製造業の属人化を止める：操作ログからAIがノウハウを資産化

年末の締め処理で、経費・購買・受発注の事務が一気に詰まる。現場も本社も「分かる人」に作業が集中し、引き継ぎは後回し。こういう“いつもの光景”を、操作ログからAIがノウハウを自動抽出して再利用することで崩しにいく動きが現実になってきました。

2026/01からNECが提供を開始すると発表したのが、エージェント技術「cotomi Act」を用いた業務自動化ソリューションです。ポイントは、RPAのように手順を固定して自動化するのではなく、日々の閲覧履歴や操作ログから「判断の仕方」まで吸い上げ、組織の資産として育てていく発想にあります。

この投稿は「中小企業を成長させるAIの力」シリーズの一編として、製造業（特に中小・中堅）で起きがちな属人化・引き継ぎ不足・間接業務の停滞を、AIがどう解くのかを掘り下げます。私はここが肝だと思っています。製造業のAI活用は、まず“現場のデータ”ではなく“事務と判断”から効く。

操作ログからノウハウを抜き出すAIが意味すること

結論から言うと、操作ログ起点のAIは、企業の一番やっかいな資産である「暗黙知」を、低摩擦で形式知に近づけます。マニュアルや教育資料をゼロから整備しようとすると、だいたい途中で止まります。忙しいからです。

NECの発表では、cotomi Actが業務中の閲覧履歴や操作ログからノウハウを自動抽出し、組織で共有可能な形にまとめて蓄積します。蓄積された知識はエージェントが業務の“必要知識”として使い、日常業務を通じて学習し続ける。つまり、

• 人が作業する（いつも通り）
• その痕跡（ログ）からAIが「この場面ではこの判断」「この順序」「この例外処理」を抽出
• 次からAIが再現・支援し、再現できなかった部分はまた学習

というサイクルを回しやすい。

「手順の自動化」から「判断の自動化」へ

従来の自動化は、うまくいくほど“手順が固定された仕事”に寄ります。ところが製造業の間接業務は、例外だらけです。

• 仕入先ごとに請求書のクセが違う
• 部門ごとに承認条件が微妙に違う
• 「今回は急ぎだから」「監査が近いから」など状況で判断が変わる

こうした現場のリアルに対して、cotomi Actは曖昧な指示や複数ステップのWeb操作も含めて処理できる、とされています。国際ベンチマーク「WebArena」で**成功率80.4%**という具体値が出ているのも、導入検討側にはありがたい材料です。

製造業で“属人化”が止まらない根本原因

属人化が悪いのは分かっている。分かっているのに止まらない。原因はシンプルで、仕組みより先に、人が穴を埋めて回してしまうからです。

製造業の現場は、納期と品質が最優先です。だから、引き継ぎ資料が未整備でも、ベテランが残業してでも処理してしまう。結果、次のことが起きます。

• 教育がOJT偏重になり、育成速度が人に依存する
• 管理部門のボトルネックが見えにくい（「あの人が頑張ってる」で隠れる）
• 退職・異動・休職の瞬間にリードタイムと品質が崩れる

AIでノウハウを資産化するアプローチは、ここに効きます。なぜなら、**「資料を書いてもらう」ではなく「ログから拾う」**から。現場の協力を引き出す設計として、現実的なんです。

製造現場に近いほど“デジタル事務”が効く

工場DXというと、設備データや画像検査などが注目されがちです。でも中小・中堅では、まず経費精算・購買・受発注・審査・申請の詰まりを抜く方が、投資対効果が出やすいケースが多い。

• 現場の残業が減る
• 管理部門の処理待ちが減る
• 間接の停滞が止まり、現場が前に進む

“稼ぐ工場”にするには、ラインの改善だけでなく、社内の意思決定の摩擦を減らすのが早道です。

cotomi Actの要点：継続学習×ガバナンスがセット

結論として、AIエージェント導入で一番大事なのは「性能」より「運用」です。動けばいい、では済まない。監査、情報漏えい、誤処理、責任分界が必ず問題になります。

NECは運用面で、同社が整備してきたAIガバナンスの枠組みを基に、企業ルールやポリシーを反映した動作設定が可能だとしています。私はここを評価します。製造業では特に、

• 取引先情報・単価・原価などの秘匿
• 承認フローの統制
• 監査対応（いつ、誰が、何を根拠に決めたか）

が避けて通れないからです。

「自動化できる範囲」を広げる条件

判断を伴う業務をAIに任せるなら、最低限これが必要です。

1. 権限設計：AIができること／できないこと（承認、発注、修正、送信）を段階化
2. ログ設計：AIの操作・判断理由・参照情報を追える形で残す
3. 例外設計：不確実なときは止めて、人に戻す（人間へのエスカレーション）
4. 品質指標：処理時間だけでなく、差戻し率・誤処理率・監査指摘件数で測る

「AIが自動で全部やる」を目標にすると破綻します。“止まれる自動化”こそ、製造業向きです。

中小製造業が導入で失敗しないための進め方

結論から言うと、最初の成功条件は「ユースケース選び」です。私は、年末年始（12月〜3月）に詰まりやすい業務を狙うのが良いと思っています。繁忙で課題が可視化され、改善効果も測りやすいからです。

ステップ1：まずは“ログが取りやすい”業務から

操作ログ起点の強みを生かすなら、対象はデジタルで完結しやすいものが向きます。

• 経費精算（証憑確認、規程チェック、差戻し）
• 受発注処理（Web受注、入力、照合、納期確認）
• 購買申請（見積比較、条件判断、稟議）
• 社内ポータル申請（複数画面の入力、添付、承認依頼）

現場帳票が紙中心でも、間接業務はすでにWeb/SaaSに寄っている会社が多い。ここが入口になります。

ステップ2：「判断」を3種類に分解する

“判断が必要”と言っても、中身は混ざっています。AI化のために分けます。

• 規程判断：金額上限、勘定科目、添付必須など（ルールで固い）
• 例外判断：急ぎ案件、特殊取引先、過去の慣例（パターンがある）
• 交渉判断：相手次第で変わる条件調整（慎重に）

最初は規程判断＋一部例外判断までに留めるのが現実的です。

ステップ3：現場への説明は「人員削減」ではなく「再配置」

導入がこじれる原因の多くは、現場の不安です。だから言い切った方がいい。

AIは人を減らす道具ではなく、忙しい人を“穴埋め要員”から解放する道具です。

中小製造業は採用が難しい。ならば、浮いた時間を

• 原価低減の打ち手づくり
• 仕入先評価の高度化
• 品質・監査の強化
• 顧客対応のスピード改善

に回した方が、会社が強くなります。

よくある疑問：AIがノウハウを吸い上げると危なくない？

答えは「危なくなり得る。だから設計で勝つ」です。操作ログには、個人情報や取引先情報が混ざります。ここを雑にすると、一発で止まります。

対策としては、次が現実的です。

• データ最小化：学習・抽出に不要な項目はマスキング
• 権限分離：AIの参照範囲を部門・役割で制御
• 承認ゲート：発注・支払など重要操作は人が最終承認
• 監査証跡：AIが何を見て何をしたかを保存

AIガバナンスが“お作法”で終わる会社は伸びません。守りを固めた会社ほど、攻めの自動化が速いです。

製造業の競争力は「作業速度」より「学習速度」で決まる

cotomi Actのような仕組みが広がると、製造業の差はこう変わります。設備投資や人員規模ではなく、組織がどれだけ早く学び、それを再現できるかです。

• ベテランの手元で止まっていたノウハウが、組織に出てくる
• “できる人”の判断が、標準化された品質で繰り返せる
• 新人が戦力化するまでの時間が短くなる

これは、人手不足が続く日本の製造業にとって、かなり現実的な勝ち筋です。

次の一歩は難しくありません。まずは自社の間接業務で、**「月末月初に詰まる」「差戻しが多い」「担当者が固定」**のどれかに当てはまる仕事を1つ選び、ログが取れる形になっているかを確認する。そこからです。

あなたの会社で、いま一番「分かる人に頼っている」業務はどこでしょう。そこが、AIで最初に効く場所です。