チャットボットを超えて：離散型製造業におけるエージェント型AIの仕組み

アラートが発信されます。監督者がそれを確認します。その意味を把握します。別のシステムを開きます。作業指示書を作成します。オペレーターに通知します。記録することを忘れないように努めます。時々、記録します。

「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です。

多くのディスクリート製造業者のAI導入の第一段階では、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、同じ管理職の方々は、今でも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の数は以前より増えています。

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、応答の記録など）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、自動車などの業界では、たった一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、そのギャップは瞬く間にコンプライアンス上のリスクとなり得ます。

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ります。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部分に位置するかという点です。

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、提案の提示、そして依頼に応じて文書の下書きを作成するなど、その能力は高いものです。生成された結果は人間の手に渡ります。どう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、さらに一歩先を行く能力があります。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し、その結果を記録します。各ステップにおいて、人間の判断は必要ありません。

製造現場において、その違いは明確です。「AI機能」MES ステーション4でトルクの偏差を検知し、次のように応答するかもしれません。「直近の3ユニットの測定値は22.3 Nmでしたが、基準値は24～26 Nmです。推奨される対応：最近の組み立て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、作業指示書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るでしょう。

エージェントシステムは、同じ逸脱を検知すると、シリアル番号に基づいて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を保留し、証拠資料（測定値、材料証明書、作業者ID、改訂管理された作業指示書）をあらかじめまとめた状態で品質技術者のインターフェースに 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」という段階と、「問題が解決された」という段階の間に何が起こるかという点にあります。

デロイトは、製造業におけるエージェント型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ます。この導入率の格差は、関心不足というよりも、実運用可能なエージェント型AIの導入に何が必要なのかが明確でないことに起因しています。

AIを早期に導入している企業は、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ます。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、まだほとんどありません。

ERP（SAP Joule、OracleAI、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たり、 生産能力の配分を最適化したり、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文脈情報を基に、受注管理に関する意思決定を提示したり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 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、業務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、実際に実施された業務を反映しています。

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。引き出された材料ロット、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、そしてこのユニットの合格に依存する下流の組立工程などの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伴い 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。その判断は迅速かもしれませんし、通常は正しいかもしれません。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立証することはできません。

ERP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す。このギャップを埋めるのがコンテキストグラフです。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、そして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す。

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、原材料ロット、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では、作業の進行に合わせて継続的にデータが収集されます。ガイド付きワークフローが各ステップを捕捉し、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、あらゆる意思決定のタイミングがタイムスタンプとコンテキスト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コンテキストは、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ります。

充実した機能を備えたフロントライン・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つの側面を把握します：

• 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の追跡可能性

• 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ごとのタイムスタンプ

• 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ります。

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、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。

それが、実行層のAIと計画層のAIを区別する点です。

航空宇宙、医療機器、FDA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、完成図面として求められ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、「何が起こったの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。

担当者の作業内容は、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、記録に残らないのです。実際には、担当者が何かを操作した箇所で、その背後にある体系的な記録メカニズムが整っていない場合、記録に抜け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、そしてその結果が関連付けられています。

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、通常の業務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重要性は、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連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、その対象となる可能性が高いでしょう。「AIのせいだ」という言い訳は、監査において通用しません。「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、そして生み出された結果」こそが、正当な説明となるのです。

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、能力の不足以上に、自律性の高い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確立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けるリスクは、エージェントそのものよりも、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ことにあると言えます。

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。確立さ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、明確な意思決定ロジックがあり、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。コンプライアンスの閾値を超え、承認者の署名が必要な決定。下流の生産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）。人間の承認を必要とする規制上の記録を生成するあらゆる決定。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ことには、次の3つの意味があります：

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. エージェントが動作する前に、どのような条件で人的な確認が行われるのか；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、そして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、その通知はオペレーターTulip を通じて行われ、オペレーターが別途確認しなければならない別のAIポータルを経由することはありません。このワークフローこそが、ガバナンスの仕組みなのです。

良き統治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、自律型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わかりました。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」型の監督体制です。

それは次のような感じです：

• 完全な監査証跡：各エージェントの決定について、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、および結果がすべて記録されます

• 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すことができます

• 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、拡張を行うには明示的な設定変更が必要です

• 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：人間の判断を必要とする決定事項は、オペレーターがすでに使用しているワークフロー内で表示されます

• 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いてエージェントの行動を評価します

エージェントを自信を持って導入しているチームは、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です。

もし15年も前のSAPシステムを運用されているのであれば、AIエージェントを導入するためにそれを置き換えるわけではないでしょう。

高度にカスタマイズされたERPやレガシーMES を導入しているメーカーの場合、そ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を介して既存のシステムに接続します。Tulip 動作する高性能なエージェントは、現在の作業指示書に関連付けられた材料認証情報をSAPからTulip 、作業指示書の仕様から管理限界値を取得し、対応する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します。これらすべてが、単一の連携されたワークフローの中で行われます。 既存のシステムを置き換える必要はありません。中核となるインフラを移行する必要もありません。ERP は、本来保持すべき記録ERP 保持します。実行プラットフォームは、ERP 本来把握するようERP 現場の状況を捕捉します。そして、エージェントが意思決定の時点でこの2つを結びつけます。

マッキンゼーはこの現象を「AIエージェントとERP 大きなERP 」と名付けました。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りました。Tulip のようなプラットフォームこそが、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 MES には、どのようなAPIが存在しますか？

それらのシステムが提供するデータは、どの程度構造化されていますか？

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 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。

エージェントの記述内容と、本番環境での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回連続で測定しました。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します。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 をQMSに記録しようとします。検出から封じ込めまでの時間は数時間単位で計測されます。 監査証跡は、もし存在する場合、電子メールやメモから作成されます。

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ロットを特定します。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アクセスする頃には、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、前回のリビジョンからのBOM 。これまで別々だった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

未解決の逸脱事項が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。退勤する監督者が作成した報告書には、そのシフトの状況次第で、これらすべてが網羅されている場合もあれば、そうでない場合もあります。交代で勤務を開始する監督者は、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ります。

担当者は、実行データに基づいて引き継ぎ内容を自動的にまとめます。具体的には、ステータスとタイムスタンプ付きの未解決事項、最後に確認された状態を含む機械のフラグ、計画に対する 生産状況などです。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。未解決事項が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です。導入GxP ガイドが必要です。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作業で確認し、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します。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します。

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 と照合して、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。

多くのエージェント型AIベンダーは、自社のシステムが製造業向けに特別に設計されていると主張するでしょう。いくつかの質問をすることで、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 配置されたエージェントは、インサイト・パイプラインをERP 。業務が行われ、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するか、どのシステムにアクセスするか、そして最終的にどのような記録が残るのかについて確認してください。

エージェントはどのような業務状況を把握できるのでしょうか？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、そしてオペレーターレベルの実行記録が必要です。もしエージェントがERP 推論を行っている場合、それは直近1時間で変化した可能性のある状況について、昨日の時点の情報に基づいて処理を行っていることになります。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してください。

実際のガバナンスモデルはどのようなものなのでしょうか？どのベンダーも「ヒューマン・イン・ザ・ループ」アプローチについて説明することはできます。実際にその仕組みを見せてくれるよう依頼してみてください。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るでしょうか？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るでしょうか？オペレーターは現場レベルでエージェントの動作をオーバーライドできるでしょうか？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。

新しいインフラが必要なのでしょうか、それとも既存のシステムと連携するのでしょうか？統合作業は避けられませんが、プラットフォームの全面的な入れ替えについては、また別の話となります。ベンダーに対し、MES ERP 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、そして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てください。

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ます。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でしょう。

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。

実行層こそが、それらの問いに対する答えが存在する場所です。実行層が維持するコンテキストグラフ、デフォルトで収集する証拠、そして設定・適用される「ヒューマン・イン・ザ・ループ」型のガバナンスモデル。これらが、自律的な行動を正当化できる条件となります。これらがなければ、エージェントは単に、余計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。組み合わせて利用でき、透明性が高く、設計段階から人間の関与を前提としており、業務と証拠が存在する最前線の実行レイヤーで動作します。

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。ご興味がおありでしたら、ぜひ弊社チームまでお問い合わせください！