GMPで生成AIを導入する前に整理したい「Context of Use」とリスク評価①

GMP領域で生成AIを導入する前に整理するContext of Useのイメージ

記事の要約

  • GMP業務に生成AIを導入する際は、モデルの性能だけでなく「AIを何のために、どこまで使うのか」を定めるContext of Use（COU：利用する文脈・用途）の整理が出発点になります。
  • 2026年1月にFDAとEMAが共同で公表した「Guiding Principles of Good AI Practice in Drug Development」も「Clear context of use」を原則に掲げ、COUとモデルリスクに応じてバリデーションや監督の程度を決める考え方を示しています。
  • 本記事では、目的・入力データ・AIの役割・出力の扱い・人間の関与・AIの境界・AIの変更と更新の7項目を解説します。株式会社EQUESの製薬特化型AI（QAI Generator / QAI Checker）は、こうしたGMP文書業務の効率化を支援します。

はじめに

生成AIをGMP業務に導入する際、「どの生成AIを使うか」「どのモデルが高性能か」から検討を始めてしまうケースがあります。しかし、GMPの観点で本当に重要なのは、AIそのものよりも、AIを何のために、どの範囲で使い、出力をどのような業務判断につなげるのかを明確にすることです。

そのために有効なのが、Context of Use（COU：利用する文脈・用途）という考え方です。

2026年1月には、FDAとEMAが共同で「Guiding Principles of Good AI Practice in Drug Development」を公表し、その中で「Risk-based approach」と並んで「Clear context of use」を明確な原則として示しました。

AIの用途・役割・範囲を明確にし、そのCOUとモデルリスクに応じて、バリデーション、リスク低減、監督の程度を決めるという考え方です。さらに、関連基準への適合、データガバナンス、AIと人との相互作用を含めた性能評価、ライフサイクル管理も原則として挙げられています。

本記事では、2回に分けてGMP領域におけるContext of Useとは何かを考えていきたいと思います。第1回ではGMP領域で生成AIを導入する前に、Context of Useをどのように整理すべきかを解説し、次回の第2回ではそこからどのようにリスク評価へつなげればよいかを解説します。

GMP×生成AIでは「AIの性能」だけを評価してはいけない

生成AIの導入を検討するとき、多くの人は、

  • 「このモデルはどれくらい賢いのか」
  • 「回答の正答率は何％なのか」
  • 「RAGを使えば幻覚を防げるのか」

といった技術的な評価に目を向けます。もちろん、これらは重要です。しかしGMPでは、AIの性能が高いことだけでは十分ではありません。例えば、同じ生成AIでも次の2つの用途を比較してみます。

用途A：SOPを検索し、関連する手順を回答する

これは作業者が回答を確認し、最終的な判断は人間が行うという用途です。

一方、

用途B：製造記録や試験結果を解析し、出荷可否を判断する

となれば、AIの誤りが製品品質や患者への影響に直接つながる可能性があります。どちらも「生成AIを使って情報を分析する」という点では似ています。しかし、GMP上のリスクは大きく異なります。つまり、「生成AIだから高リスク」なのではなく、「生成AIを何に使うか」によってリスクが変わるという考え方が重要になります。

FDAが2023年に公表した「Artificial Intelligence in Drug Manufacturing ※」でも、AIの製造分野への用途として工程設計・スケールアップ、Advanced Process Control、工程監視・異常検知、トレンドモニタリングなどが例示されています。

※このFDA文書は規制や最終ガイダンスではなく、議論・意見募集を目的としたDiscussion Paperです。

一方で、製品品質に影響するAIモデルについては、モデルの開発・バリデーションや、特定の用途におけるモデルの信頼性をどう確立するかが課題として挙げられています。したがって、AI導入では「AIのリスク」を一括して考えるのではなく、まずAIの用途を具体化することが出発点になります。

Context of Useとは何か？

Context of Useは、日本語にすると「利用文脈」「使用目的」などと表現できます。FDA・EMAの2026年の共同原則では、AI技術について、どのような役割で、なぜ使用するのか、その範囲が明確に定義されていることが求められる考え方として示されています。

ここで重要なのは、単に「逸脱調査にAIを使う」と書くだけでは不十分だということです。

例えば、悪い例としては以下のようなものが挙げられます。

「逸脱調査に生成AIを活用する」

これではAIがどこまで業務に関与するのかが分かりません。

一方、より明確な例としては以下のようなものが挙げられます。

「過去の逸脱報告書、CAPA、SOPを検索し、今回の逸脱と類似する事例を提示する。AIの出力は調査担当者の参考情報としてのみ使用し、根本原因、影響評価、CAPAの最終判断は担当者が行う」

こちらはかなり具体的になっています。

ここでは、

  • 「何を入力するか」
  • 「AIは何をするか」
  • 「何を出力するか」
  • 「誰が使うか」
  • 「その出力をどのように使うか」
  • 「AIが最終判断を行うのか」

が明確になっています。これがCOUを整理するということです。

Context of Useで最初に整理すべき7項目

実務では、生成AIの導入候補が出てきたら、まず以下の項目を整理するとよいでしょう。

① 目的

なぜAIを使うのかを明確にします。

例えば、

  • 情報検索時間の短縮
  • 過去事例の類似検索
  • 文書作成の支援
  • データの要約
  • 異常傾向の検出
  • 原因候補の抽出
  • 作業者へのナビゲーション

などです。ここでは「AI化すること」自体を目的にしないことが重要です。

「逸脱調査をAI化する」ではなく、「過去事例検索にかかる時間を短縮する」というところまで落とし込むと、AIの役割が明確になります。

② 入力データ

次に、AIに何を入力するのかを定義します。

例えば、

  • SOP
  • 製造記録
  • 試験結果
  • 逸脱報告
  • CAPA
  • OOS記録
  • 設備ログ
  • センサーデータ
  • 教育記録
  • バリデーション文書

などが該当します。ここでは単に「社内データ」とまとめず、どのデータを使うかを具体化します。さらに重要なのが、そのデータの品質です。古いSOP、承認前の文書、誤登録されたデータ、欠損した記録などがAIの入力に入れば、AIがどれだけ高性能でも信頼できる出力にはなりません。

EMA/FDAの共同原則でも、データの出所、処理過程、分析上の判断を追跡可能かつ検証可能な形で文書化することがデータガバナンスの重要事項として示されています。

③ AIの役割

「AIが何をするのか」を定義します。

例えば、

  • 検索する
  • 要約する
  • 分類する
  • 比較する
  • 文章を生成する
  • 異常を検出する
  • 原因候補を提示する
  • 推奨案を作る
  • 自動で判断する

これらは、AIにどの役割を担わせるかによってリスクが変わります。特に注意したいのが、「支援」と「判断」の違いです。例えば、「逸脱調査担当者に原因候補を提示する」と、「AIが根本原因を決定する」では意味がまったく違います。生成AIをGMPに導入するときは、まずAIを意思決定者にする必要が本当にあるのかを検討することが重要です。

④ 出力の扱い

AIの回答がどのように業務へ組み込まれるのかも整理します。

例えば、

  • Level 1　参考情報：AIの回答を見るだけで、公式記録には使わない。
  • Level 2　業務支援：AIの回答を担当者が確認し、修正したうえで利用する。
  • Level 3　意思決定支援：AIの結果が品質判断や調査方針の決定に影響する。
  • Level 4　自動判断・自動制御：AIの出力が後続システムや工程を直接動かす。

一般に、後者になるほど慎重なリスク評価が必要になります。

⑤ 人間の関与

GMP×AIでは、Human-in-the-loopを単に「人が確認する」と書くだけでは不十分です。

例えば、「AIの出力を人間がレビューする」としても、

  • 何を確認するのか
  • どの程度確認するのか
  • 何をもって承認するのか
  • 誤りを発見した場合どうするのか
  • AIの出力をそのまま採用してよいのか

が決まっていなければ、実質的なリスク低減策として機能しない可能性があります。EMA/FDAの共同原則でも、AI単体だけでなく人とAIの相互作用を含むシステム全体を、Context of Useに適した指標とデータで評価することが示されています。

⑥ AIの境界

「AIに何をさせないか」もCOUの重要な要素です。

例えば逸脱調査支援システムなら、

  • AIは原因候補を提示するが、根本原因の確定は行わない。
  • AIはCAPA案を作成できるが、CAPAの承認は行わない。
  • AIは試験結果を要約できるが、OOS判定は行わない。

というように、AIの権限範囲を明確にします。実際には、この「やらないこと」の定義が、GMPにおける重要なリスクコントロールになります。

⑦ AIの変更・更新

生成AIでは、導入時だけ評価して終わりにはできません。モデルの更新、プロンプト変更、RAGデータ更新、システム変更、外部サービス変更などによって、AIの出力が変化する可能性があります。EMA/FDAの原則でも、AIについてライフサイクル全体でリスクベースの品質管理を行い、定期的なモニタリングと再評価を行うことが示されています。

まとめ

生成AIをGMP業務に導入する際には、まず「どのAIを使うか」ではなく、「AIを何のために、どこまで使うのか」を明確にすることが重要です。Context of Useを整理することで、AIの役割や人間の関与、AIに任せない範囲が明確になり、評価すべきリスクも見えてきます。

次回は、今回整理したContext of Useをもとに、生成AI特有のリスクをどのように評価し、適切なリスクコントロールにつなげるかを解説します。

課題発見から内製化まで一貫してサポート

ここまで解説してきたGMP領域における生成AIのContext of Useの整理とリスク評価を力強くサポートするのが、私たち株式会社EQUESです。

EQUESのミッション：研究と実践をシームレスに繋ぎ、より良い解を社会に実装する

・東京大学松尾研究室出身のAIの専門家のメンバーを中心に設立

・ISO/IEC 27001:2022認証取得：国際的な基準で安心のセキュリティ体制

私たちは単に技術を提供するだけでなく、お客様の隣で一緒に走り続ける「伴走型技術開発」を最も大切にしています。

弊社の強みは、戦略立案から開発、そして最終的な内製化まで、AIプロジェクトの全フェーズを一気通貫でご支援できる点にあります。

・AI×DX寺子屋：

AI×DX寺子屋：東大出身のAI専門家集団にチャットで相談し放題

「社内に専門家がいない」というお悩みに応えるサービスです。月額20万円から、東大出身のAI専門家集団にチャットでいつでも相談し放題。ベンダー選定のセカンドオピニオンとしてもご活用いただけます。

・ココロミ（PoCサービス）：

「まずは小さく試したい」というニーズに応え、月々250万円から本格的なPoC（概念実証）を実施。リスクを抑えながらAI導入の第一歩を踏み出せます。

・製薬SaaS QAI Generator：

QAI Generator：製薬QA文書をAIが一発生成

特に弊社の強みである製薬分野では、品質保証（GMP）の文書作成業務を効率化するSaaSも提供。GENIACにも採択されるなど、高い評価をいただいています。

AI導入のパートナー選びで迷われているなら、ぜひ一度、私たちEQUESにご相談ください。お客様の課題に真摯に寄り添い、最適な解決策をご提案します。

一覧に戻る

関連記事

GMP領域で生成AIを導入するには？PoCから本運用までの進め方とチェックリスト
医薬品製造

GMP領域で生成AIを導入するには？PoCから本運用までの進め方とチェックリスト

2026.09.24

記事の要約 GMP領域で生成AIを導入する際は、「どの生成AIを使うか」より先に、AIに何をさせるのかと人が担う判断責任を整理し、利用目的・利用範囲を定義することが出発点になります。 最初のPoCは低リスク・高頻度の支援業務から始め、現行業務との比較で成功指標を事前に設定し、PoCの段階から本運用で管理する項目（モデル・参照文書・確認者・記録方法など）を整理しておくことが重要です。 本運用ではHuman-in-the-Loopの手順化と、変更管理・継続監視の仕組みが要になります。株式会社EQUESの製薬特化型AI（QAI Generator / QAI Checker）は、こうしたGMP文書業務の効率化を支援します。 はじめに 「GMP業務に生成AIを導入したい。しかし、何から始めればいいのかわからない」 製薬企業では、SOPや逸脱、CAPA、試験記録、設備記録など、AI活用と相性のよい情報が大量に蓄積されています。一方で、GMP領域では「とりあえず生成AIを試してみる」だけでは本運用につながりません。特に重要なのが、PoC（概念実証）とGMP対応した本運用を分けて考えながら、最初から出口を設計することです。 本記事では、GMP領域におけるAI導入を「ユースケース選定 → PoC → 評価 → 本運用 → 継続監視」という流れで整理し、製薬企業のQA、QC、製造、DX推進部門が実際に使えるチェックリストまで紹介します。 GMP領域で生成AIを導入するとき、最初に決めるべきこと GMP領域でのAI導入で最初に「どの生成AIを使うか」を決めるのはおすすめできません。 先に決めるべきなのは、AIに何をさせるのかです。 例えば、 ☐ 「逸脱報告を要約する」 ☐ 「過去の類似逸脱を検索する」 ☐ 「SOP改訂案を作成する」 ☐ 「試験結果の傾向を分析する」 ☐ 「製品の合否を判定する」 このような活用領域は、GMP上のリスクが大きく異なります。重要なのは、AIが出した結果が、 人間の参考情報にとどまるのか 人間のGMP判断を補助するのか GMP上の判断を自動化するのか を明確にすることです。 特に患者への安全性、製品品質、データインテグリティへ直接影響する用途では、要求される管理水準が大きくなります。 FDAとEMAが2026年1月に公表した「Guiding Principles of Good AI Practice in Drug Development」でも、AIについて「リスクベース」「明確な利用目的・利用範囲（Context of Use）」「データガバナンス」「性能評価」「ライフサイクル管理」などが基本原則として示されています。 つまり、GMP領域におけるAI導入の出発点は「AIを導入すること」ではなく、AIを使う業務の利用目的・利用範囲を定義することです。 最初のPoCは「低リスク・高頻度業務」から始める GMP領域に AI導入するPoCでは、いきなり重要な品質判断を自動化するよりも、まずは人間の業務を支援する用途から始める方法が現実的です。例えば、以下の表のように各業務に対するAIに期待する役割と人の主な確認ポイントをわけることができます。 業務AIの役割人の主な確認ポイントSOP検索必要箇所の検索・要約引用元の正確性逸脱管理類似事例の検索・要約見落とし、誤要約CAPA過去事例の整理根拠の追跡性QCデータ傾向の分析支援分析ロジック教育教材やFAQの草案作成内容の正確性 ここで大切なのは、PoCの成功条件を「AIがすごい回答をすること」にしないことです。例えば逸脱検索なら、「業務判断に直結する完全な回答か」という最終の目的ではなく、 ☐ 「過去50件の類似事例のうち何件を正しく拾えたか」 ☐ 「重要な事例を取りこぼしていないか」 ☐ 「引用元を確認できるか」 ☐ 「従来何分かかっていた作業が何分になったか」 といった細かなステップに分けた指標を設定します。AIの性能は「なんとなく便利」ではなく、現在の業務プロセスとの比較で評価することが重要です。PIC/S・EMAのAnnex 22ドラフトでも、AIモデルの性能について、用途に応じたテスト指標と受入基準を事前に設定し、置き換えるプロセスより性能を低下させないことが示されています。 PoCの段階から「本運用で何を管理するか」を考える PoCでありがちな失敗が、以下のようなところで終了してしまうことです。 ☐ 「精度90％だった」 ☐ 「作業時間が50％削減できた」 ☐ 「現場の評判がよかった」 しかし、本運用に必要なのは性能だけではありません。例えば生成AIをSOP検索に使う場合でも、以下の点を考える必要があります。 ☐ 「どのモデルを使ったのか」 ☐ 「どの文書を参照したのか」 ☐ 「いつの文書を使ったのか」 ☐ 「AIが生成した内容を誰が確認したのか」 ☐ 「モデルが更新されたときどうするのか」 そのため、PoCの設計段階で最低限、 ユースケース、入力データ、AIモデル、出力、利用者、最終判断者、記録方法、異常時の対応 を整理しておきます。この設計をしておけば、PoCから本運用への移行が「別プロジェクト」になりにくくなります。 生成AIでは「人間が確認する仕組み」が重要 2025年に公表されたPIC/S・EMAのAnnex 22ドラフトは、静的・決定論的なAI/MLモデルを対象としており、生成AIやLLMは対象外とされています。 また、ドラフトでは、生成AIやLLMを重要なGMP用途に使うべきではないとし、非重要用途で使用する場合は、適切な教育を受けた担当者が出力の適切性を確認するHuman-in-the-Loopを求める考え方が示されています。ただし、これは現時点のドラフトです。 2026年6月30日〜7月1日の2日間にわたり開催されたEMAワークショップでは、生成AIやLLMを製造分野で利用可能にするための管理策についても議論されました。つまり、規制当局側も「生成AIは一律に使えない」という方向ではなく、どのような管理を組み合わせれば利用できるかを検討している段階です。この状況を踏まえると、現時点では、 「AIに最終判断をさせるのではなく、AIを『判断支援』に置き、最終責任を人間に残す」 という設計が重要になります。ただし、Human-in-the-Loopと書けば十分というわけではありません。 ☐ 「誰が」 ☐ 「何を確認し」 ☐ 「どの基準で承認し」 ☐ 「確認結果をどこに記録するか」 までを手順化する必要があります。 画像は生成AIを用いて作成しています。 本運用で最も重要なのは「変更管理」と「継続監視」 PoCと本運用の最大の違いは、AIが動き続けることです。AIは一度テストして終わりではありません。クラウドサービスならモデルが変更される可能性があります。RAGなら参照文書が更新され、入力データの傾向が変化することもあります。そのため、本運用では、 ☐ モデル変更 ☐ プロンプト変更 ☐ 参照データ変更 ☐ 検索ロジック変更 ☐ システム変更 ☐ 利用範囲変更 などを変更管理の対象として考えます。Annex 22ドラフトでも、モデル、実装システム、対象プロセスの変更を変更管理下に置き、再テストの必要性を評価すること、さらにモデル性能や入力データの変化を継続的に監視することが示されています。特に生成AIでは、「AIの回答が少しおかしい」こと自体よりも、その異常を発見できる仕組みがないことのほうが問題になります。 例えば、 ☐ 「回答に根拠文書が付いているか」 ☐ 「信頼度の低い回答を人の確認へ回せるか」 ☐ 「特定カテゴリの誤回答率が上昇していないか」 ☐ 「利用者からの修正・却下率が増えていないか」 といった監視指標を設定します。 GMP AI導入チェックリスト 最後に、PoCから本運用までを確認できる簡易チェックリストをまとめます。 企画（4項目） ☐ 解決したいGMP業務上の課題が明確か ☐ AIの利用目的・範囲を定義したか ☐ 患者への安全性・製品品質・DIへの影響を評価したか ☐ Human-in-the-Loopの責任者を決めたか PoC（6項目） ☐ 成功指標を事前に設定したか ☐ 現行業務との比較基準があるか ☐ 代表性のあるデータを準備したか ☐ 独立した評価用データを確保したか ☐ 正常系・異常系・境界条件を評価したか ☐ AIの出力根拠を確認できるか 本運用（6項目） ☐ 利用者教育を実施したか ☐ AI出力のレビュー手順を整備したか ☐ 変更管理のルールを設定したか ☐ 性能・データドリフトを監視できるか ☐ AI停止時の代替手順があるか ☐ 定期的な再評価の基準を決めたか まとめ：GMP領域におけるAI導入は「AI選定」ではなく「業務設計」から始める GMP領域でAIを導入する場合、最初から重要な品質判断にAIを組み込む必要はありません。どの業務で、どこまでをAIに任せ、どこから人間が判断するのかを設計することです。そのうえで、 ユースケースと利用目的・利用範囲を定義する リスクに応じて対象業務を分類する 現行業務を基準にPoCを評価する GMPの考え方に沿ってシステムとプロセスを評価する 変更管理・性能監視まで含めて本運用を設計する という流れにすると、PoC止まりを避けやすくなります。 特にこれからのGMP領域へのAI導入では、「AIを導入できるか」ではなく、「AIを継続的に管理しながら、GMP上の責任を説明できるか」が重要になります。 2026年は、PIC/S・EMAのAnnex 22をはじめ、GMPにおけるAIの考え方が具体化している時期です。今のうちに自社のAI利用を棚卸して、ユースケース、リスク分類、評価指標、Human-in-the-Loop、変更管理までを一つの仕組みとして設計しておくことが、将来の本格導入に向けた土台になります。 課題発見から内製化まで一貫してサポート ここまで解説してきたGMP領域における生成AIの導入と本運用に向けた設計を力強くサポートするのが、私たち株式会社EQUESです。 ・東京大学松尾研究室出身のAIの専門家のメンバーを中心に設立 ・ISO/IEC 27001:2022認証取得：国際的な基準で安心のセキュリティ体制 私たちは単に技術を提供するだけでなく、お客様の隣で一緒に走り続ける「伴走型技術開発」を最も大切にしています。 弊社の強みは、戦略立案から開発、そして最終的な内製化まで、AIプロジェクトの全フェーズを一気通貫でご支援できる点にあります。 ・AI×DX寺子屋： 「社内に専門家がいない」というお悩みに応えるサービスです。月額20万円から、東大出身のAI専門家集団にチャットでいつでも相談し放題。ベンダー選定のセカンドオピニオンとしてもご活用いただけます。 ・ココロミ（PoCサービス）： 「まずは小さく試したい」というニーズに応え、月々250万円から本格的なPoC（概念実証）を実施。リスクを抑えながらAI導入の第一歩を踏み出せます。 ・製薬SaaS QAI Generator： 特に弊社の強みである製薬分野では、品質保証（GMP）の文書作成業務を効率化するSaaSも提供。GENIACにも採択されるなど、高い評価をいただいています。 AI導入のパートナー選びで迷われているなら、ぜひ一度、私たちEQUESにご相談ください。お客様の課題に真摯に寄り添い、最適な解決策をご提案します。

重大な逸脱の兆候を見逃さないためのAI活用と現場主導の品質マネジメント
医薬品製造

重大な逸脱の兆候を見逃さないためのAI活用と現場主導の品質マネジメント

2026.09.18

記事の要約 重大な品質逸脱の前段階では小さな逸脱や品質イベントが起きていることが多く、情報の分散や業務の属人化によって、その兆候が見逃されやすい構造があります。 AIは逸脱報告・CAPA・調査報告書などを横断的に解析して人が確認すべき兆候を絞り込み、その結果をSOPや教育の改善へつなげることで、品質マネジメントの継続的な改善を支えます。 GMP領域では最終的な判断と承認を人が担うHuman-in-the-Loopが前提であり、株式会社EQUESの製薬特化型AI（QAI Generator / QAI Checker）が品質文書業務の効率化を支援します。 はじめに 医薬品の製造現場では、重大な品質逸脱が市場欠品や供給不安につながることがあります。 こうした重大な逸脱は、必ずしも予測できない突発的な事故として発生するとは限りません。過去を振り返ると、その前段階で小さな逸脱や品質イベント、設備状態の変化、作業上の違和感などが発生していたにもかかわらず、それらの兆候を十分に捉えられなかった結果として、問題が大きくなっている場合があります。 しかし、現場では日々多くの業務が発生しています。製造記録の確認、試験結果の評価、逸脱調査、CAPA、変更管理、SOP改訂、教育訓練などを進めるなかで、過去の品質イベントを横断的に分析する余力を確保することは容易ではありません。そこで期待されているのが、AIを活用した品質マネジメントです。 AIは人に代わって品質判断を行うものではありません。大量の記録から人が確認すべき兆候を抽出し、過去の類似事例や判断材料を整理することで、現場が重大な逸脱に対して「先手を打つ」ための支援を行うものです。 重大な逸脱の背景にある「兆候の見逃し」 小さな逸脱や品質イベントが見逃される背景には、個人の注意力だけでは解決できない構造的な問題があります。代表的なものが、情報の分散です。 製造記録、試験結果、逸脱報告、CAPA、調査報告書、設備保全記録などが異なるシステムやファイルに保存されていると、一つひとつの情報は存在していても、相互の関係を分析することが難しくなります。データが部門ごとにサイロ化され、品質リスクを全体として捉えられない状態です。専門性の高い業務が属人化しやすいことも大きな課題です。 高度な専門性を必要とする業務ほど、経験豊富な担当者の知識や感覚に依存しやすくなります。さらに、マルチスキル化や業務範囲の拡大によって、一人ひとりが特定領域を深く分析する時間を確保しにくくなることもあります。 現場が違和感に気づいていても、「新しい仕事が増えるのではないか」「調査を始める余力がない」といった事情から、問題を深く掘り下げられない場合も考えられます。重要なのは、これらを個人の責任として捉えるのではなく、兆候を拾い上げられる仕組みを品質システムの中に整えることです。 逸脱発生のパターンをAIで捉える 製造工程における逸脱の発生傾向は、製品や設備、工程のライフサイクルによって変化する可能性があります。たとえば、立ち上げ直後には、設備や作業標準に対する理解不足から逸脱が多く発生することがあります。安定稼働期に入ると、全体の発生件数は落ち着く一方で、品目や剤形に特有の課題が散発的に現れることがあります。 さらに後期になると、設備の老朽化や人材不足などを背景に、逸脱発生率が再び上昇する可能性があります。 こうした傾向を人手だけで把握するためには、多数の品質イベントを時系列で整理し、品目、剤形、設備、工程、原因、CAPAなどの観点から比較する必要があります。AIは、過去の品質イベントや逸脱報告、CAPA、調査報告書を意味ベースで解析し、類似する事例や通常とは異なる傾向を抽出する用途に活用できます。 以下のように、工程の状態に応じて見るべき兆候を整理することができます。 初期段階では、逸脱件数が想定以上に減少していない工程を特定する。 安定稼働期には、特定の品目や工程で繰り返される突出パターンを捉える。 後期には、これまでと異なる上昇トレンドを早期に検知する。 ただし、AIが異常や傾向を示したからといって、それだけで逸脱の原因を確定することはできません。AIの役割は、人が詳しく調査すべき対象を絞り込むことです。現場の担当者やQAが製造記録、試験結果、設備状態などと照合し、実際に品質上の問題があるかを判断する必要があります。 逸脱の兆候検出からSOPの改善 AI活用の価値は、逸脱の兆候を見つけることだけではありません。検出された傾向をSOPや教育、CAPAの改善につなげることで、品質マネジメントの継続的な改善につなげられる可能性があります。具体的には、次のような流れが考えられます。 まず、品質イベント、逸脱報告、CAPA、調査報告書などをAIが解析します。次に、過去の逸脱傾向や類似事例を可視化し、繰り返し発生している問題や通常とは異なるパターンを抽出します。その結果をSOPと照合することで、曖昧な表現、熟練者の暗黙知に依存している手順、文書上の手順と実際の運用との乖離などを特定します。 さらに、過去の逸脱事例や有効だったCAPAを参照しながら、SOPの修正案や教育上の論点を提示します。ここで欠かせないのが、Human-in-the-Loopの考え方です。AIはあくまで分析や改善案の提示を行う支援者です。SOPの改訂、逸脱の評価、CAPAの決定といったGMP活動の最終判断、承認、責任は人が担います。 AIの提案をそのまま採用するのではなく、誰がどの情報を確認し、なぜ採用・修正・却下したのかを記録できる運用が必要です。人の専門性と判断を組み込むことで、AIを品質システムの中で管理された支援手段として利用できます。 現場と一緒にAIを育てる 技術的に優れたAIを導入しても、現場で使われなければ品質向上にはつながりません。GMP領域のAI導入では、システムを完成させてから現場へ渡すのではなく、製造、QC、QAの担当者が設計段階から参加することが重要です。まず、現場の声を集めます。日常業務で負担になっている作業、見落としやすい情報、熟練者しか判断できない事項などを整理します。 次に、ワークショップ等を通じて暗黙知を言語化し、課題の構造を明らかにします。現場だけでは見つけにくい技術的な選択肢や、他部門から見た課題を加えることで、AIに任せる業務と人が担う業務を整理します。 試作したAIを実際の業務に近い条件で使用し、現場からフィードバックを得ます。回答が実務に合っていない場合は、参照文書、ルール、プロンプト、画面、業務フローなどを見直します。改善したAIを再び現場へ還元し、継続的に評価します。この循環によって、AIが現場の思考プロセスや品質に対する考え方を反映した、実務に根ざした仕組みへと育っていきます。 AIを「現場に押し付ける」のではなく、現場が主役となって育てることが定着の鍵です。 業務レイヤーと部門の2軸で用途を整理する AIの用途を考える際は、単に「製造で何ができるか」「QAで何ができるか」と部門別に考えるだけでは不十分です。製造、QC、QA、コーポレート部門に加えて、現場担当者、マネジメント層、経営層という業務レイヤーの2軸で整理すると、現場のニーズを把握しやすくなります。 たとえば、現場担当者向けにはSOP作成補助、専門文書の高精度検索、試験結果の解釈支援、報告作業の効率化などが考えられます。マネジメント層向けには、OOS・OOTの傾向分析や逸脱・CAPAの妥当性レビュー支援が候補になります。 経営層や品質責任者向けには、査察対応の論点整理、品質リスクの俯瞰、SOP体系の構造化、人材・教育戦略への活用などが考えられます。このようなマップを用いることで、声の大きい部門だけでAI活用を決めるのではなく、製造現場を含めた多様な立場から課題を拾い上げられます。 過去の記録を「組織の文脈」として蓄積する GMP領域でAIの回答精度を高めるためには、モデルの性能だけでなく、AIにどのような情報を与えるかが重要です。逸脱、CAPA、査察対応、SOP改訂などを単なる記録として保存するだけでは、過去に何が起きたかは分かっても、なぜその判断に至ったのかまでは伝わりません。 判断理由、背景、当時の制約、改善の狙いまで含めて「文脈」として蓄積することで、AIは単なるキーワード検索を超えた支援を行える可能性があります。また、人が異動・退職した場合でも、品質判断の背景や考え方を組織に引き継ぎやすくなります。 将来の品質活動についても判断理由を蓄積し続ければ、品質システムは記録を保管する仕組みから、過去の活動から学ぶ仕組みへと発展していきます。製造、QC、QAでは、参照する文書や判断基準が異なります。そのため、単一の汎用AIですべてに対応するのではなく、製造工程、試験・検査、査察・CAPAなど、領域別にAIを設計する方法も考えられます。 それぞれに適したルールと参照文書を設定し、用途に応じた評価とチューニングを行うことが、誤回答を抑えながら専門性の高い支援を実現するポイントです。 まとめ GMP領域におけるAI活用の目的は、人の品質判断を置き換えることではありません。散在する品質情報を整理し、見逃されていた兆候を可視化し、人がより早く、より良い判断を行える状態をつくることです。 そのためには、AIの導入だけでなく、現場の声を拾う仕組み、Human-in-the-Loop、判断理由を含むコンテキスト管理、領域に応じたAI設計が必要です。 小さな品質イベントから学び、SOPやCAPAへ反映し、再び現場からフィードバックを得る。この循環をつくることで、AIは単なる効率化ツールではなく、重大な逸脱を未然に防ぎ、組織の品質文化を支える仕組みになっていくのではないでしょうか。 課題発見から内製化まで一貫してサポート ここまで解説してきたGMP領域の品質マネジメント高度化やAI活用を力強くサポートするのが、私たち株式会社EQUESです。 ・東京大学松尾研究室出身のAIの専門家のメンバーを中心に設立 ・ISO/IEC 27001:2022認証取得：国際的な基準で安心のセキュリティ体制 私たちは単に技術を提供するだけでなく、お客様の隣で一緒に走り続ける「伴走型技術開発」を最も大切にしています。 弊社の強みは、戦略立案から開発、そして最終的な内製化まで、AIプロジェクトの全フェーズを一気通貫でご支援できる点にあります。 ・AI×DX寺子屋： 「社内に専門家がいない」というお悩みに応えるサービスです。月額20万円から、東大出身のAI専門家集団にチャットでいつでも相談し放題。ベンダー選定のセカンドオピニオンとしてもご活用いただけます。 ・ココロミ（PoCサービス）： 「まずは小さく試したい」というニーズに応え、月々250万円から本格的なPoC（概念実証）を実施。リスクを抑えながらAI導入の第一歩を踏み出せます。 ・製薬SaaS QAI Generator： 特に弊社の強みである製薬分野では、品質保証（GMP）の文書作成業務を効率化するSaaSも提供。GENIACにも採択されるなど、高い評価をいただいています。 AI導入のパートナー選びで迷われているなら、ぜひ一度、私たちEQUESにご相談ください。お客様の課題に真摯に寄り添い、最適な解決策をご提案します。

FDA査察とAI時代の製薬品質保証のイメージ
医薬品製造

FDA Warning Letter から読み解くAI時代の製薬企業のFDA査察への備え

2026.07.24

記事の要約 FY2025のFDA Warning Letterが過去20年で最多となった背景には、品質の悪化ではなく、COVID-19後に査察体制が回復し実施件数が大きく増えたことがあります。 FDAが繰り返し指摘するのは設備ではなく、品質保証部門や逸脱管理といった「品質システム」であり、査察は紙からデータを重視する方向へ変化しています。 AI時代の品質保証では信頼できるデータ基盤の構築が鍵となり、株式会社EQUESの製薬特化型AIツール（QAI Generator / QAI Checker）が品質文書業務の効率化を支援します。 The GMP JournalによるとFDAが公表したFY2025のWarning Letterは過去20年で最多となりました。そして、FDAが発行したWarning Letter（またはForm 483）のうち、21 CFR 211.42（施設・設備の設計・構造）に関する違反が含まれていた割合が増加していることを指摘しています。 この背景には、単なる品質問題だけではなく、COVID-19後の査察体制の回復と査察体制の変化という大きな変化があると考えられます。 本稿ではFDAの公開データをもとに査察件数とWarning Letterの関係を整理し、The GMP Journalで述べられている内容とは別の切り口でFDA査察の実施状況を捉え、今後の査察の方向性を考察するとともに、AI時代に製薬企業が備えるべき品質保証のあり方について解説します。 【本記事の引用元】The GMP Journalの記事：https://www.gmp-journal.com/current-articles/details/the-fda-warning-letter-report-for-fiscal-year-2025.htmlFDA Annual Report FY2023：https://www.fda.gov/media/180100/download?attachment=FDA Annual Report FY2024：https://www.fda.gov/media/187960/downloadFDA Annual Report FY2025：https://www.fda.gov/media/192011/download?attachment= FDA Warning Letter 2025から見えてきた査察環境の変化 FY2025のWarning Letter発出数の増加は、製薬企業の品質悪化だけを意味するものではなく、COVID-19後にFDAが査察能力を回復し、近年のAIの台頭もあって年間にこなすことのできる査察の数が増えたことが考えられます。 FDAが公開した2025年度のWarning Letterの発出件数は、GMP査察に起因するWarning Letterが112件となり、過去20年で最多となりました。 この数字だけを見ると、「FDAがこれまで以上に厳しくなった」あるいは「製薬企業の品質レベルが低下している」という印象を受けるかもしれません。 しかし、Warning Letterは査察の結果であり、その件数だけで業界全体の品質レベルを評価することはできません。むしろ重要なのは、「なぜ増えたのか」という背景を理解することです。そのためには、Warning Letterだけではなく、FDAの査察活動そのものを見る必要があります。 FDAは本当に厳しくなったのか FDA Annual Reportを見ると、Routine Surveillance Inspection（定期査察、医薬品と医療機器を対象とした査察の合算）はCOVID-19以降、着実に回復しています。直近のRoutine Surveillance Inspectionの件数は以下の通りです。 FY2023：2,499件 FY2024：2,684件 FY2025：3,377件 COVID-19流行時には海外査察が大幅に制限され、FDAはリモート監査や文書確認を中心とした対応を余儀なくされました。つまり、この期間は「品質問題が少なかった」のではなく、「現地査察そのものが十分に実施できなかった」ということです。 FY2025は、その査察能力が本格的に回復し、実施される査察件数が大きく伸びた年と捉えることができます。Warning Letterの増加も、この流れの中で理解する必要があります。 また、FDAの公開データを見ると、中国やインドなど海外製造拠点へのRoutine Inspectionも大きく増加しています。これはCOVID-19以前のグローバル査察体制へ戻りつつあることを示しています。 日本企業にとっても、この変化は決して対岸の火事ではありません。近年では海外委託製造や原薬調達が一般化しており、自社工場だけではなくサプライチェーン全体がFDA査察の対象となる可能性があります。つまり、品質保証の対象は自社設備だけではなく、サプライチェーン全体へ広がっていると考えるべきでしょう。 製薬企業への示唆 ここで重要なのは、「Warning Letterが増えた」という事実に過度に反応することではありません。むしろ注目すべきなのは、FDAが再び現場へ戻り、通常の査察体制を取り戻したことです。 査察件数が増えれば、品質システムの不備が見つかる機会も当然増えます。したがって、今回のWarning Letter増加は、「品質が悪くなった」という単純な話ではなく、「査察環境が正常化した」と捉える方が、本質に近いと考えられます。 しかし、一方で見逃してはならない事実があります。査察件数が増えたこと以上に注目すべきなのは、毎年ほぼ同じ品質システムが繰り返し指摘されているという点です。この事実は、製薬企業が抱える本質的な課題が、設備や文書ではなく品質システムそのものにあることを示唆しています。 FDAが本当に見ているのは「品質システム」である Warning Letterで毎年繰り返し指摘されるのは、設備や製造技術ではなく、Quality Unitや逸脱管理、記録レビューなどの品質システムです。これは、FDAが個々の不具合ではなく、「品質を保証する仕組み」そのものを評価していることを示しています。 2025年度のGMP違反を多い順番に整理すると、以下の通りです。 ※グラフはThe GMP Journalより引用 21 CFR原文日本語訳211.22Responsibilities of the quality control unit.品質保証部門の責任211.84Testing and approval or rejection of components, drug product containers, and closures.原料、医薬品容器および施栓系の試験ならびに承認または不承認211.100Written procedures; deviations.文書化された手順および逸脱211.166Stability Testing.安定性試験211.165Testing and release for distribution.出荷判定のための試験および出荷承認211.192Production record review.製造記録の照査211.160Laboratory Controls – General Requirements.試験室管理―一般要求事項211.42Design and construction features.設計および構造上の要件211.113Control of microbiological contamination.微生物汚染の管理211.67Equipment cleaning and maintenance.設備の洗浄および保守211.188Batch production and control records.ロット製造・管理記録 設備設計や無菌管理などの技術的な指摘もありますが、最も多いのは品質システム全体に関する内容です。ここから言えることとして、FDAは製造設備そのものではなく、「その設備をどのような品質システムで管理しているか」を見ています。 例えば、同じ逸脱が発生したとしても、次のような点によって評価は大きく変わります。 適切に調査されているか 根本原因が分析されているか CAPAが妥当か 再発防止が機能しているか つまり、査察で問われているのは個々のミスではなく、「品質保証の仕組みが継続的に機能しているか」という点なのです。 なぜQuality Unitは毎年指摘されるのか Quality Unit（品質保証部門）はGMPの中核を担う組織です。製造部門から独立した立場で品質を保証し、製品の出荷可否を判断するだけでなく、逸脱管理、変更管理、CAPA、品質情報のレビューなど、多岐にわたる役割を担っています。 それにもかかわらず、毎年Quality Unitに関する指摘が最も多い理由は何でしょうか。一つの理由として考えられるのは、品質保証を「承認業務」と捉えてしまう組織が少なくないことです。SOPを承認する、逸脱報告書を承認する、変更管理を承認する——もちろん、これらは品質保証部門の重要な役割です。 しかし、本来品質保証部門が果たすべき役割は、「承認すること」ではなく、「品質システムが適切に機能していることを保証すること」です。例えば、同じ逸脱が繰り返し発生しているにもかかわらず、毎回同様のCAPAで終わっているのであれば、それは品質システムとして十分に機能しているとは言えません。 査察官は、このような「運用の実態」を確認しています。その意味で、品質保証部門への指摘は、一部署だけの問題ではなく、組織全体の品質マネジメントを映し出す鏡とも言えるでしょう。 「紙」ではなく「データ」を見る査察へ もう一つ、近年の査察で大きく変化している点があります。それは、電子データの重要性が急速に高まっていることです。 MES、LIMS、電子バッチ記録（EBR）、監査証跡（Audit Trail）など、多くの製薬工場では電子システムの導入が進んでいます。これに伴い、査察官が確認する情報量も飛躍的に増加しました。 紙の時代であれば、確認できる記録には限界がありました。しかし現在では、製造記録、試験結果、設備ログ、ユーザー操作履歴など、大量のデータを遡って確認することが可能です。つまり、査察は「紙を確認する作業」から、「データを分析し、品質システムの妥当性を評価する活動」へと変化しつつあります。 データインテグリティが近年これほど重視されている背景にも、この流れがあります。電子データは便利である一方、その真正性や完全性が保証されなければ、品質保証の根拠として成立しません。そのためFDAは、単に電子化されているかではなく、「そのデータを信頼できるか」を確認しているのです。 生成AIは査察をどのように変えるのか 生成AIの普及により、「AIが査察を行う時代が来るのではないか」という声を耳にすることがあります。しかし、現時点でFDAがAIによる査察の完全自動化を打ち出しているわけではありません。 一方で、AIや高度なデータ分析が査察業務を支援する可能性は十分に考えられます。例えば、次のような業務は、人がすべてを確認するよりも効率的に実施できる可能性があります。 膨大な監査証跡から異常な操作を抽出する 製造データから逸脱リスクを予測する 品質イベントの傾向を分析する つまり、AIが査察官に代わるのではなく、「査察官が見るべきポイントを提示する」役割を担う未来は十分に現実的です。 これは製薬企業側にとっても同様です。AIは品質保証の責任を負うことはできません。しかし、品質システムをより早く、より正確に運用するための支援ツールとしては、大きな可能性を持っています。 重要なのは、「AIを導入すること」ではなく、「AIが活用できる品質データを日常的に蓄積し、説明可能な状態で管理していること」です。これからの査察で問われるのは、紙の完成度ではなく、「品質をデータで説明できる組織であるかどうか」なのかもしれません。 製薬企業が今から取り組むべき5つのこと FDA査察の変化は、単なる規制強化ではありません。GMPにおける品質保証の考え方そのものを見直す契機と捉え、組織文化とデータ基盤の両面から準備を進めることが重要です。 ここまで見てきたように、FDAの査察はCOVID-19後の正常化を経て、品質システムをより深く評価する方向へ進んでいます。では、製薬企業はどのような準備を進めるべきなのでしょうか。次の5つの視点が重要になると考えています。 1. 「査察対応」から「品質保証」へ発想を転換する 査察前になると、資料の整理や説明準備に多くの時間を費やす企業は少なくありません。もちろん、査察への備えは重要です。しかし、本来の目的は査察を乗り切ることではなく、日常業務を通じて品質を保証することです。 査察は、その結果を確認する機会に過ぎません。「査察対策」を目的とした活動ではなく、「品質保証の結果として査察に対応できる状態」を目指すことが、これからの品質マネジメントには求められます。 2. 品質保証部門を「承認部門」から「品質をリードする部門」へ進化させる Warning Letterで品質保証部門への指摘が繰り返される背景には、品質保証部門が本来果たすべき役割とのギャップがあります。重要なのは、文書を承認することではありません。 品質情報を俯瞰し、リスクを把握し、必要な改善を現場とともに進めることです。品質保証部門は、品質システム全体を牽引する存在であることが期待されています。 3. データを「記録」ではなく「資産」として扱う MESやLIMS、電子記録などの導入は着実に進んでいます。一方で、それらのデータが十分に活用されているとは限りません。 逸脱の傾向分析、設備状態の監視、品質イベントの予兆把握など、蓄積されたデータには多くの価値があります。査察で必要になったときだけ取り出す情報ではなく、日々の品質改善に活用する「資産」として扱うことが重要です。 4. AIは「判断の代替」ではなく「判断の支援」に活用する 生成AIによる業務効率化や機械学習を用いた高度な予測技術への期待は高まっていますが、品質保証の責任をAIに委ねることはできません。一方で、次のような、人の判断を支援する用途では大きな可能性があります。 SOP作成支援 逸脱傾向の分析 レビュー業務の効率化 技術文書の検索 教育支援 AIを活用する際には、「何をAIに任せるか」だけでなく、「何を人が判断し続けるべきか」を明確にすることが重要です。 5. 継続的改善を組織文化として定着させる Warning Letterで繰り返し指摘される内容を見ると、多くは単発のミスではなく、改善が定着していないことに起因しています。品質システムは、一度構築すれば終わりではありません。 日々のレビューや逸脱対応、CAPA、変更管理を通じて継続的に改善し続けることで、初めて実効性を持ちます。そのためには、品質保証部門だけではなく、製造、技術、試験、設備など、組織全体が品質改善に主体的に関わる文化を育てていくことが重要です。 まとめ FY2025のWarning Letter増加は、「FDAが厳しくなった」という単純な話ではありません。その背景には、COVID-19後の査察体制の回復と、品質システムを重視する一貫した査察方針があります。 また、品質保証部門や逸脱管理、記録レビューといった品質システムへの指摘が繰り返されていることは、製薬企業が取り組むべき課題が設備投資だけでは解決しないことを示しています。 さらに今後は、電子記録や監査証跡を前提としたデータ活用が進み、査察もよりデータを重視する方向へ発展していくと考えられます。 こうした変化に対応するためには、AIなどの新しい技術を導入するだけでは十分ではありません。品質文化という土台の上に、信頼できるデータ基盤を構築し、そのデータを継続的な改善へ結び付けることが、これからの品質保証に求められる姿ではないでしょうか。 FAQ Q1. FDA Warning Letterが増えたのは品質が悪化したからですか？ 必ずしもそうではありません。COVID-19後にRoutine査察件数が大きく回復したことが、Warning Letter増加の要因の一つと考えられます。 Q2. FDA査察では現在どのような点が重視されていますか？ 品質保証部門、逸脱管理、データレビュー、データインテグリティなど、品質システム全体の有効性が重視されています。 Q3. AIはFDA査察に利用されるのでしょうか？ 現時点でAIが査察官に代わるわけではありません。しかし、リスク分析やデータ解析など、査察を支援する技術として活用が進む可能性があります。 Q4. 製薬企業が最初に取り組むべきことは何ですか？ AI導入よりも先に、品質データを信頼できる形で蓄積・管理し、品質保証活動へ活用できる基盤を整備することが重要です。 課題発見から内製化まで一貫してサポート ここまで解説してきた製薬企業の品質保証の高度化やAI活用を力強くサポートするのが、私たち株式会社EQUESです。 ・東京大学松尾研究室出身のAIの専門家のメンバーを中心に設立 ・ISO/IEC 27001:2022認証取得：国際的な基準で安心のセキュリティ体制 私たちは単に技術を提供するだけでなく、お客様の隣で一緒に走り続ける「伴走型技術開発」を最も大切にしています。 弊社の強みは、戦略立案から開発、そして最終的な内製化まで、AIプロジェクトの全フェーズを一気通貫でご支援できる点にあります。 ・AI×DX寺子屋： 「社内に専門家がいない」というお悩みに応えるサービスです。月額20万円から、東大出身のAI専門家集団にチャットでいつでも相談し放題。ベンダー選定のセカンドオピニオンとしてもご活用いただけます。 ・ココロミ（PoCサービス）： 「まずは小さく試したい」というニーズに応え、月々250万円から本格的なPoC（概念実証）を実施。リスクを抑えながらAI導入の第一歩を踏み出せます。 ・製薬SaaS QAI Generator： 特に弊社の強みである製薬分野では、品質保証（GMP）の文書作成業務を効率化するSaaSも提供。GENIACにも採択されるなど、高い評価をいただいています。 AI導入のパートナー選びで迷われているなら、ぜひ一度、私たちEQUESにご相談ください。お客様の課題に真摯に寄り添い、最適な解決策をご提案します。

contact us

お問い合わせはこちら

まずはお気軽にご相談ください

お問い合わせはこちら