製造業AI：現場の知識はインターネットからは学べない理由

CNC 工作機械の前に立つベテラン作業員は、なぜ 7 号機だけ余分な暖機が必要なのか、マニュアルを見ても答えを見つけられません。その答えは彼の手の中にあり、ファイルの中にはないからです。製造現場の本当の専門知識は、文書化されることがほとんどなく、機械を動かす人の筋肉の記憶の中に存在します。

どの生産ラインを歩いても、PDF に書かれなかった知識が 5 種類見つかります。

知識の種類	具体例
工程公差	重要な穴径で ±0.02 mm
材料特性	アルミ合金 XYZ が繰り返し荷重でどう硬化するか
故障の予兆	ベアリングが焼き付く 3 日前に出す特有の擦れ音
起動時のクセ	精度を保つために余分な暖機を必要とするスピンドル
バッチ固有のルール	現場の湿度で変わる熱処理スケジュール

これらの事実は、標準作業手順書のどこにも載っていません。深夜 2 時に不良品を出しながら機械を直し続けた作業員の中にだけ、蓄積されています。

具体例を挙げます。CNC 7 号機の保守マニュアルには 30 秒の暖機サイクルが明記されています。しかし、この現場で 30 年働くベテラン作業員は、精密加工の前に必ず 2 分間暖機を行います。マニュアルの 4 倍です。彼はこの数字をどこかで読んだわけではありません。不良品を出し続けた末に、そのパターンに気づいたのです。

このベテランは 61 歳です。彼が退職すれば、2 分ルールも一緒に現場から消えます。誰かが先に書き残さない限りです。これは仮定の話ではありません。熟練作業員が辞めるたびに同じような暗黙知が失われ、数か月後に原因不明の不良率上昇として現れます。

製造業における AI 導入は、実はここから始まります。モデル選びからではなく、現場が知っていることとシステムが見えることの間にある溝からです。マニュアルと仕様書だけを学習した AI は、2 分ルールを見逃すだけでは済みません。次の作業員に「30 秒で十分です」と教えてしまいます。それが AI の持つ唯一の数字だからです。次章では、汎用 AI がなぜ現場知識を標準で無視するのか、そして学習データを増やすだけでは解決しない理由を見ていきます。

汎用AIに生産スケジュールを尋ねると、流暢な回答が返ってきます。ただ、その回答が部品を不良品にすることがあります。原因は計算力ではなく、自社工場だけに存在する知識と公開情報を区別する仕組みが、そもそも無いことです。

大規模言語モデルは Wikipedia や学術論文、公開 GitHub で学習します。プレス機 3 号機だけで起きる微小なクリアランス不良のような現場知識は、一度もインターネットに載っていません。載っていない知識は学習できないのです。

自社データを構造なしでファインチューニングしても、モデルは単語の統計的な相関を学ぶだけです。「許容差」と「プレス機 3 号機」が同時に出る頻度は学びますが、それを破ると不良が出るという運用ルールは学びません。

この欠陥は現場で表面化します。AI が能力上は正しく見えるスケジュールを提案し、オペレーターの経験則としてしか存在しないクリアランス制約を破ります。構造化されていない AI は部下ではなく外部コンサルタントとして振る舞い、現場の人間が間違いを止め続けなければなりません。

診断は明確です。「この判断は現場の現実に違反している」という事実を AI が参照できる形で持たない限り、AI はこの違反を表現できません。

ドメイン・オントロジーとは、御社の製造現場で「モノが何であり、何とどうつながっているか」を形式化した設計図です。データベースのスキーマでも、カテゴリーの一覧でもありません。「受注は材料仕様とつながり、材料仕様は機械とつながり、機械は工程ルールとつながり、工程ルールは品質の制約とつながる」という構造そのものです。

材料仕様を例にします。多くの工場では、材料仕様はPDFの中の文字列にすぎません。サプライヤー名、コスト、公差が一度入力されたきり放置されています。ドメイン・オントロジーは、この仕様を属性(サプライヤー、コスト、公差)と関係(対応機械、代替材料、検査頻度)を持つオブジェクトに変えます。PDFは仕様を「記述」しますが、オントロジーは仕様が他の判断にとって何を「意味」するかを定義します。

この違いが、AIを機能させる条件になります。AIが構造化されたオントロジーの中で動くとき、提案する判断はすべて現場の制約に縛られます。公差を超える生産計画は、そもそもスケジュールに載りません。

	非構造アプローチ	構造化アプローチ
情報の扱い	等価なテキスト	強制される関係
公差ルール	提案止まり	強制適用
AI の役割	助言するコンサルタント	制約を守る実行者

助言は無視できます。しかし強制された制約は、AI自身も破れません。ここが「現場の知識がある」状態から「AIが現場の知識を守る」状態への橋渡しになります。その橋を具体的にどう架けるか、次章では 4 つのステップに分けて見ていきます。

現場知識をAIが読める規則に変換するには、4つのステップが必要です。スローガンではなく、順序ある作業です。

ステップ1：調査 現場を歩き、知識の在り処を地図にします。オペレーターの頭、クリップボードの保守記録、古いExcelマクロ、誰も開かない機械マニュアル。ここで作るのは在庫リストです。

ステップ2：構造化 その在庫を、顧客・注文・材料・機械・工程・品質ルール・判断ゲートという構造化オブジェクトに変換します。注文は材料グレードに紐づき、材料グレードは対応機械に紐づきます。

ステップ3：制約の符号化 許容誤差、材料の互換性、機械の運転限界、不良率のしきい値は、コメントではなくAIが強制するルールになります。AIが上書きできるルールは、ルールではありません。

ひとつの注文を追うと分かります。材料グレードが工場12台中3台でしか加工できず、許容誤差の安定に18分のウォームアップが必要で、許容不良率は2%です。各リンクが次を制約し、AIは非対応機械への割り当てやウォームアップの省略ができません。

ステップ4：運用化 この構造がboundary model（工場の運用ルールセット）となり、AIはプロンプトからの推測ではなく、これを直接読み、強制します。

結果は、現場がすでに知っていることをAIが破れなくなることです（安定稼働までの期間は現場により異なります。未確認：公式情報の確認が必要）。

このboundary modelも、無人運転を任せる信頼がなければ意味を持ちません。次の章ではその信頼のギャップを扱います。