チャットボットを超えて：離散製造業におけるエージェント型AIの仕組み

アラートが作動する。上司がそれを確認する。内容を把握する。別のシステムを開く。作業指示書を作成する。オペレーターに通知する。記録するのを忘れないように気をつける。時々、記録する。

「データ→人間→意思決定→実行」という一連の流れこそが、製造業におけるAI投資の多くが停滞しているポイントなのです。

多くの個別メーカーにおけるAI投資の第一段階は、ダッシュボードの改善、異常アラートの明確化、そしてより多くの場所からデータを確認できるようにすることに重点が置かれていました。しかし、現場の監督者たちは依然として毎朝、同じ手作業による優先順位付けを行わざるを得ず、しかも処理すべき案件は以前よりも増えているのが現状です。

問題はアーキテクチャにあります。AIが洞察を提示しても、人間がその洞察をその後のあらゆるアクション（作業指示書の作成、材料証明書の確認、オペレーターへの通知、対応記録の作成など）に落とし込まなければならない場合、AIは情報層を改善したものの、実行層は依然として変わっていないことになります。

航空宇宙、 医療機器、自動車といった業界では、たった1つの追跡されていない逸脱が、CAPA調査やリコール審査へと波及する可能性があるため、そのような不備は瞬く間にコンプライアンス上のリスクとなりかねません。

エージェント型AIには、そのギャップを埋める可能性がある。そこで決定的な要因となるのは、エージェントがスタックのどの位置に配置されるかである。

多くの人にとって、生成AIはデジタルコンサルタントのような役割を果たしています。質問への回答、要約の作成、推奨事項の提示、そして依頼に応じて文書の下書きを作成するなど、その能力は多岐にわたります。生成された結果は人間の手に渡り、どう対応するかは人間が決めます。一連の行動は、人間によって始まり、人間によって終わるのです。

エージェント型AIには、さらに大きな可能性が秘められています。明確な目標と一連の運用上のガイドラインが与えられれば、エージェント型システムは状況を把握し、選択肢を評価し、連携したシステム全体で実行を行い、その結果を記録します。各ステップにおいて、人間の判断は一切必要ありません。

製造現場において、その違いは極めて明確です。「AI機能」を備えたMESは、ステーション4でトルクの偏差を検知すると、次のように応答するかもしれません。「直近の3個の製品について、公称値24～26 Nmに対し22.3 Nmが測定されました。推奨措置：最近の組立工程を確認してください」。その後、オペレーターはアラートを確認し、作業指示を一時停止するかどうかを判断し、偏差を記録し、場合によっては品質担当技術者にメールを送信することになります。

エージェントシステムは、同じ逸脱を検知すると、シリアル番号から最後に規格に適合していたロットを特定し、そのロットに依存する下流の作業指示書を保留し、証拠資料一式（測定値、材料証明書、作業者ID、改訂管理された作業指示書）をあらかじめ用意した上で、品質技術者のインターフェースへ 再作業指示を送信し、追跡可能な実行記録に自身のアクションを記録します。

その違いは、「システムが何かを検知した」という時点と、「問題が解決された」という時点の間に何が起こるかという点にある。

デロイトは、製造業における自律型AIの導入率が、現在の6％から2027年までに24％へと4倍に増加すると予測している。この導入率の格差は、関心不足というよりも、実用段階での自律型AI導入に必要な要件が明確でないことに起因している。

AIを早期に導入した企業は、製造現場で何が起きているかをメーカーに伝えるソリューションの導入に注力している。実際にアクションを起こす能力を持つソリューションがもたらす可能性を探っている企業はほとんどない。

ERPレベルのエージェント（SAP Joule、Oracle組み込みAI、InforのIndustry AI Agentsなど）は、実際の計画上の課題に対処する能力を備えています。これらは、供給の混乱に応じて生産スケジュールを調整し、 生産能力の配分を最適化し、静的なダッシュボードでは到底提供できないほどの豊富なコンテキストに基づいて受注管理の意思決定を支援することができます。これらのエージェントの展開基盤となるのは、エンタープライズ計画システムです。

そのレイヤーは、実際の業務が行われる場所の上位に位置しています。これらのソリューションは、現場での業務実行状況をリアルタイムで把握するようには設計されていません。

エージェントがERPデータを処理する場合、計画に関する意思決定を行うことができます。エージェントが現場の実行データを処理する場合、作業に関する意思決定を行います。 個別生産においては、コンプライアンス記録（実施工記録／検査記録）は、実際に実施された作業を反映しています。

エージェントが必要とするデータ

複雑な製造環境において、エージェント型システムが安全かつ自律的な判断を下すためには、単なる作業指示書に記載されている情報だけでは不十分です。引き出された材料のロット番号、作業実行中にステーションで収集されたデータ、作業者の身元と資格、その工程を規定する作業指示書、そして当該ユニットの合格に依存する下流の組立工程といった情報が必要となります。

この業務上の文脈は、実行レイヤーに存在します。つまり、ガイド付きワークフロー、作業現場でのデータ収集、そして業務の進行に合わせて フロントラインプラットフォームが作成するステップ単位の記録といったものです。これらがなければ、担当者は状況を完全に把握できないまま判断を下すことになります。その判断は迅速であり、概ね正しいものではあるかもしれません。しかし、その判断を裏付ける証拠の連鎖が存在しないため、規制当局による監査において正当性を説明することはできません。

ERP層のエージェントが動作する場所と、正当化可能な自律的な意思決定を行う必要がある場所との間のギャップは、エージェント型AIの導入事例の多くがまだ解決できていないアーキテクチャ上の課題である。このギャップを埋めるのが「コンテキストグラフ」である。これは、あらゆるアクションを、対象となる資材、ワークフロー、オペレーター、およびそのアクションが準拠すべき仕様と結びつける、運用データのリアルタイムなネットワークである。

コンテキストグラフとは、特定の作業単位を、実行やコンプライアンスの観点から重要な要素――具体的には、材料ロット、プロセスパラメータ、オペレーターの身元と資格、有効な作業指示書の改訂版、タイムスタンプ、および下流工程への依存関係――と結びつける、リアルタイムの運用データネットワークのことです。

Tulip、作業の進行に合わせて情報が継続的に集約されます。ガイド付きワークフローが各工程を捕捉し、センサーが各パラメータを記録し、オペレーターが各材料ロットをスキャンし、あらゆる判断の瞬間がタイムスタンプと状況情報とともにログに記録されます。エージェントがアクションを起こす段階になる頃には、その推論の根拠となる状況情報は、その特定のライン上の、その特定のユニットの、まさにその瞬間のリアルタイムな状態を反映したものとなっています。

充実した機能を備えた最前線のプラットフォームは、エージェントの自律的な判断が精査に耐えうるかどうかを判断するのに役立つ6つの側面を捉えています：

• 特定のシリアル番号またはロット番号に紐づけられた材料の認証およびロット追跡可能性

• ステーションでリアルタイムに測定されたプロセスパラメータ（実際に取得されたデータ）

• 実行された各ステップにおけるオペレーターの身元および資格状況

• 実行時に有効であり、適用されていた作業指示書の改訂版

• シーケンス内のすべてのアクションに対するステップ単位のタイムスタンプ

• 下流の依存関係、具体的には、このユニットの成功に依存しているアセンブリや操作

エージェントがこのレベルの詳細情報にアクセスできる場合、その判断は確かな根拠に基づいたものとなる。

意思決定の経緯はデータから導き出されます。フラグが立てられた作業指示書を審査する監査担当者は、何が起きたかを再構築する必要はありません。コンテキストグラフには、その意思決定を引き起こした条件、エージェントが処理したデータ、そしてエージェントが行った処理が示されています。

これこそが、実行層におけるAIと計画層におけるAIの違いである。

航空宇宙、医療機器、およびISOやFDAの規制を受けるあらゆる個別製造環境において、コンプライアンス関連の文書作成は決して「完了」することはありません。 不適合事項はすべて、記録の提出を求められる可能性を秘めています。作業指示書の完了はすべて、完成図面となる可能性を秘めています。監査への備えは常に維持すべき姿勢であり、問われるべき点は常に同じです。つまり、「何が起こったかを正確に示すことができるか」ということです。

AIエージェントが実行レイヤーの外側（ERP、BIプラットフォーム、またはスタンドアロンのAIツール内）で動作する場合、その質問に対する答えを出すのは難しくなります。

エージェントの行動は、自動的に竣工記録に反映されるわけではありません。誰かが手動で記録しなければ、記録には残らないのです。つまり実際には、構造化された記録メカニズムが整備されていない場所でエージェントが何かを操作した場合、その記録には欠落が生じることになります。

エージェントが実行レイヤー内で動作すると、記録が自動的に作成されます。エージェントが行うあらゆるアクション（ 品質チェックの実施、下流の作業指示の一時停止、手直し指示の伝達、逸脱のフラグ付けなど）は、オペレーター自身の操作手順と同じ追跡可能な実行記録に記録されます。コンプライアンス部門が後で照合しなければならない別のAIログではなく、その記録の中に直接記録されるのです。その記録には、トリガーとなった条件、エージェントが処理したデータ、そしてその結果が紐付けられています。

これが「デフォルトでの証拠」というものです。コンプライアンス関連の文書は、通常の生産活動の副産物となります。

Tulip「Composable AI Agents」はこのモデルに基づいて構築されています。エージェントのあらゆるアクション（トリガーとなるイベント、意思決定、実行、結果）は、基盤となる実行データを収集したのと同じプラットフォーム内に記録されます。

AIの利用をめぐる規制上のリスクは、かつてないほど高まっています。現在施行されているEU AI法では、高リスクなAIアプリケーションに関する違反行為に対し、最大3,500万ユーロ、あるいは全世界の年間売上高の7％に相当する罰金が科されます。製造業の品質管理システムも、この適用範囲に含まれる可能性が高いでしょう。「AIのせいだ」という言い訳は、監査の場で通用しません。「エージェントが下したすべての決定、その判断の根拠となったデータ、そしてその結果」を提示することこそが求められます。

エージェントが誤った判断を下し、チームがその決定に気づかなかった場合、どうなるのでしょうか？この疑問こそが、機能面の不足以上に、エージェント型AIパイロットの実用化を阻んでいるのです。

それは当然の懸念です。デロイトの調査によると、現在エージェント型AIを導入している企業のうち、成熟したガバナンスモデルを整備しているのはわずか21％に過ぎません。初期段階の導入においてリスクとなるのは、エージェントそのものというよりは、エージェントに何が許可され、何が許可されていないかについて明確な境界線が引かれていない点にあります。

90/10モデル

製造現場でオペレーターが直面する業務のほとんどは、日常的なものです。既知のパラメータ範囲内での測定。定められた生産能力の範囲内でのスケジューリングの調整。構造化された実行データから作成されたシフトのまとめ。こうした状況は予測可能なパターンに従い、決定ロジックにも明確な枠組みがあり、コンプライアンスチームがすでに確認済みの結果を生み出します。これを「90％」と呼びましょう。つまり、オペレーターが十分な背景情報と明確なルール、そして行動する権限を持っている状況のことです。

エスカレーションが必要となるのは、この10％の領域です。エージェントが設定された範囲内で遭遇したことのない新たな障害モード。コンプライアンス基準を超え、承認者の署名が必要な意思決定。下流の生産工程に重大な影響を及ぼすアクション（バッチの廃棄、ラインの停止）。人間の確認を要する規制上の記録を生成するあらゆる意思決定。これらは自律的な実行の対象外であり、適切に設定されたエージェントはその違いを認識しています。

実際には、90/10の境界線を定義するとは、次の3つのことを意味します：

1. エージェントは、誰にも通知することなくどのような決定を下すことができますか；

2. エージェントが行動を起こす前に、どのような条件で人間の確認が行われるか；および

3. どの決定事項について、実行前に上司または品質技術者の承認が必要か。

これらの設定はモデルではなく、プラットフォーム内に保存されます。これらはプロセスを担当するチームによって設定され、コンプライアンス部門による確認が可能であり、運用が成熟するにつれて調整することもできます。

Tulip「Composable AI Agents」は、これら3つの要素すべてにおいて設定が可能です。チームは、適用範囲、エスカレーションのトリガー、および人間の判断が反映されるインターフェースを定義します。判断に人間の入力が必要な場合、そのリクエストはオペレーターが並行して確認しなければならない別のAIポータルではなく、オペレーターTulip を通じて表示されます。このワークフローそのものがガバナンスの仕組みとなっています。

「グッド・ガバナンス」とはどのようなものか

マッキンゼーが2025年11月に発表した「AIの現状」レポートによると、エージェント型AIの導入が最も進んでいる組織には、ある共通点があることが明らかになった。それは、人間が監視、検証、介入を行う「ヒューマン・イン・ザ・ループ」型の監督体制である。

それは次のような感じです：

• 完全な監査証跡：エージェントによるすべての決定について、そのトリガー条件、対象となったデータ、実行されたアクション、および結果が記録されます

• オペレーターレベルでの手動による上書き：すべてのエージェントのアクションは、権限を持つユーザーが確認および取り消し可能

• スコープ制御：エージェントは特定のアクションセットに対して設定されており、範囲を拡大するには明示的な設定変更が必要となる

• オペレーターインターフェースを通じたエスカレーション：人間の判断を要する決定事項は、オペレーターがすでに使用しているワークフローの中で浮上する

• 定期的なパフォーマンス評価：定められた頻度で、品質およびコンプライアンス指標に基づきエージェントの行動を評価する

エージェントを自信を持って導入できるチームとは、まずガバナンスモデルを設計し、その後に自動化を進めたチームのことである。

15年も前のSAPシステムを運用している場合、AIエージェントを導入するためにそのシステムを置き換えることにはならないでしょう。

高度にカスタマイズされたERPやレガシーMESシステムを導入しているメーカーの場合、これらのプラットフォームには業務ロジックが深く組み込まれているため、ビジネス的に合理的なスケジュールでそれらを廃止することは困難です。

実行レイヤーにおけるエージェント型AIは、既存のシステムを完全に置き換える必要はありません。

エージェントはAPIを介して既存システムに接続します。Tulip 内で動作する高性能なエージェントは、SAPに対して現在の作業指示書に関連付けられた材料認証情報をTulip 、作業指示書の仕様から管理限界値を取得し、対応する測定機器から測定値を読み取り、それらを比較して適切なアクションを実行Tulip 。これらすべてが、単一の統合ワークフローの中で行われます。 システムを置き換える必要はありません。コアインフラストラクチャを移行する必要もありません。ERPは、本来保持すべき記録を引き続き保持し、実行プラットフォームはERPが本来把握するようには設計されていなかった現場の状況を捕捉し、エージェントが意思決定の時点でこの2つを橋渡しします。

マッキンゼーはこの現象を「AIエージェントとERPの大きな隔たり」と呼んだ。調査の結果、この隔たりは置き換えではなく、機能の拡張によって埋まることが明らかになった。Tulip のようなプラットフォームTulip 、その架け橋Tulip 。

この決定を検討しているITアーキテクトにとって、重要な問いは以下の通りです：

現在稼働中のERPおよびMESシステムには、どのようなAPIが存在しますか？

それらのシステムが公開するデータは、どの程度構造化されているのでしょうか？

ガバナンスに基づく統合とは、どのようなものなのでしょうか？

本番システムへの読み書きを行うレイヤーを追加する場合、コアスタックの再構築が必要ない場合でも、セキュリティレビューと変更管理が必要となります。

Tulip 、標準APIを通じてSAP、Oracle、ヒストリアン、PLC、およびさまざまなMESシステムとTulip 。連携作業は実際に必要ですが、インフラの入れ替えは必要ありません。

エージェントの説明内容と実際の動作との違いは、運用面においてより明確になります。具体的には、どのような条件でエージェントが起動したか、エージェントがどのような動作を行ったか、そして最終的に記録に何が残ったか、といった点です。以下に、実際の運用における具体例をいくつか挙げます：

品質逸脱への対応

作業指示書4421、材料ロットTL-2209-Aにおいて、オペレーターが下限管理限界を下回るトルク値を3回連続で測定した。エージェントが配置されていないラインでは、この測定結果 により品質ダッシュボードでアラートが発動する。品質技術者は次の監視サイクル中にこれを確認し、MESを開いてロットの保留を決定し、オペレーターに通知した上で、その対応 内容をQMSに記録しようとする。検出から対応完了までの時間は数時間単位で計測される。 監査証跡が存在する場合、それは電子メールやメモから寄せ集められたものである。

実行レイヤーに移行すると、エージェントはシリアル番号に基づいて、最後に基準を満たしたユニットを特定します。エージェントは、このロットに依存する下流の作業指示書を保持します。そして、シリアル番号、測定値、材料証明書、および作業者IDが事前に組み込まれた再作業指示を、品質技術者のインターフェースに送信します。エージェントのこの動作は、元の測定値とともに追跡可能な実行記録にログとして記録されます。品質技術者がキューに到達する頃には、証拠パッケージはすでにそこに用意されています。

対応時間が数時間から数分に短縮されます。竣工図面の再作成は不要です。

NPIの移行

新製品、47工程の組立プロセス、前リビジョンからのBOM 。従来別々だった3つの作業指示書は、初回品検査の前に整合させる必要があります。エージェントがいない場合、プロセスエンジニアが手作業でこれを行います。具体的には、リビジョン履歴の比較、トレーニング資料の作成、初回品検査の前ではなく検査中に不備を見つけるといった作業です。

エージェントを活用することで、生産開始前に、BOM 現行BOM 作業指示書の改訂版BOM 相違点が特定されます。変更された工程は、エンジニアによる確認と承認のために提示されます。更新されたガイド付きワークフローには、ユニット1の新しい改訂版が反映されます。 オペレーターへのトレーニングでは、全47工程の手順ではなく、具体的に変更された工程に焦点を当てます。どの作業指示書の改訂版がどのユニットに適用されたかという追跡可能な記録は、事後的にではなく、初回製品段階で確立されます。

シフト引継ぎ

未解決の不具合が3件。メンテナンスフラグが立っている機械が2台。予定より遅れている作業指示書が1件。前任の監督者が作成した報告書には、その日のシフトの状況次第で、これらのすべてが記載されている場合もあれば、そうでない場合もある。後任の監督者は、通常、最初の15分間を管理業務ではなく、状況把握に費やすことになる。

担当者は、実行データ（ステータスとタイムスタンプ付きの未解決事項、最終確認時の状態を含む機械フラグ、計画に対する 生産状況など）から引き継ぎ内容を自動的に作成します。引き継ぐ側の監督者がこれを確認し、承認します。引き継ぐ側の監督者は、現場に向かう前に体系化された要約を確認します。未解決事項は引き継ぎの過程で漏れることはありません。

検証ドキュメントの作成

医療機器製造施設の規制対象生産ライン向けに構築された新しいアプリケーション。導入前にはGxPバリデーションガイドが必要となる。エージェントを使用しない場合、バリデーションチームはアプリケーションの構造を手動で確認し、使用目的を文書化し、リスク管理策をマッピングし、テストケースを作成する。アプリケーションの複雑さによっては、この作業に数日から数週間を要する。

TulipバリデーションガイドジェネレーターTulip、アプリケーションの構造を読み取り、GxP文書要件に照らし合わせて照合し、ガイドの草案を自動的に作成します。バリデーションチームがこれを確認、修正、承認します。これにより、業務の重点が文書の作成から文書の確認へと移行します。

エージェント型AIベンダーの多くは、自社のシステムが製造業向けに特別に設計されたものであると主張するでしょう。いくつかの質問を投げかけることで、実行層向けに設計されたプラットフォームと、計画立案、文書化、あるいは汎用的なプロセス自動化向けに構築されたプラットフォームを見分けることができます。

エージェントはスタックのどの部分で動作するのでしょうか？ERP内に配置されたエージェントは、インサイト・パイプラインを強化します。一方、実際の作業が行われ、プロセスパラメータが取得され、オペレーターの操作手順が記録される実行レイヤーに配置されたエージェントは、実行ループを完結させることができます。ベンダーに対し、具体的な品質逸脱のシナリオについて説明を求めましょう。具体的には、エージェントがどこからデータを取得し、どのシステムにアクセスし、最終的にどのような記録が残るのかを確認してください。

エージェントはどのような業務状況を把握できるのか？離散型製造における品質判断には、材料ロットデータ、リアルタイムの工程パラメータ、作業指示書の改訂履歴、およびオペレーターレベルの実行記録が必要となる。もしエージェントが毎晩同期されるERPデータに基づいて推論を行っている場合、それは過去1時間で状況が変わっている可能性のある、昨日の状況に基づいて判断していることになる。エージェントのデータ遅延がどの程度か、また現場の実行記録にアクセスできるかどうかを確認する必要がある。

実際の運用において、ガバナンスモデルはどのような形をとっているのでしょうか？どのベンダーも「ヒューマン・イン・ザ・ループ」アプローチを説明できますが、実際にその仕組みを見せてくれるよう求めてみてください。コンプライアンスチームは、エージェントが自律的に動作するタイミングとエスカレーションを行うタイミングを正確に設定できますか？エージェントのあらゆる判断について、そのトリガー条件と結果を、規制当局の審査に耐えうる形式でログに記録できますか？現場のオペレーターがエージェントの動作をオーバーライドすることは可能ですか？もしガバナンスモデルの確認に別途ポータルが必要となる場合、実際には無視されてしまうでしょう。

新たなインフラが必要なのか、それとも既存のシステムと連携するのか。統合作業は避けられないが、プラットフォームの全面的な入れ替えについてはまた別の話だ。ベンダーに対し、ERPやMESとの連携にどのAPIを使用しているか、統合にはどのようなアプローチが必要か、また基盤となるエンタープライズシステムが更新された際の保守体制がどのようになっているかを具体的に説明してもらうようにしよう。

これらは罠を仕掛けたような質問ではありません。これらは、本番環境へのデプロイを行う前にコンプライアンスチームが必ず尋ねる質問であり、これらに明確に答えられないベンダーには、何かしらの問題があるということです。

製造業におけるエージェント型AIの導入は、今後2年以内に4倍に増加すると予測されている。その成長の大部分は、パイロットプロジェクトの実施によるものとなるだろう。

パイロット運用と本番環境への展開を分けるのは、アーキテクチャです。具体的には、エージェントがどこに配置されるか、どのようなコンテキストを把握できるか、どのようなガバナンスモデルがその動作を制限するか、そして生成される記録が規制当局の審査に耐えられるかどうかといった点です。

実行レイヤーこそが、これらの問いに対する答えが存在する場所です。そこでは、コンテキストグラフが維持され、デフォルトで証拠が収集され、人間が関与するガバナンスモデルが設定・適用されます。これらが揃って初めて、自律的な行動は正当化されるのです。これらがなければ、エージェントは単に余分な手順が追加された、高度な警報システムに過ぎません。

Tulip「Composable AI Agents」は、この環境に合わせて設計されています。組み合わせて利用可能で、透明性が高く、設計段階から「ヒューマン・イン・ザ・ループ」の原則を取り入れており、業務と証拠が存在する最前線の実行レイヤーで稼働します。

Tulip「Composable Agents」Tulip、離散型製造業の生産プロセスの自動化にどのように貢献しているか、ぜひご検討ください。ご興味をお持ちの方は、ぜひ弊社チームまでお問い合わせください！