製造業の技能継承をAIエージェントで進める品質安定化の現実解

現場の品質は、結局「誰が判断したか」に引っ張られます。熟練者の手元を見れば納得できる一方で、同じ工程でも担当者が変わるだけで微妙なバラつきが出る。ここが日本のものづくりの強さであり、弱さでもあります。

2025/12/26、トヨタ車体と伊藤忠テクノソリューションズ（CTC）が、AIエージェントによる技能継承と品質安定化の共同研究を始めたというニュースは、その「弱さ」を正面から扱った事例です。作業記録・センサーデータ（温度、圧力、振動など）・外観検査の画像/動画・過去の履歴をまとめ、マルチモーダルAIエージェントが熟練者の判断プロセスを再現しようとしています。

この動きは自動車だけの話ではありません。私が建設業界のAI導入支援の相談を受けるときも、同じ構図が出ます。熟練技術のデジタル継承が進まないと、品質も安全も「人頼み」になり、現場が回らなくなる。製造の学びを建設に持ち込むと、打ち手はかなり具体化します。

AIエージェントが「技能継承」を現実にする理由

技能継承が難しい最大の理由は、ノウハウが「言語化されていない」からです。作業標準書はあっても、熟練者が見ているのは標準書に書けない微差（音、振動、手触り、周辺条件）です。AIエージェントが効くのは、その微差を“データとして束ねて判断”できるから。

トヨタ車体×CTCの研究が示しているポイントは明快で、

• **数値（温度・圧力・振動）**と
• **視覚（画像・動画）**と
• 文書/履歴（作業記録・過去の不具合）

を同じテーブルに載せて判断する、ということです。これがマルチモーダルの本質です。

「AI＝検査の自動化」だけでは足りない

外観検査の画像認識だけ導入しても、品質が安定しない現場は多いです。理由は簡単で、**不良の原因が検査工程ではなく“上流の微妙なズレ”**にあるから。

AIエージェントの価値は、検査結果を返すだけでなく、

• 直前の設備条件
• 作業者の手順の揺れ
• 前ロットの傾向

まで含めて「次に何を確認すべきか」を提示できる点にあります。ここまで来ると、単なるAIモデルではなく、**現場の意思決定を支える“相棒”**になります。

トヨタ車体×CTCの共同研究に見る「品質安定化」の設計

今回の共同研究は、期間が2025/10/01〜2026/03/31と明示されています。私はこの点を高く評価します。AI導入で最も多い失敗は、PoC（お試し）を「いつまでもお試し」で終わらせること。期限があると、設計が締まります。

取り組みの骨格は、次の3点です。

1. 熟練技能者の判断基準を取り込む
2. 現場データ（センサー、記録、画像/動画、履歴）を統合する
3. 2つのAIエージェントが連携するA2A（Agent to Agent）方式で判断の再現性を上げる

A2A（Agent to Agent）が向いている現場の条件

A2Aは「エージェント同士が情報を交換して判断する」設計です。これが向くのは、品質の意思決定が1枚岩ではなく、

• 検査（現象の確定）
• 工程（原因の推定）
• 保全（設備起因の切り分け）

のように分業されている現場です。

建設でも同じで、例えば安全管理なら、

• 画像認識エージェント（危険姿勢・立入・保護具）
• 工程エージェント（高リスク作業の時間帯・人員配置）
• ルール/法令エージェント（KY・作業手順との整合）

のように役割を分けた方が、現場の説明責任が通りやすい。A2Aは「賢さ」よりも、説明の筋を作るのに効きます。

製造の学びを建設AIに移す：技能×品質×安全は同じ問題

この投稿は「建設業界のAI導入ガイド：生産性向上と安全管理」シリーズの一部ですが、私はあえて言い切ります。品質安定化と安全管理は、同じ構造の問題です。

• 事故も不良も、直前に「兆し」がある
• 兆しは、数値・映像・記録に散らばっている
• 兆しを拾えるのは、本来は熟練者の経験
• 人手不足と高齢化で、その経験が現場から抜けていく

だから、建設であれ製造であれ、勝ち筋は「AIで判断の再現性を作る」ことになります。

建設現場での具体例（すぐ転用できる）

製造のマルチモーダル設計を建設に置き換えると、例えばこうなります。

• 数値データ：熱中症指数、風速、クレーン荷重、振動、騒音、入退場ログ
• 画像/動画：現場カメラ、ウェアラブル映像、ドローン撮影
• 履歴情報：ヒヤリハット、是正措置、指摘事項、BIM/施工計画の変更履歴

AIエージェントが「危険」や「不具合」を見つけるだけでなく、

• どの条件の組み合わせで起きやすいか
• どの班・どの時間帯に偏っているか
• 次の打ち手（配置換え、手順変更、点検優先度）

を提案できると、安全管理の“属人化”がほどけます。

失敗しない導入手順：技能継承AIを回す5ステップ

AIエージェントは「入れれば賢くなる」類の道具ではありません。現場で回る形に落とすには、順番があります。私が現場でおすすめしているのは次の5ステップです。

1) まずKPIを1つに絞る（品質でも安全でも）

KPIを欲張るとデータ設計が崩れます。最初は例えば、

• 製造：手直し率、工程内不良率、外観検査の見逃し率
• 建設：是正指示の再発率、立入違反件数、重機周辺の危険接近回数

のように「1つ」だけ。

2) 熟練者の判断を“質問リスト”にする

いきなりAIに学習させる前に、熟練者が何を見ているかを棚卸しします。

• 何を見たらNGと言うのか
• 迷うのはどんなときか
• 追加で確認する情報は何か

この質問リストが、そのままエージェントのプロンプト設計やワークフロー設計に効きます。

3) マルチモーダルを「最小構成」から組む

全部つなぐのは後です。最初は、

• センサーデータ＋作業記録
• 画像＋検査結果

など、2系統で十分。ここで精度よりも、現場の使い勝手を固めます。

4) 現場での“説明”を通す（ここが肝）

AIが出した結論が正しくても、納得できなければ使われません。

• 根拠データ（どの値、どの画像、どの履歴）
• 判断の手順（なぜその順に確認したか）

を出せる形にします。A2Aは、この説明の筋を作りやすい。

5) 改善のループを回す（運用が本番）

導入後は、

• 現場のフィードバック
• 例外ケース
• 新設備・新材料の影響

で判断基準が変わります。技能継承は「一回やれば終わり」ではなく、更新し続ける仕組みが必要です。

よくある質問（現場から出る論点に先回り）

Q. AIが熟練者の仕事を奪う？

奪いません。奪うのは「属人化」です。熟練者の価値は、判断そのものよりも、

• 例外処理
• 改善の設計
• 若手の育成

に移っていきます。AIエージェントは、その時間を作る道具です。

Q. データが足りないと無理？

最初から完璧なデータは揃いません。むしろ、足りないのはデータ量よりラベルと履歴の整備です。

• いつ
• どの設備/どの班で
• どんな現象が起き
• 何をして直ったか

この形で残せるだけで、AIエージェントの判断品質は上がります。

Q. 生成AIのリスクはどう扱う？

現場で効く対策は2つです。

• 参照範囲を限定する（社内の作業記録・点検記録・標準書・検査結果に閉じる）
• 権限と監査ログをセットで設計する（誰が何を見て、どう判断したか）

AIの導入は、セキュリティ設計とセットです。

次に起きること：技能は「個人」から「仕組み」へ移る

トヨタ車体×CTCの共同研究が示しているのは、AIの話というより、品質の意思決定を“再現可能な仕組み”に移すという話です。人が悪いのではなく、現場が難しすぎる。だから、判断を支える道具が必要になります。

建設でも、画像認識による安全監視やBIM連携、工程管理の最適化が進むほど、最後に残る課題は「判断の属人化」です。技能継承AIは、その最後の詰めをやり切るための現実解だと思います。

自社の現場で同じ悩みがあるなら、まずは「どの判断がブラックボックスか」を1つだけ選んでください。AIエージェント化の第一歩は、モデル選定よりも、判断の棚卸しから始まります。次に、あなたの現場ではどの判断を“仕組み”に移しますか。