製造現場の知見を生かしてAIエージェントを活用するには（2/2）

福本：
次にAIエージェントを活用するための課題について議論したいと思います。データについては、ノウハウの形式知化やデータの蓄積などが求められます。例えば今のエンジニアリングチェーンの設計データはメカが中心ですが、それ以外にエレキの設計もある中で、きちんと3Dデータや定格情報が揃っていなければ、AIエージェントに3D設計をさせることはできません。
また、障害が起きた時にその原因をAIが調べるには、マニュアルや過去に起きたトラブルなどのデータが一通り揃っていないといけません。今自社にデータがどれだけあり、何を学習させると何ができるかということをユーザー目線で考えることが、従来のシステムインテグレーションとの違いだと感じています。データがないとAIが上手く使えないという点で、ユーザー側のデータ整備の課題が大きくなるのではないでしょうか。

岡本：
生成AIの学習データを整備し、ノウハウや暗黙知をしっかりとデジタルデータとして使えるようにしないと、いくらハイレベルの優秀なAIを搭載しても十分に機能しません。だからこそ、そのデータ整備の役割は誰が担うのかという話ですね。

鈴木：
データ整備の役割や責任の話は昔からありますね。私がERPを担当していた時に現場の人によく言われたのは、「自分が入力して、何か嬉しいことがあるの？」ということ。実際にすごく入力しづらいインターフェースもありますから、言われて仕方がない面もあったのですが（笑）。
AIに必要なデータとしては、装置から自動で取れる制御データだけでなく、その振る舞いや傾向のような情報を付加していくことも大切で、それは人間の作業報告の内容だったりするわけです。そういう情報が両方必要になると思います。
ですから現場の人に「あなたがデータを入れると、経営層がこのように嬉しいのです」という丁寧な説明が求められますし、普段使いの言葉で喋るだけで入力できるような仕組みを導入して入力負荷を下げることも必要です。現場の人にそのデータを入力することの経営的な意味合いをお伝えして、納得してもらうことが肝要です。

岡本：
製造現場では何か障害や不良などが起きると必ず報告して原因を追及し、改善策や再発防止策をまとめていることが多いので、それらのデータは後で宝になります。

鈴木：
SMTラインの事例でも、装置から稼働、停止、スローダウンなどのファクトデータは取れますが、何が障害や不良の起因になっているのかは周りの情報がないと判断できません。投入材料が悪かったかもしれないし、装置自体がエラーを起こしているかもしれないし、はたまたオぺレーションミスだったかもしれません。こういうことは装置から吐き出されるデータだけでは分かりません。その周辺の情報を与えていくのに必要なのが「考える目線」で、現場のベテランは自分の頭の中で自然にデータを整理しているのではないかと思います。そういうノウハウを上手く形式知化して整理していくことが求められるでしょう。

岡本：
SMTラインの取り組みでは、東芝内で蓄積した現場ノウハウを活用することでAIエージェントを上手く活用することができましたが、それ以外の様々な工程を統合し工場全体のAIエージェントの仕組みとして活用しようとすると、見なければならない部分が広がり、データの粒度を大きくする必要もでてきます。これが製造現場にAIエージェントを実装する際の難しさになるでしょうね。

福本：
また、同じ作業でも、担当者によって手順が違うとAIエージェントが判断しづらくなるので、作業の標準化も重要になります。それができればプロセスの中で「この部分はAIエージェントに任せても大丈夫」というように役割分担ができますよね。

鈴木：
仰る通りですね。ヒューマンプロセスの中で、まずは標準化を実施して、新しい業務プロセスをきちんと定義した上でAIエージェントを導入する必要があります。

福本：
現場で使えるアプリが簡単に開発できるようになる一方で、セキュリティ面の対策も必要になりますが、この点はいかがでしょうか。

鈴木：
セキュリティは本当に大事です。RAGのデータを守らなければいけないのは当然ですが、これから数多くのAIエージェントが活用されるようになると、それぞれのAIエージェントについて誰が作りどのようなことをするものなのかをしっかり管理していく必要があります。先ほどの話のように人間のプロセスの中に入ってくることを考えると、きちんと管理されたAIエージェントであることが必須になるでしょう。IDC（International Data Corporation）の予測では、2028年までに13億のAIエージェントが登場するとされています。エージェントが増えるほど、誰が作り、何をし、どの権限で動くのかを管理する重要性が高まります。人間とAIエージェントを分け隔てなくIDで管理することが大切です。

岡本：
セキュリティに関して言うと、AIエージェントが人間の作業を代行する際に既存システムに介在することもあるわけですが、そこでAIエージェントが人間と同じようにシステムの認証とタスクの実行許可を担保することができるのかという課題も出てきます。

福本：
認証される側が本物か、あるいは偽物か、その正真性を担保する必要があるということですね。

岡本：
システムのセキュリティの考え方も変わってくるのではないかと考えています。

福本：
AI活用のための人材育成に関してはどのような課題があるでしょうか。SMTラインのような事例では、単純にAIテクノロジーを知っていたら解決できるという話でもありません。どのようにAI人材を育てたらよいのでしょうか。

岡本：
AIエージェントは、プログラミングができなくても人間の言葉で操作できるので、現場で自分の仕事をラクにするために自ら取り組むのに非常に適したテクノロジーだと思います。更に突き詰めてやるべきことは、やはりデジタル人材の育成ですね。つまり、デジタルと製造の両方のノウハウを持つ「二刀流」の人材をどれだけ増やしていけるかがポイントですね。

鈴木：
最近は現場とIT側の状況も変わってきたように感じています。いわゆる“バイブコーディング（自然言語で意図を伝え、AIと対話しながら試作→修正を回す開発）”では、自然言語による対話でAIにコードを生成してもらい、ダメ出しをしてそれを自然言語に落としてもらい、コーディングの修正をしてもらうわけです。そういうループで開発が回るので、現場の人からノウハウを吸い上げることもすごくやりやすくなっているのではないでしょうか。
これまでは現場が新しいアプリを作ろうとすると、現場の人が仕様書を起こさなくてはならず、その後IT部門に依頼して、IT部門はシステムインテグレーターに発注して開発してもらう、というプロセスを踏まなくてはならず手間も時間もかかっていました。バイブコーディングでは、現場の人が作りたいものを自然言語で伝えて対話を重ねることでAIエージェントがシステム要件に落としてくれるので、IT部門はシステム設計のために翻訳する必要がなくなり、現場の人が直接AIエージェントと対話をしてトライ＆エラーを繰り返しながらアプリを作ることができるようになってきます。
このようにAIを活用する人材育成の課題としては、まずマインドセットの転換が必要ですね。現場の人は簡単に作りたいものを伝えられるようになり、IT側も現場の要求を取り込んで形にする時間が短縮されるはずなので、従来の“要件の翻訳”にかかっていた負荷は下がり、代わりにデータ整備、ガバナンス、評価、運用設計など上流の重要性が増すため、関与の仕方は“量”より“質”へシフトしていくでしょう。

福本：
バイブコーディングならば、MVP（Minimum Viable Product）レベルのものが、すぐにできてしまうわけですね。

鈴木：
開発手法が変わっていくことを、教育などを通して理解していただくことも大切だと思います。そういう意味では今後はドメイン知識の方が大事になりそうです。