校の試験で分からない問題に出会ったとき、空欄のままにするより当てずっぽうでも書いたほうが点になる——AIはそれと同じ環境で育てられている、という説明です。つまりハルシネーションは、たまたま起きる不具合ではなく、いまのAIの作られ方に組み込まれた性質です。だからこそ「完全になくす」ことを目指すのではなく、「起こる前提で業務を設計する」ことが対策の出発点になります。 参照元：OpenAI「Why Language Models Hallucinate」（2025年9月）https://arxiv.org/abs/2509.04664 ハルシネーションがもたらすビジネス上のリスク ハルシネーションを含む誤情報をそのまま鵜呑みにし、業務上の意思決定に利用してしまうと、以下のような深刻なリスクを引き起こす可能性があります。 財務・経営判断の誤り：誤った統計データや架空の市場予測をもとに予算計画を立ててしまう。 社会的信用の失墜：AIが生成した誤情報を事実として顧客や外部へ発信・拡散してしまう。 特に、厳格なコンプライアンスが求められる製薬業界や製造業においては、事実関係の確認（ファクトチェック）なしにAI出力を用いることは極めて危険です。 ハルシネーションへの耐性は、いまやAIを選ぶ側の評価項目にもなり始めています。日本政府も、生成AI利用環境「源内」で使う国産LLMの公募（2026年3月選定）で、実在しない条約について説明させるなど、ハルシネーションを意図的に誘発する評価テストを各社のモデルに課しました。「どれだけ賢いか」ではなく「どれだけ間違えないか」を試す時代に入っている、ということです。 弊社が支援する製薬業界では、この問題はさらに切実です。GMP（医薬品の製造・品質管理基準）に関わる文書では、数値や工程名がひとつ入れ替わるだけで品質と規制対応に直結します。だからこそ、後述する技術的な対策と人の確認体制を、業務の重要度に応じて組み合わせることが欠かせません。 参照元：デジタル庁「ガバメントAI（源内）で用いる国産の大規模言語モデル（LLM）の選定結果」（2026年3月6日）https://www.digital.go.jp/ ハルシネーションの対策方法は？ ハルシネーションを完全にゼロにすることは困難ですが、プロンプトの明確な指示出し、RAGなどの外部データ連携、情報源の明示、そして人間の目視確認を組み合わせることでリスクを極小化できます。 ハルシネーションの発生率を大幅に下げ、安全に運用するための具体的な対策を4つご紹介します。 ①プロンプトエンジニアリングによる制約 AIへの指示（プロンプト）を工夫し、AIが勝手に推測する余地を意図的に狭める対策です。以下のルールを設けることが有効です。 役割と前提を定義する：「あなたは〇〇の専門家です」と指定し、参照すべきデータの範囲を絞り込む。 不明時のルールを徹底する：「情報が不足している場合や推測による回答はせず、『分からない』と答えてください」と明記する。 思考プロセスを書かせる：結論だけを出力させるのではなく、結論に至るまでの理由や手順を順序立てて出力させることで、論理の飛躍を防ぐ。 ②RAG（検索拡張生成）の活用 RAG（Retrieval-Augmented Generation）は、AIモデルが持つ事前の学習知識だけに依存せず、自社の社内ドキュメントや信頼できる外部データベースから必要な情報を検索し、その情報を基に回答を生成させる技術です。AIに「参照すべき確かな根拠」を強制的に与えることで、事実に基づかない出力のリスクを劇的に減らすことができます。 ただし、RAGは万能ではありません。検索が適切な文書を見つけられなければ、AIは結局、手元の知識で空白を埋めようとします。RAGの効果は「検索の精度」と「参照させる文書の整備状況」で決まるため、導入時はこの2点をセットで設計することが重要です。社内文書が散在したままRAGを載せても、期待した精度は出ません。 ③グラウンディング（根拠付け）技術 グラウンディングとは、AIが回答を生成する際、対象となる情報源（URLや社内規定の該当箇所など）を検証可能な形で関連付ける手法です。 回答と合わせて「どのドキュメントの・どの部分を参照したか」という引用元を明示させることで、利用者が後からファクトチェック（事実確認）を容易に行えるようになります。 ④人間による最終確認（Human-in-the-Loop） システム側の対策だけでなく、業務運用における体制整備も不可欠です。AIの出力結果を最終的に人間が確認し、承認・修正を行う「Human-in-the-Loop（人間参加型）」の業務フローを構築します。対外的な文章や重要書類の作成においては、専門知識を持つ担当者が介在することで、組織としての安全性を担保します。 実務のポイントは、「すべてを人が確認する」と構えないことです。それでは効率化の意味がなくなってしまいます。社外に出る文書・規制対応の文書・数値を含む判断は人の確認を必須にし、社内向けのたたき台やアイデア出しはAIに任せる——業務の重要度に応じて確認の濃淡を線引きすることで、安全と効率は両立できます。 生成AIのリスク対策全般はAIセキュリティの記事で、機密情報の取り扱いは生成AIと機密情報の記事でも詳しく解説しています。 自社に最適なハルシネーション対策とAI導入を進めるには？ 自社だけで技術検証を行うのが難しい場合、専門家による伴走支援や、小規模からリスク検証を行えるPoC（概念実証）サービスを活用して、安全な開発基盤を整えることが推奨されます。 弊社、株式会社EQUESは、東京大学松尾・岩澤研究室発のスタートアップとして、最先端の専門的な知見をもとに、企業様のAI導入を「伴走型」で支援しております。 AI×DX寺子屋 の詳細はこちら AI・DXの課題を専門家に直接相談「AI×DX寺子屋」 「AI×DX寺子屋」は、AIやDXに関する社内の課題を、東大出身のAI専門家集団がチャットやオンラインミーティングで直接解決に導くサービスです。 プランA（月額20万円）は相談し放題となっており、ハルシネーションを防ぐ精度の高いプロンプト作成から、大学講義レベルの専門的な資料作成まで、実務に即したアドバイスを提供いたします。 大規模開発前のリスク検証「ココロミ」 本格的なシステム開発の前に、ハルシネーションのリスクや自社データを用いた際の実用性をしっかりと検証するためのPoC（概念実証）サービス「ココロミ」を提供しております。スタンダードプラン（月々250万円〜）から、小さく検証を始めて確実な成果を確認することで、安心して本番開発への投資を進めることが可能です。 製薬・製造業の品質保証に特化したソリューション 弊社は、特に高い情報の正確性が求められる製薬業界や製造業のドメイン知識に強みを持っております。 QAI Generator：製薬品質保証のGMP文書業務効率化SaaSです。簡単な質問に答えるだけで、AIが正確な必要書類を自動作成し、文章作成時間を5割、レビュー時間を7割以上削減します。（GENIAC採択事業） QAI Checker：複数のQA文書の段落ごとに整合性を解析し、数値・工程・名称ミスなどの齟齬（ハルシネーションやヒューマンエラー）を網羅的に自動検出するツールです。 さらに、実務特化型の学習コンテンツ「AI×DX寺子屋 learning」では、1回約10分の動画学習とコピペで使える実務用テンプレートを通じて、社内のAI人材育成も強力にサポートいたします。 ハルシネーションに関するよくある質問（FAQ） Q. ハルシネーションを完全になくすことはできますか？ A. 現在の技術水準において、ハルシネーションの発生を完全にゼロにすることは非常に困難です。そのため、RAGやグラウンディングなどの技術的対策と、人間によるファクトチェック（Human-in-the-Loop）を組み合わせた運用体制が必須となります。 Q. AIに学習データを追加すればハルシネーションは減りますか？ A. 必ずしもそうとは限りません。実行させたいタスクに関連しない不適切なデータや、偏りのあるデータを学習させてしまうと、かえって予測が不正確になりハルシネーションの原因となることがあります。良質で適切なデータを選定することが重要です。 Q. 無料の生成AIツールでもハルシネーション対策は可能ですか？ A. 無料ツールを利用する場合でも、「役割の定義」や「分からない場合は回答しない」といったプロンプトの工夫による対策は可能です。しかし、自社データとの連携（RAG）や厳密なグラウンディング機能を備えたより安全な環境を求める場合は、法人向けの専門ソリューションの導入を検討することをお勧めします。 まとめ 本記事では、生成AI導入の最大の懸念点であるハルシネーションについて、その仕組みと具体的な対策を解説いたしました。 ハルシネーションとは、AIが事実に基づかない情報を出力する現象です。 原因は、モデルが不確実性を伝えるよりも推測を優先してしまう評価構造にあります。 プロンプトの工夫、RAGによる情報補完、グラウンディングによる根拠付け、人間による最終確認が必須の対策です。 AI活用におけるリスクを正しく理解し、技術と体制の両面から適切な対策を講じることで、社内のDX推進は安全かつ力強く前進します。 ハルシネーション対策に関する技術的なご不安や、AIの内製化に向けた具体的な進め方についてお悩みがございましたら、ぜひ株式会社EQUESへお気軽にお問い合わせください。専門家チームが皆様の課題解決へ向け、真摯に伴走支援いたします。 お問い合わせはこちら 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）
生成AI開発会社の選び方｜比較基準7つと国内主要企業20社
記事の要約 生成AI開発会社は「実績・業界理解・PoCの進め方・データの扱い・費用構造・体制・契約と知財」の7つの基準で比較すると、自社に合う会社を絞り込めます。 候補は「海外ビッグテック」「国内基盤モデル開発」「伴走支援・コンサル」の3タイプに分かれます。本記事では国内で検討されることの多い主要20社をタイプ別に一覧にしました。 依頼で失敗しないためには、目的と評価指標を先に決め、RFPとPoCの範囲を文書にしてから候補に声をかけることが有効です。 「生成AIを業務に入れたいが、どの開発会社に頼めばよいか分からない」。そのような悩みを抱える企業担当者の方は多いのではないでしょうか。 本記事では、生成AI開発会社の選び方を、比較基準7つと国内主要企業20社の一覧で解説します。依頼前に決めておくことと、RFP（提案依頼書）やPoC（概念実証）の進め方もあわせて紹介します。 この記事は、東大松尾研発のAIスタートアップである弊社EQUESが、伴走型技術開発の現場で見てきた選定の勘所をもとに書いています。自社の宣伝は最後の章にまとめ、本文はできるだけ中立に整理しました。 生成AI開発会社を選ぶ前に決めること 開発会社を比較する前に、「何のために」「どこまで自社でやるか」「最初にどの規模で試すか」の3点を決めておくと、候補は自然に絞れます。この3点が曖昧なまま提案を集めると、各社の得意分野に引きずられて比較ができなくなります。 1つ目は目的です。「どの業務の、どの数値を改善したいか」を一文で言える状態にします。問い合わせ対応の一次回答時間を半分にする、文書作成の工数を3割減らす、といった具体性が必要です。 目的の明文化が重要なのは、生成AIの導入そのものが差別化にならなくなったためです。日本企業の生成AIの活用・推進度は2026年春時点で87％に達しています（PwC Japanグループ『生成AIに関する実態調査2026 春 6カ国比較』、2026年2月調査）。 参照元：PwC Japanグループ『生成AIに関する実態調査2026 春 6カ国比較』（https://www.pwc.com/） 2つ目は、内製か外注かの線引きです。自社にAIエンジニアがいれば、基盤モデルを提供する企業と直接契約して自社でシステムを組む選択肢があります。 一方、AI人材がいない場合や、業界特有の規制に合わせた独自のAIを作りたい場合は、要件定義から運用までを担う開発会社に依頼するのが現実的です。この線引きで、後述する3タイプのどれを主な候補にするかが決まります。 3つ目は、最初に試す規模です。いきなり数千万円規模の本開発に入るのではなく、数カ月の検証（PoC）で効果を確かめてから投資を広げる進め方が一般的です。 PoCの考え方や失敗パターンは、PoC支援の解説記事で詳しく説明しています。本記事では、PoCを「開発会社を見極める場」として使う視点で話を進めます。 生成AI開発会社の比較基準7つ 生成AI開発会社は、実績・業界理解・PoCの進め方・データの扱い・費用構造・体制・契約と知財の7つで比較すると、提案資料の見栄えに左右されずに判断できます。以下では、基準ごとに「何を見るか」と「どう確かめるか」を説明します。 7つの基準は、依頼先の見極めに効く順に並べています。前半の3つは「その会社に自社の課題が解けるか」、後半の4つは「安心して長く付き合えるか」を見るための基準です。 1. 同じ業界・同じ業務での実績 最初に見るのは、自社と同じ業界、できれば同じ業務での実績があるかです。生成AIの精度は扱う文書や用語に大きく左右されるため、業務が違えば実績の再現は期待しにくくなります。 確認の仕方は、公開事例に「社名・対象業務・効果の数値・発表日」が揃っているかを見ることです。社名のない「大手製造業」のような事例だけの会社は、発表できる成果がまだ少ない可能性があります。 2. 業界の規制と業務への理解 製薬のGMP、金融の各種ガイドライン、建設の安全基準など、規制がある業界では、規制を知らない開発会社は使えない成果物を作ります。生成AIの出力をどう検証し、誰が承認するかまで設計に含める必要があるからです。 確認の仕方は、初回の打ち合わせで規制名や社内ルールを具体的に出し、相手がどこまで踏み込んで答えられるかを見ることです。一般論しか返ってこなければ、その領域の経験は薄いと判断できます。 3. PoCの進め方と終わり方 PoCは「やってみた」で終わると意味がありません。検証の範囲、期間、評価指標、終了後の判断基準が提案の段階で示されているかを見ます。 確認の仕方は、PoCの提案書に「成功と見なす数値」と「本開発に進まない場合の判断」が書かれているかです。やめる基準を書ける会社は、PoCを本開発の営業手段にしていない会社だと言えます。 4. セキュリティとデータの扱い 機密データを扱う以上、入力データが学習に二次利用されない設定か、閉域やオンプレミスで動かせるかは必ず確認します。利用するモデルが海外のクラウド上にある場合は、データの保管場所も論点になります。 確認の仕方は、データがどこを通ってどこに残るかを示すデータフロー図を求めることです。図を出せない、または契約書に秘密保持とデータの扱いの条項がない会社は、本開発の前に体制を見直してもらう必要があります。 5. 費用構造の透明さ 生成AI開発の費用は、サブスクリプション、API従量課金、個別見積り、月額制の伴走支援という構造の違いが大きく、金額だけを横に並べても比較になりません。本開発の規模は業務の数とデータの整備状況で変わるため、相場の一言では語れないのが実情です。 確認の仕方は、見積りの内訳（人件費・クラウド利用料・ライセンス料）と、PoC後に本開発へ進んだ場合の費用の幅を先に聞くことです。幅を答えられない会社は、本開発の経験が少ないか、価格を後出しにする可能性があります。 6. 体制と伴走の範囲 提案に来る人と、実際に手を動かす人が違うのはよくあることです。誰が設計し、誰が現場に入り、導入後の教育や定着まで誰が見るかを提案の段階で確認します。 確認の仕方は、提案の打ち合わせに担当エンジニアの同席を依頼することです。また、社員向けの研修やプロンプトの整備など、ツールの納品で終わらない支援があるかも聞いておきます。 7. 契約と知財の取り決め 生成AI開発では、成果物のプログラムやプロンプト、学習に使ったデータ、調整したモデルの権利が誰に帰属するかが後から問題になりがちです。開発会社が他社案件に成果を再利用できるかどうかも、契約で決めておく事項です。 確認の仕方は、PoCの契約前に契約書の雛形を取り寄せ、知財・データ・再利用の条項を法務と読むことです。本開発の契約で初めて条項を見ると、PoCで作ったものの権利が宙に浮くことがあります。 生成AI開発会社の国内主要企業20社（タイプ別一覧） 生成AIを提供する企業は、汎用的な「海外ビッグテック」、日本語処理と国内運用に強い「国内基盤モデル開発」、導入から定着までを担う「伴走支援・コンサル」の3タイプに大別できます。自社の導入目的とITリソースに合うタイプを先に決めると、20社の中から候補を絞りやすくなります。 以下、タイプごとに特徴と企業を一覧にします。各社の記述は公式サイトや公式発表に基づき、表の社名のリンクは各社の公式ページです。 導入事例を幅広く知りたい方はAI導入事例まとめを、ツールそのものの比較はおすすめ生成AIの比較の記事もあわせてご覧ください。 海外ビッグテック6社 海外ビッグテックは、世界中で使われているだけに汎用性能と周辺ツールの充実度は頭ひとつ抜けています。公開されたプランやAPIで今日からでも試せる手軽さがあり、多くの企業にとって生成AIの入り口になるタイプです。 一方で、自社の業務に合わせた作り込みや、規制対応の設計は自社か別の開発会社が担うことになります。「どのモデルを使うか」と「誰が業務に組み込むか」は分けて考える必要があります。 企業名代表的なサービス・モデル特徴OpenAIChatGPT／GPTシリーズ対話型生成AIの代表格。APIによる企業システムへの組み込みも広く普及GoogleGemini検索やGoogle Workspaceとの統合に強みMicrosoftMicrosoft 365 Copilot／Azure OpenAI ServiceOffice製品との連携を軸に企業導入が進むAnthropicClaude長文読解と安全性への配慮を重視した設計Amazon Web ServicesAmazon Bedrock複数の基盤モデルをAWS上で選択して利用できるMetaLlamaシリーズオープンモデルとして公開され、自社環境での利用・カスタマイズに使われる 国内基盤モデル開発8社 国内の基盤モデル開発企業の強みは、日本語の扱いと、国内環境で運用しやすいセキュリティにあります。閉域やオンプレミスでの構築に対応しやすく、機密性の高い文書を扱う企業の候補になります。 注目すべきは、政府での採用が始まったことです。デジタル庁は生成AI利用環境「源内」で試用する国産LLMを2026年3月に選定し、同年5月に5社と契約を結びました（表の上から5社）。国が業務利用を前提に選んだという事実は、企業が国産モデルを検討するうえで一つの目安になります。 企業名代表的なサービス・モデル特徴NTTデータtsuzumi 21GPUで動く軽量モデルを特徴とする国産LLM。源内での試用対象ソフトバンクSarashina3 miniグループ会社SB Intuitionsが日本語に特化して開発した国産LLM。源内での試用対象NECcotomi v3業務適用を重視した国産LLM。源内での試用対象富士通Takane 32B機密データを扱う企業向けに開発された国産LLM。源内での試用対象Preferred NetworksPLaMo 2.0 Prime／PLaMo翻訳国内フルスクラッチ開発。翻訳特化の「PLaMo翻訳」は源内の日英翻訳機能にも採用サイバーエージェントCyberAgentLM日本語LLMを公開。広告・クリエイティブ領域での活用に強みELYZA日本語特化LLM東大松尾研発。KDDIグループで日本語特化モデルの開発と導入支援を手がけるSakana AI日本語基盤モデル東京発のAI研究開発企業。複数モデルを組み合わせる独自手法で開発 参照元：デジタル庁「全府省庁の約18万人の政府職員を対象としたガバメントAI（源内）の大規模実証を開始しました」（2026年5月28日）https://www.digital.go.jp/／資料PDF ガバメントAI源内の展開状況 伴走支援・コンサル6社 伴走支援・コンサルティング企業は、自社にAI人材がいない場合や、業界特有の規制・業務に合わせた導入を進めたい場合の相談先になります。モデルは海外・国内のどちらでも選べるため、前の2タイプと組み合わせて使うのが一般的です。 企業名特徴アクセンチュア戦略立案から実装までを手がける総合コンサルティング企業。生成AI導入支援の専門組織を持つIBM企業向けAI基盤「watsonx」とコンサルティングを提供野村総合研究所シンクタンク系。金融をはじめとする業種知見と組み合わせた生成AI活用支援ABEJA「ABEJA Platform」を基盤に、大企業のDX・LLM導入を支援PKSHA Technology自然言語処理のアルゴリズムを軸に、企業向けAIソリューションとSaaSを提供EQUES東大松尾研発。製薬・製造業を中心に伴走型技術開発とPoC支援を提供 生成AI開発会社への失敗しない依頼の進め方（RFPとPoCの範囲） 依頼で失敗しないコツは、目的と評価指標を数字で置き、RFPとPoCの範囲を文書にしてから候補に声をかけることです。順番を逆にして先に提案を集めると、各社の提案が比較できず、見積りも膨らみます。 以下では、依頼の準備から契約までを5つのステップで説明します。 ステップ1は、目標値を数字で置くことです。他社が公表している成果は、目標の置き方の参考になります。たとえばパナソニック コネクトは、全社員向けのAIアシスタントの活用で年間44.8万時間の削減を達成したと公表しています（2025年7月7日発表）。 製薬分野では、日立製作所が塩野義製薬と協創した規制関連文書の作成支援ソリューションで、治験総括報告書の作成時間を約50％、治験実施計画書を約20％削減する成果を確認しています（2026年2月24日発表）。業務を絞った取り組みほど、数字で成果を示しやすいことが分かります。 参照元：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』（https://news.panasonic.com/） 参照元：日立製作所『日立が塩野義製薬と協創、生成AIで医薬品開発の規制関連文書の作成を支援』（https://www.hitachi.com/） ステップ2は、RFPに5つの項目を書くことです。対象業務と現状の工数、改善したい数値、使えるデータの種類と量、セキュリティ要件、予算の上限と希望時期の5つです。 ステップ3は、PoCの範囲を1業務に区切ることです。複数の業務を一度に検証すると、どこで精度が出なかったかが分からなくなります。最初のPoCは、データが揃っていて効果を測りやすい業務を1つ選びます。 期間は数週間から数カ月が目安で、終了時に「本開発に進むか、条件を変えて再検証するか、やめるか」の3択で判断できる形にしておきます。 ステップ4は、候補を3社程度に絞って同じRFPで提案を受けることです。タイプの違う会社を混ぜると比較しにくいため、第1章で決めた線引きに合うタイプから選びます。 ステップ5は、契約前に知財・データ・再利用の条項を確認することです。PoCの契約であっても、成果物の帰属と、開発会社が他社案件に成果を再利用できるかを明記しておきます。 最後に、ここまでの内容をチェックリストにまとめました。候補の会社ごとに、次の項目を自社にあてはめて評価してみてください。 □ 解決したい業務課題と改善したい数値が明文化されているか □ 自社と同じ業界・同じ業務での公開実績（社名・数値つき）があるか □ PoCの範囲・期間・評価指標・終了後の判断基準が提案に書かれているか □ 機密データの扱い（学習への不使用設定・閉域・オンプレミス対応）が自社要件を満たすか □ 見積りの内訳と、本開発に進んだ場合の費用の幅が示されているか □ 実際に担当するエンジニアと、導入後の教育・定着支援の体制が分かるか □ 成果物の帰属・データの扱い・再利用の可否が契約書に書かれているか EQUESの伴走型技術開発とPoC支援 ここまで、生成AI開発会社の比較基準と依頼の進め方を解説してきました。「基準は分かったが、相談しながら進めたい」という企業に向けて、弊社EQUESの支援内容を紹介します。 弊社は東大松尾研発のAIスタートアップで、要件定義からPoC、開発、運用までを一貫して担う「伴走型技術開発」を提供しています。製薬・製造業を中心に、規制のある業界での開発実績を積んできました。 本開発の前の検証には、生成AIのPoCパッケージ「ココロミ」をご用意しています。スリムプランが月々99万円から、スタンダードプランが月々250万円からで、現状分析と課題の明確化、検証・評価、次のアクションプランの策定までを対応します。 ココロミ の詳細はこちら 「まず相談相手がほしい」という段階には、月額制のチャット相談サービス「AI×DX寺子屋」があります。プランAは月額20万円（税込22万円）で、チャットでの相談と月1回60分のオンラインコンサルティングが含まれます。 製薬の品質保証部門には、GMP文書の作成を支援するSaaS「QAI Generator」を提供しています。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ました。本サービスは経済産業省とNEDOによる「GENIAC」に採択されています。 生成AI開発会社の選び方に関するよくある質問（FAQ） 生成AI開発会社を選定・依頼する際によく寄せられる疑問をまとめました。 Q. 生成AI開発会社を比較するとき、最初に確認すべきことは何ですか？ A. 「どの業務の、どの数値を改善したいか」を自社で先に決めることです。目的が決まれば、3タイプ（海外ビッグテック・国内基盤モデル・伴走支援）のどれが合うかが絞れ、各社の実績を同じ物差しで比べられます。 Q. セキュリティ面で開発会社に確認すべきことは何ですか？ A. 入力した機密データがモデルの学習に二次利用されないか、データがどこを通ってどこに残るかの2点です。製造業の技術情報や製薬の品質データを扱う場合は、閉域やオンプレミスで完結する構成を提案できるかも確認します。 Q. 自社にAIの専門人材がいなくても依頼できますか？ A. できます。その場合は、ツールの提供だけでなく、課題の抽出から運用定着、社員の教育までを担う伴走支援型の開発会社を候補にすると、社内の負担を抑えられます。 Q. 国産LLMと海外LLMはどちらを選ぶべきですか？ A. 用途によります。機密性の高い情報や日本語の行政・業界文書を扱うなら、国内環境で運用しやすい国産LLMが有力です。政府もデジタル庁の「源内」で国産5モデルの試用を2026年度に始めています。汎用性能や周辺ツールを重視するなら海外ビッグテックが候補で、両者を用途別に併用する企業も増えています。 まとめ：生成AI開発会社は基準を決めてから比較する 本記事では、生成AI開発会社の選び方を、依頼前に決めること、比較基準7つ、国内主要企業20社の一覧、依頼の進め方の順に解説しました。 比較の前に「目的」「内製か外注か」「最初に試す規模」の3点を決めると、候補が絞れる。 開発会社は「実績・業界理解・PoCの進め方・データの扱い・費用構造・体制・契約と知財」の7つで比較する。 候補は海外ビッグテック・国内基盤モデル開発・伴走支援の3タイプ（本記事では主要20社を一覧）。モデルの選択と業務への組み込みは分けて考える。 依頼は、目標値を数字で置き、短いRFPを書き、PoCを1業務に区切り、契約前に知財とデータの条項を確認する。 基準を先に決めておけば、提案資料の見栄えや知名度に流されず、自社の課題に向き合ってくれる開発会社を選べます。まずは第1章の3点を書き出すところから始めてみてください。 「自社の課題がどのタイプに合うか判断がつかない」「PoCの範囲の切り方を相談したい」といったお悩みがございましたら、お気軽に弊社までご相談ください。貴社の状況に合わせた進め方をご提案いたします。 お問い合わせはこちら 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）
人件費削減の賢い方法とは？士気を下げずにAIで最適化する3手法
記事の要約 背景：2025年度の最低賃金は全国加重平均1,121円と過去最大の引き上げとなり、人手不足倒産も441件と過去最多。人件費の上昇と採用難が同時に経営を圧迫しています。 結論：給与カットや安易な人員削減は、士気低下・離職・採用力低下を招き逆効果になりやすい施策です。目指すべきは、総労働時間を圧縮して時間あたりの付加価値を高める「人件費最適化」です。 方法：定型業務の自動化、専門業務・チェック業務のAI支援、社員のAIリテラシー教育の3本柱で、人を減らさずに人件費率を改善する道筋を解説します。 進め方：自己診断チェックリストで無駄の所在を特定し、効果の大きい業務からスモールスタートするのが定石です。 「人件費を下げたいが、給与カットやリストラで社員の士気を下げたくない」——多くの経営者や管理部門の責任者が抱えるジレンマです。人件費削減という言葉にはネガティブな印象がつきまといますが、本来の目的は人を減らすことではなく、同じ人数でより多くの成果を生み出せる体制を作ることにあります。 本記事では、人件費が経営課題となっている背景を最新データで整理したうえで、社員の士気を下げない「人件費最適化」の考え方と、AI・ITツールを活用した具体的な進め方を解説します。すぐに使える自己診断チェックリストも用意しましたので、自社の改善余地を確かめながらお読みください。なお本記事は、東京大学松尾・岩澤研究室発のAIスタートアップとして製薬・製造業を中心に企業のAI導入を支援する株式会社EQUESが、公的統計と自社の支援実績をもとに執筆しています。 なぜ今、人件費削減が経営課題になっているのか？ 人件費の単価が構造的に上がり続ける一方で、人手不足により「人を減らす」選択も取りにくくなっているためです。 まず単価の上昇です。2025年度の地域別最低賃金は全国加重平均で時給1,121円となり、過去最大の引き上げ幅を記録しました。 全都道府県で時給1,000円を超え、パート・アルバイトに限らず正社員の給与水準にも波及しています。最低賃金は今後も引き上げ基調が続くと見込まれており、「待てば人件費が下がる」ことは期待できません。 [参照元：厚生労働省「地域別最低賃金の全国一覧」 https://www.mhlw.go.jp/stf/seisakunitsuite/bunya/koyou_roudou/roudoukijun/minimumichiran/index.html] 次に採用難です。従業員の離職や採用難が原因の「人手不足倒産」は、2025年度に441件と前年度の約1.3倍に増え、3年連続で過去最多を更新しました（帝国データバンク調べ）。約75％は従業員10人未満の小規模企業です。つまり、人件費が高いからといって人を手放すと、必要なときに人を確保できず事業の継続自体が危うくなる時代に入っています。 [参照元：帝国データバンク「人手不足倒産の動向調査（2025年度）」（2026年4月公表） https://www.tdb.co.jp/report/economic/20260409-laborshortage-br25fy/] 単価は上がる、人は減らせない——この板挟みを解く鍵が、後述する「総労働時間の圧縮」による人件費最適化です。 給与カットや人員削減が逆効果になりやすい理由は？ 直接的な給与カットや安易なリストラは、短期的には損益計算書を改善しても、中長期では士気低下・離職・採用力低下という形でコストが跳ね返ってくるためです。 給与を下げられた社員のモチベーションは低下し、生産性が落ちます。優秀な人材ほど転職しやすいため、残ってほしい人から辞めていく「逆選抜」も起きがちです。さらに、退職者の補充採用には求人費・教育費がかかるうえ、前述のとおり採用市場は売り手優位です。取り組みの方向性を、以下の表で比較してみましょう。 削減型（給与カット・人員削減）最適化型（業務効率化による圧縮）短期の効果◎すぐに人件費が下がる○効果が出るまで数ヶ月かかる社員の士気△低下しやすく、離職の引き金になる◎残業減・単純作業の削減でむしろ向上しうる中長期のリスク△採用力低下・品質低下・売上減の悪循環○初期投資と定着の手間が必要向いている状況事業縮小・撤退を伴う構造改革事業を維持・成長させながら収益性を上げたい場合 事業の継続と成長を前提とするなら、取るべきは右側の「最適化型」です。焦点は「誰を減らすか」ではなく「どの作業時間を減らすか」に置きます。 士気を下げない「人件費最適化」の考え方とは？ 人件費最適化とは、人や給与ではなく総労働時間を圧縮し、時間あたりの付加価値（労働生産性）を高める取り組みです。 残業代の削減は社員の負担軽減と両立しますし、単純作業から解放された時間を付加価値の高い業務に振り向ければ、同じ人件費でより大きな売上を生み出しやすくなります。 進め方はシンプルで、業務を「やめる・まとめる・自動化する」の3つに仕分けます。 ・慣習で続いている報告書や会議を「やめる」 ・部署ごとに重複している作業を「まとめる」 ・残った定型作業を「自動化する」 ——この順序で見直すと、投資を最小限に抑えながら総労働時間を減らせます。自動化の主役は近年、RPAから生成AIへと広がっています。中小企業でもAI導入率はすでに20.4％に達し、その目的の87.0％を「業務効率化・作業時間の短縮」が占めます（中小企業基盤整備機構・2026年3月調査）。多くの企業が同じ狙いで使い始めている——人件費最適化の主戦場は、まさにここにあります。 [参照元：中小企業基盤整備機構「中小企業のAI等の利活用に係る実態調査」（2026年3月） https://www.smrj.go.jp/research_case/questionnaire/fbrion0000002pjw-att/202603_AI_point.pdf] 人件費最適化の自己診断チェックリスト 次の項目に当てはまるものが多いほど、リストラに頼らず人件費を圧縮できる余地が大きいと考えられます。 定型業務（転記・集計・文書作成）に多くの時間を費やしている部署がある 紙ベースの事務作業や手書きの記録が残っている 部署間の連携が取れておらず、同じデータを二重に入力・作成している 特定の担当者にしかできない業務があり、その人の残業が慢性化している 会議資料や報告書の作成に、現場の管理職が多くの時間を割いている 問い合わせ対応など、同じ質問への回答を人が繰り返している AI・ITツールで人件費を最適化する具体的な方法 チェックリストで見つかった「時間の無駄」は、AI・ITツールで解消できるものがほとんどです。ここでは効果が出やすい順に3つの方法を紹介します。投資額の小さい取り組みから着手すれば、削減効果を数値で確かめながら段階的に進められます。 AI×DX寺子屋 の詳細はこちら 定型業務を自動化する（文書作成・データ入力・記録業務） 最初に着手すべきは、量が多く手順が明確な定型業務です。前述の中小企業基盤整備機構の調査でも、企業のAI活用業務の第1位は「文章の作成・要約・校正」（45.1％）であり、議事録・報告書・メール文面などの作成は生成AIの得意領域です。紙の記録が残る現場では、AI-OCRによるデータ化も有効です。たとえば細胞治療のCDMOであるCyto-Facto社は、製造現場の紙の記録をAI-OCRで自動データ化する検証を進め、GMP（製造管理・品質管理基準）対応を見据えた記録業務の省力化に取り組んでいます。転記や入力に費やされていた時間がそのまま削減されるため、効果を数値で確認しやすい領域です。 [参照元：株式会社EQUES 導入事例（Cyto-Facto様） https://eques.co.jp/works/251001/] 専門業務・チェック業務をAIで支援する 専門知識を要する文書作成やレビューは人件費単価の高い社員が担っているため、効率化のインパクトが大きい領域です。製薬業界では、塩野義製薬株式会社と株式会社日立製作所が生成AIによる規制関連文書の作成支援ソリューションを開発し、治験総括報告書の作成時間を約50％削減する成果を公表しています（2026年2月提供開始）。また、品質保証（QA）部門向けのGMP文書効率化SaaS「QAI Generator」（株式会社EQUES提供）の導入企業からは、文書の作成時間を5割、レビュー時間を7割以上短縮できたとの実績が報告されています。高単価人材の時間を「作る・調べる」から「判断する」へ振り向けることが、人件費あたりの付加価値を直接高めます。 [参照元：日立製作所ニュースリリース（2026年2月） https://www.hitachi.com/ja-jp/press/articles/2026/02/0224/ ／ 株式会社EQUES「QAI Generator」公式サイト https://qai-generator.eques.co.jp/] 社員のAIリテラシー教育で組織全体の生産性を上げる ツールを導入しても、使えるのが一部の社員だけでは効果は限定的です。全社員が日常業務でAIを使いこなせるようになると、削減時間は部署単位から全社単位に広がります。教育の方法としては、実務に直結したプロンプトの共有会や、外部の専門家にチャットで相談できる月額制サービス（例：株式会社EQUESの「AI×DX寺子屋」、プランA・月額20万円）などがあり、教育担当者を新たに雇わずにリテラシーを底上げできます。教育コストは一時的に発生しますが、全社員の作業時間が数％短縮されるだけで回収できる可能性があり、人件費最適化の仕上げとして欠かせない打ち手です。 [参照元：株式会社EQUES「AI×DX寺子屋」公式サイト https://aidxterakoya.eques.co.jp/] 人件費だけでなく在庫や廃棄のロスを減らす手段としては、需要予測AIの仕組みと活用事例の記事も参考になります。 人件費削減に関するよくある質問（FAQ） 人件費の見直しを検討する企業から、よく寄せられる質問をまとめました。 Q. 人件費削減とリストラは何が違いますか？ A. リストラ（人員削減）は人件費削減の手段の1つにすぎず、しかも士気低下や採用力低下などの副作用が大きい手段です。本記事で解説した人件費最適化は、雇用と給与を維持したまま総労働時間を圧縮するアプローチで、事業を成長させながら人件費率を改善できます。 Q. 中小企業でもAIによる人件費の最適化は可能ですか？ A. 可能です。中小企業のAI導入率はすでに20.4％に達しています（中小企業基盤整備機構・2026年3月調査）。月額数十万円規模で始められるサービスや、導入前に効果を検証するPoC（概念実証）支援もあるため、大規模なシステム投資をせずにスモールスタートできます。 Q. AIツールの導入費用はどのくらいかかりますか？ A. 内容によって幅があります。たとえばチャット相談型の教育支援は月額20万円程度から、本格開発前のPoC支援サービスは月額250万円程度から（株式会社EQUES「ココロミ」スタンダードプランの例）という価格帯です。削減できる労働時間と人件費単価から投資回収期間を試算し、費用対効果で判断することをおすすめします。なお、記載の価格は2026年8月時点の公開情報にもとづく参考価格です。最新の内容は各サービスの公式サイト（AI×DX寺子屋 https://aidxterakoya.eques.co.jp/ ／ ココロミ https://kokoromi.eques.co.jp/ ）でご確認ください。 まとめ：人件費削減は「最適化」への発想転換から 本記事では、人件費削減が経営課題となる背景から、士気を下げない人件費最適化の考え方、AIを活用した具体的な方法までを解説しました。要点は次のとおりです。 最低賃金の過去最大の引き上げ（全国加重平均1,121円）と人手不足倒産の過去最多更新（441件）により、単価上昇と採用難が同時進行している 給与カットや安易な人員削減は、士気低下・離職・採用力低下を招き、中長期では逆効果になりやすい 目指すべきは、業務を「やめる・まとめる・自動化する」で仕分けし、総労働時間を圧縮する人件費最適化 AIの活用は「定型業務の自動化 → 専門業務の支援 → 全社員の教育」の順で進めると効果が大きい まずは自己診断チェックリストで自社の改善余地を確かめ、効果の出やすい業務から小さく始めてみてください。 人件費最適化の土台となる業務効率化やAI導入の進め方については、次の記事でより詳しく解説しています。 AIによる業務効率化 完全ガイド：事例、導入ステップ、成功の秘訣 AI導入支援サービス完全ガイド！専門家が徹底解説 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 人件費最適化のAI活用なら株式会社EQUESにご相談ください 株式会社EQUES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、AIを用いた「伴走型技術開発」で企業の業務効率化と人件費最適化を支援しています。どの業務から自動化すべきかの整理から、効果を数値で検証するPoC支援サービス「ココロミ」、専門文書業務を効率化する「QAI Generator」、社員のAIリテラシーを底上げする「AI×DX寺子屋」まで、自社の状況に合わせた進め方をご提案できます。 「人件費を抑えたいが、社員の士気は下げたくない」というお悩みをお持ちでしたら、ぜひお気軽に株式会社EQUESへご相談ください。 ※本記事の情報は2026年8月時点のものです。 お問い合わせはこちら 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 OCR導入の課題と解決策｜製造・製薬の帳票で失敗しない方法
記事の要約 AI OCR導入の課題は、製造記録・検査成績書・SOPなど製造・製薬の帳票で特に表面化します。原因は製品の認識率ではなく、認識率と自動化率の混同、読み取り後の工程の分断、自社固有の様式への未対応、記録の信頼性への配慮不足の4点です。 解決策は課題別に分かれます。定型帳票なら既存のAI OCR SaaSで足り、様式のばらつき・MES/LIMS連携・規制対応が重なる帳票はLLMによる補正やカスタム開発が必要になります。 化学系製造業・樹脂成形・製薬の導入事例と、GMP省令第20条・ALCOA+の観点からPoCで確かめる項目を整理し、失敗しない進め方を示します。 AI OCRを導入したのに、製造記録や検査成績書の転記が結局は手作業のまま残っている。そのような状況に心当たりはないでしょうか。 本記事では、製造・製薬の帳票でAI OCR導入がつまずく4つの課題を整理し、課題別に既存SaaSで足りる範囲とLLM・カスタム開発が要る範囲を分けて解説します。他社の導入事例と、GMP省令・ALCOA+の観点でPoC時に確かめる項目もまとめました。 弊社EQUESは東京大学松尾研発のAIスタートアップで、製薬の品質保証AIと伴走型の技術開発を事業としています。製造現場の記録をAI OCR化した経験をもとに、現場で実際に起きる課題から逆算して書いています。 AI OCR導入の課題｜製造・製薬の帳票でつまずく4つの原因 AI OCRとは、機械学習で画像や紙の書類に写った文字をデータ化する技術です。従来のOCRが登録済みの文字パターンとの照合を基本としていたのに対し、手書きや帳票ごとに異なるレイアウトにも対応しやすいのが特徴です。 行政でも活用は広がっており、自治体のAI活用機能ではAI OCRが該当する「文字認識」が2番目に導入件数の多い分野です（総務省調査）。まずは従来技術との違いを押さえたうえで、製造・製薬の帳票で何が起きるのかを見ていきます。 従来のOCRとAI OCRの違いを表で整理 両者の差は「読み取れる対象の幅」と「改善のしかた」に集約されます。従来のOCRは読取位置の設定を帳票ごとに作り込む必要があり、AI OCRはその作り込みを学習で置き換えます。優劣ではなく、対象書類の性質で適不適が分かれる点に注意が必要です。 比較項目従来のOCRAI OCR認識の方式文字パターンとの照合機械学習による認識手書き文字枠内の丁寧な文字が中心崩れた文字にも一定対応帳票レイアウト帳票ごとに読取位置の設定が必要非定型帳票に対応する製品もある精度の改善方法設定の作り込み学習データの追加・再学習後工程との連携ファイル出力が中心API・RPA連携を備える製品もある 2026年時点の大きな変化は、読み取りの工程に大規模言語モデル（LLM）が組み込まれ始めたことです。ただし万能ではなく、9種類の文書で手法を比べた評価基準『OmniDocBench』（CVPR 2025採択）では、文書の種類で手法ごとの得意・不得意が分かれると示されています。 参照元：総務省「令和7年度 地方自治体におけるAI・RPAの実証実験・導入状況等調査」（令和8年4月24日公表）https://www.soumu.go.jp/／OmniDocBench（arXiv:2412.07626）https://arxiv.org/ 製造記録・検査成績書・SOPで起きる4つの課題 製造・製薬の現場で扱う帳票は、製造記録（バッチレコード）、原材料や製品の検査成績書、SOPに紐づく点検表や日報などです。手書き・装置の表示値の転記・取引先ごとに違う様式が混ざるため、汎用のAI OCRが最も苦手とする条件がそろっています。 前掲の総務省調査でAI導入の課題を見ると、人材不足（826件）、コスト（642件）に続き、3番目に「導入効果が不明」（571件）が入ります。この声の多さが、ツールを入れるだけでは成果につながらない実態を示しています。つまずきの原因は次の4点です。 1. 認識率と自動化率の混同 製品が示す認識率は、多くの場合1文字あたりの正解率です。1文字あたり99%でも、検査成績書1枚に50項目の数値が並べば、どこか1文字が誤る確率は無視できません。業務で効くのは「人の確認なしで通過した帳票の割合」である自動化率で、認識率より必ず低くなります。 2. 読み取り後の工程が分断されたまま 読み取りが終わっても、規格値との照合、MES（製造実行システム）やLIMS（試験室情報管理システム）への入力、原紙の保管といった工程が続きます。結果がファイル出力されるだけなら担当者が転記し直すため、工程の一部だけを自動化しても全体の所要時間は変わりません。 3. 自社固有の様式に製品側を合わせられない 原材料の検査成績書は取引先ごとに項目名や単位の書き方が違い、製造記録には通信機能を持たない装置の表示値を書き写した欄があります。汎用的なサービスは幅広い書類を対象とする分、特定業務への最適化には限界があります。効率化の全体像はAI業務効率化の記事もご覧ください。 4. GMP文書では記録の信頼性が問われる 製薬の製造記録や試験記録は、GMP省令で欠落・不正確・不整合がないよう継続的に管理することが求められる文書です。読み取り結果をそのまま記録にすると、誤読がそのまま「正確でない記録」になるリスクがあります。この点は後述の「失敗しない進め方」で詳しく扱います。 AI OCR導入の課題別の解決策｜既存SaaSで足りる範囲と開発が要る範囲 ここからは、4つの課題をどう解決するかを考えます。判断の軸は「対象帳票の標準度」「後工程との接続の深さ」「規制・セキュリティ要件」の3つです。既存のAI OCR SaaSは立ち上げの速さと初期費用の低さに、カスタマイズ開発は自社業務への適合と連携の自由度に強みがあります。 観点既存のAI OCR SaaSカスタマイズ開発立ち上げ契約後すぐに試せる要件定義から段階的に進める初期費用抑えやすい相応の投資が必要対象とする書類製品が想定する範囲自社固有の帳票・装置画面に合わせられる精度の改善提供元の機能改善に依存自社データでの追加学習が可能システム連携用意された連携機能の範囲MES・LIMS・基幹システムへの直接連携を設計できる実行環境提供元が用意する環境オンプレミス・専用環境も選べる 既存SaaSで十分に効果が見込めるケース 次のチェックリストにすべて当てはまるなら、既存のAI OCR SaaSから始めるのが合理的です。まずは小さく試し、効果を確認してから範囲を広げる進め方が向いています。 □ 対象となる帳票が定型で、種類が限られている □ 読み取り後の確認・修正を人が担う運用を続けられる □ 出力されたデータを人が基幹システムへ入力しても支障がない □ 取り扱う情報を外部のクラウド環境で処理してよい □ 読み取り結果がGMP上の「記録」そのものにはならない 製品側の進化も続いています。リコーは2025年5月、生成AIが利用者の修正履歴から処理ルールを学習する「適応型AI-OCR」を発表し、受領請求書・納品書サービスに組み込みました。定型の事務帳票であれば、SaaS側の機能改善で解消される課題の範囲は広がっています。 参照元：リコー「適応型AI-OCRを開発」（2025年5月8日）https://jp.ricoh.com/ LLM・カスタム開発を検討すべきケース 一方、上のリストに2つ以上当てはまらない場合は、開発による解決を検討する価値があります。様式が取引先や現場ごとにばらつく、読み取り結果をMESやLIMSへ自動反映したい、処理環境を自社管理したい、という条件が重なるほど既存サービスでは要件を満たしにくくなります。 内製と外注の比較はAI内製化の記事、社外に出せないデータの扱いは生成AIと機密情報の記事が参考になります。 開発で変わる点は、技術・運用・連携の3つに分けると整理しやすくなります。3点がそろってはじめて「入力業務そのものの自動化」に近づきます。 技術面では、LLMによる推論補正が有効です。画像から得た文字列にLLMを重ねると、品目名の候補との突き合わせや、規格値から外れた不自然な数値の検出といった補正ができます。 製薬の製造記録を対象にした研究も出てきました。2025年11月公開の論文では、表・計算・手書きメモが混在するバッチ製造記録をOCRとLLMで構造化データに変換し、実物3件（15〜66ページ）の処理時間を数時間から数分に短縮したと報告されています。自社の帳票での検証は欠かせません。 運用面では、自社専用モデルへの追加学習と調整が鍵になります。開発なら、自社で蓄積した帳票や装置画面の画像を学習データに用い、読み違えやすい癖字や独自の記号に合わせて調整できます。社外にデータを出さず処理したい場合は、自社環境で動かすローカルLLMも選択肢です。 連携面では、RPAやAPI開発まで含めた設計が効果を左右します。APIでMESや基幹システムへ直接書き込む、RPAで既存画面への入力を代行するところまで設計すれば、担当者の作業は例外対応の確認に絞れます。なお請求書など国税関係書類は、国税庁のスキャナ保存制度の要件も確認が必要です。 参照元：arXiv:2601.04368（2025年11月26日投稿）https://arxiv.org/／国税庁「電子帳簿保存法一問一答【スキャナ保存関係】」https://www.nta.go.jp/ 製造・製薬のAI OCR導入事例｜他社3件と弊社の取り組み ここでは、製造・製薬の帳票にAI OCRを適用した事例を、各社が公表している事実の範囲で紹介します。どの事例も「読み取り後の工程まで設計した」点が共通しています。 日立システムズ：化学系製造業の試験成績表1,000種類超をAI OCRとRPAで取り込み 日立システムズが公開する化学系製造業の事例では、原材料に添付される試験成績表が1,000種類以上あり、目視での読み取りと基幹システムへの手入力が属人化していました。 AI OCR「DX Suite」で読み取った値を、RPAが取引先ごとに異なる試験項目名や単位を自社の形式に変換して登録し、担当者の作業を確認に限定しています。様式のばらつきを読み取り後の変換ルールで吸収した例で、データベース化により不良時の要因分析ができるようになったと説明されています。 参照元：日立システムズ「化学系製造業 AI-OCR『DX Suite』とRPAの事例」https://www.hitachi-systems.com/ エンプラ（NTT東日本）：樹脂成形の成形条件表約6,000枚を約2か月でデータ化 長野県佐久市でプラスチック成形を手がけるエンプラは、NTT東日本のAI OCR「AIよみと〜る」を使い、紙で保管していた成形条件表約6,000枚を約2か月でデータ化しました。現場はタブレットでの参照に切り替わり、入力ミスの減少や検索時間の短縮につながったと報じられています。 過去帳票の一括データ化は既存SaaSが向く典型例で、定型の条件表という対象の選び方が効いています。 参照元：マイナビニュース「NTT東日本のAI-OCRで地方の中小企業が紙書類をデータ化」（2022年7月12日）https://news.mynavi.jp/ 武田薬品工業：EYと共同でAI OCRと機械学習を組み合わせた固定資産業務の自動化 武田薬品工業は2025年12月、EY税理士法人と共同で、AI OCRと機械学習AIを組み合わせた固定資産業務の自動化ソリューションを開発したと発表しました。対象はサプライヤーから届くPDFや紙の見積書で、形式や表記が多様な書類です。 AI OCRは2025年11月から本格導入され、年間約1,000時間超を要していた工数の大幅な削減を見込むとしています。製造記録ではなくファイナンス領域の事例ですが、製薬企業が非定型書類にAI OCRと機械学習を重ねた公表例として参考になります。 参照元：武田薬品工業 ニュースリリース（2025年12月11日）https://www.takeda.com/ Cyto-Facto（EQUES）：製造現場の装置画面を読み取りMES・LIMSへ自動入力 弊社の開発事例として、細胞・遺伝子治療分野のCDMOであるCyto-Facto様との取り組みがあります。同社の製造現場では通信機能のない機器が多く、液晶パネルや制御PC画面の情報を作業員が手作業で記録していました。 従来のOCRでは操作性と読取精度の両立が難しく、弊社は画面画像を読み取りMESやLIMSへ自動入力するAI-OCRシステムを開発しました。日本語・英語の音声入力による修正機能を備え、業界特有の規制対応を見据えた設計に取り組んでいます。 サンプル画像では100%の認識精度を確認しました（対象を限定した検証時点の結果）。詳細はCyto-Facto様導入事例をご覧ください。 AI OCR導入で失敗しない進め方｜PoCとデータインテグリティの観点 事例に共通するのは、対象帳票の選び方と読み取り後の工程設計です。製薬の製造記録・試験記録に適用する場合は、さらに記録の信頼性（データインテグリティ）をどう保つかが設計の前提になります。規制の要点と、PoCで確かめる項目を整理します。 GMP省令とALCOA+の観点で確認すること GMP省令第20条第2項（2021年改正で追加）は、記録に欠落・不正確・不整合がないよう継続的に管理し、不備が判明したら原因を究明して是正することを求めています。改正時の厚生労働省通知は、この目的を「継続的に信頼性（いわゆるデータ・インテグリティ）を確保するため」と説明しています。 国際指針のPIC/S PI 041-1（2021年7月発効）は、記録が満たすべき性質をALCOA+（帰属性・判読性・同時性・原本性・正確性＋完全性・一貫性・永続性・可用性）として整理しています。AI OCRの出力をGMP上の記録として扱うなら、これらの要求の対象になると考えて設計するのが安全です。 AI OCRに当てはめると、確認すべき点は3つです。読み取り結果と原本（紙や画像）の対応を残すこと、誰がいつ確認・修正したかを監査証跡として残すこと、修正前の値を消さないことです。読み取り精度の検証だけでは、この3点は満たせません。 手書きの紙記録自体にも弱点があります。日本PDA製薬学会が2024年2月のPMDA GMPラウンドテーブル会議で示した推定では、国内1,500以上の医薬品製造所のうち紙の指図書に手書きで記録する製造所が1,000超あり、監査証跡が残らない・判読しにくい・転記ミスが起きる点が弱点とされています。 紙記録を残しつつAI OCRで転記を機械化する構成は、転記ミスを減らす一方で、監査証跡や同時性は別途設計が要るという整理になります。 データインテグリティの基礎はデータインテグリティの解説記事、GMP文書の種類と管理の考え方はGMP文書の記事とGMP文書管理の記事もあわせてご覧ください。 参照元：GMP省令第20条（e-Gov法令検索）https://laws.e-gov.go.jp/ 参照元：厚生労働省 薬生監麻発0428第2号（令和3年4月28日）https://www.mhlw.go.jp/ 参照元：PIC/S PI 041-1（2021年7月1日発効）https://picscheme.org/ 参照元：日本PDA製薬学会 資料（2024年2月16日・PMDA掲載）https://www.pmda.go.jp/ PoCで確かめる4つの項目 要件が整理できたら、PoC（概念実証）で小さく確かめます。製品のデモではなく、自社の実物帳票で、読み取り後の工程まで通して測るのが失敗しない条件です。確認する項目は次の4つです。 自動化率：人の確認なしで通過した帳票の割合（文字単位の認識率ではなく） 例外処理：誤読や読み取り不能が出たときに、誰がどの画面で直すか 連携：MES・LIMS・基幹システムへどの形式で、どの頻度で渡すか 証跡：原本との対応、修正履歴、修正前の値が残るか 自動化率はPoCの合否を決める指標で、帳票単位の実測値を前提に工数削減を見積もります。例外処理と連携まで動かしてみると、削減できる工数と残る工数が具体的な数字で見えるようになります。 証跡は、GMP文書に適用する場合の必須項目です。証跡が残らない構成なら、読み取り結果を「参考値」として扱い、正式な記録は別途作成する運用に切り替える判断もあります。PoCの一般的な進め方はPoC検証の記事で解説しています。 製造・製薬の帳票AI OCRを支援するEQUESの体制 AI OCRの成果は帳票の選び方と工程設計で決まりますが、社内にAIと規制の両方に通じた人材がいないと、PoCの設計自体が難しいのも実情です。 東京大学松尾研発のAIスタートアップである弊社EQUESは、製薬の品質保証領域でQAI Generator・QAI Checkerを提供するほか、伴走型の技術開発で製造現場の記録自動化に取り組んできました。先述のCyto-Facto様の事例はその一つです。 開発の前に「自社の帳票にAI OCRが向いているのか」を相談したい場合は、AI×DX寺子屋をご利用いただけます。AIやDXの困りごとに東大出身のAI専門家がチャットで回答するサービスで、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。プランBは応相談です。 小さく検証してから本開発に進みたい場合は、PoCサービス「ココロミ」をご検討ください。その他の実績は実績紹介ページをご覧ください。 ココロミ の詳細はこちら AI OCR導入の課題に関するよくある質問 最後に、製造・製薬の帳票でAI OCRを検討する際によくいただく質問をまとめます。既存SaaSと開発のどちらを選ぶかで迷いやすい論点にお答えします。 Q. 認識率が高ければ、確認作業はなくなりますか。 なくなるとは限りません。文字単位の認識率と、人の確認なしで処理できる帳票の割合（自動化率）は別の指標です。効果の見積もりは後者を基準にすることをおすすめします。 Q. 手書きの製造記録やクセ字はどこまで読み取れますか。 書類の状態や書き手による差が大きく、一律にはお答えできません。自社の実物を用いた検証で確認するのが確実で、必要に応じて自社データによる追加学習で改善を図れます。 Q. AI OCRで読み取った値をGMP上の記録として使えますか。 読み取り精度だけでは判断できません。原本との対応、確認・修正の監査証跡、修正前の値の保持といったデータインテグリティの要件を、システムと運用の両面でどう満たすかが前提になります。満たしにくい場合は、読み取り結果を参考値として扱う運用も選択肢です。 まとめ：AI OCR導入の課題は帳票の選び方と工程設計で解決する 製造・製薬の帳票でAI OCR導入がつまずく原因は、製品の認識率ではなく、帳票の選び方と読み取り後の工程設計にあります。本記事の要点を改めて整理します。 課題は、認識率と自動化率の混同、工程の分断、自社固有の様式への未対応、GMP文書における記録の信頼性の4点にある 定型帳票の一括データ化なら既存SaaS、様式のばらつき・MES/LIMS連携・規制対応が重なるならLLM補正やカスタム開発が選択肢になる 他社事例に共通するのは、読み取り後の変換・連携まで設計し、担当者の作業を確認に絞ったこと GMP文書に適用するなら、GMP省令第20条とALCOA+の観点で原本との対応・監査証跡・修正前の値の保持をPoCで確かめる 自社の帳票でどこまで自動化できるのか、既存サービスで足りるのか開発が必要なのか。見極めにお困りの際は、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。 お問い合わせはこちら 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の未来はどう変わる？2026年の最新動向と5つの備え
記事の要約 AIは「質問に答えるツール」から自ら計画し実行するエージェント型へと進みつつあり、その変化を政府や国際機関の一次情報で整理する記事です。 日本の生成AI利用経験者は26.7％にとどまる一方、2030年の雇用は差し引き7,800万件の純増が見込まれ、入れ替わるのは職業ではなく作業とされています。 備えとして今できる5つの行動を挙げ、EQUESの伴走型の技術開発支援やPoC支援サービス「ココロミ」もあわせて紹介しています。 「AIの進化が速すぎて、何から手をつければよいか分からない」「自分の仕事はAIに取って代わられるのだろうか」。そのように感じている方は少なくないはずです。本記事では、AIの未来を左右する技術・社会・制度の動きを、政府や国際機関が公表した一次情報に絞って整理します。東京大学松尾研発のAIスタートアップとして製薬・製造業の現場を支援してきた弊社EQUESの視点も交えます。読み終えるころには、AIの未来への漠然とした不安が「いつ、何から動けばよいか」という行動計画に変わっているでしょう。 AIの未来を考える前に押さえたい2026年の現在地 結論から申し上げると、AIは「質問に答えるツール」から「目的を渡せば自ら計画し実行する主体」へと役割を変えつつあります。この変化が、AIの未来をめぐる議論の前提を塗り替えました。 こうした変化は、国の公式文書にも刻まれています。2026年7月14日に閣議決定された人工知能基本計画（第2期計画）が、この半年のAIを「対話による文書作成等で業務を支援するツールから、組織や社会の意思決定と実行を担える主体へと進展している」と表現するほど、役割の変化は公式に認められたものになっています。その背景として挙げられているのは、推論能力の高度化、文章・画像・音声をまとめて扱えるマルチモーダル化、AIがプログラムを書くコーディングの実用化です。どれか1つの技術が伸びたのではなく、3つの進歩が重なったことで、AIに任せられる範囲が一気に広がったのです。 一方、日本の利用実態は追いついていません。総務省『令和7年版 情報通信白書』の個人におけるAI利用の現状を見ると、生成AIを使ったことがある人は2024年度調査で26.7％にとどまります。中国の81.2％や米国の68.8％と比べると差は歴然ですが、裏を返せば、いま始めてもまだ遅れを取り戻せる段階だということでもあります。 企業に目を移しても、状況は似ています。企業におけるAI利用の現状でも、活用方針を定めている日本企業は49.7％と、およそ半数にとどまります。注目したいのは、導入時の懸念として「効果的な活用方法がわからない」という声が最も多かったことです。多くの企業がつまずいているのはAIの性能ではなく、自社のどの業務にどう使うかという「設計」の部分だと読み取れます。 市場の伸びは対照的です。IDC Japanの国内AIシステム市場予測（2025年5月発表）を見ると、2024年の市場規模は前年比56.5％増の1兆3,412億円。2029年には4兆1,873億円へと、およそ3倍に拡大すると見込まれています。利用はまだ道半ばでも、投資は先行して伸びている——この時間差こそ、これから準備を始める企業にとっての機会だといえます。 AIの未来を形づくる3つの技術トレンド ここからは、AIの未来を方向づけている技術の潮流を見ていきます。前掲の人工知能基本計画は、エージェント型AIを軸に、日本の勝ち筋として「バーティカルAI」と「フィジカルAI」を挙げました。抽象的な予測ではなく国の戦略文書に明記された重点分野である点が重要です。それぞれが何を意味し、実務にどう関わるのかを整理します。 目的を渡せば自ら動く「エージェント型AI」 エージェント型AI（Agentic AI）とは、目的の達成に向けてAIが自ら計画を立て、実行・検証・修正を繰り返す仕組みです。このエージェント型AIは、産業や行政、研究開発、さらには安全保障までを含む広い分野で、業務全体を自律的に回す基盤になり始めています。 従来の生成AIとの違いは担当範囲にあります。文章の下書きを1回分つくるのが生成AI、目的を受け取って調査から下書き、確認、修正までの一連を回すのがエージェント型AIです。2024年が「AIアシスタントからAIエージェントへ」と技術が大きく進んだ年になった土台には、検索拡張生成（RAG）など周辺の仕組みの整備がありました。つまり、いまはモデル単体の性能競争ではなく、データや業務の受け皿まで含めた設計がものを言う段階です。 現場に根ざす「バーティカルAI」と「フィジカルAI」 バーティカルAIは特定の産業や業務に特化したAI、フィジカルAIはロボットや装置を通じて現実空間で動くAIを指します。人工知能基本計画がこの2つを重点分野に定めた理由は明快で、暗黙知を含む現場の経験や知識という日本の資産をデータとして活かせるからです。道筋はこうです。まずバーティカルAIが現場のデータを蓄積し、続いてフィジカルAIがその判断を機械や装置を通じて現実世界で実行していく。この順序で産業への浸透が進むと見られています。 ここから見えるのは、AIの未来が汎用モデルの性能競争だけでは決まらないという点です。近年よく聞く「AIトランスフォーメーション（AX）」という言葉も、AIを導入すること自体ではなく、AIを前提に意思決定や業務の進め方を根底から見直すことを指します。ここまで踏み込んではじめて、現場に眠る経験や知識が競争力に変わります。製造現場での具体像は製造業のAI・生成AI活用事例でも解説しています。 AIの未来と社会・経済｜雇用とルールはどう変わるのか 社会・経済の側から見ると、押さえるべき変化は2つに絞れます。「働き手が減る日本では、AIの活用が前提になる」ことと、「AIの使い方に関するルールが国内外で整い始めた」ことです。数字と制度を順に見ていきます。 2040年、働き手は約1,100万人足りなくなる 人手不足こそAI活用の最大の理由です。2040年には約1,100万人の労働供給不足が生じる——そんな試算があります（リクルートワークス研究所『未来予測2040 労働供給制約社会がやってくる』）。重要なのは、この不足が一時的な景気変動ではなく、少子高齢化という人口構成から生じる点です。景気が上向いても、採用に力を入れても、働き手の絶対数は戻りません。だからこそ企業には、人を増やして仕事を回す発想から、AIと自動化を前提に業務を組み直す発想への転換が求められます。人工知能基本計画が医療・介護など人手不足の深刻な分野でのAI利活用を重点に掲げているのも、この構造が前提にあります。 仕事は「なくなる」のではなく「入れ替わる」 世界的に仕事がAIに奪われる心配がなされていますが、実は雇用の総量自体は純増見込みです。世界経済フォーラムの『Future of Jobs Report 2025』（2025年1月公表）は、2030年までに9,200万件の仕事が失われる一方で、1億7,000万件が新たに生まれると見込みました。差し引き7,800万件の純増です。ただし、純増だから安心とは言えません。失われる仕事に就いている人が、生まれる仕事にそのまま移れるわけではないからです。同報告書は、労働者に求められるスキルの約4割が2030年までに変化するとも指摘しています。つまり問われているのは雇用の総量ではなく、一人ひとりがこの入れ替わりに追いつけるかどうかです。この点は次章で詳しく扱います。 ルールは「使うのを止める」方向ではなく、「安心して使う」方向に整っていく 日本では2025年6月にAI法（人工知能関連技術の研究開発及び活用の推進に関する法律）が公布されました。この法律は事業者を罰則で縛る規制ではなく、研究開発と活用の推進を基調としています。 日本では「AIを使ってよいのか」を迷う段階はすでに終わり、「どう安全に使うか」が論点になっているということです。一方、EUのAI Act（AI規則）は、採用や与信などリスクの高い用途に義務を課す規制型で、EU域内に製品やサービスを提供する場合は日本企業にも適用されうる点に注意が必要です。両者の主な適用時期を整理しました。 制度・枠組み主な対象時期AI法（日本）研究開発・活用の推進体制2025年6月4日公布、同年9月1日全面施行人工知能基本計画（日本）政府が講ずべき施策の方針2025年12月23日に初回、2026年7月14日に第2期計画EU AI Act 第50条AIとの対話やAI生成物の明示2026年8月2日から適用EU AI Act 高リスクAI採用、与信、重要インフラ等2027年12月2日へ延期 表の最後の行には注意が必要です。EUの高リスクAIへの義務は、当初は2026年8月2日に始まる予定でしたが、EUの簡素化パッケージ（デジタル・オムニバス）により2027年12月2日へと後ろ倒しになりました（欧州委員会 AI規制枠組み、2026年8月時点）。古い解説記事には旧日程のまま書かれているものもあるため、日付は最新の情報で確認することをおすすめします。 では、これからのルールはどう読めばよいのでしょうか。押さえたいのは、日本と欧州で規制の性格がはっきり分かれてきたことです。日本のAI法は、違反を罰則で取り締まるタイプの法律ではありません。研究開発と活用の推進を基本に据えた、いわば「後押しする法律」です。 その代わり、実務の行動基準は指針類が担っています。代表格が総務省・経済産業省の「AI事業者ガイドライン」です。2026年3月31日に第1.2版へ改定されるなど、ほぼ毎年のペースで更新が続いています。さらに2026年4月には、AIが関わる損害を誰がどう負担するのかを整理した「AI利活用における民事責任の解釈適用に関する手引き」も経済産業省から公表されました。つまり日本企業にとってのルール対応は、一度の法令対応で終わる話ではありません。こうした改定を定点観測し、自社の規程に反映し続ける「運用」の仕事だと捉えるのが実態に合っています。 一方のEUは、義務と罰則を伴う本格的な規制です。2026年8月からは、AIとの対話であることやAI生成物であることの明示（透明性義務）の適用がすでに始まっています。高リスクAIの義務の延期も、猶予というより準備期間と読むべきでしょう。EU域内へのサービス提供や、採用・与信のような高リスク用途を視野に入れる企業にとっては、この期間をデータ管理と記録体制の整備に充てられるかが分かれ目になります。 参照元：総務省・経済産業省「AI事業者ガイドライン（第1.2版）」（2026年3月31日）https://www.meti.go.jp/shingikai/mono_info_service/ai_shakai_jisso/index.html／経済産業省「AI利活用における民事責任の解釈適用に関する手引き」（2026年4月公表）https://www.meti.go.jp/press/2026/04/20260409001/20260409001.html 仕事はAIに奪われる？AIの未来とキャリアへの影響 「自分の仕事はどうなるのか」という問いには、職業単位ではなく作業単位で考える、というのが現時点で最も確度の高い答えです。AIの未来を悲観する声も楽観する声もありますが、公表資料をたどると、置き換えと補完が同時に進むという中間的な姿が浮かび上がります。ここでは、その根拠と、これから求められる人材像を順に見ていきます。 置き換わるのは「職業」ではなく「作業」 雇用への影響は、「代替」と「補完」の両面から見る必要があります。仕事が奪われる面だけを見ていても、実像はつかめません。職業がまるごと消えるのではなく、一部の作業がAIに移り、別の作業が新たに生まれます。この見方は、9,200万件の消失と1億7,000万件の創出が同時に起きるという世界経済フォーラムの推計とも整合します。 実務的には、自分の仕事を工程に分解し、それぞれを「AIに任せられる」「AIと一緒にやる」「人が決める」の3つに仕分ける作業が有効です。企業の最大の懸念が「効果的な活用方法がわからない」だったことを踏まえれば、この仕分けが活用の成否を左右します。 これから求められる人材像と「人的主体性」 では、これからどのような人材が求められるのでしょうか。国の整理を借りると、5つの型があります。すべての国民が目指す土台としての「AI適正活用人材」、研究開発を担う「AI研究開発人材」、現場に適合したAIソリューションを提供する「AI実装人材」、ルールや仕組みを整備する「AIガバナンス人材」、変革を先導する「AIイノベーション人材」です。最初の一つが全国民を対象にしている点は注目に値します。 もう一つの鍵が、「人的主体性（Human Agency）」という考え方です。人がAIの実行に直接関与するHuman in the loop、全体設計と監視を人が担うHuman on the loop、AIを統制して人が主導権を握るHuman in the leadという3段階で、人の関与のかたちが整理されています。共通するのは、判断の責任を最後まで人が持つという前提です。AIの未来で価値が上がるのは、AIを操作する技能より、何を解くべきかを決めて結果に責任を持つ「人間力」だと考えられます。 AIの未来に備えるために今できる5つの行動 では、いつ動けばよいのでしょうか。答えは「今」です。ただし大規模投資から始める必要はありません。日本企業の約半数がまだ活用方針を定めていない現状は、裏を返せば小さく始めるだけでも差がつく局面だということです。特別な予算がなくても着手できる項目を、優先度の高い順に5つ挙げます。 自分の業務で月に1つ、AIを試す 仕事を工程に分解し、代替・補完・人の判断に仕分ける データと業務手順を整え、AIが働ける状態をつくる 社内ルールとリスク対応を同時に決める 判断責任を人に残す運用設計にする この「まずやってみる」姿勢が、結局はいちばんの近道になります。議事録の要約など失敗しても取り返しがつく業務から試し、前章の仕分けで対象を絞るのが現実的です。3つ目は見落とされがちですが決定的で、エージェント型AIは参照できるデータと手順があって初めて機能します。4つ目と5つ目はセットで、ルールを後回しにすると現場が萎縮するか無防備に使われるかのどちらかに振れます。作り方は生成AIガイドラインの作り方と事例をご覧ください。 「自社の課題にどのAIが合うのか判断できない」という壁にぶつかる企業も少なくありません。 弊社EQUESは東京大学松尾研発のAIスタートアップとして、この段階から伴走する技術開発支援を行っています。大規模開発の前に小さく試したい場合は、PoC支援サービス「ココロミ」をご用意しています。SOLIZE PARTNERS株式会社とは熟練技術者のノウハウ活用と3D CADデータの自動生成に、Cyto-FactoとはAI-OCRによる製造現場記録の自動化に取り組みました（EQUES 実績一覧）。進め方はAI導入の第一歩もご覧ください。 ココロミ の詳細はこちら AIの未来に関するよくある質問 最後に、AIの未来について弊社によく寄せられる質問にお答えします。状況は変化が速いため、ご判断の際は最新の公表資料もあわせてご確認ください。 Q. AIは今から学んでも間に合いますか。 間に合うと考えられます。日本で生成AIを使ったことがある人は、まだ26.7％にすぎません（総務省『令和7年版 情報通信白書』）。専門知識より先に「日常業務で使ってみた経験」が差になる段階だと言えます。 Q. AIの導入はいつ始めるべきですか。 小さな試行は今すぐ、本格導入は課題を特定してからをおすすめします。活用方針を定めている日本企業は49.7％にとどまり、最大の懸念は「効果的な活用方法がわからない」ことでした。まず試して自社の課題を言語化することが、結果的に近道になります。 Q. AIに仕事を奪われないために何をすべきですか。 職業単位ではなく作業単位で棚卸しし、人が判断する領域を明確にすることです。2030年までに9,200万件の仕事が失われる一方で1億7,000万件が生まれ、スキルの約4割が変化するという推計もあります（世界経済フォーラム）。課題設定能力や批判的思考といった「人間力」を高めることが長期的な備えになります。 まとめ｜AIの未来は待つものではなく設計するもの AIの未来は、誰かが決めた筋書きを待つものではなく、自ら関わり方を設計するものです。本記事の要点を振り返ります。 AIは答えるツールから、自ら計画し実行するエージェント型へ進みつつある 日本の生成AI利用率は26.7％、企業の活用方針策定も49.7％にとどまる 2030年の雇用は差し引き7,800万件の純増見込みで、消えるのは職業ではなく作業である 政府は勝ち筋をバーティカルAIとフィジカルAIに定め、判断責任は人が果たす前提を示した 今できるのは、試す・仕分ける・データを整える・ルールを決める・責任を人に残すの5つである 不確実なのは技術の中身であって、備え方ではありません。まず一つ試すところから、AIの未来をご自身の手で形にしていただければ幸いです。 お問い合わせはこちら 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検証とは？目的と3つの観点・進め方・成功事例を解説
記事の要約 PoC検証とは、本格的な開発・導入の前に、アイデアや技術の実現可能性や効果を小規模に確かめる工程です。 検証は「価値」「技術・実現性」「事業性・収益性」の3つの観点で行い、着手前に目的と評価基準（KPI）を定めることが「PoC死」を防ぐ鍵になります。 EQUESのPoC支援サービス「ココロミ」が伴走した、SOLIZE PARTNERS様・Cyto-Facto様・東北電力様の検証事例も紹介しています。 「新しい施策のアイデアはあるものの、本当に効果が出るのか確信が持てない」 「PoCを実施したのに、いつの間にか立ち消えになってしまった」 ——新規事業やDXを推進されるなかで、このような不安や経験をお持ちの方は少なくないはずです。 本記事では、PoC検証とは何かという基本から、検証すべき3つの観点、具体的な進め方、そして成功事例までを体系的に解説します。 多くのプロジェクトが本番化に至らず「PoC死」する原因を踏まえ、抜け漏れを防ぐための実践的なチェックポイントもご紹介しますので、読み終えるころには、自社のPoC計画の妥当性をご自身で見極められるようになります。 ※なお本記事は、東京大学松尾・岩澤研究室発のAIスタートアップとして、製造業・製薬業を中心にPoC支援サービス「ココロミ」で伴走してきた弊社EQUESが執筆しています。限られたリソースで成果につなげるPoCの設計図として、ぜひお役立てください。 PoC検証とは？目的と重要性を最短で理解する まずは、PoC検証の基本的な意味と、なぜそれが重要なのかを押さえておきましょう。ここを正しく理解することが、後の工程での失敗を防ぐ土台になります。 PoC検証とは（Proof of Conceptの意味） PoC検証とは、「Proof of Concept（概念実証）」の略で、新しいアイデアや技術を本格的に開発・導入する前に、その実現可能性や効果を小規模に検証する工程を指します。自社が保有するデータで十分な精度が出せるのか、現場の業務フローに組み込めるのか、期待した効果が得られるのかを、本格投資の前に確かめることが目的です。 PoC・PoV・PoBの違い PoCと似た言葉に、PoV（Proof of Value／価値実証）やPoB（Proof of Business／事業実証）があります。PoCが「技術的に実現できるか」を確かめるのに対し、PoVは「どれだけの価値を生むか」、PoBは「事業として成り立つか」に重点を置きます。実際の検証では、これらの観点が重なり合うことも多いため、自社が何を確かめたいのかを最初に整理しておくことが大切です。 なぜPoC検証が重要なのか（「PoC死」の実態） PoC検証が重視される一方で、その多くが本番化に至らない現実もあります。生成AIプロジェクトの少なくとも30％は、PoC（概念実証）の後に放棄される——米調査会社ガートナーがそう予測する（2024年7月公表）ほど、検証止まりで終わるプロジェクトは珍しくありません。要因として挙げられたのは、データ品質の低さやビジネス価値の不明確さです。言い換えれば、技術力が足りずに失敗するのではなく、始める前の設計でつまずくケースが多いということです。検証だけを繰り返して前に進まない状態は、現場で「PoC死」とも呼ばれます。だからこそ、最初の設計段階で「何を、どの基準で検証するのか」を明確にしておくことが欠かせません。 参照元：Gartner「Gartner Predicts 30% of Generative AI Projects Will Be Abandoned After Proof of Concept By End of 2025」（https://www.gartner.com/...） PoC検証で最も重要な「3つの検証観点」 PoC検証を成功させるには、やみくもに試すのではなく、検証すべき観点を整理することが大切です。ここでは、特に重要な3つの観点を解説します。 検証観点確認すること主な問い① 価値課題・ユースケースの妥当性そもそも解くべき課題か？誰のどんな価値になるか？② 技術・実現性技術的に実現できるか自社のデータ・環境で必要な精度が出るか？③ 事業性・収益性事業として成り立つかコストに見合う効果や収益が見込めるか？ ① 価値の検証（課題・ユースケースの妥当性） 最初に確認すべきは、「そのアイデアが、本当に解決すべき課題に応えているか」という価値の観点です。利用者の課題や利用目的、想定するユースケースが妥当でなければ、たとえ技術的に実現できても使われません。ユーザーのニーズを起点に、検証する仮説を明確にすることが出発点となります。 ② 技術・実現性の検証 次に、その施策が技術的に実現可能かを確かめます。自社が保有するデータの量や質で必要な精度が出せるか、既存のシステムや業務フローに組み込めるかなど、現実の制約のなかで動くかどうかを検証します。ここでつまずく場合は、データの整備から見直す必要があります。 ③ 事業性・収益性の検証 最後に、事業として成立するかという観点です。導入や運用にかかるコストに見合うだけの効果や収益が見込めるかを評価します。価値があり技術的に実現できても、採算が合わなければ本番化はできません。3つの観点をバランスよく検証することが、PoC死を避ける鍵となります。 PoC検証の進め方｜5つのステップ 続いて、PoC検証を実際に進める手順を5つのステップで整理します。重要なのは、検証を始める前に「ゴール」を定めておくことです。 目的と仮説の設定：解決したい課題と、検証したい仮説を明確にします。 評価基準（KPI）の設定：「どの数値に達すれば成功か」を事前に具体的に定めます。 検証計画の策定：対象範囲・期間（目安は1〜3か月）・必要なデータや体制を決めます。 検証の実施：小規模に実施し、結果のデータを記録します。 評価と意思決定：評価基準と照らし合わせ、本番化・改善・中止のいずれかを判断します。 評価基準を事前に決めず、感覚的に「うまくいったか」を判断してしまうと、改善の方向性が定まらず迷走しがちです。各ステップで判断の根拠となる数値を残すことを意識しましょう。 PoC計画のチェックリスト 計画段階で次の項目が埋まっているかを確認すると、抜け漏れを防げます。 解決したい課題と、検証する仮説が言語化されているか 成功・失敗を分ける数値基準（KPI）が決まっているか 検証に使うデータの入手元と品質が確認できているか 検証期間と、終了後の判断者・判断タイミングが決まっているか 本番化した場合の運用体制まで見通せているか PoC検証の成功事例 ここからは、弊社・株式会社EQUESがPoC支援サービス「ココロミ」で実際に伴走したPoC検証の事例をご紹介します。いずれも、検証の目的を絞り込み、実現可能性を確かめてから次の一歩へつなげた取り組みです。 事例1：熟練技術のシステム化を検証（SOLIZE PARTNERS様） ものづくり企業のDXを支援するSOLIZE PARTNERS様とは、熟練技術者のノウハウをシステム化できるかをPoCで検証しました。3D CADの自動生成や、設計ナレッジを提案するAIの実現可能性を確かめ、製造業における「AI活用のはじめの一歩」を支援した事例です。 参照元：株式会社EQUES 導入事例（SOLIZE PARTNERS様）（https://eques.co.jp/works/251023/） 事例2：製造現場の記録自動化を検証（Cyto-Facto様） 細胞治療のCDMOを手がけるCyto-Facto様では、AI-OCRによって製造現場の記録を自動でデータ化できるかを検証しました。GMP（製造管理・品質管理基準）への対応を見据えたシステム開発を、PoCの段階から伴走しています。 参照元：株式会社EQUES 導入事例（Cyto-Facto様）（https://eques.co.jp/works/251001/） 事例3：部門専用のスライド生成AIを検証（東北電力様） 東北電力様の事業創出部門では、事業企画の資料作成を効率化するため、部門に最適化したカスタマイズ・スライド生成AIの導入をPoCで検証しました。実際の業務に合わせて検証することで、現場で使えるかどうかを見極めた事例です。 参照元：株式会社EQUES 導入事例（東北電力様）（https://eques.co.jp/works/tohoku-denryoku-slide-ai/） 自社だけでPoCをやる場合のポイントと限界 PoCは自社のみで実施することも可能です。社内の業務を熟知したメンバーが進めれば、現場の実情に即した検証ができるという強みがあります。一方で、次のような限界もあるため、注意が必要です。 仮説設定や評価基準の置き方に客観性を保ちにくい 技術検証に必要な専門知識やリソースが不足しがち 「PoCのためのPoC」になり、本番化の判断が先送りされやすい こうした課題を踏まえ、検証の設計段階から知見のある外部パートナーと伴走することで、抜け漏れを防ぎ、本番化までの確度を高めやすくなります。 AI領域に絞ったPoCの進め方はAIのPoC（概念実証）の進め方、支援会社の選び方はPoC支援サービスの選び方でも解説しています。 ココロミ の詳細はこちら PoC検証に関するよくある質問（FAQ） Q. PoC検証の期間はどのくらいが目安ですか？ A. 一般的には1〜3か月程度が目安とされています。ただし、検証する内容やデータの準備状況によって調整が必要です。期間を区切り、終了時の判断基準を決めておくことが重要です。 Q. PoC検証の費用はどのくらいかかりますか？ A. 検証の規模や内容によって異なります。弊社のPoC支援サービス「ココロミ」は、スタンダードプランが月々250万円から提供しており、大規模開発の前に実現可能性を見極めたい企業様にご活用いただいています。 Q. PoCが失敗する主な原因は何ですか？ A. 「評価基準を決めていない」「データの品質が不十分」「本番化の体制を考えていない」といった、計画段階の準備不足が主な原因です。技術そのものよりも、人とプロセスの設計が成否を分けるといわれています。 PoC検証を成功に導くなら、弊社のPoC支援サービス「ココロミ」 「自社のPoC計画に抜け漏れがないか不安」「検証の設計から相談できるパートナーを探している」という方は、ぜひ弊社・株式会社EQUESにご相談ください。弊社は東京大学松尾・岩澤研究室発のスタートアップとして、AIを用いた伴走型技術開発を強みとしています。 弊社が提供するPoC支援サービス「ココロミ」では、大規模開発を行う前のPoC（概念実証）を専門家が伴走しながら支援します。前述のSOLIZE PARTNERS様やCyto-Facto様、東北電力様のように、価値・技術・事業性の3つの観点を踏まえた検証設計により、「PoC死」を防ぎ、本番化につながる確かな一歩をご一緒します。検証の進め方にお悩みの段階からでも構いませんので、まずはお気軽にお問い合わせください。 まとめ PoC検証とは、本格的な開発・導入の前に実現可能性や効果を小規模に確かめる工程であり、限られたリソースで成果を出すために欠かせないステップです。約3割の生成AIプロジェクトがPoC後に放棄されるという予測もあるなか、成功のためには検証の設計段階が何より重要になります。本記事の要点は次のとおりです。 PoC検証は「価値」「技術・実現性」「事業性・収益性」の3つの観点で行う 進め方の鍵は、検証前に目的と評価基準（KPI）を具体的に定めること SOLIZE PARTNERS様・Cyto-Facto様・東北電力様など、ココロミによる検証事例が生まれている 自社だけで進める限界を踏まえ、外部パートナーとの伴走も有効な選択肢 正しい観点と手順で取り組めば、PoC検証は新規事業やDXを着実に前進させる強力な武器になります。自社のPoCを「PoC死」で終わらせないために、ぜひ弊社EQUESの伴走支援「ココロミ」をご活用ください。 ココロミ の詳細はこちら お問い合わせはこちら 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）
製造業の生成AI活用事例｜導入方法とPoC・ROIの進め方
記事の要約 製造業では生成AIを業務で使用する企業が55.2%に達し、人手不足や技能継承といった構造的課題の解決策として導入が加速しています。 主な活用領域は品質検査・手順書作成・社内QA（RAG検索）・需要予測の4つで、目的と評価基準を定めたPoCから小さく始めることが成功の鍵です。 EQUESは「QAI Generator」「QAI Checker」やPoC支援「ココロミ」を提供し、Cyto-Facto様やロート製薬様などの導入を伴走支援しています。 「人手不足が深刻で、ベテランの技能をどう次世代へ引き継ぐべきか悩んでいる」 「生成AIが製造業でも使えると聞くものの、自社の現場でどこから手をつければよいのか分からない」 ——工場長やDX推進をご担当される方の多くが、このような課題に直面されているのではないでしょうか。 本記事では、製造業における生成AIの活用方法と具体的な事例を整理したうえで、導入を成功に導くPoC（概念実証）の進め方やROI（投資対効果）の考え方まで、順を追ってご紹介します。公的機関のデータや実際の導入事例をもとに解説しますので、読み終えるころには「自社のどの業務から生成AIを取り入れるべきか」という道筋が具体的に描けるようになります。製造現場の生産性向上と技能継承を両立させる第一歩として、ぜひ最後までご覧ください。 製造業で生成AIの導入が加速する背景と最新動向 まずは、なぜいま製造業で生成AIへの注目が高まっているのか、最新のデータとともに全体像を押さえておきましょう。背景を理解することで、自社が取り組むべき優先順位も見えやすくなります。 製造業の生成AI業務利用は55.2％に到達 製造業では、生成AIを「業務で使用する」と回答した企業が55.2％にのぼります（総務省『令和7年版情報通信白書』）。2社に1社以上が使っている計算で、全業種のなかでも高い水準です。また、生成AIを「積極的に活用する」または「活用する」方針の企業は全体で49.7％と、前年度（2023年度）の42.7％から着実に増えています。製造業はもはや「様子見の段階」を過ぎており、活用の巧拙が競争力の差になり始めている業種だといえます。 参照元：総務省『令和7年版情報通信白書』企業におけるAI利用の現状（https://www.soumu.go.jp/johotsusintokei/whitepaper/ja/r07/html/nd112220.html） 製造業が直面する人手不足と技能継承の課題 製造業で生成AIへの期待が高まる背景には、慢性的な人手不足と、熟練技能者の高齢化にともなう技能継承の難しさがあります。ベテランがもつ「暗黙知」を、いかにデータとして残し、若手や現場全体で共有するかは、多くの製造業が抱える共通の課題です。生成AIは、こうした言語化が難しいノウハウの整理や、膨大な社内文書からの情報検索を支援できる点で、解決策のひとつとして注目を集めています。 生成AIと従来型AIの違い 生成AI（Generative AI）とは、大規模言語モデル（LLM）などを基盤に、自然言語の指示に応じて文章の作成・要約・翻訳・分類といった新しいアウトプットを生み出す技術の総称です。従来型のAIは、不良品の検知や数値予測など「決められた答えを出す」用途が中心でした。一方で生成AIは、文章・要約・分類・下書きの作成といった「新しいアウトプットを生み出す」点に強みがあります。製造業では、検査や予測には従来型AI、手順書作成や社内問い合わせ対応には生成AI、というように両者を組み合わせて使うことで効果を最大化できます。 製造業における生成AIの主な活用方法 続いて、製造業で生成AIが実際にどのような業務へ活用できるのかを整理します。代表的な活用領域は、大きく次の4つに分けられます。 活用領域現場の課題生成AIでできること品質検査目視検査の属人化・見逃し画像認識による外観検査の自動化、不良原因レポートの作成支援手順書・標準作業書作成・更新の負担が大きい下書きの自動生成、改訂時の文面更新、多言語マニュアルの翻訳社内QA・ナレッジ検索必要な情報がすぐ見つからない社内文書を横断したRAG検索による即時回答需要予測・設備保全在庫の過不足、突発的な故障過去データの分析による予測、異常の事前検知 品質検査・外観検査の自動化 製造業で生成AIやAI画像認識の導入がもっとも進んでいる領域が、品質検査です。これまで人の目に頼っていた外観検査を自動化することで、検査精度の向上とヒューマンエラーの削減を同時に実現できます。さらに、品質不良が発生した際の原因分析レポートを、生成AIが過去の事例を踏まえて短時間で作成する活用も広がっています。 手順書・標準作業書の自動生成と更新 作業手順書や標準作業書（SOP）の作成・更新は、多くの工数を要する業務です。生成AIを使えば、要点を入力するだけで下書きを自動生成でき、設備や工程の変更にあわせた改訂作業も効率化できます。海外拠点向けに多言語化する際の翻訳支援も、現場で評価されている使い方のひとつです。 社内QA・ナレッジ検索（RAG） RAG（検索拡張生成）とは、社内に蓄積された文書を検索したうえで、その内容に基づいて生成AIが回答を生成する仕組みです。（※注：RAGはRetrieval-Augmented Generationの略で、外部の知識を参照しながら回答を生成する技術を指します。）設計基準や過去のトラブル対応事例など、社内に散在する情報を横断的に検索できるため、調べものにかかる時間を大幅に短縮できます。誤った情報の生成（ハルシネーション）を抑えやすい点も、業務利用に適した特長です。 需要予測・設備保全 過去の生産実績や市場動向を分析することで需要予測の精度を高め、余剰在庫や欠品のリスクを軽減できます。また、設備の稼働データから異常の予兆を検知する予知保全に活用すれば、突発的な設備停止を未然に防ぐことにもつながります。 国内製造業の生成AI活用事例【他社の公開事例】 まず、国内の製造業各社が公表している生成AIの活用事例を紹介します。大企業の全社展開から中堅企業の現場カイゼンまで、規模を問わず導入が進んでいます。 パナソニック コネクト：全社員約12,400人に生成AIを導入、1年で18.6万時間を削減 パナソニック コネクトは2023年2月から、国内全社員約12,400人を対象に自社向けAIアシスタント「ConnectAI」を展開しています。公式発表によれば、導入1年で全社員合計18.6万時間の労働時間を削減し、1回の利用あたり平均約20分の時間短縮につながっています。検索エンジンの代わりといった軽い用途から、戦略策定の基礎データ作成や商品企画など、より生産性向上の幅が大きい使い方へと活用が深化している点も特徴です。 [参照元：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｜Panasonic Newsroom Japan] トヨタ自動車：AIエージェント「O-Beya」でエンジニアの知見を継承 トヨタ自動車では、社内の専門的な知識やノウハウを蓄積・共有するために、AIエージェントシステム「O-Beya（大部屋）」を活用しています。従業員がAIエージェントに質問を投げかけると、過去の膨大なデータから必要な知識を自律的に抽出・提示し、品質向上や世代を超えた技能継承に役立てられています。 [参照元：トヨタ自動車、エンジニアの知見を AI エージェントで継承へ｜Microsoft News Center Japan] 旭鉄工：ChatGPTで現場カイゼンのノウハウを引き出す 自動車部品メーカーの旭鉄工では、社内に蓄積した改善ノウハウ集「横展開アイテムリスト」とChatGPTを組み合わせ、現場の改善検討で過去の事例や注意点を自然言語で引き出す取り組みを進めています。属人化しがちなカイゼンの知見を組織全体で使いやすくする活用例として紹介されています。 [参照元：ChatGPTで製造現場カイゼンを簡単に、過去事例や注意点を引き出す生成AI活用事例｜MONOist] 生成AIに限らない製造業DX全体の失敗パターンと進め方は、製造業DXが進まない理由と失敗事例の記事をご覧ください。 弊社EQUESの生成AI開発支援事例 続いて、弊社EQUESが開発を伴走支援した製造業・製薬業の事例です。 ここからは、弊社・株式会社EQUESが実際に支援した製造業・製薬分野での生成AI活用事例をご紹介します。いずれも、現場の課題に合わせて小さく検証し、成果につなげている取り組みです。 支援事例1：製造現場の記録をAI-OCRで自動化（Cyto-Facto様） 細胞治療のCDMO（受託製造開発）を手がけるCyto-Facto様では、製造現場の記録業務に課題がありました。弊社は、AI-OCR技術を用いて手書きや紙の記録を自動でデータ化し、GMP（製造管理・品質管理基準）に対応したシステムの開発を支援しました。記録の正確性とトレーサビリティを高めながら、現場の入力負担を軽減する取り組みです。 参照元：株式会社EQUES 導入事例（Cyto-Facto様）（https://eques.co.jp/works/251001/） 支援事例2：熟練技術のシステム化と3D CAD自動生成（SOLIZE PARTNERS様） ものづくり企業のDXを支援するSOLIZE PARTNERS様とは、熟練技術者のノウハウをシステム化する検証に取り組みました。3D CADの自動生成や、設計ナレッジを提案するAIの実現可能性を、PoC（概念実証）を通じて確認しています。属人化していた設計知見をAIで再現し、製造業の「はじめの一歩」を支援した事例です。 参照元：株式会社EQUES 導入事例（SOLIZE PARTNERS様）（https://eques.co.jp/works/251023/） 支援事例3：品質統括部のスモールスタートDX（ロート製薬様） ロート製薬様の品質統括部では、製品スペック（仕様書）作成の自動化から生成AI活用をスタートしました。いきなり大規模な改革を目指すのではなく、効果が見えやすい業務から小さく始める「スモールスタート」のDX戦略により、現場に無理なくAIを定着させています。 参照元：株式会社EQUES 導入事例（ロート製薬様）（https://eques.co.jp/works/rohto/） より幅広いAI活用事例については、弊社のコラム「AI活用で業務効率化！成功事例から学ぶ導入の秘訣」もあわせてご覧ください。 生成AI導入を成功させるPoCの進め方とROIの出し方 生成AIの導入は、いきなり全社展開を目指すのではなく、小さく試して効果を確かめるPoC（概念実証）から始めるのが定石です。ここでは、製造業における生成AI導入を成功に導くための進め方と、ROIの考え方を解説します。 ココロミ の詳細はこちら PoCから始める理由と「PoC死」のリスク 生成AIプロジェクトの少なくとも30％は、PoC（概念実証）の後に放棄される——米調査会社ガートナーがそう予測する（2024年7月公表）ほど、検証止まりで終わるプロジェクトは珍しくありません。その要因として、データ品質の低さ、リスク管理の不備、コストの増大、ビジネス価値の不明確さが挙げられています。検証だけを繰り返して前に進まない状態は「PoC死」とも呼ばれます。やみくもに導入を進めるのではなく、目的と評価基準を定めたうえでPoCに取り組むことが、成功への分かれ道となります。 参照元：Gartner「Gartner Predicts 30% of Generative AI Projects Will Be Abandoned After Proof of Concept By End of 2025」（https://www.gartner.com/en/newsroom/press-releases/2024-07-29-gartner-predicts-30-percent-of-generative-ai-projects-will-be-abandoned-after-proof-of-concept-by-end-of-2025） PoCの進め方｜4つのステップ 課題と目的の明確化：「どの業務の、どの課題を解決したいのか」を具体的に定義します。 評価基準（KPI）の設定：検査時間の短縮率や精度など、成功と判断する数値基準を事前に決めます。 小規模での検証：対象範囲を絞り、限られたデータと期間（目安は1〜3か月）で効果を確かめます。 評価と本番化の判断：結果を評価基準と照らし合わせ、横展開するか、改善して再検証するかを判断します。 ROI（投資対効果）の考え方 ROIは「得られた効果 ÷ 投じたコスト」で考えます。生成AIの場合、検査工数や文書作成時間の削減といった定量的な効果に加え、技能継承の促進やヒューマンエラーの低減といった定性的な効果も含めて評価することが大切です。PoCの段階で「どの指標で効果を測るか」を決めておくと、本番化の意思決定がスムーズになります。 失敗しないためのポイント 現場の担当者を巻き込み、運用に乗せられる体制をつくる 「PoCのためのPoC」で終わらせず、本番化の基準を先に決めておく セキュリティや社内情報の取り扱いルールを整備する 必要に応じて、知見のある外部パートナーと伴走しながら進める 製造業の生成AI導入によくある質問（FAQ） Q. 生成AIの導入にはどのくらいの費用がかかりますか？ A. 内容や規模によって幅がありますが、小規模なPoCから始めれば、いきなり大きな投資をせずにスタートできます。弊社のAI相談サービス「AI×DX寺子屋」のプランAは月額20万円で相談し放題、PoC支援サービス「ココロミ」はスタンダードプランが月々250万円からとなっており、目的に応じてプランをお選びいただけます。前者は専門家への相談とアドバイスが中心、後者はPoCの設計から検証までを専門家が伴走する内容で、支援の範囲が異なります。 Q. 専門の人材がいなくても導入できますか？ A. はい。生成AIの専門人材が社内にいなくても、外部の伴走支援を活用することで導入を進められます。弊社では、東京大学松尾・岩澤研究室発のAI専門家集団が、企画から検証・定着までをご一緒します。 Q. 社内情報の漏えいが心配です。安全に使えますか？ A. 入力データの取り扱い範囲を限定したり、社内に閉じた環境で運用したりすることで、情報漏えいのリスクを抑えられます。導入時にセキュリティ要件を整理することが重要です。 Q. まずは小さく始めることはできますか？ A. 可能です。効果が見えやすい一つの業務に絞ってPoCから始める「スモールスタート」は、製造業でも成果につながりやすい進め方です。 製造業の生成AI導入は弊社EQUESにご相談ください 「自社のどの工程から生成AIを始めるべきか」「PoCをどう設計すればよいか」とお悩みでしたら、ぜひ弊社・株式会社EQUESにご相談ください。弊社は東京大学松尾・岩澤研究室発のスタートアップとして、製薬・製造業の領域に強みをもち、AIを用いた伴走型技術開発でお客さまの課題解決を支援しています。 たとえば、品質保証（QA）文書の業務効率化では、簡単な質問に答えるだけで必要書類をAIが自動作成する「QAI Generator」や、複数のQA文書の齟齬をAIが自動検出する「QAI Checker」をご提供しています。前述のCyto-Facto様やSOLIZE PARTNERS様のように、現場の課題に合わせて小さく検証することから始められます。「何から始めればよいか分からない」という段階からでも、弊社の専門家がていねいに伴走しますので、まずはお気軽にお問い合わせください。 まとめ 製造業における生成AIは、品質検査の自動化や手順書作成、社内ナレッジ検索などを通じて、人手不足や技能継承といった構造的な課題の解決に貢献します。導入を成功させるには、いきなり全社展開を狙うのではなく、目的と評価基準を定めたPoCから着実に進めることが重要です。本記事の要点は次のとおりです。 製造業の生成AI業務利用は55.2％に達し、活用が先行している 主な活用領域は「品質検査」「手順書作成」「社内QA・RAG検索」「需要予測・設備保全」 Cyto-Facto様・SOLIZE PARTNERS様・ロート製薬様など、現場に合わせた導入事例が生まれている 導入成功の鍵は、PoCで小さく試し、ROIを定量・定性の両面から評価すること 生成AIの導入は、正しい進め方さえ押さえれば、製造現場を大きく前進させる力になります。自社に最適な一歩を踏み出すために、ぜひ弊社EQUESの伴走型支援をご活用ください。 ココロミ の詳細はこちら お問い合わせはこちら 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）